Ich arbeite als Data Scientist und habe einen WiWi Background. Hier wurden schon viele richtigt Dinge gesagt. Ich möchte noch einmal die Aussage unterstreichen, dass Data Science ein sehr breites Feld ist und nicht ein bestimmtes Berufsfeld beschreibt.
Data Science wird häufig als Schnittmenge von Informatik, Statistik, und Domain Knowledge beschrieben. In welchem Umfang jeder dieser drei Bereiche gefordert wird, ist allerdings stark vom Job abhängig. Der Trend geht mittlerweile sowieso zu Spezialisierungen in dem Bereich, da Unternehmen langsam verstehen, dass der Unicorn Data Scientist, der in allen genannten Bereichen Experte ist, nicht existiert.
Zum einen gibt es da die eher technischen Positionen wie Data Engineer oder Machine Learning Engineer. Hier liegt der Fokus stark auf der IT-Seite und weniger im Bereich ML-Modellen. Data Engineers bauen beispielsweise Datanpipelines und ETL-Jobs und sorgen dafür, dass die richtigen Daten, am richtigen Ort zur richtigen Zeit zur Verfügung stehen. ML-Engineers sind oft für das Deployen der ML-Modelle zuständig. Hier geht es kurz gefasst häufig darum, trainierte Modelle (z.B. in Python oder mit SparkML) in das Live-System zu implementieren. Auf diese Arten von Jobs wird man eher mit einem Informatikstudium vorbereitet, da hier tiefgehende Infrastruktur- und Entwicklungskenntnisse notwendig sind.
Dann gibt es Posittionen, die tiefergreifende Statistik-Kenntnisse erfodern. Hier würde ich beispielsweise den Data Scientist sehen, der auf Basis der zur Verfügung stehenden Daten ML-Modelle erstellt. Arbeitet man mit Standard ML-Algorithmen wie Support Vector Machines oder Random Forests, kommt man auch als nicht-Quant meistens ganz gut klar. Spannend wird es erst, wenn man Custom-Algorithmen bauen möchte oder es um komplexere Probleme handelt. In meinem Bereich nutzen wir beispielsweise in den meisten Fällen Standardalgorithmen, da diese meistens das bessere Aufwand/Nutzen-Verhältnis besitzen. Hier müssen nur wenige Hyperparameter getuned werden. Wenn man im Bereich Image Recognition, Voice Recognition etc. unterwegs ist, kommt man aber um Deep Learning nicht wirklich herum. Das ist dann aber wirklich aufwendig. Wie schon vorher gesagt wurde, ist 90% der Arbeit Preprocessing und nur 10% der Arbeit wirklich Modellierung. Hier hat man mit einem Quant-Abschluss häufig einen Vorteil.
Es gibt auch Positionen, in denen ein Business-Hintergrund hochgradig Sinn macht. Dies macht unter anderem im Analysebereich häufig Sinn, da man zur Interpretation und zum Stellen der richtigen Fragen meistens ein Grundverständnis benötigt, wie das Unternehmen funktioniert. Weiterhin gibt es häufig eine Schnittstelle zwischen den Business Teams und dem Data Science-Team, um fachliche Anforderungen in technische Anforderungen zu übersetzen oder entwickelte Modelle verständlich zu erklären.
Meine Erfahrung ist, dass häufig interdisziplinär gearbeitet wird. So arbeiten in meinem Unternehmen Leute mit Business Background zusammen mit Mathematikern und Informatikern.
Ein Einstieg als WiWi ist denke ich immer noch möglich. Wichtig sind vor allem die Skills und weniger die Qualifikation. Du solltest allerdings genau auf die Stellenausschreibung achten. Da Data Science nicht einheitlich definiert ist erlebt man da schnell Überraschungen...
WiWi Gast schrieb am 22.01.2019:
Ich - vom Beruf Data Engineer - mit BWL kann folgendes sagen (und auch schon in den anderen Threads....)
Dein Abschluss spielt eine sekundäre Rolle - wichtig sind, erste Erfahrungen zu haben. Diese kann man sich aneignen - durch Online elearning Plattformen (edx.org o.ä.)
Mit dem grundsätzlichen Rüstzeug wie SQL, Python und Data Modeling auf Basis Niveau sollte ein Praktikum drin sein. Schlägt man sich ganz gut, wird daraus ein Offer.
Ab dann liegt die Entwicklung an dir. Es gibt Leute, die basteln nur Reports den ganzen Tag - das könntest du theoretisch auch einfach learning-by-doing. Es gibt Leute die arbeiten sich stets in neueste Technologien ein und katapulieren ihren Marktwert locker auf 80-90k innerhalb von 3-4 Jahren. Beide Typuse findest du in ein underselben Beratung.
antworten