Wie Unternehmen den richtigen Data Scientist finden

Data Scientists, zu deutsch Datenexperten, sollen als Daten-Magier den digitalisierten Business-Erfolg herbeizaubern. Doch statt mit einem klarem Anforderungsprofil auf Talentsuche zu gehen, überfrachten Unternehmen häufig diese Stelle mit unrealistischen Erwartungen.

Seit Jahren gilt der Beruf des Datenexperten als „der heißeste Job des 21 Jahrhunderts“. Sie sind aus Unternehmenssicht diejenigen, die sich im Computer,- Datenbank- und Analytics-Umfeld auskennen und mit der Fülle an Firmendaten (die sie selbst beschafft, ausgewertet und interpretiert haben) wichtige Einsichten herauslesen. Anschließend sollen sie Veränderungen anstoßen, die die Zukunft des Business, von der Produktion über den Vertrieb bis zum Geschäftsmodell, besser machen. Das hat dazu geführt, dass einerseits viele Fachkräfte in dieser Richtung „dieses Magische, Bessere sein wollen und andererseits Unternehmen glauben, Data Scientists könnten alle ihre Probleme lösen“, formuliert es Meta S. Brown, Business Analytics Beraterin und Autorin von „Data Mining for Dummies“.

Diese Einschätzung eines Berufsbildes wird inzwischen zum Problem. Denn weder ist es möglich, alle Skills, die heute in Datenexperten hineininterpretiert werden, auf einer Person zu vereinen, weil das Aufgabengebiet, das sich vom Programmieren von Datenmodellen übers Analysieren bis hin zum Präsentieren von Vorhersagen erstreckt, zu umfangreich ist. Noch machen sich Unternehmen die Mühe genau zu hinterfragen, welche Fähigkeiten aktuell benötigt werden. Geht es um Analyse und neue Datenmodelle? Oder braucht der Betrieb jemanden, der sich mit Künstlicher Intelligenz (KI) und Machine Learning auskennt und die richtigen Algorithmen für die Beantwortung bedeutende Business-Fragen programmiert?

Datenexperten spezialisieren sich: In die mit dem Tech- und die mit dem Business-Fokus

„Data Scientists sind nicht zwingend Computer- oder Datenbankexperten, sondern Menschen, die Business-Vorgänge im Kontext der dazu gehörenden Daten betrachten und daraus Erkenntnisse schöpfen können“, sagt etwa Thorsten Wegener, Vice President Analytics and Information Management bei Cognizant. Nach den Generalisten scheint jetzt die Zeit für mehr Spezifikation im Job des Datenexperten gekommen. In Wegeners Definition stecken Hinweise, wie sich der Fokus verteilen könnte:

Computer- und Datenbank-Experten: Zwar werden ihnen Automationslösungen wie Data Robot oder Googles Cloud AutoML Arbeit abnehmen, wenn diese trainiert worden sind, Modelle für maschinelles Lernen zu entwickeln. Allerdings muss auch jemand das Training übernehmen – selbst wenn einige Hersteller mit „wenig Aufwand und Fachkenntnissen“ werben. Die Technologie hilft aber auch nur deshalb, weil es immer größere Datenmengen in immer mehr Geschäftsfeldern zu bearbeiten gibt. Wer eine Affinität zu KI hat, kann sein Know-how unter dem Dach des Data Scientists ausbauen. Die Tech-orientierten Data Scientists sind fit in Programmiersprachen wie R, Python oder SAS. Sie ergänzen Data-Engineering-Qualitäten, die ermöglichen, Daten besser zu verstehen, um wiederum neue Analyseebenen zu erklimmen – entweder selbst oder als Steigbügel für den nachfolgenden Teamkollegen.

Business Analysten: Nicht jeder Datenexperte muss auch ein Tech-Nerd sein. Wer sich heute auf dem Gebiet des Data Scientists spezialisiert, kann außerdem auf seine Expertise als Business-Analyst zurückgreifen. Dankbar für die oben genannten Automationslösungen, sehen sie ihre Aufgabe im Lösen von Problemen. Sie investieren mehr intellektuelle Energie in die Datenanalyse und ihre Bedeutung für den Business-Kontext. Wo genau können Prozesse optimiert werden? Welche Zielgruppe passt du diesem Produkt oder jener Dienstleistung? Darüber hinaus visualisieren sie Daten und kennen sich mit Business-Intelligence-Tools wie Qlik, Tableau oder PowerBI aus. Eine derartige Expertise ist in diesem Zusammenhang wichtiger als Python und Co.

Für Unternehmen gilt: Fokus auf die richtige Fachkräfte-Richtung und Data-Science-Teams

Wenn Datenexperten-Fachkräfte ihre Präferenz gefunden haben, erscheint es heute sinnvoll, nicht unbedingt von Anfang an einem Generalistendasein nachzueifern. Das kommt möglicherweise mit der Zeit, sagt Richard Boire, Senior Vice President, Environics Analytics, der die Geschichte der Datenexperten von den Generalisten zu den Spezialisten nachzeichnet.

Die Spezialisierung ist auch für Unternehmen von Vorteil. Unternehmen treffen mit Generalisten nicht immer ins Schwarze – mit einer fokussierten Jobbeschreibung schon. Sie können Fachkräfte mit Fokus-Know how gezielt anwerben. Sucht ein Betrieb etwa Datenexperten, die Ergebnisse aufbereiten und kommunizieren, müssen Programmierkenntnisse nicht unbedingt in der Stellenbeschreibung stehen. Voraussetzung ist natürlich, dass sich auch Firmen von der Vorstellung des „magischen Jobs“ lösen und konkret überlegen, was genau sie brauchen.

Die Überlegungen können dann sogar dahin führen, dass es im Haus bereits fähige Köpfe gibt, die weitergebildet werden können. Statt die eierlegende Wollmilchsau zu suchen, die es im Zweifel nicht gibt, eröffnen konkrete Jobziele sowohl dem Inhouse-Personal als auch dem Unternehmen gute Alternativen. Für die Zukunft lohnt es möglichweise, ein Data-Science-Team aufzubauen, das mehrere Know-how-Stränge vereint und in dem sich die Experten gegenseitig fortbilden können.

Wer ist begehrter – Data Scientists oder Data Engineers?

Die so genannten Generalisten unter den Datenexperten sterben dennoch nicht aus, sagen Insider. Sie sind es, die die Spezialisten managen und dafür sorgen, dass die Projekte auch zum Ergebnis führen. Das könnte noch wichtig werden für den Berufsstand des Datenexperten. Denn derzeit kommen die Daten-Engineers um die Ecke und machen ihnen den Titel als heißesten Job streitig. So sieht es zumindest Nick Heudecker, Analyst bei Gartner. Ihn ertappt man immer wieder bei der Recherche über Berufe der Zukunft in diesem Umfeld. Für ihn sind Data Scientists nichts als „frustrierte Meteorologen“.

In which I refer to data scientists as nothing more than frustrated weather forecasters…https://t.co/u3vNs3x9rP#makingfriends #GartnerDA

— Nick Heudecker (@nheudecker) 12. März 2019

Zwar könnten sie datenbasierte Unternehmensplanungen unterstützen. Die meiste Zeit aber verbrächten sie mit der Aufbereitung von Daten für Projekte, die niemals wirklich umgesetzt würden. Dateningenieure dagegen wüssten wie man Dateninfrastrukturen aufbaut, pflegt und wofür die Daten eigentlich genutzt würden. Sie seien diejenigen (die einzigen), die jede Art Daten im Unternehmen verstünden. Ohne sie seien die Datenexperten aufgeschmissen.