Durch die Digitalisierung hat nahezu jeder Berufszweig mit Data-Science zu tun. Mit künstlicher Intelligenz kann vieles verbessert werden. Dabei geht es oft um das Treffen von schnellen, automatisierten Entscheidungen. Manche Entscheidungen kann man aber auch langsam und geplant treffen, vor allem diejenigen, die den eigenen Lebensweg betreffen.

Disclaimer: Dieser Artikel ist lang, sehr lang. Ich bin mir dessen bewusst, möchte den aber nicht kleinhacken oder kürzen. Deswegen sag ich dir lieber gleich hier, worum es geht und warum er nützlich für dich sein kann:

Ich beschreibe hier meine Biografie als Analyst anhand der Bücher, die ich in den vergangenen 15 Jahren gekauft und zumeist auch gelesen habe.

Ich war in verschiedenen Rollen tätig, um eigentlich nur das zu tun, was mich besonders interessiert: Forschen. Das geht aber nicht, wenn man stehen bleibt. Vor allem nicht, wenn die Digitalisierung an einem vorbeirauscht und alles durchwirbelt.

Hast du ein Interesse daran, mit mir durch 15 Jahre Analysejobs und 70+ Fachbücher durchzurauschen? Das kann dir gute Einblicke in verschiedene Berufe geben. Am Ende habe ich auch drei Buchtipps für den Bereich Data-Science und ein Bild von Super Mario. Los geht’s.

Eine kleine Stimme in mir sagt laufend „Forsche, lerne, verstehe und entscheide“. Wer hat mein Hirn programmiert? Welcher Algorithmus hat mir gesagt, dass ich Data-Scientist werden möchte? In meiner DNA ist „Wissensdurst“ programmiert, das ist zumindest das Ergebnis vom ClifftonStrenghts Assessment, ein stärkenorientierter Fähigkeitstest, der insgesamt 34 Themen abklopft.

Ich lese gern Fachbücher, mag Lernvideos und probiere Dinge am liebsten praktisch aus. Gute Laune bekomme ich, wenn ich ein komplexes Thema, von dem ich NULL Ahnung habe, in Einzelteile zerlege, analysiere und verstehe. Der Data-Science-Job bietet da viel.

Eine gefühlte Unsicherheit im Job schafft mir Motivation fürs Lernen

Auslöser fürs Neu-Lernen ist bei mir meist eine Unsicherheit im Job, ein Unbehagen, dass da was auf mich zukommen könnte, das stresst. Etwas Neues, etwas bei dem es mir schwerfällt (Stand heute), mich anzupassen.

Meine Theorie: Wenn ich sattelfest meine Fähigkeiten in diesem „Neuen Bereich“ geschärft habe, dann macht mir mein Job auch wieder richtig Spaß, dann bin ich im Flow, dann kann ich mich gut orientieren und weiß, wo ich bin.

Die Erfahrung zeigt, dass die Digitalisierung immer mehr von diesen „Neuen Themen“ bringt und das auch noch in einem immer zügigeren Tempo. Das merkt man vor allem dann, wenn man in einem Bereich tätig ist, der direkt mit Daten zu tun hat.

Eine lange Reise: 10 Fachbücher pro Jahr seit 15 Jahren, um „up-to-date“ zu bleiben

Hast du schon mal analysiert, welche Bücher du die vergangenen 15 Jahre bestellt hast? Bei mir sind es über 150 Fachbücher, also rund 10 Bücher pro Jahr. Bei diesen Büchern geht es nicht ausschließlich um technologische Fachthemen, sondern auch um Hilfen zur Projektorganisation, zum Fokusfinden, zum Priorisieren. Ich beleuchte in diesem Artikel die technologischen Fachthemen. Ich mag Excel und habe mir deswegen alle Buchtitel in eine Liste gepackt. Jetzt kann ich genau sehen, in welchen Jahren ich was gelernt habe. Sozusagen eine Dokumentation meiner Lernreise.

Wie praktisch, dass Amazon seit Jahrzehnten mein Kaufverhalten archiviert.

So sieht die Liste der Fachbücher der letzten 10 Jahre aus:

(Angehender) Web-Analyst, bevor ich bei XING angefangen habe

In meinem Job vor XING (bei Gfk SirValUse Consulting) hatte ich schon viele Websites analysiert, allerdings auf Basis von Onlinebefragungen oder Logfiles (Website-Rohdaten). Ich hatte zu der Zeit mitbekommen, dass es Web-Analyse-Tools gibt, und angefangen das Ganze zu lernen. Dies, indem ich außerhalb meines Jobs eine Website gebaut habe, die über Web-Analytics informiert. Gleichzeitig habe ich dort Google Analytics eingebaut und so Theorie und Praxis gleichermaßen gelernt.

