Vor allem IT-Spezialisten und Softwareentwickler sind dank des digitalen Wandels gefragter denn je. Seit einiger Zeit suchen Unternehmen vermehrt nach Data Scientists – ein Beruf, den Laien schnell in die Kategorie „Irgendwas mit IT“ einordnen würden. Damit wird jedoch nicht einmal die Hälfte der Aufgaben eines Data Scientists erfasst.

Wir wollten genauer wissen, was Data Science eigentlich bedeutet, und haben bei einer Expertin nachgefragt: Lisa Bauer ist angehender Data Scientist bei der LV 1871, einem Versicherungsunternehmen in München. Im Gespräch hat sie uns einige Einblicke in ihren Beruf gegeben.

Data Science – Was ist das?

Data Science, oder auch Datenwissenschaft, ist ein interdisziplinäres Wissenschaftsfeld und dient der Wissensgewinnung aus Daten. Dafür nutzen Data Scientists wissenschaftliche Methoden, Prozesse, Algorithmen und Systeme.

Für die Arbeit im Bereich Data Science werden folgende Kompetenzen benötigt:

  1. IT-Kenntnisse, u. A. Programmierfertigkeiten, Umgang mit Datenbanken etc.
  2. Mathematische Fähigkeiten, wie Statistik, Logik oder Stochastik
  3. Fachexpertise – diese unterscheidet sich von Branche zu Branche.

Anwendung und Aufgaben von Data Science

Für Data Science gibt es unzählige Anwendungsmöglichkeiten. Welche Arten von Daten analysiert werden, hängt von der Branche und Prozessen innerhalb des Unternehmens ab. Welche Aufgaben Data Scientists bei einer Versicherung übernehmen können, erklärt Lisa anhand eines Beispiels: „Mein Kollege Dr. Raphael Guber beschäftigt sich seit einiger Zeit mit dem Thema Gesundheitsfragen bei Versicherungsanträgen. Wir wollen hier herausfinden, ob einzelne Fragen eventuell überflüssig sind, weil vorherige Angaben bereits die Antwort implizieren. Manche Fragen haben vielleicht auch nur wenig Aussagekraft darüber, ob jemand beispielsweise zum Leistungsfall in der Berufsunfähigkeitsversicherung wird. Solche Gesundheitsfragen könnten wir dann weglassen und dem Kunden die Antragstellung erleichtern.“

Um diese Aufgabe zu lösen, sind für das Data Science Team mehrere Schritte nötig:

  • Aufbereitung der Daten: Einige Rohdaten waren nur in Schriftform vorhanden und mussten für die weitere Verarbeitung digitalisiert werden.
  • Daten bewerten: Nicht alle Daten sind aussagekräftig und können verwendet werden. Deshalb muss zunächst die Datenqualität überprüft werden.
  • Sogenannte „Features“ überlegen: Ein Feature bei den Gesundheitsfragen wäre zum Beispiel, ob sie mit „ja“ oder „nein“ beantwortet wurde.
  • Modelle erstellen: Anhand der Ergebnisse wird ein Modell erstellt, das bei der Ableitung von Erkenntnissen helfen soll. Im Beispiel mit den Gesundheitsfragen soll es Aufschluss darüber geben, welche Fragen wichtig für das Ergebnis der Risikoprüfung sind. Fragen die sich als nicht wichtig herausstellen, können in Zukunft eventuell weggelassen werden.

Damit am Ende eines solchen Projekts keine falschen Schlüsse gezogen werden, muss vor allem sorgfältig und genau gearbeitet werden. Auch, wenn sich die Arbeit über einen längeren Zeitraum zieht.

Wie wird man Data Scientist?

Mittlerweile gibt es eigene Studiengänge, die sich explizit mit Data Science beschäftigen. Bei der Ausbildung zum Data Scientist können aber auch andere akademische Hintergründe hilfreich sein. Viele Data Scientists haben ein Studium in anderen relevanten Fächern, wie Informatik, Mathematik oder Physik und eine anschließende Weiterbildung absolviert.

Einen ähnlichen Weg hat auch Lisa zurückgelegt: „Nach meinem Physikstudium war ich zunächst IT-Trainee mit dem Schwerpunkt Java-Softwareentwicklung. In der Physik stellt man häufig Modelle auf und als IT-Trainee konnte ich viele nützliche Tools kennenlernen. Der Job als Data Scientist ist für mich die perfekte Kombi aus beiden Bereichen.“

Da Data Scientists in den verschiedensten Branchen eingesetzt werden, kann häufig auch ein wirtschaftswissenschaftliches Studium hilfreich sein, um nötige Fachkompetenzen zu erlangen. Es gibt jedoch einige Grundvoraussetzungen, die jeder Data Scientist mitbringen sollte. „Im Bereich IT müssen Data Scientists keine absoluten Experten sein. Ein Grundverständnis und Programmierkenntnisse sind aber wichtig, um beispielsweise bei der Zusammenarbeit mit IT-Teams auf Augenhöhe kommunizieren zu können. Außerdem sollte man eine Affinität für Mathematik und Zahlen haben, da das Erstellen von Modellen, mit deren Hilfe man Vorhersagen treffen kann, auf statistischen Methoden beruht.“, erklärt Lisa.

Karriere und Zukunftschancen

Viele Unternehmen beschäftigen bereits Data Scientists und in Onlineportalen tauchen immer wieder neue Jobangebote auf. Lisa ist sich sicher, dass die Nachfrage in Zukunft noch weiter zunehmen wird: „Unternehmen funktionieren vermehrt datengetrieben.

Die Erkenntnisse aus der Datenwissenschaft helfen dabei, Prozesse effizienter zu gestalten und strategische Entscheidungen zu treffen. Auf lange Sicht kann Data Science somit den Erfolg eines Unternehmens vergrößern.“ Die Karrierechancen im Bereich Data Science stehen also sehr gut.

Andere haben auch gelesen