Wie wird man eigentlich Data Scientist? - mit Sarah S., synsugar

00:00:00: Data type Marketing ist.

00:00:05: Jede Branche ein brandaktuelles Thema doch die Herausforderungen werden jeden Tag komplexer.

00:00:12: Jonas Rastede das gemeinsam mit anderen Experten wie man diese Herausforderungen mit der Hilfe von gartenmeister.

00:00:27: Ja herzlich Willkommen zu mein data is better than yours der data-driven Marketing Podcast bzw jetzt Video cast mit dem jetzt auch mit Video auch schön dass ihr wieder eingeschalten habe zuschaut.

00:00:41: Ja von meiner Seite wie immer Jonas beschädige die Sarah kennt ihr vielleicht schon nur ohne Bild deswegen darfst da was ich gerne noch mal mit Bild vorstellen und dann erzählen wir auch gleich springen was ist denn heute geht.

00:00:57: Ja hallo guten Morgen auch von meiner Seite mein Name ist Sarah Stemmler und ich bin data Couch bei KODi

00:01:05: und freue mich jetzt schon zum zweiten Mal hier im Podcast dabei zu sein und wir sprechen heute darüber wie wird man eigentlich data scientist.

00:01:14: Ja ich habe es eine spannende Folge weil man so ein bisschen noch mal erzählt und deine Frage ist ja schon dann dessen wir hier aufnehmen schon ausgestrahlt worden oder unsere gemeinsame Folge da hast du ja so ein bisschen dann erzählt

00:01:27: warum du von dem data-scientist weggegangen bist zu Ledercouch.

00:01:32: Glaube dann kann man sozusagen jetzt auf einmal wieder voll überlegen was ist data Code was ist ein Data scientist.

00:01:39: Und dann zu sagen wie wird man das überhaupt weil ich habe jetzt auch vor einer Weile meine Vorlesung gehalten bzw Vortrag gehalten in der Uni.

00:01:47: Arm und da wurde mir auch diese Frage gestellt was brauche ich denn eigentlich ein Herausforderung oder was wollt ihr hier knowledge was muss ich tun damit ich bei euch jetzt das seit gestern.

00:02:00: Magst du anfangen Sarah einmal zu definieren was für dich hin in Date ist ein Test ist.

00:02:05: Also fängst gleich eigentlich mit der schwierigsten Frage überhaupt an weil diese Frage stelle ich mir jetzt seid.

00:02:13: Eigentlich seit Beginn ich überhaupt in diese Branche gestartet bin also seit 2015 frage ich mich eigentlich es ist ein Data scientist als allererstes möchte ich hier mal sagen wenn wir von dem data-scientist sprechen dann sprechen wir mal erstmal von dem Beruf,

00:02:28: data scientist und jetzt nicht von dem Geschlecht also natürlich ist der Beruf für Männer sowie für Frauen gleichermaßen,

00:02:38: ja interessant oder auch zu erreichen also da möchte ich einfach wirklich von vorne rein dann noch mal ganz klar werden,

00:02:46: dann aber jetzt mal zur eigentlichen Frage also wie oder was ist ein Data scientist und das ist wirklich sehr sehr schwer wirklich zu schwer zu beantworten weil das hat sich in den letzten Jahren einfach auch so extrem verändert.

00:03:00: Als ich angefangen habe vor

00:03:03: ja es ist echt schon gute 5 Jahre her als der das weinte zu arbeiten da war das eigentlich gerade so eigentlich am kommen bzw das war so ein bisschen das Ende des Statistik Berater.

00:03:16: Oder des reinen datenanalysten also am Anfang hat man smile auf deutsch irgendwie definiert und gesagt sie dass jemand der sich mit Daten auskennt.

00:03:25: Und Daten analysieren kann der sehr sehr sehr starkes Statistik Verständnis hat und voll von dieser.

00:03:32: Von diesem Staat oder von diesem Punkt Status Quo kamen wir und haben dann gesagt na ja aber ein Data scientist ist er eigentlich noch ein bisschen mehr.

00:03:40: Und Sarah du wirst jetzt data-scientist ich kann mich wirklich noch an den Tag erinnern als ich mit meinem damaligen Chef,

00:03:46: mein Vertrag unterschrieben habe und wir überlegt haben wie nennen wir denn jetzt meine Position.

00:03:51: Weil das damals noch so frisch war und dann gesagt wir gehen jetzt mal auf welcher signed ist weil das ist ein bisschen die Zukunft und das ist tatsächlich noch ein bisschen mehr als der Berater.

00:04:00: Das heißt was was ich so sagen kann was was ist ein Data scientist würde ich sagen es ist eine ein Beruf.

00:04:09: Der dreierlei Dinge miteinander vereint nämlich die Analyse von Daten.

00:04:17: Die Anwendung von statistischen Methoden auf den Daten.

00:04:22: Und idealerweise in dem Sinne dass man aus der Vergangenheit musste erkennen die man auch in die Zukunft projizieren kann.

00:04:30: Also dass man in der Lage ist wirklich mit wissenschaftlichen statistischen Methoden auch mit machine learning Methoden also aus der IP comment

00:04:41: Muster in Daten zu erkennen die so signifikant sein und so aussagekräftig dass man aus diesen,

00:04:50: interessante Erkenntnisse für die Zukunft gewinnen kann.

