Hallo zusammen,

auf was denkt ihr kommt es bei dem ersten Firmenwechsel oder Karriereschritt im Bereich Data Science nach 2-5 Jahren Berufserfahrung an. Also wie wird man gefragt am Jobmarkt oder was sollte man beim Einstieg im Blick halten?

Bei folgenden Faktoren könnte ich mir vorstellen sie sind hilfreich/wichtig.

• Größe des vorherigen Arbeitgebers
• Fachwissen / Verständnis der Algorithmen
• GitHub Portfolio
• Domänewissen des Zielbereichs
• Studium

Zum ersten Punkt, wenn man z. B. zu einem Automobil OEM im Bereich Data Science wechseln möchte. Macht es einen Unterschied ob man davor Data Science bei Continental, Brose oder einem Startup gemacht hat?

Vielleicht könnt ihr ja sagen welche Erfahrungen ihr gemacht habt

Also ich hab als datascientist bei einem zulieferer gearbeitet. ich hatte den eindruck, dass branchenerfahrung schon extrem von vorteil ist. es gibt exterm viele sehr gut ausgebildete leute im MINT bereich, für die es keine adequaten stellen in deutschland gibt. die bewerben sich alle auf datascience positionen und die meisten sind mathematisch und wissenschaftlich extrem gut aufgestellt. was den meisten fehlt ist alles was man an der uni nicht lernt, also kenntnisse in professioneller softwareentwicklung und branchenkenntnisse aus der automobilindustrie. github, algo kenntnisse und ein sehr gutes studium, bestenfalls mit promotion in mathe/physik/ informatik wird bei den meisten jobs eigentlich schon standardmäig vorausgesetzt (off topic: dafür verdient man dann 60-75k im jahr also macht lieber was anderes) - die größe des vorigen arbeitgebers ist mMn egal, wichtig ist tatsächlich die Branche und ob du erfahrung mit den prozessen und tools, die in der autondustrie üblich sind, gesammelt hast.

WiWi Gast schrieb am 07.09.2021:

Also ich hab als datascientist bei einem zulieferer gearbeitet. ich hatte den eindruck, dass branchenerfahrung schon extrem von vorteil ist.

Schon mal vielen Dank für deine Antwort! Das hilft mir schon mal deutlich weiter :)

Zu dem Punkt Prozesse in der Automobilindustrie, wenn man sich z. B. im Produktionsumfeld bewegt, wäre das dann z. B. Wissen über einen einzelnen Prozessschritt wie z. B. die Auswertung einer Kraft-Weg Kurve einer Verschraubung?

Und mit Tools meinst du damit dann z. B. eine Fehlermöglichkeits- und -einflussanalyse (FMEA) oder einen Qualitätszyklus?

Konntest du dir die Erfahrung zur professionellen Softwareentwicklung dann on-the job beibringen oder hast du da dann erstmal in deiner Freizeit Bücher oder Projekte durchgearbeitet?

Danke für deine Insights :)

Themen die du dir ansehen kannst sind zum Beispiel tdd, scrum, SAFe,...

Ansonsten ist meiner Meinung das wichtigste, dass du dein Handwerk beherrscht. Es gibt bei der Einstellung meist eine Coding Challenge. Dort kannst du zeigen, dass du Daten schnell verstehst.

git sollte dir kein Fremdwort sein.

WiWi Gast schrieb am 07.09.2021:

WiWi Gast schrieb am 07.09.2021:

Also ich hab als datascientist bei einem zulieferer gearbeitet. ich hatte den eindruck, dass branchenerfahrung schon extrem von vorteil ist.

Schon mal vielen Dank für deine Antwort! Das hilft mir schon mal deutlich weiter :)

Zu dem Punkt Prozesse in der Automobilindustrie, wenn man sich z. B. im Produktionsumfeld bewegt, wäre das dann z. B. Wissen über einen einzelnen Prozessschritt wie z. B. die Auswertung einer Kraft-Weg Kurve einer Verschraubung?

Und mit Tools meinst du damit dann z. B. eine Fehlermöglichkeits- und -einflussanalyse (FMEA) oder einen Qualitätszyklus?

Konntest du dir die Erfahrung zur professionellen Softwareentwicklung dann on-the job beibringen oder hast du da dann erstmal in deiner Freizeit Bücher oder Projekte durchgearbeitet?

Danke für deine Insights :)

WiWi Gast schrieb am 07.09.2021:

Themen die du dir ansehen kannst sind zum Beispiel tdd, scrum, SAFe,...

Ansonsten ist meiner Meinung das wichtigste, dass du dein Handwerk beherrscht. Es gibt bei der Einstellung meist eine Coding Challenge. Dort kannst du zeigen, dass du Daten schnell verstehst.

git sollte dir kein Fremdwort sein.

danke für die Rückmeldung :)

Wenn es sonst noch Tipps oder wichtige Faktoren gibt, gerne direkt kommentieren.

