Traumjob Data Scientist

Beschaffung, Bearbeitung, Auswertung und Interpretation von Daten aller Art — so lässt sich das Berufsbild des Data Scientist oder Datenwissenschaftlers beschreiben. Data Science gilt als Teil der angewandten Mathematik und ist ein Querschnittfach, dass sich irgendwo zwischen Informatik, Mathematik und Statistik bewegt. Und es hat ein enorm gutes Image, denn die Harvard Business Review hat den Data Scientist zum Sexiest Job des 21. Jahrhunderts ausgerufen. Das zeigt sich auch im Jobranking von Glassdoor: Der Datenwissenschaftler landete in diesem Jahr zum vierten Mal in Folge auf dem ersten Platz.

Das Berufsbild ist recht heterogen. „Es entwickelte sich im Zuge der sich ändernden Bedürfnisse aus der Wirtschaft heraus. Daher begründet sich auch der hohe Praxisbezug“, betont Michaela Tiedemann, CMO bei der Data-Science-Beratung Alexander TAM GmbH, in einem Blogbeitrag, der einen Überblick über Berufsbild und Ausbildungsmöglichkeiten in Deutschland gibt.

Der deutsche Arbeitsmarkt für Data Scientists

Stellen für Datenwissenschaftler sind trotz der Neuigkeit des Berufsfeldes gar nicht so selten. Die Ergebnisse der Jobsuchmaschine Joblift sollten repräsentativ sein, da der Service große Stellenmärkte wie Stepstone und Monster auswertet – auch wenn Dubletten möglich sind. So gibt es im Moment etwa 1.200 offene Jobs für den Suchbegriff „Data Scientist“. Verwandte Berufe wie Data Analyst (1.600 Treffer), Data Engineer (1.800 Treffer) und Data Architect (1.100 Treffer) haben ähnlich viele Treffer. Zum Vergleich: Für Softwareentwickler gibt es zehnmal so viele Anzeigen.

Um in den Data-Science-Jobs arbeiten zu können, müssen Bewerber recht hohe Anforderungen erfüllen. Denn Datenwissenschaftler haben oft eine gehobene Position in technischen Fachbereichen. Dementsprechend gehört neben Kenntnissen in Informatik und Mathematik vor allem analytisches Denken, Kommunikationsstärke und Führungsfähigkeit zu den wichtigen Muss-Kompetenzen eines Datenwissenschaftlers – meint die Recruiting-Agentur AlphaJump in ihrem Karriereguide zum Data Scientist.

Das stark nachgefragte Berufsbild hat auch die Universitäten aufmerksam gemacht. So gibt es seit etwa 2016 eine Vielzahl an Masterstudiengängen zum Datenwissenschaftler, wohl an mehr als 20 Universitäten. Die ersten Absolventen dürften gerade auf den Markt kommen. Allerdings ist im Moment noch nicht ganz klar, wie der Arbeitsmarkt für sie aussieht. Ein genauer Blick zeigt, dass sie vermutlich bei vielen Anzeigen keinen Erfolg haben werden.

Einige Beispiele für Stellenanzeigen:
  • Das bekannte Systemhaus Bechtle sucht einen Data Scientist mit mehrjähriger Berufserfahrung, der sich laut Anzeige mit Software für Data Analytics, klassischen RDBMS und No-SQL-DBMS auskennen sollte. Zu allem Überfluss sollte er oder sie auch noch Kenntnisse in Bereichen wie Virtualisierung oder Predictive Maintenance mitbringen.
  • Auch Discounter Aldi stellt Data Scientists ein, unter anderem im Supply Chain Management. Hier ist ebenfalls Berufserfahrung im Bereich Data Science oder Business Analytics gefragt sowie idealerweise Kenntnisse der Besonderheiten der Handelsbranche. Hinzu kommt noch Erfahrung mit SAP-Software, die in Mainstream-Unternehmen immer noch der Standard ist.
  • Die Telekom hat mehrere Positionen im Bereich Data Science ausgeschrieben, mit einer Gemeinsamkeit: Neben einem MINT-Studium ist mehrjährige Berufserfahrung notwendig, für Senior-Positionen sogar mindestens fünf Jahre. Das stimmt mit den Anforderungen überein. Der Telekom sind neben Kenntnissen in Sachen Datenanalyse noch solche über Software-Engineering, agile Methoden und Cloud-Technologien wichtig — alles IT-Spezialitäten, die niemand in einem Wochenendkurs lernen kann, denn sie erfordern in erster Linie praktische Erfahrung.

