Jedem ist klar, dass die Anzahl der offenen Stellen und die Menge an Daten größer wird. Die Nachfrage ist groß. Gleichzeitig scheint sich aber jeder Mathematiker, Informatiker, Physiker und zum Teil WiWi für Data Science zu interessieren.
Wie seht ihr die Zukunft dieses Bereichs?
Insb. mit dem Unterschied
"WiWi mit einem Online Python Kurs" vs. "MSc oder Dr. in Statistik/Info/Ökonometrie/Mathe".
Fände eine zivile Diskussion (die nicht in WHU >= Mannheim > Goethe ausartet ) zum Thema super, würde gerne mal eure Meinungen hören.

Ich sehe Data Science nicht nur als abgeschlossenen Bereich an, sondern ebenso als Hilfsmittel für sämtliche Lebensbereiche. Auch als WiWi trifft man Entscheidungen oftmals anhand von Daten. Die Menge der Daten ist mittlerweile sehr groß und komplex, sodass neue Methoden zur Analyse gebraucht werden. Beispielweise hat so gut wie jeder Student Grundlagen der Statsitik und kennt Regressionen zur Datenanalyse. Ebenso sollte man in Zukunft einige Konzepte des Machine Learning kennen. Für ein wenig Hintergrundwissen und Anwendungskenntnisse braucht es keinen Statistik Dr.

Ich sehe es so - derzeit kommen noch WiWi-Quereinsteiger damit durch, dass sie sich "Data Scientists" nennen, weil sie salopp gesagt irgendwelche point and click tools bedienen können. Das wird schnell zur commodity werden und die entsprechenden Leute werden aus dem Markt gedrängt.

Jemand mit STEM PhD, der Methoden von Grund auf entwickeln kann, wird auch in Zukunft beste Perspektiven haben.

WiWi Gast schrieb am 15.04.2020:

Ich sehe es so - derzeit kommen noch WiWi-Quereinsteiger damit durch, dass sie sich "Data Scientists" nennen, weil sie salopp gesagt irgendwelche point and click tools bedienen können. Das wird schnell zur commodity werden und die entsprechenden Leute werden aus dem Markt gedrängt.

Die Richtung in der universitären Forschung geht jedoch in eine ganz andere Richtung, als du es prognostizierst. Business Analaytics Programme schießen aus dem Boden und andere Sowi Disziplinen ziehen langsam nach, um in ihrem Fachbereich ausgebildete Data Scientists zu haben. Auch beim Durchforsten von Jobprofilen finden sich nun immer häufiger Ausschreibungen, die Wiwi und, seltener Sowi, zu den möglichen Studiengängen zählen. Wichtig ist immer nur der quantitative und IT Bezug.

Machine learning ist ganz sicher nicht overhyped, damit eroeffnen sich neue Möglichkeiten in nahezu jedem Forschungsbereich von Astronomie bis Zoologie.

In der Wirtschaft wird es wohl einen Shift von Data zu Decision Scientist geben.

WiWi Gast schrieb am 15.04.2020:

Machine learning ist ganz sicher nicht overhyped, damit eroeffnen sich neue Möglichkeiten in nahezu jedem Forschungsbereich von Astronomie bis Zoologie.

In der Wirtschaft wird es wohl einen Shift von Data zu Decision Scientist geben.

Sehr interessant. Also ist deiner Meinung nach die Kombination aus Game Theory/Wirtschaft und tiefen Kenntnissen in Statistik für die Wirtschaft optimal?
Also ein Profil wie dieses hier
https://www.wiwi-treff.de/Promotion-PHD-and-DBA/Data-Science/Wohin-mit-meinem-Profil/Diskussion-64922
Ist deiner Meinung nach optimal? Weil Ansatz Wirtschaft + tiefgehende statistische Methodik und Programmieren? Oder eher der pure Mathematiker?

Stellt sich immer die Frage, was sich konkret hinter diesen Begriffen verbirgt und in welchem Kontext sie angewendet werden.

Solange die Bereiche/Methoden einen Mehrwert für Unternehmen bringen, werden sie auch weiter gehypt. Ich habe den Eindruck aktuell ist davon gerade im Wiwi-Bereich noch viel Schall und Rauch. Es wird sich zeigen, inwieweit Corporates für sich einen Nutzen hieraus ziehen können. Ob man dann einen Doktor haben muss oder nur das entsprechende "Point and Click Tool" bedienen können muss, bleibt abzuwarten. Es wird sich aber lange nicht jeder mit den Grundlagen der Data Science auseinander setzen und eigene Machine Learning Ansätze fahren, wenn es bereits Tools und fertig entwickelte Algorithmen gibt. Wieso auch. Am Ende muss man wirtschaftlich denken.

Es gibt so viele Jobs, wo Leute nur Daten von a nach b Schieben. 3/4 aller stellen im Banking... da ist mega Potenzial

WiWi Gast schrieb am 15.04.2020:

Es wird sich aber lange nicht jeder mit den Grundlagen der Data Science auseinander setzen und eigene Machine Learning Ansätze fahren, wenn es bereits Tools und fertig entwickelte Algorithmen gibt. Wieso auch.

Die Tools nehmen eine viel Arbeit in der Implementierung ab aber es erfordert auch sehr viel knowhow die richtigen Trainingsdaten, das richtige Modell, die richtigen Trainingsmethoden usw. auszuwählen denn sonst kommt in der Regel nur Mist raus.

WiWi Gast schrieb am 15.04.2020:

Stellt sich immer die Frage, was sich konkret hinter diesen Begriffen verbirgt und in welchem Kontext sie angewendet werden.

Solange die Bereiche/Methoden einen Mehrwert für Unternehmen bringen, werden sie auch weiter gehypt. Ich habe den Eindruck aktuell ist davon gerade im Wiwi-Bereich noch viel Schall und Rauch. Es wird sich zeigen, inwieweit Corporates für sich einen Nutzen hieraus ziehen können. Ob man dann einen Doktor haben muss oder nur das entsprechende "Point and Click Tool" bedienen können muss, bleibt abzuwarten. Es wird sich aber lange nicht jeder mit den Grundlagen der Data Science auseinander setzen und eigene Machine Learning Ansätze fahren, wenn es bereits Tools und fertig entwickelte Algorithmen gibt. Wieso auch. Am Ende muss man wirtschaftlich denken.