00:04:54: Ich habe das ganz ganz ganz spannendes gesagt Sarah wo das her kommt nämlich aus diesen aus diesem wissenschaftlichen herangehen mit,

00:05:03: mit Daten und Statistik würde ich jetzt mal sehr stark wissenschaftlich bezeichnen oder eher den Ursprung so so aus dem akademischen außen,

00:05:12: universell fahr und so weiter und ich glaube da wurde schon schon öfter in dem Bereich gearbeitet deswegen wahrscheinlich auch der der der sein sagen der ja der Anteile im Board ist.

00:05:25: Und die Menge an Daten die wir jetzt über die letzten Jahre in den Unternehmen plötzlich zu Verfügung gestellt bekommen.

00:05:36: Wink und glaube ich da zu Themen noch mal zusätzlich mit wie strategische Themen wissenschaftliche anzugehen und deswegen brauchen wir glaube ich den den Beruf data scientist und deswegen ist er imstande,

00:05:48: ja stimmt du hast recht also wenn man jetzt mal so an die Uni schaut aus ich habe ja auch ich habe auch studiert quasi Bachelor und Master.

00:05:56: Er hat ja auch eine Masterarbeit geschrieben und auch verschiedenste Uni arbeiten und da muss man schon sagen ist die Überschneidung zum Beruf data scientist extrem groß

00:06:06: wirklich diese wissenschaftliche Komponente zu sagen man hat am Anfang eine analytische Fragestellungen

00:06:12: oder auch eine Hypothese die man versucht über ein Experiment oder über ein wissenschaftliches Setting mit Daten

00:06:20: entweder zu bestätigen oder zu falsifizieren.

00:06:24: Und genauso das halt mal ist sie wirklich die Grundlage für den Buch des data scientist

00:06:34: viele Unternehmen in meiner Beratung auch beim kennengelernt die dann eher data Seiten oder eine müssten dafür genutzt haben ihre Meinung die sie hatten mit daten zu untermauern also der Job war das data scientist was dazu sagen

00:06:45: ich glaube wir müssen rechtsrum kannst mal kurz mit Daten belegen dass wir wegkommen müssen aber spannend ja ich glaube,

00:06:54: wenn man sich einen guten guter. Das heißt man gehe zum gewissen Teil wenn es so bezeichnen kann wissenschaftlich statistisch

00:07:03: verschiedene Verfahren der analytischen Fragestellung wann die das Business hat die man beantworten musste ist die Aufgabe eines Tages sein Kissen,

00:07:11: man kann natürlich noch mal pennen also definitiv noch mal zum Thema Diversität also das ist natürlich nicht da.

00:07:21: TV

00:07:22: wann sollten wir dann kann die data scientist noch mal Fifi Fifi granularer machen es hat Bertelsmann glaube ich in in einem guten

00:07:31: Beitrag gemacht glaube ich auch in der Linken ich habe so tief wollen wir gar nicht rein Ziel ist ja immer bei mir so eine halbe Stunde über ein Thema zu sprechen maximal damit man das auch irgendwie wird.

00:07:46: Data scientist and so bisschen.

00:07:50: Definiert haben was er ist oder was er machen soll was glaubst du wie wird man ein Data scientist vielleicht.

00:08:00: Lies etwas unterteilen im Sinne von was brauche ich um um zu erlernen aber auch auf der anderen Seite glaube ich sind.

00:08:10: Spezielle Menschen oder also gar nicht negativ gemeint sondern man muss natürlich eine gewisse Affinität für Themen haben also ich unterscheide da auch immer sehr gerne in die hardskills und in Persönlichkeitsmerkmale.

00:08:23: Also wenn du magst können wir auch erstmal mit den hardskills beginnen weil das finde ich immer dann das einfachere also,

00:08:30: sag mal die typischen hardskills die man auch sofort finden wenn man anfängt zu googeln sind auf alle Fälle Kenntnisse generell statistische Kenntnisse,

00:08:43: das heißt dass man sich auskennt mit statistischen Metriken Kennzahlen Verteilungen und so weiter also so wirklich einen,

00:08:50: Grundlagen Verständnis II ist das Thema ID also Programmierung denn die meisten data scientist.

00:09:00: Oder die die meisten arbeiten mit einer Programmiersprache meistens oder aktuell momentan ist es viel Pfeifen von Payerne was noch ganz viel er also ja diese Statistik Programmiersprache.

00:09:14: Das heißt man braucht schon auch so ein bissl IP Skills und schon wissen auch wie man das benutzt,

00:09:20: ich kann es aber mal sehr gerne ab man muss jetzt kein Softwareentwickler sein also muss jetzt nicht wissen wie man jetzt hoch skalierbare Software schreibt sondern man muss die Programmierung als Tool verstehen um halt schnell seine Daten analysieren zu können.

00:09:34: Und das dritte was auch immer noch sehr häufig kommt was auch sehr sehr wichtig ist ist

00:09:42: ja so ein dummen Verständnis also mehr so auch noch,

00:09:47: zu wissen was das wie das Wissen lustig was du heute die typischen Fragestellungen aus dem Business sein könnten und wie man dann daraus auch also aus bist das Fragestellung Daten Fragestellungen formulieren kann.

