Was macht einen guten Data Scientist aus? Kurzinterviews mit 6 führenden Experten!
Was macht eigentlichen einen guten Data Scientist aus?
Diese Frage wurde mir von Studenten und Absolventen, aber auch von alteingesessenen CIOs bereits häufiger gestellt. Gerade Deutsche Unternehmen sind hinsichtlich der Möglichkeiten mit Data Science noch nicht so recht aufgeklärt und auch erst seit wenigen Jahren bieten Hochschulen entsprechende Schwerpunkte oder sogar ganze Studiengänge an. Zumindest für Wirtschaftsunternehmen ist Data Science eine neue Disziplin und somit ist es auch nicht verwunderlich, dass für das Berufsbild des Data Scientists noch ganz unterschiedliche Auffassungen vorherrschen – Und ganz ehrlich: Die Recruiter mit ihren wirren Anforderungsprofilen machen es nicht besser!
Dieses Mal möchte ich selbst jedoch einen Schritt zurücktreten und keine konkrete Antwort auf die Frage geben, was denn einen guten Data Scientist ausmacht. Ich habe diese Frage einfach mal an Experten weitergeleitet, die ich zu den führenden Data Science Experten in Deutschland zähle. Und hier sind ihre Antworten:
Dr. Andreas Braun – Head of Global Data & Analytics @ Allianz SE
Ein Data Scientist verbindet tiefes methodisch-analytisches und wissenschaftlich fundiertes Wissen mit technischer Hands-On Mentalität und schlägt die Brücke zum Business. Neue Methoden wie Machine Learning / Artificial Intelligence sowie Big Data-Technologien stehen dabei meines Erachtens im Vordergrund.
(30.01.2017)
Hier gehts zum Interview mit Dr. Andreas Braun über Advanced Data Science in der Versicherungsbranche.
Dr. Helmut Linde – Head of Data Science @ SAP SE
Der ideale Data Scientist ist für mich ein Vordenker, der ganzheitliche Konzepte entwickelt und umsetzt, um mit Hilfe analytischer Verfahren echten Mehrwert zu schaffen – und dabei die Auswirkungen auf Geschäftsprozesse, die technische Umsetzung und die algorithmische Lösungen gleichermaßen im Blick hat.
(30.01.2017)
Hier gehts zum Interview mit Dr. Helmut Linde über die Zukunft des Data Science.
Klaas Bollhoefer – Chief Data Scientist @ The unbelievable Machine Company
Ein guter Data Scientist denkt vor, denkt nach und denkt während. Er ist ein intrinsisch motivierter, begeisterungsfähiger und querdenkender Problemlöser und Tüftler, Egoist und Teamplayer zu gleichen Teilen und hasst Einhörner und sexy Nerd-Shirts. (06.02.2017)
Wir müssen aufhören, Data Scientists zu überhöhen und in ihrem Skill- und Kompetenzset zu überladen. Schlussendlich ist es eine Typ-Frage, eine Frage des Mindsets, der Attitüde oder – wie ich in meiner Data Science Sturm und Drang Zeit gern behauptet habe – des “Bock auf Daten”! Drew Conway nutzt die Ramones auf seinen Slides, ich Lemmy von Motörhead….it´s DIY! It´s like Punk!
Wolfgang Hauner – Chief Data Officer @ Munich Re
Ein Data Scientist ist von Natur aus an Daten und deren logischen Zusammenhänge interessiert und besitzt die kognitiven, methodischen und technischen Fähigkeiten, diese Zusammenhänge selbst in unstrukturierten Daten zu finden. Die wesentlichen Voraussetzungen dafür sind Neugier, Logik und die Freude am Lernen und der Arbeit in interdisziplinären Teams. (01.02.2017)
Dr. Florian Neukart – Principal Data Scientist @ Volkswagen Group of America
Die wichtigste Eigenschaft scheint mir ein unwiderstehlicher Drang nach dem Verständnis von Zusammenhängen und Dingen zu sein, wobei ich unter „Dingen“ je nach Kontext Atome genauso wie komplexe Maschinen einordne. Menschen mit dieser Eigenschaft sind üblicherweise beharrlich, können ein neues Problem auch mit wenig praktischer Erfahrung lösen und streben nach der erforderlichen Ausbildung oder eignen sich quantitatives Wissen autodidaktisch an. (29.01.2017)
Hintergrund dazu:
Dass ich über Atome und komplexe Maschinen schreibe, hat damit zu tun, dass ich auch durch meinen zweiten Job an der Uni vielfältigste Daten analyiseren durfte, und dass ich relevante Beiträge zu Maschinenlernen und Physik machen darf, hat tatsächlich in erster Linie mit Neugierde zu tun. Die Mathematik, Physik, Neurowissenschaft, Informatik … sind Grundlagen, die sich jemand aneignen wird, wenn er verstehen will. Am Anfang steht die Neugierde… ich hoffe, das ist nicht zu unscharf, aber ich habe zig Job-Interviews gemacht und hinterher mit den eingestellten Leuten gearbeitet, und es hat sich gezeigt, dass quantitatives Wissen alleine nicht ausreicht. Wenn jemand nicht für Verständnis brennt, kann er zwar nach Anweisung ein Convolutional Network von Grund auf programmieren, aber kommt nicht mit neuen Ideen an.
Hier geht es zum Interview mit Dr. Florian Neukart über Data Science in der Automobilbranche.
David Kriesel – Advanced Analytics Technology Engineer @ Procter & Gamble
Für mich ist der wohl unterschätzteste Schritt in der Data Science das Feature Engineering. Dies zu beherrschen macht einen guten Data Scientisten aus. Viele wenden lieber reflexartig komplizierteste Auswertungsverfahren an, anstatt sich einfach mal aufs Domänenwissen einzulassen und die Daten so klug zu erweitern, dass danach die vier Grundrechenarten genügen. Das geht nämlich öfter als man denkt, und hat bahnbrechende Vorteile: Es ist weniger fehlerträchtig und man kann auch dem oberen Management seinen Rechenweg in drei Minuten darlegen. Und je plausibler darlegbar die eigenen Erkenntnisse sind, desto mehr werden sie auch berücksichtigt und desto weniger totargumentiert. (06.02.2017)
Zum Video des Vortrages SpiegelMining auf der 33c3 des CCC (Chaos Computer Club).
About Author
Leave a Reply
Want to join the discussion?Feel free to contribute!