Es verdient am Ende halt derjenige am meisten, der das Point-and-click Tool entwickelt hat, nicht der, der es benutzt. Das war schon bei der letzten Technologiewelle so.

Das sehen wir bei uns im Unternehmen derzeit recht gut - wir haben einige unserer früheren Steuerungsfunktionen in Business Analytics konsolidiert und dafür auch entsprechend Leute eingestellt, aber der Großteil der durch Verschlankung freigewordenen Ressourcen hat sich auf SaaS umgelagert.

Ich würde pauschal jedem empfehlen, sich mit den Grundlagen auseinanderzusetzen, aber darüber hinaus es entweder ganz oder gar nicht zu machen. Ein Spezialist in ML, evtl. mit Doktor, hat viel bessere Perspektiven als ein WInfler der ein bisschen WiWi kann und einige Inf-Grundlagen gehabt hat.
V.a. an den angloamerikanischen Unis sind die ML-PhDs wohl sehr Hands-on und man bekommt automatisch Kontakt zu den großen Namen im Geschäft.

Der Hype um Data Science ist weitestgehend vorbei und grassiert nur noch an den Universitäten.
Wir haben die wilden Jahre 2015-2018 gehabt, wo Unternehmen praktisch für alles Geld herausgeworfen haben, was am Ende lustige Buzzwords beinhaltet hat. Abteilungen innerhalb der Konzerne haben sich auch versucht gegenseitig mit dieser "Industrie 4.0" zu überbieten und es wurden sehr viele Stellen geschaffen, die letzten Endes überhaupt nicht für das ausgelegt waren, was sie eigentlich leisten sollten. In diesem Topf haben natürlich auch die Berater herumgerührt und das tun sie jetzt auch immer noch fleißig.
Mittlerweile, so seit 2018/2019 befinden wir uns in der Konsolidierungsphase. Das heißt, Unternehmen schauen ganz genau darauf, was tatsächlich benötigt wird und - salopp ausgedrückt - wie man es auch richtig umsetzt. Es muss also auch funktionieren. ;-)
Es ist vollkommen egal ob man Physiker, Sowi oder BWL'er ist, wenn man nicht ein grundlegendes Verständnis für die Umsetzung und Automatisierung hat. Das ist ganz klar ein Teilgebiet der (Wirtschafts-)Informatik.
Es wird kein Physiker oder Mathematiker eingestellt, weil er ganz toll irgendwas beweisen kann oder am Ende noch das letzte Prozentpünktchen an Performance mit einem Algorithmus herausgeholt hat, den niemand kennt und der dann nur zu der Anwendung passt.
Data Science ist hochgradig standardisiert und nur in sehr wenigen Teilbereichen wirklich komplex, dass man fundierte statistische Kenntnisse braucht.
Das jetzt gerade Physiker diese Komplexität hochloben liegt einfach daran, dass sie endlich mal wieder was gefunden haben, wofür man sie braucht - böse ausgedrückt. Tatsächlich ist es aber die IT die das ganze am Ende rund macht. Es ist im Studium wesentlich, WESENTLICH wichtiger, IT-Vorlesungen zu besuchen, also fortgeschrittene Methoden zum Auswurf ultramoderner neuronaler Netze.

Der Trend geht ja nun nicht dahin, dass wir ganz viel Data Scientists für teuer Geld beschäftigen, die dann alle schön statisch ihre Skripte durchlaufen lassen, sondern, dass ich einige, wenige Spezialisten habe, die ein System bauen, dass genau das automatisiert kann.
Und die, die am Ende auf die Ergebnisse schauen, benötigen gar keine Kenntnisse von der Materie.

Lohnt es sich als BWLer, Python Basics zu lernen, oder komplett waste of time da man einen ML Phd braucht?

Lohnt es sich noch, als BWLer Im Controlling abends on the job Python zu lernen?

Oder unnötig da Tableau / Power BI / Power Automate

WiWi Gast schrieb am 15.04.2020:

WiWi Gast schrieb am 15.04.2020:

Stellt sich immer die Frage, was sich konkret hinter diesen Begriffen verbirgt und in welchem Kontext sie angewendet werden.

Solange die Bereiche/Methoden einen Mehrwert für Unternehmen bringen, werden sie auch weiter gehypt. Ich habe den Eindruck aktuell ist davon gerade im Wiwi-Bereich noch viel Schall und Rauch. Es wird sich zeigen, inwieweit Corporates für sich einen Nutzen hieraus ziehen können. Ob man dann einen Doktor haben muss oder nur das entsprechende "Point and Click Tool" bedienen können muss, bleibt abzuwarten. Es wird sich aber lange nicht jeder mit den Grundlagen der Data Science auseinander setzen und eigene Machine Learning Ansätze fahren, wenn es bereits Tools und fertig entwickelte Algorithmen gibt. Wieso auch. Am Ende muss man wirtschaftlich denken.

Es verdient am Ende halt derjenige am meisten, der das Point-and-click Tool entwickelt hat, nicht der, der es benutzt. Das war schon bei der letzten Technologiewelle so.

Das sehen wir bei uns im Unternehmen derzeit recht gut - wir haben einige unserer früheren Steuerungsfunktionen in Business Analytics konsolidiert und dafür auch entsprechend Leute eingestellt, aber der Großteil der durch Verschlankung freigewordenen Ressourcen hat sich auf SaaS umgelagert.

Ich würde pauschal jedem empfehlen, sich mit den Grundlagen auseinanderzusetzen, aber darüber hinaus es entweder ganz oder gar nicht zu machen. Ein Spezialist in ML, evtl. mit Doktor, hat viel bessere Perspektiven als ein WInfler der ein bisschen WiWi kann und einige Inf-Grundlagen gehabt hat.
V.a. an den angloamerikanischen Unis sind die ML-PhDs wohl sehr Hands-on und man bekommt automatisch Kontakt zu den großen Namen im Geschäft.

Habe grade dazu meine Bachelorthesis geschrieben und um die 30 Studien und Papers dazu ausgewertet, es ist aufjedenfall eine menge Potenzial da. Wichtig ist es, dass sich ein Data Scientist auf einen bestimmten Reich fokussiert. Stichwort: Rationalitätssicherung.