Für mich sind Bücher einfach unschlagbar im Vergleich mit Blog-Artikeln. Da hat sich jemand monatelang an ein Thema drangesetzt und in Struktur gegossen. Ich kann Eselsohren reinknicken, Notizen machen, Post-its reinkleben – super! Vielleicht old-school, vielleicht auch nicht. Aus diesen Büchern hab ich gelernt, was Web-Analyse ist und wie man Kennzahlen auswertet. Wie Marketingkampagnen gemessen werden und wie eine Website im Detail analysiert wird.

Dies war das Set an Büchern:

• 2009, Google Analytics. Implementieren. Interpretieren. Profitieren

• 2009, Google AdWords

• 2009, Web Analytics: An Hour a Day

• 2009, Web Analytics. Metriken auswerten, Besucherverhalten verstehen

• 2009, Web Analytics - Damit aus Traffic Umsatz wird

• 2010, Cult of Analytics

• 2010, Complete Web Monitoring

• 2010, Web Analytics 2.0

• 2010, Web Analytics For Dummies

• 2010, Mehr Erfolg durch Web Analytics

• 2011, Web Analytics Action Hero

Ich habe viel an Theorie mitgenommen und praktisch anhand meiner eigenen Website auch alles ausprobieren können. 2012 hab ich dann bei XING angefangen.

Meine Jahre bei XING als Digital Analyst & Conversion Optimierer

Das war eine interessante Zeit. Meine neue Aufgabe bestand anfangs darin, Messlösungen für Produktänderungen zu schreiben. Also gab es für mich erst einmal eine Woche Implementierungsvollzeittraining in London, um da bei Adobe die Grundlagen von Messlösungen zu lernen. Wir waren ein kleines Team, was den positiven Nebeneffekt hatte, dass ich mich mit so ziemlich allen XING Produkten beschäftigt hatte.

Neben Web-Analytics hatte ich mich zu der Zeit auch viel mit User-Experience und Conversion-Optimierung auseinandergesetzt (die Bücher sind hier nicht aufgeführt, weil ich den Fokus in diesem Artikel auf Analytics setze).

Neben uns Web-Analysten gab es eine andere Abteilung, die Data-Analysten. Statt eines Website-Tools wie ich es für Web-Analytics genutzt habe, arbeiteten die Data-Analysten mit SQL direkt in Datenbanken und konnten so Analysen machen, zu denen ich schon rein toolmäßig gar nicht in der Lage war. Das wollte ich auch lernen, also habe ich während meines Jobs als Digital Analyst auch angefangen, SQL zu lernen.

Das Gute war, dass es Menschen um mich herum gab, die sich damit auskannten. Ich weiß noch, wie jemand auf seiner Tastatur SQL-Abfragen eintippte, als würde er einen Brief schreiben, das fand ich beeindruckend. Zu der Zeit hatte ich auch Onlinebefragungen durchgeführt und konnte da auch schöne Analysen machen, um Zusammenhänge aufzudecken, praktisch Data-Science-Skills auf Befragungsdaten, aber eben auch nur auf Befragungsdaten.

• 2012, The Adobe Sitecatalyst Handbook: An Insider's Guide

• 2012, Future Digital Business: Wie Business Intelligence und Web Analytics Online-Marketing und Conversion verändern (mitp Business)

• 2013, Competing on Analytics: The New Science of Winning

• 2013, Analytics at Work: Smarter Decisions, Better Results

• 2013, Web Metrics: Proven Methods for Measuring Web Site Success

• 2014, Business Intelligence: Komplexe SQL-Abfragen am Beispiel eines Online-Shops. Inkl. Testdatenbank mit über zwei Millionen Datensätzen

• 2015, Data Scientist: The Definitive Guide to Becoming a Data Scientist

• 2015, R für Einsteiger

• 2016, Measuring the Digital World

• 2016, R in Action: Data Analysis and Graphics with R

• 2016, Customer Analytics For Dummies

• 2016, Building a Digital Analytics Organization

• 2017, Introducing Data Science

• 2017, Der Mathe-Dschungelführer - Stochastik Bedingte Wahrscheinlichkeit und Satz von Bayes

