Data Science wird als Modellieren beschrieben und besteht meist aus der unglamourösen Arbeit, die passieren muss, bevor ein Modell überhaupt etwas bedeutet.
Die Zahl, und was der Job wirklich ist
Die Wachstumszahl ist echt und lohnt sich präzise zu benennen. Das US Bureau of Labor Statistics prognostiziert für Data Scientists ein Beschäftigungswachstum von 33,5 Prozent zwischen 2024 und 2034, ein Plus von 82.500 Stellen. Das ist die höchste prognostizierte Wachstumsrate unter den Tech-Berufen seiner Analyse, gegenüber 3,1 Prozent über alle Berufe hinweg.
Nun zur Form der Arbeit, die der Jobtitel nicht vermittelt.
Ein großer Teil der Zeit fließt ins Auffinden von Daten über Systeme, die für operative Zwecke gebaut wurden und nicht für Analyse, ins Verstehen, wie jedes Feld tatsächlich befüllt wurde und von wem, ins Behandeln fehlender Werte auf eine Weise, die das Ergebnis nicht verzerrt, ins Abgleichen desselben Konzepts, das in verschiedenen Systemen unterschiedlich erfasst wird, und ins Feststellen, ob die Daten die gestellte Frage überhaupt tragen können.
Der Großteil von Data Science besteht darin, festzustellen, was die Daten bedeuten. Modellieren passiert, sobald das geklärt ist.
Das ist keine Beschwerde über das Feld. Es ist das Feld. Und es erklärt, warum Data Scientists mit Fachwissen so viel wirksamer sind als solche ohne: Fast jedes Urteil in dieser Liste verlangt zu wissen, wie das Geschäft tatsächlich läuft.
Was die Richtung abdeckt
Der Umfang: Statistik, Datenbanken, Python und R, Visualisierung und Prognose.
Vier Bereiche.
Datenaufbereitung. Abfragen, Verknüpfen, Bereinigen und Umformen – die tägliche Arbeit.
Statistik. Inferenz, Unsicherheit, Versuchsplanung und das Denken, das einen Befund von einem Zufall unterscheidet.
Modellierung und Prognose. Prädiktive Methoden, Bewertung und zu wissen, wann ein einfacherer Ansatz besser ist.
Kommunikation. Visualisierung und die Fähigkeit, ein technisches Ergebnis eine Entscheidung verändern zu lassen.
Niemand ist sich einig, was ein Kunde ist
Die häufigste und teuerste Entdeckung in der Unternehmensanalytik, und sie ist ein Definitionsproblem, kein technisches.
Frag mehrere Abteilungen, wie viele Kunden die Organisation hat, und die Antworten unterscheiden sich, oft erheblich. Vertrieb zählt Accounts. Finanzen zählt Rechnungsempfänger. Support zählt Kontakte. Marketing zählt E-Mail-Adressen. Eine Muttergesellschaft mit sechs Tochterunternehmen ist ein Kunde oder sechs, je nachdem, wen man fragt. Jemand, der letzten Monat gekündigt hat, steht in einem System noch drin und ist im anderen weg.
Dasselbe gilt für fast jede wichtige Kennzahl. Aktiver Nutzer, Bestellung, Kündigung, erfasster Umsatz, Mitarbeiterzahl. Jede wird von Systemen erfasst, die zu unterschiedlichen Zeiten für unterschiedliche Zwecke von Leuten gebaut wurden, die ein anderes Problem lösten.
Drei Konsequenzen.
Berichte, die sich widersprechen, zerstören Vertrauen schneller, als sie informieren. Zeigen zwei Dashboards einmal unterschiedliche Zahlen für dieselbe Sache, werden Meetings zu Streits über die Daten statt zu Entscheidungen über das Geschäft.
Die Lösung ist Governance, keine Technologie. Definitionen vereinbaren, dokumentieren, Verantwortung zuweisen und konsistent anwenden. Kein Tool erledigt das, und stattdessen eines zu kaufen ist die häufigste Fehlinvestition in diesem Bereich.
Sie ist die Arbeit, die alles andere erst möglich macht. Machine Learning auf inkonsistent definierten Daten produziert selbstsicher falsche Ausgaben, und die Inkonsistenz ist in der Ausgabe unsichtbar.
Die Statistik, die man überspringt – und dafür bezahlt
Moderne Tools machen es leicht, ein Ergebnis zu produzieren, ohne zu verstehen, was es bedeutet. Vier Konzepte verhindern den größten Teil des entstehenden Schadens.