Die Erkenntnis aus der Durchsicht einiger Dutzend Stellenanzeigen: Ohne Berufserfahrung und ein recht breites Skillset geht wenig. Natürlich gibt es auch Angebote für Hochschulabsolventen und auch Ausschreibungen von Praktika, häufig mit der englischsprachigen Stellenbeschreibung „Intern“. Das sind allerdings trotz des Verweises auf Data Science meist eher Stellen mit Assistenzcharakter. Sie sollten aber ausreichen, um erste Erfahrungen zu sammeln.

In Singapur ist es nicht anders als in Deutschland

Trotzdem ist ein Einstieg in die Data Science nicht einfach, auch nicht in der englischsprachigen Welt. Hanif Samad ist Datenwissenschaftler, aber erst nach Überwindung einiger Hindernisse. In einem ausführlichen und hochinteressanten Artikel für das Online-Magazin „Towards Data Science“ kommt er angesichts seiner anfänglich nicht erfolgreichen Bewerbungen zu einem bestechenden Schluss: Er will sich weniger auf das verlassen, was Data Scientists wissen sollen, sondern mehr darauf, was sie in der Praxis tatsächlich machen.

Denn Samad ist bei seiner Informationssuche im Vorfeld der Bewerbungen auf ein Problem gestoßen: Schon eine oberflächliche Google-Suche fördert zahlreiche Ratgeber zutage, die unglaublich viele Must-Have-Skills aufzählen. Dadurch entsteht das Bild eines allumfassend kompetenten Super-Datenwissenschaftlers, das nur leider realitätsfremd ist. Um ein besseres Bild zu erhalten, hat Samad 869 LinkedIn-Profile ausgewertet, in denen als Berufsbezeichnung Data Scientist und als Ort Singapur vorkommt — dort hat er sich gezielt beworben.

Hier einige seiner Erkenntnisse im Detail:
  • Fast drei Viertel der Data Scientists haben entweder einen Masterabschluss oder einen Ph. D. Lediglich 6 Prozent waren Quereinsteiger mit nicht-traditioneller Zertifizierung.
  • Mit 14 Prozent hat die Informatik den größten einzelnen Anteil an den Studienabschlüssen. Die unterschiedlichen Ingenieurdisziplinen kommen auf 22 Prozent, die unterschiedlichen Studiengänge für Mathematik, mathematische Physik, Statistik sowie angewandte Mathematik haben ein Anteil von 12 Prozent. Heimlicher Gewinner dieser Statistik ist jedoch das Feld Business Analytics, das sich auf unterschiedliche Studiengänge verteilt und zusammen 15 Prozent ausmacht – viele davon Master und keine Ph. Ds.
  • Die Berufserfahrung der untersuchten Datenwissenschaftler liegt je nach höchster Qualifikation zwischen vier und sechs Jahren. So gibt auch der Blick in die Realität wider, was bereits aus den Stellenanzeigen abzulesen war: Neu eingestellte Datenwissenschaftler sind normalerweise keine frischen Hochschulabsolventen.
  • Die meisten Positionen von Datenwissenschaftlern in den Unternehmen sind vergleichsweise neue Stellen: Etwa drei Viertel haben ihre Position seit weniger als zwei Jahren. Gut 42 Prozent der Stellen sind sogar jünger als ein Jahr.
  • Aus dem letzten lässt sich ableiten, dass ein großer Teil der Datenwissenschaftler vor ihrem Einstieg in die Data Science eine andere Position in ihrem Wissensgebiet hatten. Auch das lässt sich über LinkedIn gut herausfinden: Zu gleichen Teilen waren sie Wissenschaftler, Software Engineers, Analysten und interessanterweise auch Praktikanten und Trainees.
  • Die Hälfte der untersuchten Datenwissenschaftler waren nicht bei Technologie-Unternehmen angestellt. Sie hatten häufig Positionen in der Finanz- und Versicherungswirtschaft, bei Beratungsunternehmen, in der Industrie und der Wissenschaft.