• 2017, R for Data Science

• 2017, Text Mining with R

• 2017, Digital Analytics: Data Driven Decision Making in Digital World

• 2017, Data Science for Business

• 2017, Storytelling with Data

• 2017, Data Smart: Using Data Science to Transform Information into Insight

• 2017, The Data Science Handbook

• 2017, Machine Learning mit Python

• 2017, SQL Grundlagen: SQL lernen leicht gemacht

• 2017, An Adventure in Statistics: The Reality Enigma

• 2018, Künstliche Intelligenz: Eine Einführung

Ich wollte nicht länger durch ein Online-Tool beschränkt sein, ich brauchte Daten in Zeilen und Spalten. 2014 fing ich an, SQL zu lernen. 2015 kam dann das Interesse an Data-Science. Dies war dann auch mein Einstieg in die Programmiersprache R. 2016 gab es noch viele Blogbeiträge, ob man denn lieber R oder Python lernen sollte. R kam aus dem analytischen Bereich (Biostatistik, Psychologie, Mathematik), Python aus dem Software-Engineering (Informatik). Und da ich vom Hintergrund her Psychologe bin, lag es nahe, R zu lernen. 2017 wollte ich wissen, was Python und Machine Learning ist (Richtig praktisch gelernt hab ich das erst vier Jahre später).

Irgendwann war ich dann jobwechselbereit und konnte das bei XING intern tun.

Mein Wechsel von Digital Analytics zu Data-Analytics

Okay, das war jetzt ’ne andere Nummer. Hatte ich in meinem vorherigen Job noch Reports mit drag & drop gebaut, stand ich hier vor neuen Herausforderungen. Die Daten und die Visualisierung sind gar nicht wie in einem Web-Analysetool in einem. Es gibt Prozesse, um saubere Daten zu generieren, die man dann per Automatisierungslösungen täglich in ein Reporting-Tool lädt.

Ich habe Tools wie Microstrategy und Tableau gelernt. Mit meinen Excelkenntnissen kam ich nicht so weit, die Datenmengen waren weitaus größer. Mein Interesse an Data-Science war ungebremst, und dann hatte ich die Gelegenheit, in unserem Analytics-Team von meiner Kollegin Python zu lernen bzw. sagte sie damals so etwas wie:

Die war superfit in dem Thema, und als ich erstmals die technischen Barrieren überwunden hatte und mein erstes Jupyter-Notebook auf hatte, war ich auch schnell begeistert von dem, was man mit Python machen kann. Später hatte ich dann auch mal gelernt, dass Jupyter für die Programmiersprachen Julia, Python und R steht und ich da auch R-Code laufen lassen konnte. Wahnsinn, was alles möglich ist.

• 2019, SQL For Dummies

• 2019, Statistik Schritt für Schritt

• 2019, Statistik für Human- und Sozialwissenschaftler

• 2019, Multivariate Analysemethoden: Eine anwendungsorientierte Einführung

• 2020, Network Analysis and Visualization in R: Quick Start Guide

• 2020, Data Science from Scratch: First Principles with Python

• 2020, Visual Analytics with Tableau

• 2020, Deep Learning mit Python und Keras

• 2020, AI Crash Course

• 2020, Natural Language Processing in Action

• 2020, SPSS für Einsteiger

• 2020, Confident Data Skills: How to Work with Data and Futureproof Your Career

• 2020, Innovative Tableau: 100 More Tips, Tutorials, and Strategies

• 2020, Big Data in der Praxis: Lösungen mit Hadoop, Spark, HBase und Hive.

Ende 2020 ergab sich dann eine weitere Chance. Es sollte ein neues Team innerhalb unser Analytics-Abteilung gegründet werden mit einer Mischrolle aus Data-Analyst, Data-Scientist und Data-Engineer. Klang super und war auch gleich Anlass, mal zu verstehen, was Big Data ist und was Data-Engineers machen.

