Bild vom Herausgeber
 

Sind Sie ein angehender Datenwissenschaftler? Wenn ja, haben Sie wahrscheinlich schon viele Menschen gesehen oder von ihnen gehört, die erfolgreich eine Karriere im Bereich Datenwissenschaft eingeschlagen haben. Und Sie hoffen, dass auch Sie eines Tages den Wechsel schaffen können.

Es gibt einige spannende Dinge an der Arbeit als Datenwissenschaftler. Du kannst:

• Bauen Sie Hard- und Soft Skills auf, die domänenübergreifend übertragbar sind 
• Erzählen Sie Geschichten mit Daten 
• Beantworten Sie Geschäftsfragen mit Daten
• Erstellen Sie wirkungsvolle Lösungen für Geschäftsprobleme 

Und vieles mehr. So aufregend das alles klingt, so herausfordernd ist der Beruf eines Datenwissenschaftlers, wenn nicht sogar noch größer. Aber was sind einige dieser Herausforderungen? 

Lass uns eintauchen.

Wenn Sie an Ihren Codierungs- und technischen Fähigkeiten arbeiten, werden Sie sich wahrscheinlich damit wohlfühlen, ganz alleine zu arbeiten. Aber als Datenwissenschaftler sollten Sie Zusammenarbeit und Kommunikation priorisieren. Denn bei der Datenwissenschaft geht es nicht darum, isoliert Daten zu verarbeiten und Zahlen zu berechnen. 

Sie müssen mit anderen Fachleuten zusammenarbeiten – nicht nur im selben Team, sondern oft auch teamübergreifend. Daher ist Ihre Fähigkeit, mit verschiedenen Teams und Interessengruppen zusammenzuarbeiten, genauso wichtig wie Ihre technischen Fähigkeiten. 

Darüber hinaus sollten Sie in der Lage sein, Ihre Erkenntnisse und Erkenntnisse auch nicht-technischen Interessengruppen, einschließlich Unternehmensleitern, mitzuteilen.

Nisha Arya Ahmed, ein Datenwissenschaftler und technischer Redakteur, teilt:

„In einem Data-Science-Team arbeiten Sie mit anderen Data-Science-Experten an jeder Aufgabe, ihrer Verantwortung und der Art und Weise, wie alles Hand in Hand arbeitet. Dies ist wichtig, da Sie bereits erledigte Arbeiten nicht wiederholen und dadurch mehr Zeit und Ressourcen verbrauchen möchten. Außerdem sind Datenexperten nicht die einzigen Personen, mit denen Sie zusammenarbeiten müssen, Sie werden Teil eines funktionsübergreifenden Teams sein, das Produkt-, Marketing- und auch andere Interessengruppen umfasst.“

– Nisha Arya Ahmed, Datenwissenschaftlerin und technische Redakteurin

Wenn es Ihnen Spaß macht, an Projekten zu arbeiten, diese abzuschließen und in die Produktion zu überführen, ist die Karriere in der Datenwissenschaft für Sie möglicherweise nicht lohnenswert.

Obwohl Sie ein Projekt mit einer Reihe von Zielen beginnen, die schrittweise verfeinert und verbessert werden, müssen Sie häufig den Umfang der Projekte ändern, wenn sich die Geschäftsziele der Organisation ändern. Vielleicht sehen die Stakeholder eine neue vielversprechende Richtung.

Daher müssen Sie den Projektumfang effektiv neu priorisieren und ändern. Und im schlimmsten Fall brechen Sie Ihr Projekt gegebenenfalls ab. 

Außerdem müssen Sie in einer frühen Startphase häufig mehrere Aufgaben übernehmen. Damit Ihr Job nicht mit dem Modellbau endet. Selbst wenn es Ihnen gelingt, ein Modell für maschinelles Lernen in der Produktion bereitzustellen, müssen Sie die Leistung Ihres Modells überwachen, auf Abweichungen achten, Rückschritte machen und das Modell bei Bedarf neu trainieren.

