Die moderne Datenwissenschaft hat sich im Tech-Bereich entwickelt, von der Optimierung von Google-Suchergebnissen und LinkedIn-Empfehlungen bis hin zur Beeinflussung der Schlagzeilen von Buzzfeed-Redakteur*innen. Laut eines Harvard Business Review Interviews mit mehr als 30 Datenwissenschaftler*innen geht es bei Data Science um Infrastruktur, Tests, die Verwendung von maschinellem Lernen für die Entscheidungsfindung und Datenprodukte. Data Science wird in zahlreichen Bereichen eingesetzt, aber es geht nicht nur um Deep Learning oder die Suche nach künstlicher Intelligenz. Vielmehr werden auch Fähigkeiten wie Kommunikation und Storytelling benötigt.

Arbeitsprozesse im Tech-Bereich

Zunächst schaffen Data Scientists eine solide Datengrundlage, um robuste Analysen durchführen zu können. Dann nutzen sie unter anderem Online-Experimente, um ein nachhaltiges Wachstum zu erzielen. Schließlich bauen sie Pipelines für maschinelles Lernen und personalisierte Datenprodukte auf, um ihr Geschäft und ihre Kund*innen besser zu verstehen und bessere Entscheidungen zu treffen. Mit anderen Worten: In der Tech-Branche geht es bei der Datenwissenschaft um Infrastruktur, Tests, maschinelles Lernen für die Entscheidungsfindung und Datenprodukte. Dennoch wird Datenwissenschaft immer spezieller, und damit entwickeln sich auch die Fähigkeiten, die Datenwissenschaftler*innen benötigen. Darüber hinaus wird die Ethik zu einer immer größeren Herausforderung.

Stellenwert der Datenwissenschaft

Wer Zugang zu Daten hat, kann von ihnen profitieren. Mit Hilfe der Datenwissenschaft lassen sich Erkenntnisse über Verhaltensweisen und Prozesse gewinnen, Algorithmen schreiben, die große Datenmengen schnell und effizient verarbeiten, die Sicherheit und den Schutz sensibler Daten erhöhen und datengestützte Entscheidungsprozesse anleiten. Datenwissenschaftler*innen schreiben oft Algorithmen – in Programmiersprachen wie SQL und R -, um große Datenmengen zu sammeln und zu analysieren. Wenn sie richtig entworfen und gründlich getestet werden, können Algorithmen Informationen oder Trends erkennen, die Menschen übersehen. Sie können auch die Prozesse der Datenerfassung und -analyse erheblich beschleunigen.

Da Unternehmen immer datenzentrierter werden, steigt die Notwendigkeit des Umgangs mit individuellen Daten stark an. Beispielsweise können Finanzteams Data Science nutzen, um Berichte und Prognosen zu erstellen, womit wiederum finanzielle Trends zu analysiert werden können. Daten zu Cashflows, Vermögenswerten und Schulden eines Unternehmens  werden gesammelt, um manuell oder algorithmisch Trends im finanziellen Wachstum oder Niedergang zu erkennen. Nicht umsonst wurde Data Science von der Harvard Business Review als „the sexiest job of the 21st Century“ bezeichnet.

Das Mindestgehalt für Berufseinsteiger*innen startet ab Euro 2420 bis 3100 brutto pro Monat.