Data Scientist Berufschancen: Im letzten Jahrzehnt hat sich die Data Science von einigen vereinzelten Keimlingen zu einem wachsenden Wald entwickelt. Für das Jahr 2020 wird geschätzt, dass jede Sekunde für jeden Menschen auf dem Planeten etwa 1,7 Megabyte neue Informationen geschaffen werden, und bis 2025 wird der Markt für künstliche Intelligenz (KI) ein Volumen von über 100 Milliarden US-Dollar erreichen (IDC).
Darüber hinaus wurde der Beruf des Data Scientist zum fünften Mal in Folge von Glassdoor und im LinkedIn 2019 U.S Emerging Jobs Report als der beste Job in den USA ausgezeichnet. Der Bericht zeigt auch, dass es der am schnellsten wachsende Beruf ist, bei dem 6,5-mal so viele Mitglieder wie vor fünf Jahren ihn als Beruf angeben.
Die Zeit für Data Scientist-Teams in Unternehmen aller Branchen ist reif für eine Expansion. Dabei haben sie zwei Möglichkeiten:
- Die Einstellung von bereits ausgebildeten Mitarbeitern, die von der zunehmenden Verbreitung von Grundausbildungen im Bereich Data Science profitieren.
- Die Ausbildung von Mitarbeitern, die sich bereits mit anderen Themen beschäftigen (Versicherungsmathematiker, Marketingmanager usw.).
Aber wie wählt man zwischen diesen beiden Lösungen? Die Teams von DataScientest haben die Vor- und Nachteile der beiden Optionen untersucht.
Die Einstellung von Data Scientists - Date Scientist Berufschancen für Bewerber
Die Einstellung von Data Scientists hat viele Vorteile.
Zunächst einmal kann die Suche auf einen bestimmten Typ von Profil fokussiert werden. Die Rekrutierung des Teams ermöglicht es, jedem Einzelnen eine Aufgabe zuzuweisen, die auf seinem Profil, seinem akademischen Hintergrund und seinen Vorlieben beruht. Das Ziel der Rekrutierung ist es, ein effizientes Team zu bilden, in dem jeder eine klar definierte Aufgabe erfüllt.
Andererseits haben Junior Data Scientists gerade erst ihr Studium abgeschlossen. Das Wissen, das sie benötigen, ist noch frisch und ihre Sicht auf die Position wird nicht durch frühere Erfahrungen und externe Faktoren verzerrt sein. Die Motivation und das Durchhaltevermögen, die diese jungen Menschen mitbringen, werden auch in ihre Arbeit einfließen und zu besseren Ergebnissen führen. Bei der Einstellung von Personen mit 0-5 Jahren Berufserfahrung handelt es sich um Profile, die mit den Technologien des Daten-Ökosystems vertraut sind und über solide theoretische Grundlagen und praktische Fähigkeiten verfügen.
Allerdings ist die Einstellung, wie bei allen Stellen und insbesondere bei Stellen mit einer starken technischen Dimension, mit nicht zu vernachlässigenden Kosten für das Unternehmen verbunden. Es müssen eine Reihe von Gesprächen und Tests durchgeführt werden, um neue Mitarbeiter zu integrieren, was sowohl finanzielle als auch organisatorische Opfer mit sich bringt. Unabhängig davon, ob das Unternehmen den gesamten Prozess auslagert oder intern durchführt, müssen Zeit, Geld und Energie investiert werden, um ein effizientes und produktives Data Science-Team aufzubauen.
Außerdem sind die Profile, um die es hier geht, immer noch selten. Die Kandidaten haben oft nur wenig Berufserfahrung (in Bezug auf den Sektor des Unternehmens, in dem sie arbeiten könnten), aber sie haben vor allem aufgrund ihres akademischen Hintergrunds hohe Gehaltsforderungen: 88 % von ihnen haben einen Masterabschluss und 46 % einen Doktortitel in sehr selektiven Studiengängen, meist in Mathematik und Statistik, Informatik oder Ingenieurwissenschaften. Sie sind Teil eines Marktes, in dem es an Profilen mangelt.
Die Fortbildung von bereits beschäftigten Mitarbeitern: eine gewinnbringende Wette?