00:10:02: Und dann halt sprechen auch mit seinen Analysen wirklich den Wertbeitrag für das Business stiften zu können das sind so mal die drei großen,

00:10:10: areas sage ich mal das findet man wirklich extrem häufig auch so als wenn Diagramm also also drei große Kreise die sich so übereinander übereinander schneiden und dann,

00:10:21: ja so als drei Dreieinigkeit müsste in der der der hardskills dargestellt sind.

00:10:30: Ja dass du hast du Recht aber bis das Domain Team ist auch das Thema was du als Beta Code ja noch mal wo der der overlap bei dir in deinem Profil so viel viel größer ist.

00:10:44: Ist vollkommen richtig also würde ich auch so sehen wenn man wenn man sich das überlegt und ich habe mir parallel natürlich habe ich vorbereitet,

00:10:54: da gab's nur Statistik bzw da wurden.

00:10:59: Letzten 24 Monaten Stellenanzeigen ist green und irgendwann über 60.000 und da geht auch darum was was braucht man um dagegen die Programmiersprachen war SQL er heißen,

00:11:12: ich habe Java und Spark,

00:11:15: das war mit Didier Themen die mit dabei war und dann natürlich eigentlich methodisches oder Fachwissen zu über sagen ewig geht in Richtung machine learning wie funktioniert das klappt das Datenvisualisierung,

00:11:29: weil die Kommunikation nach außen aber das nervt richtig und möglicherweise Verständnis davon haben.

00:11:39: Wo kann ich denn überhaupt meine Programmiersprachen ausführen ja sowas wie funktioniert die Cloud wie funktioniert.

00:11:47: Eine Infrastruktur auf was muss ich dort achten,

00:11:50: ja 100% richte ich also würde ich komplett unterschreiben du bist er ja sogar noch ein bisschen weiter gegangen ich habe jetzt ist machine learning Thema erstmal ausgeklammert aber ist auf jeden Fall immer mehr im Kommen auch ähm

00:12:03: praktischen Sinne also in der Wissen in der Wirtschaft das wirklich machine learning Techniken angewandt werden.

00:12:09: Unser ja klar auch gut Infrastruktur so zumindest ein Basiswissen sollte man da auf jeden Fall über die Zeit aufbauen.

00:12:19: Ja haben wir damit schon das ganze Fachwissen ich gucke mal gerade meine Notizen durch die weiß nicht wie ich von deiner Seite ist.

00:12:28: Amok du das Gefühl hast irgendwas fehlt was was auf da vielleicht wichtig ist und was kannst du du bist ja noch mal die Fifi die Katrin wie ich bestätigen ich glaube.

00:12:38: Dass man nicht sagen kann du musst er perfekt können oder du musst passen könnte ich gab es nicht gibt natürlich immer,

00:12:43: sag mal kennst du manchmal der Religionsfrage manchmal ist glaube ich auch eine Frage wie sich eine Sprache weiterentwickeln über die Jahre hinweg.

00:12:53: Aber da kann man nicht sagen fokussiere dich auf sondern man muss glaube ich um diesen Tag hier auch ein bisschen.

00:13:01: Zeitlos behalten Zusagen informiert euch darüber

00:13:04: vielleicht gibt man selber schreiben die Stellenanzeige analysieren und rauszufinden was wird am meisten gesucht und dann fokussiert mich daraus und vor allem darauf wenn ihr z.b.

00:13:16: Gerade dabei seit ersten Studium anzufangen oder euch irgendwo eins Leben dass ihr.

00:13:21: Vor allem der strategisch und Zukunft mäßig schaut was passiert in zwei was passiert in drei was passiert mit vier Jahren nicht dass hier möglicherweise auf dem Herd setzt was es in diesen Jahren danach gar nicht.

00:13:33: Also ich würde dazu sagen dass das was wir jetzt beschrieben haben ja schon noch einfach schon ziemlich breite Palette ist also.

00:13:42: Das ist wirklich schon sehr vielfältig und auch das Thema machine-learning was wir so ein Nebensatz erwähnt haben ist ja riesig also auch da gibt es ja sehr viele spezielle.

00:13:53: Themen wo man noch mal wirklich tief gehen kann und sich eine Expertise aufbaut die da wirklich in der Nische schon noch reinfällt.

00:14:01: Und ich würde sagen das was wir jetzt beschrieben haben sind wirklich die Grundkenntnisse des dir ist die Breite und das sollte man vor allem als Berufseinsteiger am Anfang erstmal anstreben möglich breit von jedem Bereich.

00:14:15: Einen Grundlagen Verständnis aufzubauen und dann über die Zeit hinweg.

00:14:20: Sich entweder eine Industrie wirklich genauer anzuschauen oder einfach Bereich im Konzern z.b. genauer anzuschauen und dort dann sich auch noch diese

00:14:31: Domänen expertiser diese Fachexpertise aufzubauen wofür dann auch noch mal andere Methoden verwendet werden als vielleicht in einem anderen Fachbereich,

00:14:42: also was ich glaube ist dass der dass man aktuell noch von dem data-scientist spricht also von dem Buch des data scientist das.