Das wird sich aber noch eine ganze Weile entwickeln müssen. Es gibt ja böse Zungen (auch hier im Forum) die behaupten, der Controller ist schon so gut wie weg rationalisiert. Totaler Schwachsinn, belegen auch die aktuellen Papers und Studienergebnisse.
Predictive analytics etc. werden die Anforderungen an fast jeden Bereich grundlegend verändern und eine Menge neue Möglichkeiten bieten.

Als Mathematiker, der täglich mit Client zu tun hat in diesem Bereich, meine ganz persönliche Meinung: Ja es hat viel Potential, aber momentan ist auch ein riesen Hype darum. Es wird einfach versucht alles mit ML zu lösen. Es ist irgendein Problem gegeben, wie wollen wir es lösen?, Lasst uns dafür ML machen. Und das ist einfach Schwachsinn. Es gibt Dinge, für die man mit klassischeren Methoden deutlich bessere Ergebnisse erziehlt, weil Sachverhalte gut verstanden sind und man dies gut mathematisch beschreiben kann. Sowas durch eine ML Einheit zu jagen ist sowohl unnötig aufwendig, wie auch ineffizient, weil die Ergebnisse am Ende auch nicht besser sind mit ML, wie mit den klassischen Modellen gerechnet. Noch dazu der große Nachteil von ML Ergebnissen: Man hat zwar eine Lösung, aber immer noch kein tieferes Verständnis für die Dinge, die z.B. bestimmte Veteilungsaspekte erzeugen. Zu glauben, man könne das irgendwie alles durch Data Science und Co. dann heraus kriegen ist schlichtweg falsch. Kurz um, ML und Co haben großes Potential, aber bitte auf die richtigen Dinge anwenden.

Was m.E. auch der Grund ist, wieso in ein paar Jahren keine BWLer und VWLer mehr in Data Science-Jobs zu finden sein werden. Es braucht ein tiefes mathematisches Verständnis für die richtigen Data Science Probleme. Der Rest ist "Ich kann ein Script programmieren und eine library nutzen."

Wie dem auch sei. Für fast alle Stellen wird es wichtig sein ein kleines ML Toolkit zu besitzen - ähnlich, wie man heute erwartet, dass man in Excel mehr als SUMME kennt.

WiWi Gast schrieb am 15.04.2020:

Als Mathematiker, der täglich mit Client zu tun hat in diesem Bereich, meine ganz persönliche Meinung: Ja es hat viel Potential, aber momentan ist auch ein riesen Hype darum. Es wird einfach versucht alles mit ML zu lösen. Es ist irgendein Problem gegeben, wie wollen wir es lösen?, Lasst uns dafür ML machen. Und das ist einfach Schwachsinn. Es gibt Dinge, für die man mit klassischeren Methoden deutlich bessere Ergebnisse erziehlt, weil Sachverhalte gut verstanden sind und man dies gut mathematisch beschreiben kann. Sowas durch eine ML Einheit zu jagen ist sowohl unnötig aufwendig, wie auch ineffizient, weil die Ergebnisse am Ende auch nicht besser sind mit ML, wie mit den klassischen Modellen gerechnet. Noch dazu der große Nachteil von ML Ergebnissen: Man hat zwar eine Lösung, aber immer noch kein tieferes Verständnis für die Dinge, die z.B. bestimmte Veteilungsaspekte erzeugen. Zu glauben, man könne das irgendwie alles durch Data Science und Co. dann heraus kriegen ist schlichtweg falsch. Kurz um, ML und Co haben großes Potential, aber bitte auf die richtigen Dinge anwenden.

WiWi Gast schrieb am 15.04.2020:

Lohnt es sich noch, als BWLer Im Controlling abends on the job Python zu lernen?

Oder unnötig da Tableau / Power BI / Power Automate

Das eine hat mit dem anderen nichts zu tun.
Ganz böse gesagt sind Tableau und Konsorten die Automatisierung von Excel. Es sind reine Visualisierungstools, die den Alltag im Reporting bzw. der Kommunikation extrem vereinfachen. Vor allem, wenn man über die Cloud auch Abteilungsübergreifend kommunizieren kann.

Das hat aber nichts mit Data Science bzw. dessen Integration zu tun. Es kann lediglich dazu dienen, den Output eines Modells aufzubereiten. Für Bürotasks ist es aber vollkommen ausreichend und hat auch seine Daseinberechtigung.

Der Kommentar oben mit "entweder richtig oder garnicht" trifft es schon sehr gut.

Wiso nennt sich jeder der ein R-Script oder Tableau bedienen kann Data Scientist? Data Analyst bzw. Business Analyst ist die Bezeichnung für jeden der keine Promotion in Mathe hat.

WiWi Gast schrieb am 15.04.2020:

Als Mathematiker, der täglich mit Client zu tun hat in diesem Bereich, meine ganz persönliche Meinung: Ja es hat viel Potential, aber momentan ist auch ein riesen Hype darum. Es wird einfach versucht alles mit ML zu lösen. Es ist irgendein Problem gegeben, wie wollen wir es lösen?, Lasst uns dafür ML machen. Und das ist einfach Schwachsinn. Es gibt Dinge, für die man mit klassischeren Methoden deutlich bessere Ergebnisse erziehlt, weil Sachverhalte gut verstanden sind und man dies gut mathematisch beschreiben kann. Sowas durch eine ML Einheit zu jagen ist sowohl unnötig aufwendig, wie auch ineffizient, weil die Ergebnisse am Ende auch nicht besser sind mit ML, wie mit den klassischen Modellen gerechnet. Noch dazu der große Nachteil von ML Ergebnissen: Man hat zwar eine Lösung, aber immer noch kein tieferes Verständnis für die Dinge, die z.B. bestimmte Veteilungsaspekte erzeugen. Zu glauben, man könne das irgendwie alles durch Data Science und Co. dann heraus kriegen ist schlichtweg falsch. Kurz um, ML und Co haben großes Potential, aber bitte auf die richtigen Dinge anwenden.