Abid Ali Awan, Autor, Herausgeber und Datenwissenschaftler bei KDnuggets, teilt:

„Wenn Sie in einem Unternehmen arbeiten, müssen Sie möglicherweise häufig zwischen mehreren Teams wechseln und gleichzeitig an verschiedenen Projekten arbeiten. Allerdings schaffen es die meisten Projekte, an denen Sie arbeiten, möglicherweise nicht einmal in die Produktion. 

Weil sich die Prioritäten des Unternehmens ändern können oder die Auswirkungen der Projekte möglicherweise nicht erheblich genug waren. Der ständige Wechsel zwischen Teams und Projekten kann anstrengend sein und Sie haben möglicherweise keine Ahnung, wozu Sie beitragen.“

– Abid Ali Awan, Autor, Herausgeber und Datenwissenschaftler bei KDnuggets

Die Arbeit an Data-Science-Projekten ist also kein linearer Prozess von Anfang bis Ende, bei dem man ein Projekt abschließt und mit dem nächsten fortfährt. 

Ein Tag im Leben eines Datenwissenschaftlers bei zwei verschiedenen Organisationen kann völlig unterschiedlich sein. Die Rollen eines Datenwissenschaftlers, eines Ingenieurs für maschinelles Lernen und eines MLOps-Ingenieurs weisen häufig viele überschneidende Funktionen auf.

Angenommen, Sie sind ein Datenwissenschaftler, der sich sehr für die Erstellung von Vorhersagemodellen interessiert. Und Sie haben die Rolle eines Datenwissenschaftlers in einer Organisation erhalten, die Sie interessiert. 

Seien Sie jedoch nicht überrascht, wenn Sie den ganzen Tag damit verbringen, Zahlen in Tabellenkalkulationen zu verarbeiten und Berichte zu erstellen. Oder Daten aus Datenbanken mithilfe von SQL abrufen. Sie denken vielleicht, dass das Bearbeiten von Daten mit SQL und das Finden von Antworten auf Geschäftsfragen besser zu der Rolle eines Datenanalysten passen.

In einigen anderen Fällen sind Sie möglicherweise für die Erstellung und Bereitstellung von Modellen für die Produktion, die Überwachung von Abweichungen und die Neuschulung des Modells nach Bedarf verantwortlich. In diesem Fall sind Sie ein Datenwissenschaftler, der auch den Hut eines trägt MLOps-Ingenieur. 

Hören wir uns an, was Abid über die Rollenverteilung in einer Datenkarriere zu sagen hat:

„Ich bin immer verwirrt, wenn ich als „Data Scientist“ bezeichnet werde. Was bedeutet es überhaupt? Bin ich Datenanalyst, Business-Intelligence-Ingenieur, Machine-Learning-Ingenieur, MLOps-Ingenieur oder alle oben genannten Personen? Ihre Rolle innerhalb eines Unternehmens ist fließend, wenn Sie in einem kleineren Unternehmen oder Startup arbeiten. Größere Organisationen haben jedoch möglicherweise eine klarere Unterscheidung zwischen den Rollen. Dies garantiert jedoch nicht, dass die Rolle vollständig definiert ist. Sie könnten ein Datenwissenschaftler sein; Aber ein Großteil Ihrer Arbeit wird möglicherweise darin bestehen, Analyseberichte zu erstellen, die mit den Geschäftszielen übereinstimmen.“

– Abid Ali Awan, Autor, Herausgeber und Datenwissenschaftler bei KDnuggets

Als Datenwissenschaftler sollten Sie Ihre Bemühungen auf Projekte richten, die den größten Einfluss auf das Unternehmen haben, anstatt technisch interessante, aber weniger relevante Projekte zu verfolgen. Zu diesem Zweck ist das Verständnis der Geschäftsziele aus folgenden Gründen von entscheidender Bedeutung:

• Wenn Sie die Geschäftsziele verstehen, können Sie Ihre Projekte entsprechend den sich ändernden Anforderungen des Unternehmens anpassen und neu priorisieren.
• Der Erfolg eines Data-Science-Projekts wird oft an seinen Auswirkungen auf das Unternehmen gemessen. Ein gutes Verständnis der Geschäftsziele bietet also einen klaren Rahmen für die Bewertung des Erfolgs eines Projekts und verknüpft technische Aspekte mit greifbaren Geschäftsergebnissen.

