15.07.2019

Was macht eigentlich ein Data Scientist?

Das Buzzword "Data Science" geistert derzeit durch die Innovationsabteilungen quer über alle Branchen hinweg. Der Job-Titel "Data Scientist" ist einer der häufigsten in einschlägigen Karriere-Plattformen. Doch worum geht es dabei eigentlich? Wir haben mit drei sehr unterschiedlichen Data Scientists gesprochen.
/artikel/was-macht-ein-data-scientist
Was macht eigentlich ein Data Scientist? Wir haben das Sclable-Data Science-Team gefragt
(c) Tobias Fittner: Das Sclable-AI- und Data Science-Team (vlnr.): Sanchit Singh, Ronald Luc, Frank Fichtenmüller, Charles Dietz und Viktor Sandner

„Data Science bezeichnet generell die Extraktion von Wissen aus Daten“ – so lautet die verkürzte Definition auf Wikipedia. Daraus lässt sich eines bereits klar ableiten: Der Beruf „Data Scientist“ lässt sich nicht auf einzelne spezifische Tätigkeiten eingrenzen. Tatsächlich bietet der Job, der auf einschlägigen Karriere-Plattformen von Unternehmen jeder Größe derzeit stark nachgefragt wird, einen großen Spielraum. Dabei sind ganz unterschiedliche Kompetenzen vonnöten.

+++ Mehr zum Thema Human Ressources +++

„Lauter offene Münder“

Ein Unternehmen, bei dem Data Science zum Kerngeschäft gehört, ist der Business Accelerator Sclable mit Hauptsitz im Wiener weXelerate. Dort unterstützt man seit sieben Jahren Kunden aus der nationalen und internationalen traditionellen Industrie wie Umdasch Group Ventures und ihr Schwesterunternehmen Doka oder Palfinger in Sachen digitale Transformation. Ein entscheidender Faktor ist dabei die Nutzung von Daten, um Prozesse effizienter zu machen. „Du löst dabei etwas, das für dich eine absolute ‚low hanging fruit‘ ist. Aber beim Kunden siehst du bei der Präsentation der Ergebnisse lauter offene Münder“, sagt Viktor Sandner, Head of Data Science and Methodology bei Sclable.

„Es gibt keinen Data Science Fullstack Developer“

Die Nische Finden

Sandner kommt eigentlich aus dem Biotech-Bereich. „Ich bin in meiner Forschung mit Excel-Tabellen bald an meine Grenzen gestoßen. Ich habe daher programmieren gelernt und es hat sich plötzlich eine ganze neue Welt offenbart“, erzählt er. So habe er begonnen, nach Daten-Lösungen für die gesamte Branche zu suchen und sei damit zum „Experten mit einem gewissen Extra“ geworden – konkret im Bereich Statistik. Denn eines müsse man im breiten Feld der Data Science finden, um zu reüssieren: Eine Nische.

Diverses Data Science-Team

„Es gibt keinen Data Science Fullstack Developer“, sagt auch Sandners Kollege Ronald Luc, Machine Learning Engineer bei Sclable, und ebenfalls ein „Data Scientist“. Man brauche ein diverses Team. Während sich Viktor Sandner mit statistischen Methoden auf die Suche nach teilweise versteckten Korrelationen in großen Datensets macht, ist Lucs Domäne die Vorhersage von Werten mit Hilfe von Deep Learning – teilweise auf Basis von durch seinen Kollegen aufbereiteten Daten. „Manchmal sind aber gar keine Daten vorhanden. Dann erstelle ich mit Hilfe von detaillierten Interviews ein mathematisches Modell zur Vorhersage“, erklärt Luc.

Es braucht nicht immer Deep Learning

Ein weiteres Feld der Data Science deckt bei Sclable Sanchit Singh ab. Der Head of Computer Vision beschäftigt sich mit der Analyse von zwei- und dreidimensionalen Bild-Inhalten. Auch er arbeitet mit Deep Learning – das sei aber nicht zwingend notwendig. „Es lässt sich vieles mit dem klassischen Computer Vision-Ansatz machen, wo auf Basis von mathematischen Modellen Vergleiche durchgeführt werden und Klassifikationen erstellt werden können“, erklärt Singh. Als Beispiel nennt er, der ursprünglich aus dem Medizin-Bereich kommt, die Hautkrebs-Forschung. Dort könnten Bilder von Haut-Anomalien etwa nach dem Abgleich der Parameter Farbe, Form und Symmetrie sehr treffsicher kategorisiert werden. „Das kann z.B. einem Allgemeinmediziner helfen, der selten mit der Krankheit konfrontiert ist, eine erste Verdachtsdiagnose zu stellen“, sagt der Computer Vision-Experte.