Die Ergebnisse von Samad lassen sich nicht ohne weiteres auf Deutschland übertragen, doch sie besitzen einiges an Plausibilität auch für hiesige Verhältnisse und passen gut zur Analyse der Stellenanzeigen. Zusammengefasst sagen sie: Data Science steht Leuten offen, die einen Background aus Mathematik plus Informatik besitzen und mindestens drei Jahre Berufserfahrung haben sollten. Idealerweise haben sie vorher in der IT gearbeitet und praktische Erfahrungen gesammelt, bevor sie sich auf Data Science spezialisiert haben.

Der lange Weg zum Data Scientist

Für Studierende und Absolventen der einschlägigen MINT-Fächer bedeutet das: Sie sollten nach dem Studium zunächst einmal in die Praxis gehen und dabei auf einen ordentlichen IT-Anteil ihrer Tätigkeit achten. Doch praktische Erfahrungen sind nicht alles. Data Scientists müssen auch bestimmte Spezialisierungen haben, um problemlos einen Job zu finden. Studenten und Absolventen müssen darauf achten, die richtigen Dinge zu lernen, meint Jeremie Harris. Der Data Scientist ist Mitgründer eines Mentoring-Programms für Absolventen, die als Einsteiger in der Data Science arbeiten möchten — was zumindest in den USA nicht grundsätzlich ausgeschlossen ist.

Sein Artikel in „Towards Data Science“ richtet sich an Absolventen von MINT-Fächern und empfiehlt ihnen den Einstieg in einige grundlegende Wissensgebiete und Fähigkeiten. Dazu gehören Python-Kenntnisse, Wahrscheinlichkeitstheorie und Statistik. Hilfreich ist außerdem ein Einblick in die Grundzüge des Software Engineering — Stichwort Dokumentation und Versionierung. Zudem müssen Data Scientists auch einen Instinkt dafür entwickeln, welche Lösung in pragmatischer Hinsicht gefragt ist. Tipp: Technisch optimale Lösungen sind nur selten pragmatisch optimal. Zudem müssen die Datenwissenschaftler in der Lage sein, einem nicht-technischen Publikum ihre Konzepte, Projekte und Ergebnisse verständlich zu erklären.

Diese Anforderungen sind vielen Absolventen nicht bekannt und zudem machen sie nach Ansicht von Harris bei der Jobsuche häufig einen Fehler: Sie vermuten, dass es bei einem Bewerbungsgespräch darum geht, sich als der technisch kompetenteste Bewerber für die ausgeschriebene Position zu beweisen. Er hat andere Erfahrungen gemacht: „In Wirklichkeit wollen Unternehmen Menschen einstellen, die ihnen helfen, schneller mehr Geld zu verdienen.“ Das klingt flapsig, aber es ist in der Tat Grund Nummer Eins für die Existenz eines Unternehmens. Bewerber sollten das bedenken.