Mein Wechsel von Data-Analytics zu Data-Science-Analytics

Im neuen Team habe ich dann eher projektbezogen gearbeitet. Je mehr ich mich mit Data-Science auseinandergesetzt habe, umso mehr neue Themen kamen auf. „Wann hat das Ganze mal ein Ende“ habe ich gedacht. „Wann bin ich so weit, dass ich zumindest ansatzweise verstehe, was so alles zu Data-Science gehört?“

Die Unsicherheit hatte ich auch im Job. Viel Zeit für die Aufbereitung von Daten aufgewendet, um dann zu merken, dass ich noch nicht so weit war, um mal eben schnell eine logistische Regression, Clusteranalyse oder Faktorenanalyse zu rechnen. Mir schwebte so was vor wie ein „Werkzeugkoffer“ für Data Science. Wo wir einfach reingreifen, um dann das richtige Werkzeug für die jeweilige Fragestellung zu haben.

Im Team geht’s besser. Und so haben wir als Team in ein paar Monaten unseren eigenen Werkzeugkoffer gebaut, Skripte in R und Python, um verschiedenste Analysen zu rechnen. Das war ein wichtiger Schritt, um im Alltag voranzukommen.

• 2021, A First Course in Network Science

• 2021, Network Science with Python and NetworkX Quick Start Guide

• 2021, Data Science

• 2021, Hands-On Graph Analytics with Neo4j

• 2021, Big Data

• 2021, Learning Spark

• 2021, Apache Kafka

• 2021, Das Zeitalter der Daten

• 2021, GGPlot2 Essentials: Great Data Visualization in R

• 2021, Approaching (Almost) Any Machine Learning Problem

• 2021, Becoming a Data Head

• 2021, AlleR Anfang ist leicht Datenanalyse mit dem R Commander

• 2022, Conversational AI with Rasa: Build, test, and deploy AI-powered, enterprise-grade virtual assistants and chatbots

• 2022, Data Strategy

• 2023, Data Mesh

• 2023, Mesh of Data

• 2023, Transformers for Natural Language Processing

• 2023, Modern Generative AI with ChatGPT and OpenAI Models

• 2023, Deep Learning illustriert

• 2023, Learn Amazon SageMaker

Bücher sind gut, um Orientierung und Basiswissen zu bekommen. Das praktische Handwerkszeug lerne ich dann aber eher durch Onlinekurse oder durch die Anwendung des gelernten im Arbeitsalltag. Für mich ist Udemy (vor allem IT Onlinekurse) seit 2017 die wichtigste Quelle zum Lernen und Ende 2022 hatte ich den Eindruck, dass ich nun gut im Thema drin bin.

Dann kam ChatGPT, und das Tempo war mir zu hoch. Ich habe nicht verstanden, wie man das nutzen kann (online klar, ja, aber wie verbindet man eine API zu Open AI in einem Jupyter-Notebook). Zum Glück war ich dann drei Onlinekurse später etwas schlauer und bin jetzt erst mal beruhigt, dass mir das neue Thema zumindest nicht ganz fremd ist.

Zusammenfassung: Dreifacher Quereinstieg oder Transformation?

Web-Analyst -> Data Analyst -> Data Scientist: Im Jahr 2012 habe ich bei XING als Web-Analyst angefangen. Viel ist seitdem passiert. Insgesamt haben mich viele Themen begleitet: Google Analytics, Web-Analytics, Digital Analytics, Conversion-Optimierung, Business-Intelligence, R für Einsteiger, Textmining, Data-Storytelling, SQL-Grundlagen, Tableau, Data-Science, Network-Analytics, Big Data, Natural-Language-Processing und aktuell Sachen zu Data-Engineering und Amazon Cloud.

Anhand der Lernhistorie kann ich meine Reise, Quereinstiege oder Transformation gut ablesen: Von „Web Analytics & Conversion Optimierung“ zu „Data Analytics“ zu „Data Science“. Und irgendwie nutze ich das alles auch noch heute, also drei Berufe in einem sozusagen.

Wenn du jetzt den Eindruck hast, dass Data-Science nix für dich ist, dann gefällt dir vielleicht dieser Artikel -> Traumjob gefunden: Mit diesem Code entschlüsselst du deine berufliche Bestimmung.

Das waren jetzt viele Bücher. Und je nachdem wohin die Reise geht, können einige davon ganz nützlich sein. Wenn du auch die „Data Science Reise“ antreten möchtest oder schon mitten drin bist, dann habe ich 3 Buchtipps für dich.

1. Data Strategy (Bernard Marr) - How to profit from a world of big data, analytics and artificial intelligence.

2. Das Zeitalter der Daten (Holger Aust) - Was Sie über Grundlagen, Algorithmen und Anwendungen wissen sollten

3. Confident Data Skills (Kirill Erenmenko) - How to work with data and futureproof your career.

Welche Bücher bieten mir einen guten Einstieg in das Thema Data-Science?