Sehr schöne Antwort!
Ich bin rein datenorientierter Business Analyst in einem extrem wachsenden und heterogenen Umfeld.
Dazu bin ich der einzige aus meinem Bereich der sich damit beschäftigt. Ich sehe es so, dass es viel, viel wichtiger ist zu erkennen, welche Daten man braucht, das verstehen nämlich schon die wenigsten. Gefühlt verbringe ich 30% meines Tages damit Leuten zu erklären, wieso die Daten sagen, dass wir etwas verändern müssen und wie wir etwas verändern müssen.
Mein Problem gerade ist eher, dass man damit sehr schnell Leute abhängig von sich macht und zu viel Arbeit bei einem selbst hängen bleibt. Ich habe mich damals gegen die Beratung entschieden und für den Konzern, nun habe ich gefühlt Arbeitszeiten wie bei MBB. Dafür macht es mir aber zig mal mehr Spaß.

Sehe ich voellig anders, die IT Komponente kann jeder Statistiker oder Mathematiker und von mir aus auch VWLer jeder nebenbei lernen

listrea schrieb am 15.04.2020:

Der Hype um Data Science ist weitestgehend vorbei und grassiert nur noch an den Universitäten.
Wir haben die wilden Jahre 2015-2018 gehabt, wo Unternehmen praktisch für alles Geld herausgeworfen haben, was am Ende lustige Buzzwords beinhaltet hat. Abteilungen innerhalb der Konzerne haben sich auch versucht gegenseitig mit dieser "Industrie 4.0" zu überbieten und es wurden sehr viele Stellen geschaffen, die letzten Endes überhaupt nicht für das ausgelegt waren, was sie eigentlich leisten sollten. In diesem Topf haben natürlich auch die Berater herumgerührt und das tun sie jetzt auch immer noch fleißig.
Mittlerweile, so seit 2018/2019 befinden wir uns in der Konsolidierungsphase. Das heißt, Unternehmen schauen ganz genau darauf, was tatsächlich benötigt wird und - salopp ausgedrückt - wie man es auch richtig umsetzt. Es muss also auch funktionieren. ;-)
Es ist vollkommen egal ob man Physiker, Sowi oder BWL'er ist, wenn man nicht ein grundlegendes Verständnis für die Umsetzung und Automatisierung hat. Das ist ganz klar ein Teilgebiet der (Wirtschafts-)Informatik.
Es wird kein Physiker oder Mathematiker eingestellt, weil er ganz toll irgendwas beweisen kann oder am Ende noch das letzte Prozentpünktchen an Performance mit einem Algorithmus herausgeholt hat, den niemand kennt und der dann nur zu der Anwendung passt.
Data Science ist hochgradig standardisiert und nur in sehr wenigen Teilbereichen wirklich komplex, dass man fundierte statistische Kenntnisse braucht.
Das jetzt gerade Physiker diese Komplexität hochloben liegt einfach daran, dass sie endlich mal wieder was gefunden haben, wofür man sie braucht - böse ausgedrückt. Tatsächlich ist es aber die IT die das ganze am Ende rund macht. Es ist im Studium wesentlich, WESENTLICH wichtiger, IT-Vorlesungen zu besuchen, also fortgeschrittene Methoden zum Auswurf ultramoderner neuronaler Netze.

Der Trend geht ja nun nicht dahin, dass wir ganz viel Data Scientists für teuer Geld beschäftigen, die dann alle schön statisch ihre Skripte durchlaufen lassen, sondern, dass ich einige, wenige Spezialisten habe, die ein System bauen, dass genau das automatisiert kann.
Und die, die am Ende auf die Ergebnisse schauen, benötigen gar keine Kenntnisse von der Materie.

WiWi Gast schrieb am 15.04.2020:

Machine learning ist ganz sicher nicht overhyped, damit eroeffnen sich neue Möglichkeiten in nahezu jedem Forschungsbereich von Astronomie bis Zoologie.

In der Wirtschaft wird es wohl einen Shift von Data zu Decision Scientist geben.

Sehr interessant. Also ist deiner Meinung nach die Kombination aus Game Theory/Wirtschaft und tiefen Kenntnissen in Statistik für die Wirtschaft optimal?
Also ein Profil wie dieses hier
www.wiwi-treff.de/Promotion-PHD-and-DBA/Data-Science/Wohin-mit-meinem-Profil/Diskussion-64922
Ist deiner Meinung nach optimal? Weil Ansatz Wirtschaft + tiefgehende statistische Methodik und Programmieren? Oder eher der pure Mathematiker?

Wenn der Kollege aus dem Link noch einen Dr draufsetzt, sollte er sich meiner Meinung nach die Jobs aussuchen können.

Niemand benötigt Game Theory in der Praxis in der Form, wie sie in der Wissenschaft angewendet wird. Der Typ aus dem Thread wird "zur Kenntnis" genommen.

WiWi Gast schrieb am 15.04.2020:

Sehe ich voellig anders, die IT Komponente kann jeder Statistiker oder Mathematiker und von mir aus auch VWLer jeder nebenbei lernen

Sorry, du hast absolut keine Ahnung von IT. Und zwar Null. Und das sage ich als Nicht-IT'ler.
Ein komplexes IT-System zu implementieren dauert Jahre(!) und ist nie abgeschlossen. Die Data Science Methoden implementierst du nebenbei.

Was hat das mit der Arbeit eines Data Scientists zu tun?

WiWi Gast schrieb am 16.04.2020:

Niemand benötigt Game Theory in der Praxis in der Form, wie sie in der Wissenschaft angewendet wird. Der Typ aus dem Thread wird "zur Kenntnis" genommen.

Sehe ich voellig anders, die IT Komponente kann jeder Statistiker oder Mathematiker und von mir aus auch VWLer jeder nebenbei lernen

Sorry, du hast absolut keine Ahnung von IT. Und zwar Null. Und das sage ich als Nicht-IT'ler.
Ein komplexes IT-System zu implementieren dauert Jahre(!) und ist nie abgeschlossen. Die Data Science Methoden implementierst du nebenbei.

Eben, deswegen machen die IT Projekte bei uns in der Bank normalerweise die 2500 Inder bei Tata . Nur haben IT Projekte nichts mit dem Thread zu tun oder mit Data Science

WiWi Gast schrieb am 16.04.2020:

Niemand benötigt Game Theory in der Praxis in der Form, wie sie in der Wissenschaft angewendet wird. Der Typ aus dem Thread wird "zur Kenntnis" genommen.

