Die Rolle des Data Scientist – Aufgaben, Methoden, Perspektiven

Der Data Scientist steht als Schnittstelle zwischen Business, IT und Kunde und muss daher mehrere „Sprachen“ sprechen können. Eingebettet in Projekte, IT-Infrastruktur und Businessanforderungen ist es eine interdisziplinäre Rolle, die Gegensätze vereint: Sie benötigt Individualität und Kooperatives Handeln, Spezialwissen über die Datenanalyse genau wie Fachwissen über den jeweiligen Kontext.”

Günther Tschabuschnig
ZAMG/DIO

Data Scientists sind die Speerspitze der Wertschöpfung aus Daten und damit auch der Digitalen Transformation. Sie helfen Business ihre Daten zu verstehen, zu visualisieren und in späterer Folge mit Mathematik Know-how künstliche Intelligenz zu entwickeln. Sie ersetzen am Anfang der digitalen Datenreise die Daten-Infrastruktur in dem sie Datenintegration und Visualisierung manuell machen. Sie legen den Grundstein nicht nur für konkretes Requirements Engineering im Datenbereich, sondern beflügeln die Fantasien von Business um endlich zu wagen, neue Wege und neue Business Modelle zu denken.”

Martin Dusek-Lippach
Wiener Linien

Data Scientisten werden oft mit Goldgräbern verwechselt. Man setzt sich aber nicht hin, um aus einem möglichst großen Berg von Daten etwas Sinnvolles herauszulesen. Ein Data Analyst kann dann gute Arbeit leisten, wenn man ihm Hypothesen gibt, die er aufgrund der Daten und spezieller Methoden wie KI / machine learning / deep learnig verifizieren oder falsifizieren kann. Er arbeitet also gezielt, eher wie ein Trüffel-Sucher. Seine zweite wichtige Aufgabe ist die Visualisierung von Daten und anschauliche Präsentation seiner Erkenntnisse. Er berät damit seine Kollegen in Führungspositionen, damit diese fundierten Entscheidungen treffen können. Ein guter Data Scientist kann die Kollegen auch beim Stellen der richtigen Fragen hervorragend unterstützen und sie auf neue Ideen bringen.”

Ingrid Kriegl
Sphinx IT Consulting

Gute Datenwissenschaftler bleiben Mangelware, auch wenn sich immer mehr Absolventen von Hochschulen so nennen.”

Stefan Gindl, Research Studios Austria

Wir beobachten, dass mittlerweile die Herausforderung nicht nur darin besteht, gute Data Scientisten am Markt zu finden, sondern auch, diese im Unternehmen zu halten. Bei Unternehmen ohne Strukturen für die zielgerichtete Entwicklung von Use Cases und Zusammenarbeit mit dem Business, rutschen Data Scientisten schnell in die Rolle eines Projektmanagers und ein Großteil ihrer Arbeit besteht aus administrativen Tätigkeiten, die ihre spezialisierten Fähigkeiten nicht erfordern. Die Erwartungshaltung von Data Scientisten ist jedoch, an der datengetriebenen Lösung komplexer Probleme zu arbeiten, die Teil eines digitalen Produkts ist.

Dazu sind neben Data Scientisten auch andere Rollen notwendig, und Unternehmen müssen die notwendigen Strukturen schaffen, die einen möglichst zielgerichteten Einsatz sämtlicher Rollen ermöglicht. Im Idealfall sind also aus der Sicht von Data Scientisten nicht nur die Rollen und Aufgaben in der Zusammenarbeit mit anderen Kollegen klar definiert, sondern auch die entsprechenden Verantwortlichkeiten (z.B. Datenverantwortlichkeit), Prozesse (z.B. Freigabeprozesse) und Technologien (z.B. Tools und Entwicklungsumgebungen) vorhanden.”

Susanne Zach
EY

Die Data Scientists helfen besonders im Bereich der deskriptiven, prädiktiven und präskriptiven Analytics mit ihrem Methodenwissen zu Algorithmen. Eine wichtige Voraussetzung ist die Ergebnisgewinnung aus verschiedenen Datenquellen. Die effiziente Nutzung dieser Ergebnisse muss aber etabliert werden. Werden Ergebnisse gut genutzt, steigt auch die Zufriedenheit der Data Scientists.”

Stefan Zierlinger
VERBUND

Stefan Gindl
Research Studios Austria

Die Data Scientists mit ihrer Spezialisierung auf den analytischen und vorhersagenden Teil der Datenverarbeitungspipeline kümmern sich um die Erstellung deskriptiver, prediktiver, und vermehrt auch preskriptiver Modelle. Sie wenden Methoden aus der Statistik, des Software-Engineerung und dem maschinellen Lernen an, um Daten zu beschreiben, Vorhersagen zu machen, oder Entscheidungen vorzuschlagen. Hierbei ist die Datenqualität aber auch die Datenquantität von entscheidender Bedeutung. Unterstützt werden die Data Scientist beispielsweise von Data Engineers, die sich hauptsächlich mit der hochverfügbaren und sicheren Bereitstellung von Daten befassen.”

Die Arbeitsweise des Data Scientist hat sich in den letzten Jahren ziemlich weiterentwickelt in dem mehr Standardisierungen (Architektur, Tools etc.) da sind. Auch zeigt es sich sehr stark an, dass sie bei gewissen systematischen Tätigkeiten wie Datensäuberung, Harmonisierung, die noch immer fast 75% der Arbeitszeit konsumieren, qualitative- maschinelle Unterstützung bekommen.” Beim automatisierten „Maschine Learning“ (AutoML) wird bspw. im Wesentlichen der End-to-End-Prozess der Anwendung des maschinellen Lernens auf reale Probleme automatisiert. Dabei werden viele Arbeitsschritte wie maschinell unterstützte Kategorisierung von Daten, Entdeckung und Ausmerzung von Fehlern etc. mit Klickgeschwindigkeit erledigt. Alles in Allem werden die kommenden Jahre sehr viel Überraschung und positives parat halten, wenn selbst „The Sexiest Job“ bis zu einem gewissen Level mehr und mehr automatisiert wird! Das Positive daran ist, dass diese Hilfen bei den Data Scientists hoch angesehen- und sehr willkommen sind. Selten habe ich in meiner Laufbahn Datenspezialisten getroffen die zu wenig zu tun hatten. Das Gegenteil ist der Fall und hier helfen natürlich jede auch so kleine maschinelle Unterstützung durch Tools, Tricks & Tipps.

Alin Kalam
Lufthansa Group / Austrian Airlines