00:14:49: Aber das in Zukunft wahrscheinlich eher noch mal spezifischer wird also es wird vielleicht dann ein Marketing data scientist werden oder ein finance data scientist also jemand der dann noch mal spielen auf ein Fachbereich dann.

00:15:03: Ja spezialisiertes und.

00:15:07: Das darüber haben wir da auch am Anfang noch gar nicht gesprochen das würde ich aber so auch den den vielleicht Zuhörern mitgeben die sich jetzt gerade noch Gedanken machen wohin sie sich orientieren da einfach noch so ein bisschen drauf zu achten.

00:15:21: Ob man sich nicht vielleicht schon nach 12 Jahren mehr in eine Richtung spezialisieren möchte.

00:15:30: Ja ich glaube das ist ein sehr sehr guter. Den du ansprichst weil.

00:15:35: Ich glaube es ist dauert immer eine gewisse Weile bis ein Thema Focus hatte ich glaube das ist wie bei Ditsch Analytics da wo er früher frei mein Schwerpunkt war

00:15:45: war auch immer in der Breite und wenn dieses Thema immer wieder weiter gekommen ist wenn die Unternehmen des angenommen haben wenn die Unternehmen auf die die Mitarbeiter dafür für einsetzen und große Teams aufbauen dann

00:15:55: wird Zwangspatienten gemacht dass man sich eben spezialisiert auf den Bereichen.

00:16:03: Termin wissen ist glaube ich mit essentielle weil auch mein Credo selber wieder wir wie Herd more data than inside also wir müssen wir müssen die Sachen aktivieren und und und Freispruch heißen,

00:16:17: wo ist denn Action weil der passiert viel nicht danach oder wurde man sucht sich halt echt immer nur.

00:16:26: In Zeitz die Thema XY belegen.

00:16:29: 1 g den werden noch gar nicht genannt haben ist eigentlich der die eigentlich einer der wichtigsten nämlich die Arbeit mit den Daten

00:16:37: also gar nicht unbedingt die statistische Analyse oder die über Thesen alt ist die Prothesen testen z.b. oder das Anwenden von machine learning Sonntag sächlich die Arbeit mit Daten Datenaufbereitung Transformation.

00:16:49: Wirklich so die ersten Schritte eigentlich die Vorstufe bevor wirklich die Analyse kommt,

00:16:55: das ist auch noch mal so ein harzke der wird immer so gerne unterschlagen in den Job Postings weil der ist immer nicht so attraktiv oder zumindest wieder nicht so attraktiv dargestellt und viele data scientist

00:17:09: ja, auch mit anderen Erwartungen dann oftmals in so einen Job rein aber ich kann euch sagen diese vor Verarbeitung der Daten.

00:17:18: Der Titel das nimmt aktuell tatsächlich noch die meiste Arbeit in Anspruch also man hat immer gesagt etwa 80% der arbeit.

00:17:27: Der Arbeitszeit wird wirklich nur auf diese datenvorverarbeitung investiert.

00:17:34: Ich weiß nicht ganz ob es noch 80% sind aber so in etwa ist stimmt das schon.

00:17:38: Also tatsächlich ist das einfach mehr als 50% dann das kann ich definitiv unterschreiben und

00:17:44: von daher sind das auch wichtiges Geld also wirklich diese dieser Umgang mit den Daten und Daten Shakes ausführen datentransformation ganz ganz wichtig ganz wichtiger skill.

00:17:57: Ich dachte immer wenn wir eine Frage stellen gehen die data scientisten einfach in den Keller haben schon fertige Ordner oder Datenbanken die holen wir aus der Talweg in eine Fragestellung geben und dann Rest den Rest im Hisense Kaffee,

00:18:12: ist auch ein Thema worüber noch definitiv eine Folge machen könntest ist jemand data culture der Gabelentz somit immer diese.

00:18:21: Fundamentalen Themen gar nicht investiert.

00:18:24: Und dann wundert man sich warum gingen falls mal die Datenqualität bei einer Analyse hinten schlecht wird man lange brauchen mal Fehler passieren können und so weiter und das ist eigentlich.

00:18:37: Ist eigentlich schade. Und das ist auch genau der Grund warum es momentan auch so viele offene Stellen gibt für data engineers.

00:18:47: Denn vor fünf oder vier Jahren wurden extrem viele data scientist gesucht angestellt,

00:18:53: die ersten Analysen von gemacht und dann hat man erst festgestellt dass die Datengrundlage noch gar nicht richtig passt,

00:18:58: dass die Qualität vielleicht noch gar nicht passt oder dass die Zeit Punkte,

00:19:03: wie also wie oft war schön heute Arten überhaupt im der das Sein des Verfügung gestellt werden können noch gar nicht den Anforderungen entspricht und

00:19:12: jetzt ist man soweit dass man erstmal ganz viele data engineers suchte macht diese Grundlagen noch mal zu schaffen das zeigt eigentlich auch genau wie du auch schon sagtest da am Anfang ist ganz sehr sehr stark unterschätzt wurde.

00:19:26: Man kann die hingehen den Turm oder denen das Haus.

00:19:33: Auch immer nimmt kann man ja nicht nicht aufbauen wenn wenn es von dem endlich steht noch überprüft hat ob.