Im tiefen Tal der Bewerberhölle

Nun klingt das so als ob die Unternehmen eigentlich immer wissen, was sie wollen. Nichts könnte falscher sein. „Vorstellungsgespräche für eine Rolle in der Datenwissenschaft sind schwierig“, fasst der Mathematiker und Data Scientist David Neuzerling seine Erfahrungen in einem Blogbeitrag zusammen. „Vielen Unternehmen ist klar, dass sie etwas mit Daten machen müssen. Aber sie haben keine Ahnung, was genau.“ So könne es seiner Erfahrung nach vorkommen, dass Unternehmen von Machine Learning reden, aber in Wirklichkeit nur ein paar Dashboards wollen.

Deshalb rät Neuzerling Bewerbern, unbedingt konkrete Fragen zu stellen. So ist es sinnvoll, die Schlüsselworte aus der Stellenbeschreibung aufzunehmen und nach konkreten Einsatzbereichen, den verwendeten Frameworks, der Anzahl der Projekte und der Größe der Teams zu fragen. Er warnt besonders vor Stellenausschreibungen mit mehrfachen Berufsbezeichnungen wie „Data Scientist/Data Engineer“ oder „Data Scientist/Software Developer“. Neuzerling: „Das sind Anzeichen dafür, dass ein Unternehmen nicht weiß, was es von einem Kandidaten will.“

Darüber hinaus rät er aus eigener Erfahrung, Bewerbungsgespräche mit seltsamen Praktiken sofort abzubrechen. Er erwähnt beispielsweise Videointerviews, in denen er vorgefertigte Fragen beantworten solle oder Prüfungen, in denen er eine Stunde lang handschriftlich Code schreiben musste. Seine Kritik an den Unternehmen: „Sie vergessen, dass Rekrutierung ein zweiseitiger Prozess ist.“ Er rät allerdings auch, sich nicht entmutigen zu lassen — es gebe genügend gute Jobs da draußen.

Und das liebe Geld? Tja …

Die anfangs erwähnte Glassdoor-Statistik deutet es an: Mit einem Median-Einkommen von 108.000 US-Dollar ist man zumindest im nordamerikanischen Raum ein gut verdienender Experte. Einen detaillierten Einblick in die Gehaltsstruktur zeigt die Statistik der IEEE. Erwartungsgemäß verdient man in San Francisco am meisten (>166.000 USD). Interessanterweise gilt das auch, wenn die Lebenshaltungskosten in die Statistik einfließen. Dann entspricht das kalifornische Gehalt zwar nur 121.000 Dollar anderswo, aber anderswo verdient ein Datenwissenschaftler auch bereinigt weniger.

Umgerechnet bedeutet das: In den USA verdient ein erfahrener und erfolgreicher Data Scientist leicht 100.000 Euro pro Jahr. Von solchen Zahlen können die deutschen Datenwissenschaftler nur träumen. Laut der Gehaltsstatistik von Stepstone liegen typische Gehälter zwischen 47.600 und 60.700 Euro pro Jahr. Das ist weit von den US-Gehältern entfernt, zumal hier in Good ol‘ Germany auch die Steuer härter zuschlägt als in den USA. Kurz und gut: Beim Geld ist noch ordentlich Luft nach oben.

Wer kann und mag, sollte über einen Job in den USA nachdenken. Stellen gibt es und es muss ja nicht gleich die Auswanderung sein. Ein paar Jahre in den USA sind in Digitalwirtschaft und Informationstechnologie auf jeden Fall gute Karriere-Booster, jedenfalls in europaweiter Perspektive. Neben Geld ist natürlich auch die Art und Weise der Jobs wichtig. Dinge wie Mindset des Teams und der Vorgesetzten, Unternehmenskultur, Innovationsfreudigkeit, Chancen für eine Unternehmensgründung oder schlicht die Offenheit gegenüber den Ideen und Vorschlägen eines Berufsanfängers — das findet sich mit hoher Wahrscheinlichkeit eher in Kalifornien, aber auch in anderen Gegenden der wirklich sehr großen US of A.

Bildquelle: Pixabay

Kommentar posten

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.