Reicht reine Data Science aus?

- Dr. Theo SteiningerCo-Founder & CEO von Erium
- Dr. Maksim GreinerCo-Founder & CTO von Erium
- Moderatorin/Moderator (Speaker1)Podcast-Moderator, vermutlich internes Erium-Teammitglied
Überblick
In dieser kurzen Recap-Folge diskutieren Theo Steininger und Maksim Greiner, ausgehend von einem Audio-Snippet einer frueheren Gastepisode mit Felix, ob reine Data-Science-Kenntnisse fuer eine erfolgreiche Karriere ausreichen. Im Mittelpunkt steht die Frage, wie wichtig Domainwissen und Anwendungsbezug neben methodischen Tools sind - sowohl fuer Berufseinsteiger als auch fuer Unternehmen.
Zusammenfassung
Ausloeser: Das Beispiel Felix und der Crossover zwischen Data Science und Medizin
Als Aufhaenger dient ein Zitat aus einer frueheren Folge mit einem Gaesten namens Felix, der bereits waehrend seines Studiums einen engen Bezug zur Medizin aufgebaut hat. Er beschreibt, dass sein medizinisches Wissen nicht tief genug geht, um selbst Diagnosen zu stellen, aber ausreicht, um mit Aerzten sinnvoll kommunizieren zu koennen. Dieses Beispiel zeigt exemplarisch, wie ein fruehzeitiger Anwendungsbezug den Berufseinstieg deutlich erleichtern kann.
Was Arbeitgeber von Berufseinsteigern erwarten - und was sie wirklich prufen
Theo Steininger beschreibt, dass er bei Bewerbungsgespraechen gezielt danach sucht, ob Menschen neben technischen Methoden und Tools auch ein konkretes Anwendungsgebiet haben, fuer das sie wirklich brennen. Praktische Erfahrung - etwa durch Praktika - spielt dabei eine wichtige Rolle. Wer ausschliesslich Tools aufzaehlen kann, ohne einen echten Use-Case-Bezug, wirkt weniger ueberzeugend als jemand, der zeigt, wofuer das Gelernte eingesetzt werden soll.
Proaktiv vs. reaktiv: Wie man Domainwissen aufbaut
Die Diskussion beleuchtet zwei Wege zum Aufbau von Fachwissen ausserhalb der Data Science: Wer bereits fuer eine bestimmte Branche brennt, kann proaktiv tief einsteigen - pokert dabei aber, ob dieser Markt auch Chancen bietet. Alternativ kann man reaktiv vorgehen und sich das notwendige Domainwissen aneignen, sobald man im Job mit konkreten Use Cases konfrontiert wird. Als positives Beispiel wird auch Tobias Gierschik erwaehnt, der bewusst verschiedene Branchen ausprobiert hat, um herauszufinden, welche ihn am meisten begeistert.
Self-fulfilling Prophecy: Wie Spezialisierung Firmen und Beratungen praegt
Maksim und Theo zeigen auf, dass das Phaenomen der Pfadabhaengigkeit nicht nur Einzelpersonen betrifft, sondern vor allem Unternehmen und Beratungen. Wer in einer Branche Erfahrung gesammelt hat, kennt den Jargon, hat Referenzen und gewinnt dadurch Folgeprojekte - waehrend der Einstieg in neue Branchen schwer faellt. Erium selbst ist ein Beispiel: Durch fruehe Anfragen aus der produzierenden Industrie hat sich das Unternehmen in dieser Domaine tief spezialisiert. Als Loesungsansaetze werden AutoML sowie Modellierungssprachen genannt, die Experten-Know-how fuer Data Scientists leichter zugaenglich machen sollen.
Data Science ist kein reines Handwerk - Domainkenntnis entscheidet ueber Erfolg oder Scheitern
Ein zentraler Punkt der Diskussion ist der Unterschied zwischen Softwareentwicklung und Data Science. In der Softwareentwicklung koennen Entwickler mit reiner Tool-Fokussierung zumindest als mittelmassig gute Entwickler bestehen. Im Data-Science-Bereich hingegen entscheidet Domainwissen darueber, ob ein Projekt ueberhaupt zum Erfolg wird. Wer den Use Case seiner Kunden nicht versteht, riskiert, mit seinem Projekt komplett zu scheitern. Diese Erkenntnis sollten Data-Science-Interessierte fruehzeitig verinnerlichen.
Langfristige Motivation: Inhalt statt Tool im Mittelpunkt
Maksim Greiner bringt die Motivationsperspektive ein: Wer langfristig nur Tools anwendet, ohne echten inhaltlichen Bezug, wird frustriert und langweilt sich. Wer dagegen ein konkretes Problem loest - sei es im Finanzmarkt, in der Medizin oder in der Industrie - und die Werkzeuge dabei in den Hintergrund ruecken laesst, erlebt tiefere Befriedigung. Theo ergaenzt, dass das Studium eine gute Phase ist, um den Werkzeugkasten zu fuellen - aber nach dem Abschluss der Fokus-Shift auf das Bauen und Anwenden folgen sollte.
Kernaussagen
- Reine Data-Science-Methodenkenntnisse reichen nicht aus - Anwendungsbezug und Domainwissen sind entscheidend fuer den Berufserfolg.
- Arbeitgeber suchen bei Einsteigern nicht nur Tools, sondern echte Begeisterung fuer ein konkretes Anwendungsgebiet.
- Domainwissen kann proaktiv durch gezielte Branchenwahl oder reaktiv durch Lernen im Job aufgebaut werden - beides ist legitim.