00:19:41: Komm wieder meine Beispiele ob die Bodenprobe korrekt ist und ob der Beton ausgehärtet ist.

00:19:49: Das ist schwierig und das ist dein Tipp Andy data scientist and überprüft sowas wie der Zustand im Unternehmen ist und seid euch bewusst dass

00:20:00: wenn ihr einer der ersten Zeit die sowas mit aufbauen bei manchmal passiert es leider das Unternehmen statt data engineer ersten Date das Autisten einstellen

00:20:09: und dann ist die data data Grundlage gar nicht da und dann wird erstmal sehr mühselig und du musst ihr müsst ein großes.

00:20:19: Große Geduld und aber auch ein großes Interesse dabei haben sozusagen erstmal die Dächer in den ihren Aufgaben übernehmen um zu gewährleisten dass.

00:20:28: Bei uns auch so dass dann Big Data dann anfängt wenn wenn wenn der Laptop geht nicht mehr kann und das ist das ist eigentlich glaube ich nicht wofür die Leute anziehen,

00:20:38: ja stimmt,

00:20:40: und wo sie auch noch definitiv hellhörig werden sollten ist wenn ein Unternehmen sich gerade erst auf die Reise machte data-science anzuwenden und man I data-scientist dort im Unternehmen sein sollen.

00:20:51: Seid hellhörig ihr habt noch die Aufgabe auch die Abteilungen und auch die die Geschäftsführung mit,

00:20:59: zu gestaltenden ganz viele machen anfangs den Fehler und denken sie brauchen jetzt einen data scientist und damit jedes Problem was die daten betrifft gelöst das stimmt natürlich nicht.

00:21:09: Auch

00:21:10: aber wir jetzt hier immer nur von einer Person sprechen müssen wir ganz klar sagen dass jedes Thema für sich ich auch jedes Harz gilt Hema so verdammt

00:21:20: Komplex werden kann

00:21:22: das ist in der Regel nicht eine einzige Person meistern kann also es kann nicht sein dass jemand einerseits der generalistes und von jedem Bereiche die Grundlagen versteht oder mehr sogar als die Grundlagen versteht

00:21:33: und gleichzeitig in jedem Detail in jeder in jedem Spezial fällt auch noch der der beste des ganzen Marktes

00:21:42: funktioniert einfach nicht und von daher auch hier wieder der Appell auch an die Unternehmen und Zuhörer da draußen wenn ihr eine data science Abteilung oder ein.

00:21:51: Ein Projekt plant in den Bereich er denkt dran das ist alles eine Teamarbeit.

00:21:57: Versucht lieber unterschiedliche Leute mit verschiedenen Erfahrung im kompetenten zusammenzubringen und schaut dass die gut funktionieren und dann ist auch der Erfolg viel garantierter.

00:22:08: Papeterie hardskills wenn man so ein bisschen die Division jetzt brauchen wir noch ein bisschen die Soft-Skills glaube ich,

00:22:17: ich kann glaube ich mal an das ist das Wichtigste meiner Ansicht nach und da kann ich auch kurz ausholen wie ich das prüfe um damit die,

00:22:28: data scientist neue die die es werden wollen mal so geht wie bekommen ich finde das analytisches Verständnis des aller aller wichtigste ist also ist Problemlösung das möchte ich eigentlich für Problemlösung,

00:22:38: Affinität die möchte ich eigentlich bei jedem einem Unternehmen oder bzw Unternehmen in meinem mit meiner aktuellen Abteilung sozusagen haben,

00:22:45: sage ich dass ich mach Brainteaser.

00:22:50: Amazon spannende Themen um euch mal zum Beispiel zu geben ich fahre oftmals wenn ihr z.b. in.

00:23:00: Düsseldorf und wie viel Bäcker hat Düsseldorf ja da muss man sich überlegen mit welchem Datum kommt man sagen daran oder keine keine.

00:23:14: Wie sagt man keine Hilfsmittel wie Google oder sowas verwenden sondern man selber machen und dann erkennt man meistens schon sehr schnell auch wenn man nicht zwangsweise zu einer korrekten

00:23:25: nur so bekommt ohne Taschenrechner weil man meistens brauchen wir Handtaschen ist das dass man weiß wie jemand tickt.

00:23:34: Ja ich habe das Gefühl dass wenn diese Frage so beantwortet ist wie ich mir das vorstelle vom Lösung bin ich.

00:23:42: Mit dieser Frage eigentlich schon glücklich ob es der richtige ob die richtige Kandidatin oder Kandidat ist der Bauzaun.

00:23:49: Wenn wir von schon von Brainteaser sprechen möchte ich auch ein gerne in den Raum werfen weil die finde ich schon ziemlich witzig also ich kannte mal einen der so wie groß ist der windelmarkt in der Schweiz.

00:24:04: Ach das heißt schön passen.

00:24:08: Also ja du hast vollkommen recht analytisches Verständnis und bzw eine analytische Denkweise ist unfassbar wichtig

00:24:14: da würde ich den Haken dran setzen auch die Daten die man hat ständig zu erfragen und auch seine eigenen Ergebnisse ständig hinterfragen das ist auch das Ziel ich auch damit ein in dieses analytische von einer.

