Ausbildungsberuf

Zugang zur Tätigkeit

Vorausgesetzt wird ein abgeschlossenes grundständiges Studium im Bereich Datenwissenschaft, Data Science, Informatik, Statistik oder Mathematik.

Führungspositionen, spezialisierte Aufgabenstellungen oder Tätigkeiten in Wissenschaft und Forschung erfordern meist ein Masterstudium, ggf. auch die Promotion oder Habilitation.

Anerkennung von ausländischen Qualifikationen

Die Tätigkeit als Data Scientist ist nicht reglementiert.

Um mit einem im Ausland erworbenen Abschluss in diesem Beruf zu arbeiten, ist keine berufliche Anerkennung notwendig. Jedoch besteht die Möglichkeit, für ausländische Hochschulabschlüsse eine individuelle Zeugnisbewertung durch die Zentralstelle für ausländisches Bildungswesen (ZAB) zu beantragen. Diese kann für Bewerbungen auf dem deutschen Arbeitsmarkt hilfreich sein.

Weiterführende Informationen zu Leben und Arbeiten in Deutschland:

• Hotline Arbeiten und Leben in Deutschland - zentrale Informations-Hotline des Bundesamts für Migration und Flüchtlinge (BAMF) und der Bundesagentur für Arbeit (BA)

• Für Menschen aus dem Ausland - Ein Informationsangebot der Bundesagentur für Arbeit

• Zentrale Auslands- und Fachvermittlung der Bundesagentur für Arbeit

• Make it in Germany - Das Willkommensportal der Fachkräfte-Offensive für internationale Fachkräfte

• Anerkennung in Deutschland - Das Informationsportal der Bundesregierung zur Anerkennung ausländischer Berufsqualifikationen

Aufgaben und Tätigkeiten kompakt

Data Scientists analysieren sehr große Datenbestände, wie sie z.B. durch Social Media, Cloud Computing Services, sensorische Echtzeitmessungen oder mobile Anwendungen in immer größerer Masse und Geschwindigkeit anfallen. Mit Methoden der Informatik, Mathematik und Statistik entwickeln sie technische Verfahren und Big-Data-Architekturen, mit deren Hilfe sie verwertbare Informationen und Wissen generieren. Als Spezialisten für Datenanalyse und Datenmanagement finden sie Lösungen, um auch unstrukturierte Daten, wie sie z.B. in sozialen Netzwerken anfallen, auswerten und zusammenführen zu können. Ihre Analyseergebnisse bereiten sie zu aussagekräftigen Präsentationen auf und unterstützen die Firmenleitung oder Kunden bei operativen und strategischen Entscheidungen. Sie konzipieren auch automatisierte Prozesse für die dauerhafte Bereitstellung von Online Reports.

Darüber hinaus erstellen Data Scientists webbasierte Informations- und Wissensmanagement-Systeme und modellieren Datenschemata zur Integration und Analyse. Sie unterstützen ihre Kunden bei der technischen Umsetzung und Implementierung von IT-Lösungen und übernehmen ggf. Schulungs-, Vertriebs- und Marketingaufgaben.

Aufgaben und Tätigkeiten (Beschreibung)

Worum geht es?

Data Scientists analysieren und verarbeiten mit Methoden der Mathematik, Informatik und Statistik große Datenmengen in Echtzeit aus verschiedenen Quellen ("Big Data"), um z.B. über potenzielle Kunden oder Markttrends nutzbare Informationen zu erlangen.

Big Data beherrschen

Große Datenmengen fallen mittlerweile in fast allen Bereichen des Lebens an: bei Banken und Versicherungen, Telekommunikationsunternehmen, in Sozialen Netzwerken, bei Internetdienstleistern, in der Industrie oder der Marktforschung. Prognosen gehen davon aus, dass sich das Datenvolumen alle zwei Jahre verdoppelt. Immer mehr Unternehmen versprechen sich von der Nutzung dieser Daten unter anderem strategische Wettbewerbsvorteile, Umsatzsteigerungen und eine höhere Produktivität.