DATA STRATEGY (Bernard Marr, 2022, 244 Seiten): In seinem Buch „Data Strategy – How to profit from a world of big data, analytics and artificial intelligence” beschreibt Marr insgesamt die 6 häufigsten Anwendungsfälle aus der Praxis:

1. Entscheidungen verbessern

2. Kunden und Märkte verstehen

3. Bessere Produkte bauen

4. Bessere Services anbieten

5. Geschäftsprozesse optimieren (Kosten sparen)

6. Umsatz machen

Nachdem Marr die Anwendungsfälle beschrieben hat, folgen Hilfen, die eigenen „Use Cases“ zu formulieren. Dann geht’s weiter mit Themen über die Umwandlung von Daten zu Wissen. Dazu braucht man die nötige Technologie, Daten Infrastruktur und den Aufbau von Fachkompetenzen im eigenen Unternehmen. Mit Künstlicher Intelligenz muss man verantwortungsvoll umgehen können, deshalb gibt es auch ein Kapitel über „Artificial Intelligence - data governance, ethics and trust“.

Mir gefällt das Buch, weil es Sinn gibt. Jede Tätigkeit lässt sich in eine Schublade packen. Manchmal bekomme ich Aufgaben und sage mir „He? Warum soll ich denn das jetzt machen? Was nützt das denn?“. Die „Use Cases“ sind dann oft der Schlüssel, der zeigt, warum das Ganze Sinn macht – oder auch nicht. Oder wenn du proaktiv in deinem Bereich etwas verbessern willst. Dann schnappst du dir einen „use case“, formulierst diesen aus – und fängst an.

Du kannst Bernard Marr übrigens auch bei XING folgen, wo er regelmäßig Insider-Artikel veröffentlicht. Weitere Seiten, die ich persönlich neben der von Bernard Marr folge sind XING Business Intelligence (BI)/ KI & Big Data oder BigData-Insider.

Ein weiteres Buch, dass mir gut gefällt ist das von Holger Aust. DAS ZEITALTER DER DATEN (Holger Aust, 2021, 243 Seiten): Wie funktioniert eine Suchmaschine? Wie kann ich das Abwandern meiner Kunden verringern? Wie funktioniert eine Kaufempfehlung? Wie funktioniert eine Gesichtserkennung? Wie funktioniert ein Routenplaner? Wie kann ich Käufe vorhersagen und meinen Lagerbestand optimieren? Wie kann ich Kreditkartenbetrüger erkennen? Das sind Fragen, die im letzten Kapitel beantwortet werden. Um das zu können, muss man die „Kunst mit Daten umzugehen“ beherrschen. Was lernt man in diesem Buch?

Bei der Kunst mit Daten umzugehen, geht es um den Dreiklang aus Data-Science, Machine-Learning und künstlicher Intelligenz. In einzelnen Kapiteln wird erklärt, wie eine Maschine lernt (Supervised Learning, Unsupervised Learning, Reinforcement Learning).

• Beim Supervised Learning wird ein Algorithmus darauf trainiert, etwas zu klassifizieren oder vorherzusagen. Klassisches Beispiel ist, dass man die Maschine mit Hunde- und Katzenfotos füttert und dem System sagt, was ein Hund und eine Katze ist. Das System lernt dann ganz von selbst, was die Merkmale sind, die zur Unterscheidung beitragen und kann so das Wissen auf neue Fälle anwenden. Zum Supervised Learning gehören auch Zeitreihenanalysen (Time Series), bei denen aus historischen Daten die Zukunft vorhergesagt wird.

• Das Unsupervised Learning hat keine Vorgaben und dient dem Aufdecken von Gemeinsamkeiten und clustern in Gruppen (z.B. Cluster-Analyse).

• Das Reinforcement Learning arbeitet mit einem Belohnungs- und Bestrafungssystem, bedeutet: Pluspunkte, wenn man dem Ziel näherkommt, Minuspunkte, wenn man sich dem Ziel entfernt. Auf diese Art und Weise lernt ein Computer das Computer Spielen. Oder ein Auto lernt zu fahren.

Wer KI nutzt, sollte wissen, dass es Risiken und ethische Bedenken gibt (z.B. ungewolltes Trainieren von Vorurteilen, beim Programmieren vom Entscheidungscode bei selbst fahrenden Autos im Falle von unausweichlichen Unfällen, beim Einsatz von KI in Waffen).