Sehe ich voellig anders, die IT Komponente kann jeder Statistiker oder Mathematiker und von mir aus auch VWLer jeder nebenbei lernen

Sorry, du hast absolut keine Ahnung von IT. Und zwar Null. Und das sage ich als Nicht-IT'ler.
Ein komplexes IT-System zu implementieren dauert Jahre(!) und ist nie abgeschlossen. Die Data Science Methoden implementierst du nebenbei.

Hmm, also das letzte Mal, als ich mit einer Bank zusammengearbeitet habe und es um IT-Integration ging schrillten bei denen sämtliche Alarmglocken. Mag sein, dass sie sehr "unrelevante" Tasks nach Indien auslagern, aber meinem Kenntnisstand ist diese Art von Outsourcing seit Jahren stark rückläufig.

Und was den Data Science Bereich angeht, das betrifft praktisch immer sensible Unternehmensdaten und wird daher nie ausgelagert.

Es ist komplett sinnlos sich darüber zu streiten welcher Background jetzt am besten ist ohne genau zu spezifizieren über was man redet. Jemand der an der Bild Segmentierung für das autonome Fahren arbeitet braucht ganz andere Dinge wie jemand der mit irgendwelchen Kundendaten Arbeitet oder zukünftige Absatzmengen prognostiziert um nur ein paar Beispiele zu nennen.

Zum Thema Objekterkennung:
In der Arbeitsgruppe in der ich war gab es Informatiker, Mathematiker, Physiker und Elektrotechniker und ich würde behaupten, dass nichts davon nichts wirklich schlechter oder besser ist als das anderer. Im Endeffekt lief fast alles nach dem „try and error“ Prinzip und man braucht halt Erfahrung um abschätzen zu können was eventuell funktioniert und was wenig Aussicht auf Erfolg hat.
Und nach dem was ich so aus zweiter Hand gehört habe besteht die Arbeit von einem Großteil der Data Scientists in Unternehmen aus Datenbeschaffung und Datenaufbereitung. Ob ihr dafür Mathe oder Informatik studiert habt ist da auch relativ nebensächlich.

finde Data Science, ML ist leider völlig überhyped. Das ist mitunter auch der Grund, weshalb ich mich als „Data Scientist“ beruflich etwas von dem Thema entferne.

Ich habe die Erfahrung gemacht, dass ML total an den Problem heutiger Unternehmen vorbei geht. Die meistem krebsen noch tief in ihren Monster-Exceltabellen rum oder versuchen nen VPN aufzubauen. Steichwort: grundlegende! Digitalisierungsmasnahmen

Darüber hinaus: Welche Probleme kann ML heute lösen, damit ein echter Mehrwert entsteht???
Überspitzt gesagt: Ticket-Klassifikation und bisschen Computer Vision in ner Lackierstrasse.
Viele Realworld! - Probleme lassen sich nur schwer als ML-Problem darstellen.

Und selbst, wenn man mal ein problem gefunden hat, dass sich mit ML lösen lässt: Es bleibt immer noch die Frage der Kosten/Nutzen-Relation. Data Scientists sind teuer und eine saubere Implementierung braucht viel Zeit. D.h. es können Kosten von paar 100k entstehen nur damit am Ende ein Ticket richtig zugewiesen wird...

Selbst bei FANG ist Hype dabei. Viel Geld wird mit Werbung verdient und nicht, dass wild ML angewendet wird. DIe meistem ML- projekte lassen sich bisher nur schwer monetarisieren: siehe zb google auto

Ich denke in Zukunft werden mehr und mehr Angebote in einem VWL und dann langsam in BWL zu der Thematik auffindbar sein und einfache Data Science Tasks werden durch intelligente Tools von fast jeden machbar sein. Sobald es sich nicht mehr um einfache Tasks handelt sehe ich die Mathematiker/Physiker im Vorteil und diese werden eher in diesen Teams dann arbeiten.

Ob es nun overhyped ist hängt finde ich von der Fachrichtung ab bspw ML im autonomen Fahren finde ich nicht overhyped in Finance schon. Hingegen Data Science, also Datenanalyse kann überall gebraucht werden aber dass ein Data Scientist benötigt wird bezweifle ich

WiWi Gast schrieb am 16.04.2020:

Selbst bei FANG ist Hype dabei. Viel Geld wird mit Werbung verdient und nicht, dass wild ML angewendet wird. DIe meistem ML- projekte lassen sich bisher nur schwer monetarisieren: siehe zb google auto

Bin mir nicht mal sicher ob das ernst gemeint ist. ML ist einfach unglaublich wichtig für die oben genannten Unternehmen. Geld wird nach deiner Aussage mit Werbung verdient und jetzt rate mal wie entschieden wird welche Werbung bei wem angezeigt wird. Oder was glaubst du wie YouTube entscheidet welches Video dir als nächstes angezeigt wird? Der Erfolg dieser Plattformen basiert darauf, dass sie dem Nutzer genau das zeigen was er sehen will und wie machen sie das? Richtig mit ML.

WiWi Gast schrieb am 16.04.2020:

finde Data Science, ML ist leider völlig überhyped. Das ist mitunter auch der Grund, weshalb ich mich als „Data Scientist“ beruflich etwas von dem Thema entferne.

Ich habe die Erfahrung gemacht, dass ML total an den Problem heutiger Unternehmen vorbei geht. Die meistem krebsen noch tief in ihren Monster-Exceltabellen rum oder versuchen nen VPN aufzubauen. Steichwort: grundlegende! Digitalisierungsmasnahmen

Darüber hinaus: Welche Probleme kann ML heute lösen, damit ein echter Mehrwert entsteht???
Überspitzt gesagt: Ticket-Klassifikation und bisschen Computer Vision in ner Lackierstrasse.
Viele Realworld! - Probleme lassen sich nur schwer als ML-Problem darstellen.