Nach meinen persönlichen Erfahrungen ist der Lebenslauf und der Abschluss nicht so wichtig wie oft behauptet. Wichtig sind solide coding skills, gutes Verständnis der wichtigsten Algorithmen und solide Statistik Grundlagen.

push, weil interessant

WiWi Gast schrieb am 06.09.2021:

Hallo zusammen,

auf was denkt ihr kommt es bei dem ersten Firmenwechsel oder Karriereschritt im Bereich Data Science nach 2-5 Jahren Berufserfahrung an. Also wie wird man gefragt am Jobmarkt oder was sollte man beim Einstieg im Blick halten?

Bei folgenden Faktoren könnte ich mir vorstellen sie sind hilfreich/wichtig.

• Größe des vorherigen Arbeitgebers
• Fachwissen / Verständnis der Algorithmen
• GitHub Portfolio
• Domänewissen des Zielbereichs
• Studium

Zum ersten Punkt, wenn man z. B. zu einem Automobil OEM im Bereich Data Science wechseln möchte. Macht es einen Unterschied ob man davor Data Science bei Continental, Brose oder einem Startup gemacht hat?

Vielleicht könnt ihr ja sagen welche Erfahrungen ihr gemacht habt

Am wichtigsten sind die bereits gemachten Projekte und das damit einhergehende Methodenwissen. Domänenwissen ist zwar wichtig, aber kein Hindernis, weil man es auch noch on-the-job lernen kann. Ein Github Profil ist immer gut, insbesondere wenn man den Fokus stark aufs Engineering legt (hier geht der Trend eigentlich eher in eine Teilung in Data Scientist und Machine Learning Engineer).

Das Studium ist praktisch Grundvorraussetzung, Master in MINT ist eigentlich fast meistens Pflicht. Quereinstieg ist möglich, aber schwerer und ohne akademische Ausbildung fast nicht möglich.

Größe des vorherigen Arbeitgeber ist eigentlich egal, wichtiger ist die Art des Unternehmens. Das beste Aushängeschild ist sicher ein Tech Unternehmen (z.B. FANG), auch sehr gut angesehen sind (pre-)IPO Tech Scale-Ups (Zalando, DeepL etc.). OEMs oder Industrieunternehmen sind in der Data Science Welt eher weniger gut angesehen, aber sicherlich besser als irgendwelche KMUs.

Ich würde hier aufgrund deiner Fragestellung das ganze in zwei Punkte aufteilen:

Erstens: Für Data Science Positionen ist das wichtigste das Know How in den tools: SQL, Python, R, SAS, vtl. noch Matlab wird aber eher in der Forschung verwendet. Um welche Daten es dann letztendlich geht ist egal (Automotive, Pharma, whatever). Github schadet auch nicht. Um komplexe Algorithmen geht es selten. Und wenn (ich kenne deinen Hintergrund nicht) kommen nur MINTler in Frage.

Zweitens: Personal Fit im Unternehmen. Dort macht es dann einen Unterschied ob du dich bei einem OEM oder Startup bewirbst. Wenn Punkt 1 passt, also das fachliche stimmt, kommt der Teil hauptsächlich im HR Interview. Dort musst du dich halt vorbereiten, aber hat mit der konkreten Stelle in Data Science nichts zu tun.

Sorry aber das ist totaler Quatsch:
"Um welche Daten es dann letztendlich geht ist egal (Automotive, Pharma, whatever)"

Ja man kann machine learning auf alles drauf schmeißen ABER es ist schon ein riesen Vorteil wenn man das Themenumfeld kennt. Allein um abzuschätzen welche Daten relevant sind und nicht etc. Es sei denn wir reden hier von einfacher Bilderkennung.

Wie siehts aus mit Jobwechseln - lief das bei euch per Headhunter oder LinkedIn? Oder ging das eher über ein persönliches Netzwerk z. B. durch Meet ups?

Über Headhunter ist schon möglich, da wird einem aber auch viel Quatsch angedreht - entweder Stellen, die eigentlich kein Data Science sind sondern Data Engineering oder Dashboarding, oder eben Stellen die extrem schlecht bezahlt sind.
Persönliches Netzwerk ist sicherlich das beste. Über Kollegen / ehem. Kollegen oder Studienbekannte geht da meiner Erfahrung nach das meiste. MeetUps kann ich nicht so einschätzen.

Am wichtigsten sind die bereits gemachten Projekte und das damit einhergehende Methodenwissen.

Meinst du damit, wenn man sich jetzt 3 Jahre lang mit Zeitreihenvorhersage beschäftigt hat, dass dann ein Umstieg auf ein anderes Gebiet wie z. B. Bildklassifizierung oder Text Mining schwieriger wird?

Hier der TE,
danke für eure Antworten :) Ich bin gespannt auf den Einstieg in diesem Feld :)

WiWi Gast schrieb am 10.09.2021:

Am wichtigsten sind die bereits gemachten Projekte und das damit einhergehende Methodenwissen.

Meinst du damit, wenn man sich jetzt 3 Jahre lang mit Zeitreihenvorhersage beschäftigt hat, dass dann ein Umstieg auf ein anderes Gebiet wie z. B. Bildklassifizierung oder Text Mining schwieriger wird?

So kann man es sagen. Schwieriger, aber auch etwas neues, kann ja durchaus positiv sein.