Das Problem dabei: Die komplexen Datenmengen sind oft unstrukturiert, stammen aus verschiedenen Quellen und müssen in Echtzeit verarbeitet werden. Um Ordnung in das scheinbare Datenchaos zu bringen, sind Data Scientists gefragte Spezialisten. Sie wissen Konzepte und Techniken aus Informatik, Statistik und Mathematik so zu nutzen, dass aus den Daten verwertbare Informationen und Wissen für Prognosen, Entscheidungen und Maßnahmen in den unterschiedlichen Geschäftsbereichen gewonnen werden. Darüber hinaus nutzen sie Verfahren aus den Bereichen Machine Learning und Data Mining zur Lösung konkreter Business-Probleme.

Analyse, Konzept und Umsetzung

Data Scientists unterstützen und beraten die internen Fachabteilungen oder Kunden im Rahmen ihrer Big Data-Strategie bei der Anforderungserhebung, der Analyse von Problemstellungen, dem Erstellen von Projektlösungsansätzen, der Strukturierung der Aufgabenstellungen und der Umsetzung in eine Projektstruktur. Dabei berücksichtigen sie auch die Standards an Datenschutz und Datensicherheit.

Sie führen Datenanalysen durch, führen große Datenmengen zusammen und werten diese aus, modellieren und pflegen Datenbanken. Auch die bedarfsabhängige Programmierung sowie die Optimierung besonderer Prozessabläufe, z.B. die Vereinfachung und Automatisierung der Datenaufbereitungsprozeduren, übernehmen sie. Haben sie die benötigte Software entwickelt, dann begleiten sie deren Integration in die bestehenden Systeme und den Testbetrieb und führen Qualitätskontrollen durch. Für die Anwender organisieren sie Schulungen und Workshops oder führen diese selbst durch.

Forschung und Lehre

In der wissenschaftlichen Forschung an Hochschulen entwickeln Data Scientists z.B. neue analytische Verfahren, Methoden und Modelle. In der Hochschullehre konzipieren sie Vorlesungen und bereiten Seminare, Übungen und Praktika vor. Dafür erarbeiten sie Lehrmaterialien und Übungsanleitungen. Sie entwerfen Studien- und Prüfungsarbeiten, führen diese durch und korrigieren sie. Sie werben Gelder für Forschungsprojekte bei staatlichen Institutionen und der Industrie ein, führen Projekte durch und veröffentlichen die Ergebnisse in Büchern oder Fachzeitschriften. Auf Tagungen und Kongressen referieren sie über ihre Erkenntnisse.

Für eigenständige wissenschaftliche Tätigkeiten sind i.d.R. ein Masterstudium und eine Promotion erforderlich.

Aufgaben und Tätigkeiten im Einzelnen

Datenerhebung und -analyse

• automatisierte Systeme zur Datengewinnung und komplexe Analysemethoden entwickeln und anwenden

• technische Infrastruktur analysieren, bewerten und Änderungs- bzw. Optimierungsbedarf feststellen

• Studien planen und auswerten

Datenmanagement und Wissensgenerierung

• Design und Implementierung von Big-Data-Analytics-Lösungen entwickeln und Aufwände abschätzen

• Data-Mining-Lösungen mithilfe von analytischen Tools und Big-Data-Technologien anwenden

• Data-Warehouse-Architekturen evaluieren und ein Data-Warehouse-System aufbauen

• Algorithmen für das maschinelle Lernen sowie für Data-Mining-Verfahren entwickeln und anwenden

• Optionen zum Aufbau einer Business-Intelligence- und Big-Data-Architektur, Datenbankkonzepte und Datenintegrations-Lösungen prüfen

• gewonnene Daten mithilfe entsprechender Software aufbereiten, interpretieren und darstellen (auch grafisch)

• vorhandene Modellierungsstandards und Reportings weiterentwickeln

Projektleitung

• technische Projektleitung oder Gesamtprojektleitung von interdisziplinären Big-Data-/Business-Analytics-Projekten übernehmen

• Projektlösungsansätze erstellen und in einer Projektstruktur umsetzen

• bei der Erstellung von Angeboten und Angebotspräsentationen mitwirken

Beratung und Schulung

• Kunden system- und anwendungstechnisch beraten, betreuen und schulen

• Schulungskonzepte und -unterlagen erstellen

• Weiterbildungsveranstaltungen durchführen

Qualitätssicherung

• Qualitätskontrollen vorbereiten und auswerten, Qualitätsmanagement unterstützen