Und selbst, wenn man mal ein problem gefunden hat, dass sich mit ML lösen lässt: Es bleibt immer noch die Frage der Kosten/Nutzen-Relation. Data Scientists sind teuer und eine saubere Implementierung braucht viel Zeit. D.h. es können Kosten von paar 100k entstehen nur damit am Ende ein Ticket richtig zugewiesen wird...

Selbst bei FANG ist Hype dabei. Viel Geld wird mit Werbung verdient und nicht, dass wild ML angewendet wird. DIe meistem ML- projekte lassen sich bisher nur schwer monetarisieren: siehe zb google auto

Zustimmung.
War bisher in zwei Konzernen in der BI-Abteilung tätig. Meines Erachtens werden noch nicht mal die vorhandenen Daten richtig analysiert. In der Regel findet dort nur eine Bereitstellung von vordefinierten Informationen statt. Für tiefergehende Analysen fehlt oft Zeit, Know-how oder Motivation.

WiWi Gast schrieb am 16.04.2020:

Darüber hinaus: Welche Probleme kann ML heute lösen, damit ein echter Mehrwert entsteht???

Zum Beispiel AML screening in ner Bank

Zu AMS Screening: das ist genau EIN KLEINES Anwendungsfeld.

WiWi Gast schrieb am 16.04.2020:

Selbst bei FANG ist Hype dabei. Viel Geld wird mit Werbung verdient und nicht, dass wild ML angewendet wird. DIe meistem ML- projekte lassen sich bisher nur schwer monetarisieren: siehe zb google auto

Bin mir nicht mal sicher ob das ernst gemeint ist. ML ist einfach unglaublich wichtig für die oben genannten Unternehmen. Geld wird nach deiner Aussage mit Werbung verdient und jetzt rate mal wie entschieden wird welche Werbung bei wem angezeigt wird. Oder was glaubst du wie YouTube entscheidet welches Video dir als nächstes angezeigt wird? Der Erfolg dieser Plattformen basiert darauf, dass sie dem Nutzer genau das zeigen was er sehen will und wie machen sie das? Richtig mit ML.

Gebe dir vollkommen Recht. Was ich damit allerdings andeuten wollte, ist, dass ML nur
ein krasser Booster sein kann, WENNS ZUM GESCHÄFT PASST. Und bei einem digitalen Geschäftsmodell kann Data Science eher eingesetzt werden, als bei nem Industriebetrieb.

In jedem Fall sind die geilen Anwendungsgebiete bisher leider eher Einzelfälle als Masse. Das heisst in Europa kann man die Heerscharen an ML-Absolventen kaum gewinnbringend einsetzen.

WiWi Gast schrieb am 16.04.2020:

Zu AMS Screening: das ist genau EIN KLEINES Anwendungsfeld.

WiWi Gast schrieb am 16.04.2020:

Selbst bei FANG ist Hype dabei. Viel Geld wird mit Werbung verdient und nicht, dass wild ML angewendet wird. DIe meistem ML- projekte lassen sich bisher nur schwer monetarisieren: siehe zb google auto

Bin mir nicht mal sicher ob das ernst gemeint ist. ML ist einfach unglaublich wichtig für die oben genannten Unternehmen. Geld wird nach deiner Aussage mit Werbung verdient und jetzt rate mal wie entschieden wird welche Werbung bei wem angezeigt wird. Oder was glaubst du wie YouTube entscheidet welches Video dir als nächstes angezeigt wird? Der Erfolg dieser Plattformen basiert darauf, dass sie dem Nutzer genau das zeigen was er sehen will und wie machen sie das? Richtig mit ML.

Gebe dir vollkommen Recht. Was ich damit allerdings andeuten wollte, ist, dass ML nur
ein krasser Booster sein kann, WENNS ZUM GESCHÄFT PASST. Und bei einem digitalen Geschäftsmodell kann Data Science eher eingesetzt werden, als bei nem Industriebetrieb.

In jedem Fall sind die geilen Anwendungsgebiete bisher leider eher Einzelfälle als Masse. Das heisst in Europa kann man die Heerscharen an ML-Absolventen kaum gewinnbringend einsetzen.

"Heerscharen" ist gut - bei uns wird jeder, der irgendwie etwas im Studium mit Data Science zu tun hatte mit Kusshand für 60k eingestellt.

WiWi Gast schrieb am 16.04.2020:

Zu AMS Screening: das ist genau EIN KLEINES Anwendungsfeld.

In Investmentbanken gibt es ML-Projekte zum Hedging, Vola Forecasting (und damit Derivative Pricing), Order Execution, Credit Rating, etc. um nur ein paar Front Office Anwendungsgebiete zu finden.
Im Compliance Umfeld nutzt man ML bei Text und Voice Surveillance, AML und Sanction Screening etc.

Gerade das dienstleistungs- und datengetriebene Geschäftsmodell von Banken, kann massiv von ML-Entwicklung profitieren.

WiWi Gast schrieb am 16.04.2020:

Gebe dir vollkommen Recht. Was ich damit allerdings andeuten wollte, ist, dass ML nur
ein krasser Booster sein kann, WENNS ZUM GESCHÄFT PASST. Und bei einem digitalen Geschäftsmodell kann Data Science eher eingesetzt werden, als bei nem Industriebetrieb.

In jedem Fall sind die geilen Anwendungsgebiete bisher leider eher Einzelfälle als Masse. Das heisst in Europa kann man die Heerscharen an ML-Absolventen kaum gewinnbringend einsetzen.

Bei den kleinen Industrieunternehmen gebe ich dir absolut recht und es stimmt auch, dass ML in letzter Zeit von vielen Unternehmen wie der "goldene Hammer" eingesetzt wird. Aber es gibt trotzdem selbst in Deutschland eine Menge Einsatzgebiete. Allein schon im autonomen Fahren werden in den kommenden Jahren noch viele Milliarden in die Entwicklung fließen und das wird sich auch im Arbeitsmarkt wiederspiegeln. Abgesehen davon gibt es noch viele kleine anwendungsfälle als Teil von technischen Produkten die man nicht so auf dem Schirm hat. Beispielsweise in der Flugregelung, der Medizin oder IT Sicherheit. Und ich sehe ehrlich gesagt auch keine Unmengen an ML-Absolventen (bzw. was ist das überhaupt?). Es gibt sicherlich einige Informatiker oder Mathematiker die ein Grundlagenmodul in dem Bereich gehört haben aber Programme die sich wirklich auf den Bereich konzentrieren gibt es noch relativ wenige (von dem Etikettenschwindel abgesehen).