Korrelation und Kausalität. Ständig betont und ständig verletzt. Praktisch bedeutet es: Eine Variable, die mit einem Ergebnis zusammenhängt, kann Ursache sein, Wirkung, eine gemeinsame Ursache haben oder Zufall sein. Danach zu handeln setzt Ersteres voraus, und nur ein Experiment oder sorgfältiges kausales Denken rechtfertigt das.
Selektionseffekte. Wie die Daten entstanden sind, prägt, was sie aussagen können. Kunden zu analysieren, die geblieben sind, sagt etwas über Menschen, die nicht gegangen sind. Befragte zu befragen sagt etwas über Menschen, die bereit waren zu antworten. Erfolgreiche Projekte ohne die erfolglosen zu untersuchen produziert Ratschläge, die nicht funktionieren.
Unsicherheit. Jede Schätzung aus einer Stichprobe hat eine Spannweite um sich herum. Einen Punktwert ohne diese Spannweite zu melden lädt zu Entscheidungen ein, die die Daten nicht stützen, besonders wenn Segmente klein werden.
Mehrfachvergleiche. Testet man genug Hypothesen, wirken manche zufällig signifikant. Dashboards, die nach Dutzenden Dimensionen schneiden, erzeugen fortlaufend scheinbare Befunde, und jemand handelt danach.
Das sind keine fortgeschrittenen Themen. Es ist der Unterschied zwischen Analyse, die Entscheidungen verbessert, und Analyse, die autoritativ klingende Rechtfertigung für etwas liefert, das jemand ohnehin schon wollte.
Wo das in der Domäne steht
Data Science und Analytics ist die vierte von acht Richtungen in Astra Trainers Domäne KI, Daten und Computing, und sie ist die Voraussetzung für die Richtung maschinelles Lernen, nicht eine schwächere Version davon. Modelle sind nur so gut wie die Definitionen und die Datenqualität darunter.
Sie verbindet sich mit Softwareentwicklung für die Pipeline- und Produktionsebene und mit Cloud Computing und DevOps für die Plattformen, auf denen diese Arbeit läuft. Sie verbindet sich außerdem nach außen mit fast jeder anderen Domäne, da Emissionsbilanzierung, klinische Daten, Fertigungsqualität und Netzprognosen allesamt Datenprobleme mit Fachanforderungen sind. Hier findest du die acht Richtungen.
Warum so viele Modelle nie genutzt werden
Ein Muster, das jedem vertraut ist, der in diesem Bereich gearbeitet hat: Ein Modell wird gebaut, schneidet in der Bewertung gut ab, wird präsentiert, und nichts ändert sich.
Die Gründe sind selten technisch.
Es beantwortete eine Frage, die niemand gestellt hat. Die Analyse wurde von verfügbaren Daten getrieben statt von einer Entscheidung, die jemand treffen musste.
Sie kam nach der Entscheidung. Eine Analyse, die drei Monate braucht für eine Entscheidung, die in drei Wochen fällt, ist eine akademische Übung.
Niemand konnte auf die Ausgabe handeln. Eine Vorhersage ist nutzlos ohne eine passende Handlung, eine verantwortliche Person und die Befugnis, sie auszuführen.
Ihr wurde nicht vertraut. Weil die Definitionen von denen des Publikums abwichen, oder weil die Methode undurchsichtig war, oder weil eine frühere Analyse falsch gelegen hatte.
Es gab keinen Weg in Produktion. Das Modell lebte in einem Notebook auf einem Rechner, und das Engineering, um es zuverlässig laufen zu lassen, wurde nie zugeschnitten.
Für das Training bedeutet das: Die technischen Fähigkeiten sind nötig, aber nicht ausreichend. Die Kompetenzen, die entscheiden, ob Datenarbeit etwas verändert, sind Problem-Framing, Stakeholder-Verständnis, Kommunikation und zu wissen, was Produktion verlangt, und die sind lehrbar für Leute, die die technische Hälfte schon haben.
Die Rollen im Überblick
Datenanalystinnen. Die größte Gruppe und der häufigste Einstiegspunkt.
Data Scientists. Statistische Modellierung und Experimente.
Data Engineers. Pipelines und Infrastruktur, konstant knapper besetzt als Data Scientists.
Analytics Engineers, eine Rolle, die speziell für die Definitions- und Transformationsebene entstanden ist.
Business-Intelligence-Entwickler.
Spezialistinnen für Datengovernance und -qualität, die die oben beschriebene Definitionsarbeit leisten.
Spezialisten für Experimentation und kausale Inferenz.
Prognoseanalysten, gefragt in Nachfrage, Supply Chain, Energie und Finanzen.
Machine-Learning-Ingenieurinnen, wo Data Science auf Produktionssoftware trifft.