Matthäus Mayo, Chefredakteur und Datenwissenschaftler bei KDnuggets, teilt die Kosten der Gleichgültigkeit gegenüber Geschäftsergebnissen:

„Wenn Ihnen als Datenwissenschaftler Geschäftsziele gleichgültig sind, könnten Sie genauso gut wie eine Katze sein, die einen Laserpointer jagt – Sie werden feststellen, dass Sie überaktiv und ziellos sind und wahrscheinlich nichts Wertvolles erreichen. Geschäftsziele zu verstehen und in der Lage zu sein, sie aus geschäftlichen Gründen in Datensprache zu übersetzen, sind entscheidende Fähigkeiten, ohne die Sie möglicherweise Zeit in die Entwicklung der ausgefeiltesten, irrelevantesten Modelle investieren. Ein Entscheidungsbaum, der funktioniert, übertrifft jeden Tag einen Fehler auf dem neuesten Stand der Technik!“

– Matthew Mayo, Chefredakteur und Datenwissenschaftler, KDnuggets

Hier ist, was Nisha dazu zu sagen hat:

„Bei allem, was Sie tun, brauchen Sie einen Grund dafür. Das ist Ihre Absicht, die vor Ihrem Handeln steht. Wenn es um die Welt der Daten geht, ist es unerlässlich, das Geschäft und die Herausforderungen zu verstehen. Ohne dies werden Sie während des gesamten Prozesses nur verwirrt sein. Bei jedem Schritt, den Sie in einem Data-Science-Projekt unternehmen, sollten Sie sich auf die Ziele beziehen, die das Projekt motivieren.“ 

– Nisha Arya Ahmed, Datenwissenschaftlerin und technische Redakteurin

Bei der Datenwissenschaft geht es daher nicht nur darum, Zahlen zu berechnen und komplexe Modelle zu erstellen. Es geht vielmehr darum, Daten zu nutzen, um den Geschäftserfolg voranzutreiben. 

Ohne ein solides Verständnis der Geschäftsziele weichen Ihre Projekte möglicherweise von den Geschäftsproblemen ab, die sie lösen sollen, was sowohl ihren Wert als auch ihre Wirkung mindert.

Modelle zu bauen ist spannend. Der Weg dorthin ist jedoch möglicherweise nicht so interessant. 

Sie können davon ausgehen, dass Sie einen großen Teil Ihrer Zeit wie folgt verbringen werden:

• Daten sammeln 
• Identifizieren der relevantesten Teilmenge der zu verwendenden Daten
• Bereinigen der Daten, um sie für die Analyse geeignet zu machen 

Nun, das ist eine Arbeit, die nicht besonders aufregend ist. Oft müssen Sie nicht einmal Modelle für maschinelles Lernen erstellen. Sobald Sie die Daten in einer Datenbank haben, können Sie SQL zur Beantwortung von Fragen verwenden. In diesem Fall müssen Sie nicht einmal ein Modell für maschinelles Lernen erstellen.

Hier teilt Abid seine Ansichten darüber, wie wichtig Arbeit oft uninteressant ist:

„Es kann mühsam sein, immer wieder das Gleiche zu tun. Häufig wird Ihnen die Aufgabe übertragen, Daten zu bereinigen, was insbesondere bei der Arbeit mit unterschiedlichen Datensätzen recht schwierig sein kann. Darüber hinaus sind Aufgaben wie Datenvalidierung und das Schreiben von Unit-Tests vielleicht nicht so spannend, aber notwendig.“

– Abid Ali Awan, Autor, Herausgeber und Datenwissenschaftler bei KDnuggets

Um eine erfolgreiche Karriere als Datenwissenschaftler zu haben, muss man also Freude an der Arbeit mit Daten haben – einschließlich der guten, schlechten und hässlichen. Denn bei Data Science geht es vor allem darum, aus Daten einen Mehrwert zu ziehen. Dabei geht es oft nicht darum, die schicksten Modelle zu bauen.