Von welcher Firma reden wir da? :)

WiWi Gast schrieb am 16.04.2020:

WiWi Gast schrieb am 16.04.2020:

Zu AMS Screening: das ist genau EIN KLEINES Anwendungsfeld.

WiWi Gast schrieb am 16.04.2020:

Selbst bei FANG ist Hype dabei. Viel Geld wird mit Werbung verdient und nicht, dass wild ML angewendet wird. DIe meistem ML- projekte lassen sich bisher nur schwer monetarisieren: siehe zb google auto

Bin mir nicht mal sicher ob das ernst gemeint ist. ML ist einfach unglaublich wichtig für die oben genannten Unternehmen. Geld wird nach deiner Aussage mit Werbung verdient und jetzt rate mal wie entschieden wird welche Werbung bei wem angezeigt wird. Oder was glaubst du wie YouTube entscheidet welches Video dir als nächstes angezeigt wird? Der Erfolg dieser Plattformen basiert darauf, dass sie dem Nutzer genau das zeigen was er sehen will und wie machen sie das? Richtig mit ML.

Gebe dir vollkommen Recht. Was ich damit allerdings andeuten wollte, ist, dass ML nur
ein krasser Booster sein kann, WENNS ZUM GESCHÄFT PASST. Und bei einem digitalen Geschäftsmodell kann Data Science eher eingesetzt werden, als bei nem Industriebetrieb.

In jedem Fall sind die geilen Anwendungsgebiete bisher leider eher Einzelfälle als Masse. Das heisst in Europa kann man die Heerscharen an ML-Absolventen kaum gewinnbringend einsetzen.

"Heerscharen" ist gut - bei uns wird jeder, der irgendwie etwas im Studium mit Data Science zu tun hatte mit Kusshand für 60k eingestellt.

WiWi Gast schrieb am 16.04.2020:

In Investmentbanken gibt es ML-Projekte zum Hedging, Vola Forecasting (und damit Derivative Pricing), Order Execution, Credit Rating, etc. um nur ein paar Front Office Anwendungsgebiete zu finden.
Gerade das dienstleistungs- und datengetriebene Geschäftsmodell von Banken, kann massiv von ML-Entwicklung profitieren.

Wir reden hier von den 80ern oder?
Im Gegensatz zum restlichen Wirtschaftsumfeld Banken nutzen diese Modelltechniken nämlich schon seit Jahrzehnten, da die Dateninfrastruktur für sie Lebensnotwendig ist.

listrea schrieb am 16.04.2020:

WiWi Gast schrieb am 16.04.2020:

In Investmentbanken gibt es ML-Projekte zum Hedging, Vola Forecasting (und damit Derivative Pricing), Order Execution, Credit Rating, etc. um nur ein paar Front Office Anwendungsgebiete zu finden.
Gerade das dienstleistungs- und datengetriebene Geschäftsmodell von Banken, kann massiv von ML-Entwicklung profitieren.

Wir reden hier von den 80ern oder?
Im Gegensatz zum restlichen Wirtschaftsumfeld Banken nutzen diese Modelltechniken nämlich schon seit Jahrzehnten, da die Dateninfrastruktur für sie Lebensnotwendig ist.

Es ging ja augenscheinlich um aktuelle Anwendungsgebiete und nicht seit wann diese eingesetzt werden.
Gerade im FO sieht man allerdings momentan größere Entwicklungssprünge da es hier immer um die Balance zwischen akkuratem Pricing und Geschwindigkeit geht. Und Geschwindigkeit ist zB bei rough volatility Modellen ein Problem, dass durch neurale Netze, die als high-dimensional functional approximators eingesetzt werden, behoben werden kann.

WiWi Gast schrieb am 16.04.2020:

WiWi Gast schrieb am 16.04.2020:

Zu AMS Screening: das ist genau EIN KLEINES Anwendungsfeld.

In Investmentbanken gibt es ML-Projekte zum Hedging, Vola Forecasting (und damit Derivative Pricing), Order Execution, Credit Rating, etc. um nur ein paar Front Office Anwendungsgebiete zu finden.
Im Compliance Umfeld nutzt man ML bei Text und Voice Surveillance, AML und Sanction Screening etc.

Gerade das dienstleistungs- und datengetriebene Geschäftsmodell von Banken, kann massiv von ML-Entwicklung profitieren.

Verwandter ist Country Head of Innovation bei einer der BBs und es ist absolut lächerlich, wie wenig in diesen Läden derzeit gemacht wird. Die IT-Infrastruktur ist ja zu Genüge da - Data Lakes, Interfaces, Processing Power bis zum Abwinken - es gibt auch schon genug high-level Ideen/Konzepte. Aber es sind keine Spezialisten da, die denen die benötigten Systeme/Algorithmen vernünftig from scratch bauen könnten. Warum? Mit HFs können die Banken gehaltstechnisch sowieso nicht mithalten und die HFs haben selbst schon genug Probleme, ML-/Stats-Experten von FAANG und co abzuwerben, weil von denen kaum jemand rein kulturtechnisch Lust auf Finance hat.

WiWi Gast schrieb am 15.04.2020:

Lohnt es sich als BWLer, Python Basics zu lernen, oder komplett waste of time da man einen ML Phd braucht?

Seriös als Data Scientist wirst du so nicht arbeiten können, weil man da schon noch deutlich mehr in Statistik und Informatik können muss. Außerdem geht der Trend glaube ich eher in das Anwenden von fertigen Programmen/Technologien . So krass viel Programmieren wird man in meisten Data Science Jobs nicht und bei den wenigen, wo man dann tatsächlich neue Algorithmen etc. implementieren muss, wird man dann schon echt tiefe Kenntnisse benötigen, die über einen Python Kurs ziemlich weit hinausgehen. Meine Antwort ist also: nein

WiWi Gast schrieb am 15.04.2020:

Ich sehe Data Science nicht nur als abgeschlossenen Bereich an, sondern ebenso als Hilfsmittel für sämtliche Lebensbereiche. Auch als WiWi trifft man Entscheidungen oftmals anhand von Daten. Die Menge der Daten ist mittlerweile sehr groß und komplex, sodass neue Methoden zur Analyse gebraucht werden. Beispielweise hat so gut wie jeder Student Grundlagen der Statsitik und kennt Regressionen zur Datenanalyse. Ebenso sollte man in Zukunft einige Konzepte des Machine Learning kennen. Für ein wenig Hintergrundwissen und Anwendungskenntnisse braucht es keinen Statistik Dr.