Während die Einstellung von Data Scientists mit erheblichen finanziellen und organisatorischen Kosten verbunden ist, ist die Umschulung von bereits beschäftigten Mitarbeitern oder „reskilling“ wesentlich einfacher umzusetzen. Sie wird in den meisten Fällen ausgelagert und es sind keine organisatorischen Anpassungen für das Unternehmen erforderlich.
Hinzu kommt, dass diese Art von Ausbildung weitgehend durch Unternehmenszuschüsse finanziert wird und dass sie Kosten darstellen, die von den Gruppen bereits unter Kontrolle gehalten werden: So wird z. B. ein Beauftragter für statistische Studien nach Abschluss seiner Ausbildung keine horrende Gehaltserhöhung verlangen, während die Einstellung eines Data Scientists sich als teuer erweisen könnte.
Über diese Einfachheit hinaus wird das Reskilling von Mitarbeitern zur Integration von Data Scientists führen, die mehr „Generalisten“ sind. Mit den berufsbezogenen Kompetenzen, die sie im Laufe ihrer Karriere erworben haben, werden sie eine bereichsübergreifende Sichtweise einbringen: Sie kennen die Daten des Unternehmens bereits und werden folglich einen relevanteren Umgang mit ihnen haben.
Die Profile, die man in den meisten Fällen findet, sind Statistiker, Web-Marketer oder ganz einfach Versicherungsmathematiker, die innerhalb von 9 Monaten eine Stunde pro Tag an einer Data Science Weiterbildung teilnehmen können, um ihre Fähigkeiten zu erweitern.
In der Praxis ist das Ziel der Data Science nicht die Ausführung. Ihr Ziel besteht vielmehr darin, zu lernen und neue berufliche Fähigkeiten tiefgreifend zu entwickeln. Algorithmische Produkte wie Empfehlungssysteme, Präferenzklassifizierung, Logistikoptimierer, Vorhersage von saisonalen Trends usw. können nicht im Voraus entworfen werden. Sie müssen gelernt werden. Es gibt keinen Plan, dem man folgen kann; es sind neue Fähigkeiten, die von Unsicherheit geprägt sind. Koeffizienten, Modelle, Modelltypen, Hyperparameter – alle notwendigen Elemente müssen durch Experimente, Fehler und Iterationen präzisiert werden.
Ein Nachteil dieser Alternative besteht jedoch darin, dass die betreffenden Profile erfahren sind und sich daher manchmal gegen Veränderungen sträuben. Dies könnte jedoch durch ihre Bereitschaft, neue Fähigkeiten zu erwerben, abgeschwächt werden.
Die goldene Lösung: eine hybride und firmenspezifische Wahl
Da die Flut an erstellten und gesammelten Daten von Jahr zu Jahr explodiert, ist klar, dass Unternehmen aller Branchen nicht darum herumkommen werden, ihre Data-Science-Teams komplett umzukrempeln.
Dabei haben sie zwei Möglichkeiten: Neue Data Scientists einstellen, die ein effizientes und produktives Team bilden, in dem jeder ein Glied in einer Kette ist, oder bereits vorhandene Mitarbeiter ausbilden. Letztere sind weniger spezialisiert, aber stärker bereichsübergreifend und können ehrgeizigere Ziele erreichen, indem sie im Laufe ihrer Tätigkeit lernen und iterieren.
Die Wahl wird also je nach Branche und Zielen der Unternehmen sowie dem Gewicht, das sie ihren Data-Teams geben wollen, getroffen werden. Je tiefgreifender die angestrebte Umstrukturierung ist, desto eher sollten sie bereits ausgebildete Data Scientists einstellen..
Umgekehrt werden Sektoren, die für die erfolgreiche Durchführung eines Projekts grundlegende Fachkenntnisse benötigen, zunächst eher auf Reskilling setzen, bevor sie ihre Teams mit frischen „Nuggets“ ergänzen können. Dies ist z. B. in der Versicherungsbranche der Fall.
Alles in allem sollten die Unternehmen nicht aus den Augen verlieren, dass das Gewicht der Data Sciences in den nächsten Jahren explodieren wird, wie alle zu diesem Thema durchgeführten Studien bestätigen (Generaldirektion für Unternehmen, Bericht über Schlüsseltechnologien des Ministeriums für Wirtschaft und Finanzen usw.). Ihr Erfolg wird vor allem auf ihrer Fähigkeit, sich anzupassen und die strategischen Entscheidungen zu treffen, die für ihren Fortbestand notwendig sind, beruhen.