• Prototypen zur Integration in die bestehenden Systeme erstellen und anschließend Qualitätskontrollen durchführen

Forschung und Lehre (i.d.R. nach Masterabschluss und ggf. mit Promotion)

• Entwicklungs- und Forschungsaufgaben mit Bezug zur Datenanalyse in wissenschaftlichen und öffentlichen Institutionen planen und durchführen, ggf. auch interdisziplinär und in Kooperation mit Forschungsinstitutionen

• Lehrveranstaltungen (Vorlesungen, Seminare, Übungen, Praktika) konzipieren, vorbereiten und durchführen

• Lehrmaterialien, Skripte, Übungs- und Praktikumsanleitungen erarbeiten

• Studien- und Prüfungsarbeiten vorbereiten, durchführen und korrigieren

• Verwaltungsaufgaben wahrnehmen, Forschungsmittel (Drittmittel) beschaffen

Verdienst/Einkommen

Beispielhafte tarifliche Bruttogrundvergütung (monatlich): € 5.003 bis € 6.324

Quelle:

Tarifsammlung des Bayerischen Staatsministeriums für Familie, Arbeit und Soziales

Hinweis: Diese Angaben dienen der Orientierung. Ansprüche können daraus nicht abgeleitet werden.

Verdienst/Einkommen

Das Einkommen von Arbeitnehmern und Arbeitnehmerinnen hängt von der Aus- und Weiterbildung, Berufserfahrung und Verantwortlichkeit ab, aber auch von den jeweiligen Anforderungen des Berufs, von Branche, Region und Betrieb. Die Höhe richtet sich in tarifgebundenen Betrieben nach tarifvertraglichen Vereinbarungen. Nicht tarifgebundene Betriebe können ihre Mitarbeiter/innen in Anlehnung an entsprechende Tarifverträge entlohnen.

Weitere Informationen über Einkommensmöglichkeiten:

• Entgeltatlas der Bundesagentur für Arbeit

• LohnSpiegel.de

• WSI-Tarifarchiv

Tätigkeitsbezeichnungen

• Data Scientist

Auch übliche Berufsbezeichnung/Synonym

• Datenwissenschaftler/in

Arbeitsorte

Data Scientists arbeiten in erster Linie

• in Büroräumen

• in Computerräumen

• in Besprechungs- und Schulungsräumen

Darüber hinaus arbeiten sie ggf. auch

• im Homeoffice bzw. mobil

Arbeitssituation

Data Scientists stellen mithilfe mathematischer und statistischer Methoden und Theorien Instrumentarien bereit, um große Datenmengen zu analysieren und für unterschiedlichste Anwendungen aufzubereiten und zusammenzuführen. Dazu entwickeln sie Software und informationstechnische Systeme eines Unternehmens oder optimieren bestehende Systeme. Sie benötigen Konzentration, analytisches und logisches Denken, bei langwierigen Projekten auch Geduld und Ausdauer. Interdisziplinäres Denken und Teamfähigkeit ermöglichen die Zusammenarbeit mit Spezialisten aus anderen Bereichen. Verhandlungsgeschick ist gefragt, um Auftraggeber von Lösungsvorschlägen zu überzeugen. In der Lehre an Hochschulen wenden sie zudem pädagogische sowie fachdidaktische Kenntnisse an und messen die Qualität ihrer Lehre an den Fortschritten und Rückmeldungen ihrer Studierenden. Führen sie als Projektleiter/in ein Team, so gehören Organisation, Planung und Personalführung zu ihren Aufgaben.

Data Scientists arbeiten viel im Büro, wo sie am Computer mit Analysesoftware umgehen bzw. diese entwickeln. In Besprechungsräumen präsentieren sie Ergebnisse ihrer Arbeiten, z.B. mithilfe von Laptop und Beamer. In Unterrichtsräumen halten sie Seminare und Vorlesungen ab.