Als Datenwissenschaftler werden Sie (wahrscheinlich) nie den Punkt erreichen, an dem Sie sagen können, dass Sie alles gelernt haben. Was Sie lernen müssen und wie viel, hängt davon ab, woran Sie arbeiten.

Es könnte eine ziemlich einfache Aufgabe sein, wie zum Beispiel das Erlernen und Verwenden eines neuen Frameworks. Oder etwas Langwierigeres wie die Migration der vorhandenen Codebasis in eine Sprache wie Rust für mehr Sicherheit und Leistung. Sie sollten nicht nur technisch versiert sein, sondern auch in der Lage sein, sich bei Bedarf schnell mit Frameworks, Tools und Programmiersprachen vertraut zu machen. 

Darüber hinaus sollten Sie bereit sein, bei Bedarf mehr über die Domain und das Unternehmen zu erfahren. Es ist unwahrscheinlich, dass Sie während Ihrer gesamten Karriere im Bereich Datenwissenschaft in einem einzigen Bereich arbeiten. Sie beginnen beispielsweise als Datenwissenschaftler im Gesundheitswesen und wechseln dann in die Bereiche Fintech, Logistik und mehr.

Während des Studiums hatte ich die Gelegenheit, an maschinellem Lernen im Gesundheitswesen zu arbeiten – an einem Projekt zur Krankheitsprognose. Ich habe nach der High School nie Biologie gelesen. In den ersten Wochen ging es also vor allem darum, die technischen Aspekte spezifischer biomedizinischer Signale zu erforschen – ihre Eigenschaften, Merkmale und vieles mehr. Diese waren super wichtig, bevor ich überhaupt mit der Vorverarbeitung der Aufzeichnungen beginnen konnte.

Kanwal Mehreen, eine technische Redakteurin teilt ihre Erfahrungen mit uns:

„Kennen Sie das Gefühl, wenn Sie endlich eine neue Fähigkeit erlernen und denken: „Ah, das ist es, mir geht es gut“? Nun, in der Datenwissenschaft kommt dieser Moment nie wirklich. Dieser Bereich entwickelt sich ständig weiter, da immer wieder neue Technologien, Tools und Methoden auf den Markt kommen. Wenn Sie also lieber einen bestimmten Punkt erreichen möchten, an dem das Lernen in den Hintergrund tritt, dann ist eine Karriere im Bereich Datenwissenschaft möglicherweise nicht die beste Wahl. 

Darüber hinaus ist Data Science eine schöne Mischung aus Statistik, Programmierung, maschinellem Lernen und Domänenwissen. Wenn Sie die Idee, verschiedene Bereiche zu erkunden, vom Gesundheitswesen über Finanzen bis hin zu Marketing, nicht begeistert, fühlen Sie sich möglicherweise in Ihrer Karriere verloren.“

– Kanwal Mehreen, Technischer Redakteur

Als Datenwissenschaftler sollten Sie daher niemals davor zurückschrecken, ständig zu lernen und sich weiterzubilden.

Wir haben bereits einige Herausforderungen für den Beruf eines Datenwissenschaftlers beschrieben, darunter:

• Gehen Sie über die technischen Fähigkeiten des Codierens und Modellbaus hinaus
• Verständnis der Domäne und der Geschäftsziele 
• Kontinuierliches Lernen und Weiterqualifizieren, um relevant zu bleiben 
• Proaktiv sein, ohne sich im wahrsten Sinne des Wortes Gedanken über den Abschluss von Projekten zu machen 
• Bereit sein, Prioritäten neu zu setzen, Rückschritte zu machen und Änderungen vorzunehmen
• Die Arbeit erledigen, die langweilig, aber notwendig ist 

Wie bei jeder anderen technischen Rolle ist auch hier der schwierige Teil nicht einen Job als Datenwissenschaftler bekommen. Es geht um den Aufbau einer erfolgreichen Karriere im Bereich Datenwissenschaft.

Mathew Mayo fasst treffend zusammen, wie Sie als Datenwissenschaftler diese Herausforderungen annehmen sollten:

„Sind Sie auf der Suche nach einer entspannten Karriere, bei der Sie vom ersten Moment an mit dem Lernen aufhören können und sich keine Gedanken mehr über die neuesten Tools, Tricks und Techniken machen müssen? Vergessen Sie die Datenwissenschaft! Die Erwartung einer ruhigen Karriere als Datenprofi ist so, als würde man einen trockenen Spaziergang durch den Monsun erwarten, nur bewaffnet mit einem Cocktailschirm und einer optimistischen Einstellung. 