Das Problem ist, dass KI meist mit Neuronalen Netzen trainiert wird, die für uns Menschen eine Black-Box sind. Es ist schwer nachvollziehbar, weshalb eine Maschine eine bestimmte Entscheidung getroffen hat. Man weiß nur: „Es funktioniert“. Aber was, wenn nicht? Der Entscheidungsplan der Maschine liegt in einer Black-Box nicht vor und deshalb ist es schwer, diese zu kontrollieren. Mit Explainable AI ist ein neuer Ansatz entstanden, diese „Black-Boxen“ besser zu verstehen.

Im Buch geht es weiter mit einem Kapitel zu den Aufgaben im Umgang mit Daten: Import, Bereinigung, Exploration, Modellierung (Algorithmen), Evaluation des Models, Interpretation der Daten und Story Telling mit Hilfe von Visualisierungen. Bei der Automatisierung von Entscheidungen kommt noch die Veröffentlichung des Models hinzu (Deployment).

Kann man das Gehirn kopieren? In einem der letzten Kapitel erklärt Holger Aust, was künstliche Neuronale Netze sind. Beschrieben werden das ANN (Artificial Neural Network), das CNN (Convolutional Neutral Network) und das RNN (Recurrent Neural Network), sowie deren Weiterentwicklung das LSTM (Long- Shortterm Memory) und die GANs (General Adversarial Network). Jedes dieser Neuronalen Netze hat besondere Stärken: ANN (Anwendung auf Zahlen), CNN und GANs (Anwendung auf Bilder), RNN und LSTM (Anwendung auf Texte).

Das Buch bietet insgesamt mit 243 Seiten eine kompakte Übersicht über alle relevanten Themen zu Data Science. Besonders gefallen mir die Visualisierungen im Buch, die Holger Aust einsetzt, um komplexe Themen wie Neuronale Netze zu erklären.CONFIDENT DATA SKILLS (Kirill Erenmenko, 2020, 297 Seiten): Mit dem Untertitel „How to work with data and futureproof your career” bietet Kirill Erenmenko ein kompaktes Nachschlagewerk. Ähnlich wie im Buch von Holger Aust werden alle Bereiche von Data Science angegangen und das Herzstück ist für mich der Teil „Data Analysis“. Auf rund 100 Seiten werden sämtliche Methoden aus dem Werkzeugkoffer Data Science beschrieben (kompakt und visuell gut aufbereitet). Ich habe von Kirill Erenmenko verschiedene Kurse auf Udemy gemacht, darunter „Data Science from A-Z“ und „Machine Learning from A-Z“. Dies Buch bietet daher auch ein gutes Begleitmaterial zu den Videos und praktischen Übungen im Onlinekurs.

Praktische Tipps für einen Job

Nutze Chat GPT als Berufsberatung:

"Du bist Berufsberater. Erstelle ein detailliertes Berufsprofil für den Beruf: Data Scientist. Beginne mit der Überschrift Dein Berufsprofil als .... Schreibe die Beschreibung so, als würdest du sie einer 29-jährigen Person erklären, die einen Job sucht bzw. offen für einen Jobwechsel ist. Beginne mit einer Frage wie 'Magst du ...?' und benenne die Top 10 Fähigkeiten, die man in diesem Beruf braucht und nenne es HARD SKILLS / SOFT SKILLS. Füge außerdem 5 alternative Berufe als Liste hinzu, die gleiche Fähigkeiten erfordern, und nenne dies ALTERNATIVE BERUFE."

Ergebnis (in Kurzform)

1. Hard Skills: Programmierkenntnisse, Statistik und Mathematik, Datenbankmanagement, Maschinelles Lernen, Datenvisualisierung, Big Data-Technologien, Data Cleaning, Kommunikationsfähigkeiten, Domänenkenntnisse, Ethik und Datenschutz

2. Soft Skills: Analytisches Denken, Kreativität, Teamarbeit, Kritisches Denken, Zeitmanagement

3. Alternative Berufe: Business Analyst, Machine Learning Engineer, Data Analyst, Quantitativer Analyst, Data Engineer

oder

"Welche Berufe kann ich mit den Skills SQL, Python und AWS machen?"