Arbeitsbedingungen im Einzelnen

• Gruppen-, Teamarbeit (z.B. in Projektteams Datenintegrationslösungen erarbeiten)

• Kundenkontakt (z.B. Kunden zu Big-Data-Architekturen beraten)

• Bildschirmarbeit

• Arbeit in Büroräumen

Arbeitsgegenstände/Arbeitsmittel

Daten und Unterlagen, z.B.: Analysedaten, Datenbankkonzepte, Hard- und Softwaredokumentationen, Präsentationsunterlagen, Rechtsvorschriften (z.B. Datenschutzbestimmungen)

Computertechnik und Software, z.B.: Datenverarbeitungsanlagen, Betriebssysteme, Netzwerksysteme, Informations- und Wissensmanagement-Systeme, Entwicklersoftware, Statistik- und Analysesoftware

Büroausstattung und Präsentationsmittel, z.B.: PC, Internetzugang, Telefon, Beamer, Flipchart

Arbeitsbereiche/Branchen

Data Scientists finden Beschäftigung

• bei Software-Herstellern und EDV-Dienstleistungsfirmen

• in Betrieben nahezu aller Wirtschaftsbereiche, in denen große Datenbestände verarbeitet werden, sowie in der öffentlichen Verwaltung

• an Hochschulen und in Forschungsinstituten (z.B. Meinungsforschungsinstitute)

Branchen im Einzelnen

• IT, DV, Computer

• Management, Beratung, Recht, Steuern

• Finanzdienstleistungen, Immobilien

• Medien, Informationsdienste

• Chemie, Pharmazie, Kunststoff

• Elektrotechnik, Elektronik

• Fahrzeugbau, -instandhaltung

• Transport, Verkehr

• Energie, Ver- und Entsorgung

• Handel

• Öffentliche Verwaltung, Sozialversicherung, Verteidigung

• Wissenschaft, Forschung, Entwicklung

Weiterbildung (berufliche Anpassung)

Anpassungsweiterbildung hilft, das berufliche Wissen aktuell zu halten und an neue Entwicklungen anzupassen (z.B. in den Bereichen Datenbankentwicklung und -programmierung, IT-Projektmanagement, IT-Sicherheit oder Informations- und Wissensmanagement).

Darüber hinaus kann sich der Trend, smarte IT-Systeme für Anwendungen der digitalisierten Arbeitswelt (Industrie 4.0) zu konzipieren, zu einem wichtigen Weiterbildungsthema für Data-Scientists entwickeln. Technologien in Bereichen wie AIOps oder Edge Computing bieten ebenso Weiterbildungspotenzial.

Weiterbildung (beruflicher Aufstieg)

Bachelorabsolventen können ihre Berufs- und Karrierechancen durch ein weiterführendes Studium ausbauen, z.B. im Studienfach Datenwissenschaft, Data Science, Wirtschaftsinformatik oder Informationsmanagement.

Eine Promotion ist in der Regel für eine wissenschaftliche Laufbahn an der Hochschule erforderlich, für die Berufung zum Hochschulprofessor bzw. zur Hochschulprofessorin benötigt man in der Regel eine Habilitation . Die Promotion erleichtert ggf. auch in der Privatwirtschaft, im Bereich der Forschung und in der öffentlichen Verwaltung den Zugang zu gehobenen beruflichen Positionen.

Stellen- und Bewerberbörsen

• BITKOM Jobworld

• Computerwoche.de

• get in {IT}

• golem

• heise jobs

• ictjob.de

• informatik-personal.de

• itjobs.rocks

• IT-Positionen.de

• itsteps

• IT-Treff

• job-box

• Programmierer-Jobboerse.de

• t3n.de

Trends

AIOps: Künstliche Intelligenz für den IT-Betrieb

AIOps (Artificial Intelligence for IT Operations) verbindet durch Künstliche Intelligenz separate IT-Tools zu einer automatisierten IT-Betriebsplattform. Dabei werden Machine Learning und Big Data genutzt, um die Überwachung von IT-Infrastrukturen zu automatisieren und zu optimieren. Mithilfe von Echtzeit-Datenanalysen ermöglicht AIOps die automatisierte Identifikation von Problemen sowie die selbstständige Überprüfung und Behebung von Störungsfällen. AIOps-Plattformen schaffen es dadurch, IT-Personal zu entlasten und Systeme rund um die Uhr zu überwachen. Fach- und Führungskräfte im Tätigkeitsfeld IT-Administration werden sich mit AIOps-Technologien auseinandersetzen und Wege finden, mithilfe von Künstlicher Intelligenz den IT-Betrieb zu optimieren.