Das unvoreingenommene Programm

Deep Learning bringe aber freilich weitere Möglichkeiten. Hier bestünden zwei Ansätze: „Supervised Learning“ und „Unsupervised Learning“. „Während ich beim ‚Supervised Learning‘ gewisse Informationen einfüttere – in unserem Beispiel etwa die bereits als Hautkrebs klassifizierte Bilder, die dem Programm als Grundlage dienen, ist es beim ‚Unsupervised Learning‘ quasi unvoreingenommen und bildet selbstständig Cluster“, erklärt Singh. Dieser Zugang könne unerwartete Zusammenhänge und damit neue Erkenntnisse ans Tageslicht bringen.

Big Data als Fluch und Segen

Voraussetzung für das Gelingen sei gerade beim „Unsupervised Learning“, aber auch in den anderen „Data Science“-Bereichen, das Vorhandensein ausreichender Datenmengen. Und diese können sich für Data Scientists als Fluch und Segen zugleich erweisen. „Wir sprechen hier von Big Data. Je nachdem, um was für Daten es sich handelt, können Datensets aber auch zu groß werden, um sie bearbeiten zu können. Gerade bei Bildern und Videos ist man sehr schnell im Terrabyte-Bereich und muss dann gegebenenfalls ein kleineres Datenset heranziehen oder an großen Computing-Clustern arbeiten“, erklärt Ronald Luc.

Data Scientist – „ein Blick“ für Daten

Und das ist nicht die einzige Herausforderung, mit der man als Data Scientist konfrontiert ist. „Kunden haben häufig zwar große Mengen an Daten, wissen aber gar nicht, was sie damit anfangen können und können daher auch keine Ziele für die Analyse definieren“, erzählt Viktor Sandner. In anderen Fällen würden die Ziele nicht mit den verfügbaren Daten zusammenpassen. „Das kann man aber sehr schnell herausfinden. Nach einiger Zeit hat man einen Blick dafür und sieht sofort, ob das Unterfangen erfolgsversprechend ist“.

„Ich lese jeden Tag zum Frühstück ein Paper“

Ausruhen könne man sich darauf aber nicht. Denn die rapide Entwicklung in dem Bereich erfordere ständige Anpassung. „Die gesamte Technologie, die wir verwenden, ändert sich alle paar Monate“, sagt Sanchit Singh. Für Ronald Luc ergibt sich dadurch eine besondere Morgen-Routine: „Ich lese jeden Tag zum Frühstück ein Paper“.

Redaktionstipps
Deine ungelesenen Artikel:
02.10.2026

Was CEOs von der Gen Z lernen können: Reverse Mentoring als Innovationsmotor der Zukunft

Die Halbwertszeit von Wissen schrumpft rasant in einer Zeit, in der Wandel schneller passiert, als Erfahrung aufgebaut wird, dreht Reverse Mentoring die klassische Lernhierarchie um. Eine Spurensuche zwischen Machtgefällen und dem Mut zum Nichtwissen.
/artikel/was-ceos-von-der-gen-z-lernen-koennen-reverse-mentoring-als-innovationsmotor-der-zukunft
02.10.2026

Was CEOs von der Gen Z lernen können: Reverse Mentoring als Innovationsmotor der Zukunft

Die Halbwertszeit von Wissen schrumpft rasant in einer Zeit, in der Wandel schneller passiert, als Erfahrung aufgebaut wird, dreht Reverse Mentoring die klassische Lernhierarchie um. Eine Spurensuche zwischen Machtgefällen und dem Mut zum Nichtwissen.
/artikel/was-ceos-von-der-gen-z-lernen-koennen-reverse-mentoring-als-innovationsmotor-der-zukunft
Mit ihrer Reverse-Mentoring-Agentur forciert Ines Hanusch Zukunftssicherheit in Wirtschaft und Politik. © brutkasten

Dieser Text ist zuerst im brutkasten-Printmagazin von August 2026 „Aufbrechen“ erschienen. Eine Download-Möglichkeit des gesamten Magazins findet sich am Ende dieses Artikels.