00:24:28: Ein weiterer Punkt den ich sehr wichtig finde es sehr sehr starke Neugier.

00:24:34: Und Wissensdurst also denn man muss schon in der Lage sein sich auch für mehrere Stunden in seiner Analyse vergraben zu können.

00:24:47: Und dass ein Zwischenergebnisse so sehr interessieren dass man von dort aus direkt weiter weiter geht und weitere Ideen findet um die anwendung die Daten noch mal von der anderen Seite zu untersuchen.

00:24:59: Also ich vergleichst immer ganz gerne mit so ein bisschen Detektiv Arbeit also man sucht war es aber man weiß ja am Anfang auf bald noch gar nicht so richtig nach was.

00:25:08: Und muss da halt auf einfach auch sehr strategisch rangehen man kann sich nicht alles anschauen nicht alles ist relevant sein muss da wirklich auch,

00:25:15: irgendwo so ein Gespür für haben fängt man an und dann das immer wieder analysieren und gucken.

00:25:21: Ja halt so ein bisschen die Annahmen erfüllt werden oder ob man sich schon noch mal auf eine andere Seite wenn man in andere Details noch mal tiefer reingeht also für mich ist immer so ein bisschen Detektiv Arbeit und vergleiche Bevergern mit dem Beruf.

00:25:35: Nein. Hast du ja schon vorhin gesagt dieses Domain Verständnis na also ich muss ein Data scientist klar sein dass.

00:25:44: Es immer darum gehen wird.

00:25:48: Mit den Daten Fragen aus dem Business zu beantworten oder mit eurer Arbeit des business' zu stärken und deswegen solltet ihr oder müsst ihr meiner Ansicht nach auch.

00:25:59: Große Interesse haben wenn ihr euch mit dem Thema nicht identifizieren könnt wenn ihr euch mit dem Geschäftsmodell nicht in die identifizieren kann wo ihr euch drauf Bewerb.

00:26:07: Dann solltet ihr es auf jeden Fall lassen finde ich persönlich weil sonst habt ihr nicht diese diese Eigenmotivation diese Neugier wie du es gerade gesagt hast Sarah dass ich da Fragen beantworten möchte.

00:26:18: Ja jeden Fall zumindest wenn wir jetzt hier von data scientist in der Wirtschaft sprechen,

00:26:27: wirtschaftlichen Kontext oder einem Forschungsinstitut sieht das sicherlich noch mal ein bisschen anders aus aber da muss man sich ja auch für die Fragestellungen des Instituts interessieren.

00:26:39: Von daher also nur einen technologisches Interesse zu haben oder ein methodisches das reicht einfach nicht aus,

00:26:46: generell kann man das glaube ich mitgeben bei der Berufswahl habt Spaß daran was ihr macht weil sonst würdet wird es glaube ich langweilig gerade die neuen Generation sind schon so gepolt.

00:26:58: Generation X und Y dass er das Bock haben dass er dass ihm wichtig ist orange arbeiten und sollte aber auf jeden Fall gemacht.

00:27:06: Jeden Fall ja also man kann auch noch mitgeben definitiv wenn man jetzt,

00:27:12: wenn man jetzt von der dass ein Steam ausgeht dann sollten die Leute auch teamkompetenzen mitbringen mal ganz allgemein gesprochen oder die über die Zeit entwickeln also dass das dann jemand da,

00:27:26: Manieren an den Tag legte von absoluten Einzelkämpfern die irgendwie selbst immer nur die coolsten

00:27:34: Analysen machen wollen an der Kollege darf da irgendwie nicht.

00:27:39: Dran teilhaben also das ist für mich auch absolutes No-Go also wenn da jemand schon wirklich im Bewerbungsgespräch sitzen du hast Gefühl.

00:27:49: Der wird auch nicht abgeben wollen von dem was er da machen will auch sein Wissen nicht teilen dann ist es für mich kein Teamplayer und dann gehört er eigentlich auch nicht ins Team,

00:27:57: zu guter guter ist so gut die hardskills auch sein können aber das ist für mich auf jeden Fall schon mal noch einen aus.

00:28:04: Also so ein so ein Auswahlkriterium.

00:28:08: Habe ich vorhin angesprochen dieses Thema Kommunikation Skills oder Visualisierung Skills also ich glaube.

00:28:16: Das leider oder du hast ja auch vollkommen richtig gesagt dass vielleicht das neue Berufsbild des data Code irgendwann gibt dem du jetzt sagen initial gestartet hast das wär ja gigantisch.

00:28:30: Aber gewisse Weise muss es gilt schon geben oder gibt's oder wie auch immer vielleicht heißen auch manche data scientisten gerade noch dadurch Seiten obwohl sie eher datacode sind also,

00:28:42: man muss die Verbindung zwischen Business und dieser den wissenschaftlichen Ansatz wenn ich jetzt mal bezeichnen schaffen,

00:28:49: und am Tag jetzt wirklich dieses dieses dieses Übersetzen von datengetriebenen Ergebnissen

00:28:56: in Entscheidungen in actions die irgendwie nachzuvollziehen auch eine Story daraus zu erzählen anhand der Daten des herzuleiten ich glaube das mit.