Ergebnis (in Kurzform): Datenbankadministrator, Datenanalyst, Data Engineer, Cloud Engineer, DevOps Engineer, Machine Learning Engineer/Data Scientist, Full-Stack-Entwickler, Cloud-Architekt, Business Intelligence (BI) Analyst, IT-Projektmanager

Ich finde die Ergebnisse erstaunlich gut (Mal von davon abgesehen, dass ich die Trennung von Soft Skills und Hard Skills nicht ganz so passend finde). Warum erstaunlich gut? Weil ich mir Ähnliches in unserer XING Datenbank angesehen habe. Schaue selbst: Dies sind die Top 25 Skills (nach Top Position sortiert) aus allen XING-Profilen mit dem Beruf Data Scientist / Data Scientistin: Python, Machine Learning, Data Science, Data Analysis, SQL, R, Big Data, Software Development, Statistics, MatLab, Java, C/C++, Deep Learning, Teamfähigkeit, Künstliche Intelligenz, Project Management, Analytisches Denken, MS Office, Git, Business Intelligence, Analytik, TensorFlow, Apache Spark, Natural Language Processing, Linux.

Zum Thema "ChatGPT als persönliche Berufsberatung", siehe dazu auch den Artikel von Martin Salwiczek -> ChatGPT als Jobcoach? Was die künstliche Intelligenz für Deinen Berufseinstieg leisten kann

Wieso klappt das bei Chat-GPT so erstaunlich gut? Weil OpenAI (die Firma hinter ChatGPT) auch Millionen öffentliche Stellenanzeigen ausgelesen hat.

Millionen von öffentlichen Stellenanzeigen hat sich auch YouTube Star Luk Barousse angesehen und stellt diese öffentlich in einer Datenbank zur Verfügung. Hier bekommst du dann auch nochmal einen guten Eindruck über die gefragtesten Skills.

Und was ist jetzt von all dem am Wichtigsten? Worauf kann ich mich am besten für die Zukunft vorbereiten? Zum Thema 'Skills der Zukunft' ist wahrscheinlich Neugier und kontinuierliches Lernen die wichtigste Kompetenz, siehe dazu auch den Artikel von Bernard Marr -> Zehn Berufskompetenzen, die jeder in den nächsten zehn Jahren braucht .

Beim Suchen & Finden deines Traumjobs kannst du verschiedene Suchstrategien anwenden, z.B. nach Beruf Data Scientist (1.533 Treffer, Stand: 26.10.2023). Oder du erhöhst deine Chancen durch eine generische Suche und den Suchbegriff Data Science (4.588 Treffer). Dann wirst du schon ein paar mehr Berufe finden, wie z.b. Data Scientist, Data Analyst, Machine Learning Engineer, Big Data Engineer, Artificial Intelligence Specialist... Was auch gut geht, ist einfach ein paar Skills einzugeben, z.B. Python, SQL (1.586 Treffer).

Die Gehälter für Data-Jobs liegen zwischen 55.000 - 65.000 €, quelle Kununu nach Eingabe verschiedener Jobs: Data Scientist, Business Analyst, Data Analyst, Data Engineer. Auf der Website von Kununu kannst du dir die Gehälter dann nochmal genauer ansehen. So kann man z.B. im Bereich Data Science mit mehr als 10 Jahren Berufserfahrung 90.000 € verdienen.

Boxenstopp: Und wie geht's weiter?

Danke, dass du bis hier hin gelesen hast und mich ein wenig auf die Reise der letzten Jahre begleitet hast. Jetzt ist erstmal Boxenstopp (Auftanken, Reflektieren, Weiterfahren). Wir sind über Fachbücher eingestiegen und damit möchte ich diesen Artikel auch beenden.

Aktuell lese ich ein sehr inspirierendes Buch: "Vom Beruf zur Berufung. Wie Sie einen tollen Job und persönliche Erfüllung finden" von Stephen R. Covey. Im Kern geht es darum, dass wir keine wandelnde Stellenbeschreibung sind (die auch gut austauschbar ist), sondern einzigartige Menschen mit Persönlichkeit und individuellen Lebensläufen und Erfahrung. Wir helfen durch unsere Beiträge Probleme zu lösen.

Bedeutet: SQL, Python, AWS, Statistik kann alles nützlich sein, aber wir sind mehr als das. Vielleicht wird das ein Thema meines nächsten Artikels (dann folge mir gern).

Danke & Tschüss erstmal :)

War dieser Artikel von Mario super für dich? Dann freue ich mich über ein Like.