Wir leben in einer paradoxen Arbeitswelt: Führungskräfte werden für ihr über Jahrzehnte angesammeltes Wissen bezahlt doch exakt dieses Erfahrungswissen kann angesichts rasanter technologischer und kultureller Umbrüche zum blinden Fleck werden. Genau hier setzt eine Methodik an, die traditionelle Rollenbilder auf den Kopf stellt: Reverse Mentoring.

Ines Hanusch, Gründerin der Reverse-Mentoring-Agentur bond & grow, begleitet Unternehmen und Politik bei diesem Paradigmenwechsel. Für sie ist der Kerngedanke simpel, aber radikal: „Beim klassischen Mentoring lernt die Jüngere von der Erfahreneren. Beim Reverse Mentoring ist es umgekehrt: Die Führungskraft sitzt in der Lernenden-Position gezielt, strukturiert und vor allem nicht nebenbei.“

Kein Kaffeetratsch und keine Therapie

Doch was genau ist Reverse Mentoring in der Praxis? Hanusch wird nicht müde zu betonen, was es nicht ist: Es sei kein lockeres Kaffeegespräch, kein Coaching mit einer einzigen Zielvorgabe und schon gar keine Therapie. Auch der oft gehörte Einwand, man könne sich doch einfach mit den eigenen Kindern austauschen, greift für die Expertin ins Leere: „Mit den eigenen Kindern teile ich eine Sozialisation, ein Machtgefälle, ob ich will oder nicht.

Das Kind wird mir vieles nicht sagen, und ich werde vieles nicht hören wollen.“ Wahre Wirkung entstehe erst durch psychologische Sicherheit ohne persönliche Verstrickung eine Atmosphäre, in der ein junger Mensch kein Interesse daran hat, zu gefallen, sondern ehrlich zu sein.

Der Blick von innen: Reibung als Chance

In klassischen Organisationen verhindert die Hierarchie oft genau jenen Raum der psychologischen Sicherheit, in dem ungefiltert und ohne Angst vor Konsequenzen gesprochen werden kann. Ines Hanusch beschreibt das systematische Dilemma eindrücklich: Je weiter Führungskräfte auf der Karriereleiter nach oben klettern, desto mehr manifestiert sich die Angst vor Inkompetenz und Statusverlust. „Wenn Top-Entscheider:innen plötzlich von jemandem lernen, der dreißig Jahre jünger ist, entsteht unweigerlich intensive Emotion, Irritation und Reibung“ – doch exakt in diesen Momenten verankert sich laut Hanusch der größte Lerneffekt.

Wie sich dieser Rollentausch in der Realität anfühlt, schildert eine 21-jährige Mentorin, die im Rahmen von bond & grow Top-Entscheider:innen begleitet. Kristin Barnowsky sieht in ihrer Aufgabe eine enorme Verantwortung: Für sie bedeutet Reverse Mentoring, erfahrenen Führungskräften neue Perspektiven mit auf den Weg zu geben und dabei auch hin und wieder Reibung zu erzeugen“. Nervosität vor dem ersten Aufeinandertreffen ist keine Seltenheit, wie sie verrät. Ihr persönlicher mentaler Trick für das erste Meeting? „Ich stelle mir einfach vor, dass die Person mich bereits mag und ich sie auch. Dadurch gehe ich wesentlich natürlicher, authentischer und positiver in das Gespräch.“

Die größte Herausforderung im laufenden Prozess ist für sie das Gespür dafür, wie tief man in die Glaubenssätze des Mentees eindringen darf. Wenn auf Mentee-Seite Widerstand entsteht, stecke dahinter oft eine unbewusste Angst; etwa das Gefühl, nicht gehört oder gesehen zu werden. Es erfordere Empathie und präzises Timing, unangenehme Themen anzusprechen, ohne die Führungskraft emotional zu überfordern, erklärt die 21-Jährige.