Wer sich dafür weiterbilden kann
Fachleute aus dem gesamten Unternehmen. Die stärkste Konversion in dieser Richtung, und die am meisten ungenutzte. Wer seit einem Jahrzehnt in Betrieb, Finanzen, klinischer Praxis oder Fertigung arbeitet, weiß, welche Fragen zählen und was die Daten wahrscheinlich verbergen. Ihnen Analyse beizubringen geht schneller und liefert bessere Arbeit, als einer Analystin die Domäne beizubringen.
Finanz- und Buchhaltungspersonal. Schon vertraut mit Daten, Abgleich und definitorischer Präzision, was den größten Teil der Schwierigkeit ausmacht.
Betriebsanalysten und Planer. In Prognose, mit dem Prozesswissen, das eine Prognose glaubwürdig macht.
Forscherinnen und Wissenschaftler. Statistisches Training schon vorhanden, mit Bedarf an kommerziellem Kontext und Engineering-Praxis.
Softwareentwickler. In Data Engineering, die knappere Rolle und näher an ihren bestehenden Fähigkeiten als Data Science.
Datenbankadministratorinnen. In Data Engineering und Governance.
Wer ein umfangreiches Spreadsheet-Modell gebaut hat. Besitzt oft echte analytische Fähigkeit ohne formalen Weg, sie anerkannt zu bekommen.
Datenschutz und verantwortungsvolle Nutzung. Die Analyse personenbezogener Daten ist in den meisten Rechtsräumen reguliert, mit Anforderungen zu Rechtsgrundlage, Zweckbindung, Datenminimierung, Aufbewahrung und Betroffenenrechten, und mit besonderem Schutz für Gesundheits-, biometrische und andere sensible Kategorien. Automatisierte Entscheidungen, die Einzelpersonen betreffen, tragen in mehreren Regimen zusätzliche Pflichten. Analyse kann außerdem diskriminierende Ergebnisse ohne diskriminierende Absicht erzeugen, über Proxys in den Daten. Astra Trainer baut analytische Kompetenz und das Bewusstsein für diese Pflichten auf. Das ist keine Rechtsberatung und ersetzt keine Datenschutzfolgenabschätzung oder qualifizierte Beratung.
Was du mitnehmen solltest
Data Science soll bis 2034 um 33,5 Prozent wachsen, das schnellste unter den vom BLS erfassten Tech-Berufen, und der Job besteht vor allem aus Datenqualität und Definition, nicht aus Modellieren.
Die meisten Organisationen sind sich nicht einig, was ein Kunde ist, und das ist ein Governance-Problem, das kein Tool löst.
Vier statistische Ideen – Kausalität, Selektion, Unsicherheit und Mehrfachvergleiche – verhindern den größten Teil des Schadens, den selbstsichere Analyse anrichtet.
Modelle scheitern viel häufiger aus organisatorischen als aus technischen Gründen daran, genutzt zu werden.
Und die besten Kandidaten sind meist Fachleute aus der Domäne, die schon wissen, welche Frage zählt, denn das ist die Hälfte, die sich nicht schnell beibringen lässt.
Wie schnell wächst Data Science?
Das BLS prognostiziert 33,5 Prozent Wachstum bei Data Scientists zwischen 2024 und 2034, ein Plus von 82.500 Stellen und die höchste Rate unter den erfassten Tech-Berufen, gegenüber 3,1 Prozent über alle Berufe.
Warum ist so viel von der Arbeit Datenbereinigung?
Weil Daten von operativen Systemen für andere Zwecke erfasst werden, Felder inkonsistent befüllt sind, Werte fehlen und dasselbe Konzept in verschiedenen Systemen unterschiedlich definiert ist. Festzustellen, was die Daten bedeuten, ist der Großteil des Jobs.
Warum widersprechen sich Berichte gegenseitig?
Weil Abteilungen zentrale Entitäten unterschiedlich definieren. Vertrieb zählt Accounts, Finanzen zählt Rechnungsempfänger, Support zählt Kontakte. Die Lösung sind vereinbarte Definitionen mit dokumentierter Verantwortung – Governance, keine Technologie.
Welche statistischen Fehler richten den größten Schaden an?
Korrelation als Ursache zu behandeln, zu ignorieren, wie Daten ausgewählt wurden, Punktschätzungen ohne Unsicherheit zu melden und scheinbare Signifikanz durch das gleichzeitige Testen vieler Hypothesen zu finden.
Wer konvertiert am besten in Datenrollen?
Fachleute aus dem gesamten Unternehmen, denn zu wissen, welche Frage zählt, ist die knappe Hälfte. Dann Finanzpersonal, Betriebsplaner in Prognose, Forscherinnen, und Softwareentwickler in Data Engineering.