00:29:07: Wichtige und

00:29:08: jetzt haben wir sehr sehr viele Skills gerade gesagt dass ich noch welche sagen wenn du magst aber da muss ich seit ihr werdet immer irgendwo stärker ausgeprägt sein und schwächer ausgeprägt sein und es ist gar nicht sauber

00:29:22: wenn ihr euch dann auf eine Stelle bewerbt werdet ihr sehen ob ihr mit dem Skillset dass ihr mitbringt der richtige seid.

00:29:31: Auf jeden Fall also Kommunikation sollte man nicht unterschätzen weil Kommunikation findet ja auch statt

00:29:39: mit den Teamkollegen oder zum zum Chef zum also zum Projektleiter oder zum Vorgesetzten so Kommunikation findet immer statt egal in welchem Beruf und auch im data science Umfeld ist Kommunikation wichtig.

00:29:53: Mir war es aber auch wichtig jetzt nicht Kommunikation als.

00:29:58: I Skill zu nennen was zum data scientist zählt weil ich mir nicht ganz sicher bin.

00:30:06: Ob sich das nicht auch noch mal im Laufe der Zeit müssen abspalten wird also dass man wirklich entweder so einen translator hat der genau diese Rolle hat das übersetzen.

00:30:16: Oder ob es dann diese Kommunikation und Visualisierung noch mal mehr beim data Analyst liegt

00:30:24: auch noch mal in Zukunft noch mal deutlich stärker das kann ich mir vorstellen einfach weil jemand der in den Daten arbeitet

00:30:32: und über Wochen diese Analysen macht.

00:30:36: Der ist nicht mehr unverzerrt in seiner Wahrnehmung in seiner Kommunikation das ist einfach ein Mensch oder was heißt es ein Mensch aber ich sag mal so.

00:30:50: Wenn man Analysen gemacht hat man wird immer dead in den Details,

00:30:55: anam haben die oder oder oder Erkenntnis soll gewinnen die vielleicht nicht so 100% den Annahmen entsprechen und trotzdem will man am Ende eine Aussage treffen können

00:31:07: also heiß,

00:31:09: man wird immer Schwachstellen in seiner eigenen Analyse finden und wenn man jetzt ein richtig guter data scientist der auch sehr genau arbeitet dann glaube ich dass ein Data scientist oftmals sehr schwer seine eigenen Ergebnisse präsentieren kann.

00:31:24: Klingt.

00:31:25: Total schade und als ob man das ändern müsste aber es hat auch eine gewisse Qualität finde ich in sich und da muss man auch ein bisschen drauf achten,

00:31:35: weil wir selber wir sind ja Menschen wir sind ja nie und verzerrt,

00:31:38: und wenn wir jetzt eine Sache machen oder wenn wir also ich meinen Beispiel wäre wenn wir unsere Familien anschauen natürlich lieben wir unsere Familien und wir würden wahrscheinlich nie was schlechtes über unsere Familien oder über an unserem Partner sagen weil.

00:31:51: Das haben wir ja so entschieden und wir sind ja auch,

00:31:55: das ist ja unser Setting unser Leben damit sind wir aufgewachsen oder wir haben uns unsere Partner entschieden natürlich.

00:32:03: Sind wir da auch irgendwie verzehrt und jemand anderes von außen würde die Personen gleich ganz anders umschreiben als wir es tun

00:32:10: und so sehe ich das tatsächlich auch in so einer Datenanalyse das oftmals die Personen die sehr lange sehr tief sich mit einem Thema befassen gar nicht mehr so unverzerrt am Ende das ganze kommunizieren können,

00:32:21: heißt nicht dass man es nicht lernen kann,

00:32:25: aber vielleicht sollte man da auch noch mal schauen ob es nicht vielleicht besser ist wenn man da noch eine Person oder eine Rolle mit einführt die exakt dafür da ist diese Kommunikation wirklich zu übernehmen.

00:32:40: Doch sehr gut ja definitiv.

00:32:44: Jetzt haben wir was ist ein Data scientist Hard Skills Soft Skills wo geht die Reise hin haben wir was vergessen,

00:32:53: sagen wir haben jetzt die Folge gemacht,

00:32:56: um zu erklären zu uns zu erklären was ist ein Data scientist wie werde ich ein Data scientist.

00:33:05: Ich finde wir haben noch nicht ganz geklärt wie Monday das sein wird also da gibt's für mich noch so zwei Punkte nämlich oder einvernehmlich das Zimmer Ausbildung

00:33:14: ja essen wir gerne noch mal drüber sprechen das würde mich interessieren wie du das siehst auch gerade vielleicht bei euch im Unternehmen wie das abläuft denn wenn man das Thema Ausbildung ansieht.

00:33:25: Sehe ich zwei Punkte nämlich wie wird man data scientist entweder man macht eine klassische Ausbildung ein Studium.

00:33:33: Mittlerweile gibt es sämtliche Universitäten die den Abschluss der das sein dass anbieten dann ist man auch wirklich ganz klassisch ausgebildet und hat wirklich diese Grundlagen von denen wir schon gesprochen haben oder,

00:33:45: man macht eine Umschulung wäre dass man schon im Job ist.