Für wen das Konzept geeignet ist – und wann es scheitert

Die Zahlen sprechen für sich, doch Reverse Mentoring ist kein Selbstläufer. Laut Hanusch eignet es sich primär für Führungskräfte, die Nichtwissen als Startpunkt und nicht als Schwäche betrachten. In hierarchisch geprägten Unternehmen erfordere das immense Größe. „Statusverlust berührt das Selbstbild direkt, und das ist unbequem“, analysiert Hanusch. Viele Führungskräfte fürchten den Moment, in dem sie erkennen müssen, dass jemand, der viele Jahre jünger ist, über entscheidendes Know-how verfügt – sei es über moderne Arbeitskulturen, neue Konsumgewohnheiten oder schlicht den Umgang mit Unsicherheit in Krisenzeiten.

Wann also scheitert Reverse Mentoring? Die Expertin zieht eine klare Grenze: „Ich rate ab, wenn Unternehmen Reverse Mentoring als Imagemaßnahme einsetzen wollen, ohne wirkliche Bereitschaft, etwas zu verändern.“ Ohne intrinsische Motivation beider Seiten, einen geschützten Rahmen und professionelles Matching wird das Format zur reinen Simulation.

Innovation durch unbefangenes Denken

Wenn die Rahmenbedingungen jedoch stimmen, entpuppt sich Reverse Mentoring als machtvoller Innovationsmotor. In vielen Branchen sind junge Menschen näher an der Zielgruppe oder stellen diese gar selbst dar. Sie spüren kulturelle Trends früher und besitzen den Mut, Unbequemes auszusprechen. Kristin Barnowsky erlebt das regelmäßig in ihren Mentoring-Sessions, etwa wenn es um künstliche Intelligenz, Automatisierung von Workflows oder den Einsatz von Social Media geht. Doch der tiefere Wert liegt oft jenseits der Technologie: Es geht um das Hinterfragen erstarrter Prozesse. „Oft sehen die Dinge, die uns Sorgen machen, nur für uns so aus; aus einer anderen Perspektive sind sie plötzlich Chancen für innovative Veränderungen“, resümiert die Mentorin.

Letztlich profitiert nicht nur die Führungskraft auch die jungen Mentor:innen wachsen, bauen sich ein Netzwerk auf und erleben direkte Selbstwirksamkeit. Die wichtigste Frage für Ines Hanusch: „Was, wenn du von denen lernst, die bisher nicht gefragt wurden? Es tut manchmal weh, sich spiegeln zu lassen. Aber nur so entsteht Fortschritt.“ In einer Wirtschaft, die händeringend nach Fachkräften und neuen Wegen sucht, könnte die Bereitschaft, vom Nachwuchs zu lernen, bald über die Existenz von Unternehmen entscheiden. Oder wie Ines Hanusch sagt: „Wer heute keine Kultur des gegenseitigen Lernens etabliert, verliert morgen den Anschluss bei existenziellen Themen wie Mitarbeiterbindung und Innovation.“

Toll dass du so interessiert bist!
Hinterlasse uns bitte ein Feedback über den Button am linken Bildschirmrand.
Und klicke hier um die ganze Welt von der brutkasten zu entdecken.

brutkasten Newsletter

Aktuelle Nachrichten zu Startups, den neuesten Innovationen und politischen Entscheidungen zur Digitalisierung direkt in dein Postfach. Wähle aus unserer breiten Palette an Newslettern den passenden für dich.

Montag, Mittwoch und Freitag

AI Summaries

Was macht eigentlich ein Data Scientist?

AI Kontextualisierung

Welche gesellschaftspolitischen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Was macht eigentlich ein Data Scientist?

AI Kontextualisierung

Welche wirtschaftlichen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Was macht eigentlich ein Data Scientist?

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Innovationsmanager:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Was macht eigentlich ein Data Scientist?

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Investor:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Was macht eigentlich ein Data Scientist?

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Politiker:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Was macht eigentlich ein Data Scientist?

AI Kontextualisierung

Was könnte das Bigger Picture von den Inhalten dieses Artikels sein?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Was macht eigentlich ein Data Scientist?

AI Kontextualisierung

Wer sind die relevantesten Personen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Was macht eigentlich ein Data Scientist?

AI Kontextualisierung

Wer sind die relevantesten Organisationen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Was macht eigentlich ein Data Scientist?