Edge Computing: Dezentrale Datenverarbeitung am Netzwerkrand

Anwendungen für Industrie 4.0, Smart Cities und Internet of Things erzeugen riesige Mengen an Sensor- und Gerätedaten, die nahezu in Echtzeit verarbeitet werden müssen. Bei einer zentralen Datenverarbeitung werden diese Datenströme von den Geräten hin zu einer zentralisierten Cloud und wieder zurück transportiert; hier drohen Zeit- und Datenverluste. Bei Edge Computing können Maschinen- und Sensordaten direkt vor Ort gespeichert, verarbeitet und analysiert werden - in der Produktionshalle, im autonomen Fahrzeug oder im Containerschiff, sodass KI-basierte Geräte und Maschinen in Echtzeit reagieren können. Fach- und Führungskräfte der Informationstechnik werden sich darauf vorbereiten, künftig immer mehr Anwendungen im Bereich Edge Computing zu entwickeln.

Wachstumsmarkt IT-Sicherheit

Die zunehmende Vernetzung durch das Internet der Dinge, Big Data, Cloud Computing, Onlinehandel, die Verwendung mobiler Endgeräte etc. können für Privatpersonen und Unternehmen viele Sicherheitsrisiken bergen. Datendiebstahl durch Phishing-Attacken, gefälschte elektronische Karten, Würmer und Viren, Hackereinbrüche sowie Cyberterrorismus erfordern eine ständige Anpassung der Sicherheitsmaßnahmen in Unternehmen und Behörden, sowie entsprechende Schulungen der Beschäftigten diesbezüglich. Eine dieser Maßnahmen ist die sogenannte Cyber Resilience, die eine große Rolle im Schutz der (Kunden-)Daten spielt. Der Einsatz von Künstlicher Intelligenz (KI), um Cyberangriffe zu erkennen und zu bekämpfen, spielt zudem eine immer größere Rolle in der IT-Sicherheit. Die Nachfrage nach IT-Sicherheitsexperten, die sowohl traditionelle als auch innovative Ansätze beherrschen, steigt daher stetig.

Informatik und Industrie 4.0

Die Umsetzung der vierten industriellen Revolution - der Industrie 4.0 - ist in vollem Gange: Industrieunternehmen sind dabei, ihre gesamte Wertschöpfungskette zu digitalisieren und zu vernetzen. Informatiker/innen entwickeln Software für smarte Produktionsstätten (Smart Factories), in denen Roboter planen und kommunizieren, Maschinenteile anheben, richtig positionieren und z.B. verschrauben oder verschweißen können. Mittels Sensoren werden Maschinen demnächst ihre Ersatzteile selbst ordern, einen Techniker bestellen oder Roboter in einer anderen Fabrik um Hilfe bitten können, wenn der Engpass am eigenen Standort nicht alleine zu bewältigen ist. Fachkräfte in Maschinenbau, Elektrotechnik und Informatik werden noch enger zusammenarbeiten, damit Industrie 4.0 gelingen kann. Dazu werden die bestehenden Ausbildungs- und Weiterbildungsberufe mit neuen Inhalten gefüllt, die Fachkräfte sich kontinuierlich aneignen müssen.

Internet of Things (IoT) in der Versicherungswirtschaft

Mithilfe des Internet of Things (IoT) rüsten sich Versicherer über die ganze Wertschöpfungskette hinweg für die digitale Zukunft: IoT hilft dabei, Versicherungsrisiken besser einzuschätzen, kostspielige Schadensregulierungen zu vermeiden und nutzungsbasierte Tarife anzubieten. Dazu sammeln immer mehr vernetzte Geräte Daten. Beispielsweise übertragen in Fahrzeuge integrierte Sender wichtige Daten zum Fahrverhalten, Smart-Home-Geräte warnen vor Wasseraustritten, wodurch weitreichendere Schäden vermieden werden können, und Infrarotkameras minimieren das Auftreten von Bränden in Industrieanlagen. Beschäftigte in Versicherungsunternehmen werden sich zunehmend mit Entwicklung, Planung und Einsatz von IoT-Anwendungen und der Auswertung der von diesen gelieferten Daten auseinandersetzen.