Dieses Fachgebiet ist eine ununterbrochene Achterbahnfahrt technischer Rätsel und nichttechnischer Rätsel: An einem Tag befassen Sie sich eingehend mit Algorithmen und am nächsten versuchen Sie, Ihre Erkenntnisse jemandem zu erklären, der denkt, Regression sei ein Rückzug in eine kindlicher Verhaltenszustand. Aber der Reiz liegt in diesen Herausforderungen, und sie sind es, die unser koffeinhaltiges Gehirn unterhalten. 

Wenn Sie allergisch auf Herausforderungen reagieren, finden Sie möglicherweise mehr Trost im Stricken. Aber wenn Sie der Konfrontation mit einer Datenflut noch nicht entkommen sind, könnte Data Science genau das Richtige für Sie sein … Kaffee.“

– Matthew Mayo, Chefredakteur und Datenwissenschaftler, KDnuggets

Hören wir uns Kanwals Gedanken dazu an:

„Seien wir dieser Tatsache ins Auge: Datenwissenschaft verläuft nicht immer reibungslos. Daten liegen nicht immer in ordentlichen und organisierten Paketen vor. Ihre Daten sehen möglicherweise so aus, als hätten sie einen Sturm erlebt, und sind möglicherweise unvollständig, inkonsistent oder sogar ungenau. Die Bereinigung und Vorverarbeitung dieser Daten, um sicherzustellen, dass sie für die Analyse relevant sind, kann eine Herausforderung sein.

Wenn Sie in einem multidisziplinären Bereich arbeiten, müssen Sie möglicherweise mit nichttechnischen Interessengruppen interagieren. Ihnen technische Konzepte und deren Übereinstimmung mit ihren Zielen zu erklären, kann eine echte Herausforderung sein.

Wenn Sie also jemand sind, der einen klaren, unkomplizierten Karriereweg bevorzugt, kann eine Karriere im Bereich Datenwissenschaft für Sie voller Hindernisse sein.“

– Kanwal Mehreen, Technischer Redakteur

Bei der Datenwissenschaft geht es also nicht nur um Mathematik und Modelle; Es geht darum, von Daten zu Entscheidungen zu gelangen. Und dabei sollten Sie stets bereit sein, zu lernen und sich weiterzubilden, Geschäftsziele und Marktdynamik zu verstehen und vieles mehr.

Wenn Sie auf der Suche nach einer herausfordernden Karriere sind, die Sie belastbar meistern möchten, ist Data Science in der Tat eine gute Karriereoption für Sie. Viel Spaß beim Entdecken!

Ich danke Matthew, Abid, Nisha und Kanwal dafür, dass sie ihre Erkenntnisse zu verschiedenen Aspekten einer Karriere im Bereich Datenwissenschaft geteilt haben. Und dafür, dass die Lektüre dieses Artikels viel interessanter und unterhaltsamer wird!
 
 

Bala Priya C ist ein Entwickler und technischer Redakteur aus Indien. Sie arbeitet gerne an der Schnittstelle von Mathematik, Programmierung, Datenwissenschaft und Inhaltserstellung. Zu ihren Interessen- und Fachgebieten gehören DevOps, Datenwissenschaft und Verarbeitung natürlicher Sprache. Sie liebt es zu lesen, zu schreiben, zu programmieren und Kaffee zu trinken! Derzeit arbeitet sie daran, zu lernen und ihr Wissen mit der Entwickler-Community zu teilen, indem sie Tutorials, Anleitungen, Meinungsbeiträge und mehr verfasst.

• SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
• PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
• PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
• PlatoESG. Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
• PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
• Quelle: https://www.kdnuggets.com/7-reasons-why-you-shouldnt-become-a-data-scientist?utm_source=rss&utm_medium=rss&utm_campaign=7-reasons-why-you-shouldnt-become-a-data-scientist