Big Data + Analytics = Traumjob?

Data Scientist für einen Tag

Florian Maier beschäftigt sich mit dem Themenbereich IT-Security und schreibt über reichweitenstarke und populäre IT-Themen an der Schnittstelle zu B2C. Daneben ist er für den Facebook- und LinkedIn-Auftritt der COMPUTERWOCHE zuständig. Er schreibt hauptsächlich für die Portale COMPUTERWOCHE und CIO.
Katherine Noyes ist US-Korrespondentin des IDG News Service in Boston.
Das Berufsbild des Data Scientist boomt. Doch was macht man in diesem Job eigentlich tagein tagaus? Wir haben drei "Datenwissenschaftler" gebeten, ihren Arbeitsalltag für uns zu skizzieren - und dabei kein Blatt vor den Mund zu nehmen.

Der Beruf des Data Scientist ist nicht nur der "hottest job" des Jahres 2016, sondern auch der "sexiest job of the 21st century". Die Wirtschaft sucht händeringend nach den Datenwissenschaftlern und das Interesse dürfte in der Ära der datengetriebenen Digitalität nicht abnehmen - im Gegenteil. Jüngst hatte sogar das Weiße Haus online ganz gezielt und fast schon verzweifelt nach geeigneten Data Scientists gesucht.

Wer die nötigen Skills besitzt und einen Job als Data Scientist bekommt, verdient in den USA durchschnittlich knapp 117.000 Dollar pro Jahr - in Deutschland liegt das Durchschnittsgehalt eines Data Scientist derzeit bei 52.000 Euro pro Jahr. Aber Gehalt ist ja bekanntlich nicht alles. Wir wollten wissen: Wie sieht der Arbeitsalltag eines Data Scientist aus? Wir haben drei junge Menschen gefunden, die aus dem Nähkästchen plaudern.

Data-Scientist-Alltag: Meetings, Analysen & Reportings

Dass ein Data Scientist vermutlich vorwiegend mit Daten arbeitet, dürfte irgendwie klar sein. Weniger klar ist hingegen, dass auch die Big Data Analytics-Experten einen nicht unerheblichen Teil ihrer Arbeitszeit in Meetings verbringen: "Mein Tag beginnt typischerweise mit Meetings", erzählt Tanu George, Account Manager und Data Scientist bei LatentView Analytics. Diese Zusammenkünfte können den unterschiedlichsten Zwecken dienen, etwa die Identifikation eines Kundenproblems, Fortschritts-Tracking oder die Diskussion und Analyse von Reportings.

Tanu George ist Account Manager und Data Scientist bei LatentView Analytics
Tanu George ist Account Manager und Data Scientist bei LatentView Analytics
Foto: LatentView Analytics

Wenn der Vormittag anbricht, nimmt die Meeting-Frequenz schließlich wieder ab: "Das ist die Zeit, wenn es mit der Zahlenzauberei losgeht", erzählt George und schiebt nach, dass es dabei meist darum geht, die in den vorherigen Meetings aufgeworfenen Fragen zu beantworten. Auch ihre Nachmittage verbringt die junge Amerikanerin hauptsächlich mit kollaborativen Meetings. Dort werden dann die erarbeiteten Zahlen und Fakten interpretiert und gemeinsam analysiert, bevor die Ergebnisse am Ende eines Tages per E-Mail verbreitet werden. Ungefähr 50 Prozent ihrer Arbeitszeit - so die Schätzung der jungen Frau - verbringe sie mit Meetings, weitere 20 Prozent gehen für Computerarbeit drauf, während die verbleibenden 30 Prozent regelmäßig in Visualisierungen und die Aufbereitung von Daten fließen.

Ryan Rosario arbeitet als freiberuflicher Data Scientist
Ryan Rosario arbeitet als freiberuflicher Data Scientist
Foto: Ryan Rosario

Auch der Alltag des freiberuflichen Data Scientist Ryan Rosario ist von Meetings geprägt: "Die Kunden erklären mir ihr Problem und sagen mir, welches Ergebnis sie sich wünschen. In vielen Fällen hat der Kunde die notwendigen Daten noch gar nicht oder weiß nicht, wie er an sie herankommen soll. Ich helfe dann dabei, einen entsprechenden Plan zu entwerfen."

Big Data: Der Blick für das große Ganze

Auch für Virginia Long, Predictive Analytics Scientist beim Healthcare-Unternehmen MedeAnalytics, besteht ein Großteil ihres Jobs nicht in der direkten Arbeit mit den Daten, sondern darin, einen Blick für das große Ganze zu entwickeln: "Was bedeuten bestimmte Dinge für ein Unternehmen oder einen Kunden? Der erste Schritt besteht darin, das Geschäftsfeld zu verstehen - ich verbringe auch eine Menge Zeit damit, zu recherchieren und zu lesen, um die Probleme verstehen zu können."

Virginia Long ist derzeit als Predictive Analytics Scientist beim HEalthcare-Unternehmen MedeAnalytics tätig.
Virginia Long ist derzeit als Predictive Analytics Scientist beim HEalthcare-Unternehmen MedeAnalytics tätig.
Foto: Virginia Long

Im Anschluss geht es meist darum, zu verstehen, wer welche Daten hat: "Das ist manchmal eine Herausforderung. Die Menschen mögen die Idee, ihre Entscheidungen auf der Grundlage von Daten zu treffen, aber manchmal haben sie einfach nicht die richtigen Daten, um das zu tun. Deshalb gehört es manchmal auch zu meinem Job, herauszufinden, wie man die richtigen Daten sammelt."

Bevor Entscheidungen auf der Grundlage von Daten getroffen werden können, müssen erst einmal die richtigen Daten vorliegen.
Bevor Entscheidungen auf der Grundlage von Daten getroffen werden können, müssen erst einmal die richtigen Daten vorliegen.
Foto: Ollyy - shutterstock.com

Sind die Daten dann gesichert, geht es darum, sich durchzuwühlen und sie zu verstehen: "Das ist die Kehrseite der Medaille bei der grundlegenden Hintergrund-Recherche", so Long, "Man findet wirklich heraus, was hinter den Daten steckt. Das kann manchmal ziemlich langweilig sein, aber ab und zu findet man so Dinge, die einem sonst überhaupt nicht aufgefallen wären."

Quasi nebenbei kümmert sich Virginia Long um die Anfertigung von Lehrmaterial für interne und externe Zwecke. Ihr Ziel: die allgemeine Aufklärung über Data-Science-Techniken. "Wie das bei Hype-Themen immer so ist, sehen die Menschen auf den ersten Blick nur die Vorteile. Deshalb ist es essentieller Teil meiner Arbeit, auch darüber aufzuklären, was möglich ist und wie es funktioniert."