Dem kann ich nur zustimmen. Für mich gehört ein gewisses Verständnis und auch der Umgang mit verschiedenen Tools als wichtiges Skill zum Arbeitsalltag eines Wiwis dazu. Klar brauchen Finance Leute evtl. mehr von diesem Skill als der typische Vertreiber (das nehme ich zu mindest einfach mal an), aber es wird sich immer mehr als Grundfähigkeit etablieren.

Um dann Tief in Modelle und Algorithmen einzutauchen, wird es für die (meisten) Wiwis dann aber nicht reichen, weil es 1. sehr mathematisch und man eben auch den Code auf die schnelle umsetzen muss und 2. immer eben die Statistiker, Mathematiker und Co gibt, denen es dann einfacher fällt hier einzutauchen und fachlich auch noch mal ne Schippe besser ausgebildet sind.

habe als mathematiker (msc von uni mit bestnote) und datascientist bei einer tochter von einem OEM gearbeitet. hatte durchweg den eindruck, dass

• für alle dinge die interessant und mit anspruch wären: eigenentwicklung von algorithmen oder methoden, physikalische oder statistische modelbildung,... war kein geld da oder man hat möglichst viel open source zeug genommen und das dann meist sehr lieblos und ohne verständnis eingesetzt. Die interessante arbeit wurde eher von studenten erledigt, während die leute mit abschluss in meetings saßen.
• geld ist meist in hippen meetings versackt ohne dass eine zeile code geschrieben oder konzipiert wurde.
• am wichtigsten war, dass man möglichst viele buzzwords auf powerpointfolien untergebracht hat und der leiter das dann abgenickt hat ("hoffentlich fällt nicht auf dass ich keine ahnung von dem kram hier habe!!")
• gehalt war beim einstieg OK, aber gehaltsentwicklung war, gemessen am guten lebenslauf der kollegen eher schlecht.
• beworben haben sich bei uns durchweg übrragende profile auf datascience jobs. die leute hätten auch gut bei mckinsey auflaufen können und wir hatten nicht platz allen von denen angebote zu machen.

fazit: datascience ist absolut überhyped und hat den mehrwert in deutschen firmen noch nicht bewiesen. das angebot an guten bewerbern übersteigt den bedarf des marktes massiv. MMn besteht in vielen deutschen firmen zudem die hauptaufgabe erstmal darin eine vernünftige infrastruktur aufzubauen mit den nötigen werkzeugen um produktiv datascience und softwareentwicklung machen zu können. dafür braucht es keine komplexen statistischen modelle sondern informatiker die robuste und flexible datenbanken bauen können.

WiWi Gast schrieb am 30.03.2022:

habe als mathematiker (msc von uni mit bestnote) und datascientist bei einer tochter von einem OEM gearbeitet. hatte durchweg den eindruck, dass

• für alle dinge die interessant und mit anspruch wären: eigenentwicklung von algorithmen oder methoden, physikalische oder statistische modelbildung,... war kein geld da oder man hat möglichst viel open source zeug genommen und das dann meist sehr lieblos und ohne verständnis eingesetzt. Die interessante arbeit wurde eher von studenten erledigt, während die leute mit abschluss in meetings saßen.
• geld ist meist in hippen meetings versackt ohne dass eine zeile code geschrieben oder konzipiert wurde.
• am wichtigsten war, dass man möglichst viele buzzwords auf powerpointfolien untergebracht hat und der leiter das dann abgenickt hat ("hoffentlich fällt nicht auf dass ich keine ahnung von dem kram hier habe!!")
• gehalt war beim einstieg OK, aber gehaltsentwicklung war, gemessen am guten lebenslauf der kollegen eher schlecht.
• beworben haben sich bei uns durchweg übrragende profile auf datascience jobs. die leute hätten auch gut bei mckinsey auflaufen können und wir hatten nicht platz allen von denen angebote zu machen.

fazit: datascience ist absolut überhyped und hat den mehrwert in deutschen firmen noch nicht bewiesen. das angebot an guten bewerbern übersteigt den bedarf des marktes massiv. MMn besteht in vielen deutschen firmen zudem die hauptaufgabe erstmal darin eine vernünftige infrastruktur aufzubauen mit den nötigen werkzeugen um produktiv datascience und softwareentwicklung machen zu können. dafür braucht es keine komplexen statistischen modelle sondern informatiker die robuste und flexible datenbanken bauen können.

Cool, das mit den Meetings und Buzzwords hatte ich schon vor fünf, sechs Jahren am eigenen Leib erlebt. Ich dachte, wir wären mittlerweile weiter. Naja... also nochmal fünf Jahre on top, bis dann die Restrukurierungsbrechstange kommt.

Arbeite aktuell wieder eng mit nem End-to-End Dienstleister zusammen, der Fullstack ML-Lösungen für vielfältigste Branchen anbietet. Man merkt, wie stark die Divergenz zwischen den hochspezialisierten Dienstleistern auf der einen - und den "Spezialabteilungen" auf der anderen Seite in den Unternehmen. Allein dort klafft eine Lücke von fünf bis zehn(!) Jahren. Wenn man einmal mitbekommt, wieviele Abteilungen sich abstimmen müssen, um hinterher wirklich was in Produktion zu bekommen, dann ist klar, sdas selbst große Konzerne das nicht einfach so stemmen können. Stattdessen wird gaaaanz langsam versucht, Kompetenz aufzubauen und so lange wird ausgelagert.

Hi,

bei uns im Unternehmen gibt es überproportional viele Bewerbungen auf Data Science Stellen. Selbst bei Kandidaten mit Seniorerfahrug oder mit Doktortiteln ist die Auswahl groß. Häufig werden dann Mathematiker/Physiker oder Informatiker/WInfos eingestellt.