00:33:50: Und das ist für mich eigentlich nur bisschen eine spannendere und leicht können wir darüber noch mal sprechen wie man jetzt z.b. wie könnte man dass es bei euch z.b. erreichen also was was wären so Voraussetzungen dass man bei Douglas.

00:34:05: Mit Rose Erfahrungen zum letter find.

00:34:16: 21W mit Schwerpunkt Statistik hatten sondern andere Schwerpunkte aber eben wie du es wie wir vorhin schon gesagt haben zum Richtung

00:34:24: r Python SQL schon gegangen sind um damit erste Schritt zu machen um rauszufinden ob das denn der Weg ist,

00:34:31: ihr sie gehen kann ich bin davon überzeugt dass es dass unsere Aufgabe als innovatives Unternehmen ist die Mitarbeiter.

00:34:39: Auszubildende Auszubildender ich glaube wir bekommen.

00:34:43: Starke Experten nicht zwangsweise auf dem Markt sondern wir müssen gucken dass wir die selber ausbilden also wir müssen auch gucken dass wir den die die Grundlage schaffen wie.

00:34:52: Mit iTunes zu tun.

00:34:55: Wenn jemand bei uns data-scientist werden will wo wir hatten jetzt aktuell noch dich zum Fall aber würde ich genauso sehen es gibt unzählige kursevi.

00:35:07: Judy mir oder irgendwelche anderen Videoplattform datacamp wo man sich eben daran arbeiten kann also ich glaube es gibt.

00:35:16: Nein ist jemand schon sehr gut in SQL oder fällt es jemand schon sehr gut in Analysen und Visualisierung mit Echse das hört sich jetzt sehr sehr lapidar an aber.

00:35:26: Nein danke ich komme an meine Grenzen aber ich will eigentlich große Fragestellung an das noch mal beantworten an das Aufbereiten und ich will größere Datenmengen weil ich plötzlich größere Daten hinzufügen habe bearbeiten,

00:35:35: dann wäre ich glaube ich mein Profil der letzte der sagt okay.

00:35:41: Geht bei uns nicht sondern man mit der halt nicht immer einfach angucken und ich finde da ist auch die Voraussetzung dass jemand sowas fällt auch auf private Seite stark vorantreibt daneben einfach.

00:35:52: Weiß man er nebenher noch erlernt die Sumpfwiesen Studium und dann zu gewährleisten dass er dann nach und nach Fragestellung die begehbar.

00:36:03: Ja super spannend und ich ich sehe das genauso dass wenn man schon Mitarbeiter hat mit Berufserfahrung haben die auch einen riesen Vorteil denn die bringen ja schon jahrelang dieses Domain Verständnis mit was ich die

00:36:16: Berufseinsteiger erstmal erarbeiten müssen von daher sobald man eine.

00:36:23: Vorliebe hat analytisch zu arbeiten vielleicht wirklich auch schon in der Vergangenheit viel mit Zahlen zu tun hatte sind ja die Grundvoraussetzung schon mal vorhanden.

00:36:32: Und dann glaube ich dir zum bisschen eine gap-analyse zu machen was fehlt aktuell um den Job in der Firma wirklich erfolgreich ausfüllen zu können

00:36:41: unserem wenn ihr dann als Unternehmen da auch noch ein bisschen Hilfestellung gibt einerseits was Zeit an betrifft aber vielleicht auch andere andererseits auch schaut was passt denn jetzt an Programm auch noch gut für die Person.

00:36:54: Dann glaube ich die da auch diesen Karrierewechsel oder dieser Weiterentwicklung gar nicht mehr viel im Wege.

00:37:09: Ich würde den Leuten raten sich nicht zu sehr an den Stellenausschreibungen zu orientieren wenn sie sich überlegen data scientist zu werden weil da steht ganz häufig drin man sollte irgendwie.

00:37:21: Entweder eine Ausbildung in den Fächern Mint also Mathematik Informatik Naturwissenschaften absolviert haben oder soll sogar den pischti mitbringen.

00:37:33: Also,

00:37:34: ich kann den Leuten nur raten ich selber habe auch einen betriebswirtschaftlichen background und ich kenne mittlerweile doch auch sehr viele auch mit einem wirtschaftlichen Backround die es geschafft haben sehr sehr technisch zu werden über die Zeit und sind wirklich mittlerweile geniale data scientist,

00:37:48: also ein ein absolvierte Studium soll euch nicht abhalten in diesem Job einzusteigen wenn ihr das wirklich wollt mit viel Ambition und Ehrgeiz,

00:37:58: bitte das auch auf die Kette da bin ich mir 100% sicher.

00:38:03: Okay ich glaube wir haben von A bis Z oder ja aber ich bin sehr zufrieden

00:38:11: ja noch die die Schlussworte vielen vielen Dank Sarah verheimliche ich glaube habe ich auch mal wieder gesagt dass es nicht nur nicht nur euch liebe Zuhörer oder Zuschauer was bringt.

00:38:26: Deswegen danke an Sara dass du sozusagen mir bei der Reflektion heute geholfen hast.

00:38:37: Ja danke hat mir auch viel Spaß gemacht und ich freue mich schon wenn wir ein neues Thema uns überlegen und dass wir weiter diskutieren.

00:38:46: Ciao mach's gut.