- Spezialisierung auf eine Branche ist fuer Personen und Firmen eine 'self-fulfilling prophecy' mit Vor- und Nachteilen.
- Im Gegensatz zur Softwareentwicklung entscheidet Domainverstaendnis in der Data Science oft darueber, ob ein Projekt gelingt oder scheitert.
- Langfristige Motivation entsteht, wenn der inhaltliche Zweck der Arbeit im Mittelpunkt steht - nicht das Tool selbst.
- Das Studium eignet sich zum Aufbau des methodischen Werkzeugkastens; danach sollte der Fokus auf die konkrete Anwendung wechseln.
Fazit
Die Folge macht deutlich: Wer in der Data Science langfristig erfolgreich und zufrieden sein will, darf sich nicht auf Tools und Methoden allein verlassen. Domainwissen, Neugier auf Anwendungsfelder und die Bereitschaft, sich in die Welt der Kunden einzudenken, sind genauso wichtig wie technische Faehigkeiten - und oft der entscheidende Unterschied zwischen Projekterfolg und -scheitern.
Fuer Studierende und Berufseinsteiger
Nutzt Praktika und Projekte, um fruehzeitig einen Anwendungsbezug zu entwickeln. Wer zeigen kann, wofuer er Data Science einsetzen moechte, ueberzeugt im Bewerbungsgespraech weit mehr als jemand, der nur eine Tool-Liste vorweisen kann.
Fuer Data Scientists in Unternehmen und Beratungen
Seid bereit, euch in die Fachdomaenen eurer Kunden einzuarbeiten - denn genau dort liegt der Schluessel zu nachhaltigem Projekterfolg und langfristiger Motivation.
Volltranskript anzeigen
Speaker0: Ihr hört die Ihrem Podcast, der Data Science- und Machine Learning Podcast für Studienabsolventen und Young Professionals.
Speaker1: So, Theo und Maxim, ich hab euch heute wieder ein kleines Audio Snippet mitgebracht. Diesmal geht's etwas, was mich selber tatsächlich auch sehr beschäftigt. Wir hören mal rein, was uns der Felix aus unserer Folge mit ihm zu sagen hat. Wie weit reicht denn dann dein medizinisches Wissen, jetzt mal doof gefragt, beziehungsweise wie viel Kommunikation braucht es dann noch mit mit anderen Leuten? Also ist es da wirklich, jeden Tag wird sich ausgetauscht mit Leuten aus allen Branchen oder sagt dir, alle 2 Wochen kommt 'n Arzt vorbei und schaut, ob das so passt? Oder wie genau kann man sich das vorstellen?
Speaker2: Ja, das ist tatsächlich essenziell. Also tatsächlich mein mein eigenes medizinisches Wissen begrenzt sich darauf, dass ich eben einigermaßen die Ärzte verstehen muss, mit denen ich spreche, aber nicht so tun muss, als als wüsste ich wovon ich rede und da könnte Diagnose werden. Ja, allerdings ist das so, dass wir eben im Studium auch schon Kliniken besucht haben, eben auch Operationen ist eigentlich.
Speaker1: So, jetzt stellen wir uns mal einen Studienabsolventen vor, Theo. Der kommt zu dir, ist frisch vom Studium und hat sich jetzt nicht so wirklich wie der Felix während des Studiums schon son bisschen mit Medizin auseinandergesetzt oder mit irgend 'nem anderen Bereich, der jetzt nicht grade ist, also er hat sich nicht damit auseinandergesetzt und kommt zu dir und möchte sich bewerben. Wie wirkt das auf dich oder was hat der denn da für Chancen bei dir?
Speaker3: Das ist natürlich schon mal eine schwierige Situation. Also als Studienabsolvent, alle erwarten von dir, dass Du als frischer Studienabsolvent schon mal 10 Jahre Berufserfahrung mitbringst und gleichzeitig ist es aber ein Thema, das man, denke ich, auch als Student auf dem Schirm behalten sollte und auch kann, zum Beispiel über Praktika, dass man sich nicht nur mit den Inhalten im Studium auseinandersetzt und da geht's mir gar nicht die Unterscheidung Theorie und Praxis, sondern die Unterscheidung Methode und Tool und Anwendung, wo kommt das Ganze dann zum Einsatz? Und dort ist es für mich als jemand, der die Lebensläufe dann auch screen und auch die Gespräche führt, versucht rauszufinden, wofür brennen die Personen, was finden die cool, dass ich auch merk, okay, abseits jetzt von 'nem coolen technischen Tool oder 'ner Methode in 'ner Programmiersprache gibt's ein Anwendungsgebiet, für das sich die Leute total begeistern können und die haben das auch schon in der Praxis auch mal ausprobiert, zum Beispiel eben über 'n Praktikum.
Speaker4: Ja und da finde ich, da hat's natürlich Felix sehr stark gemacht mit dem schon während der Abschlussarbeit und des Studiums, dieser krasse Crossover zwischen Data Science und Medizin. Und damit kommt er ja mit dieser Anwendung, mit der mit dem Bezug seiner Methodik bereits direkt rein dann ins Rennen. Das ist natürlich 'n Luxus, den hat jetzt nicht jeder. Also viele Absolventen werden wahrscheinlich eher so sein, ja, ich hab jetzt halt einige Tools gelernt und denken, ich bewerbe mich jetzt als Experte für Deep Learning. Ohne jetzt konkret im Kopf zu haben, wofür Wofür das Deep Learning? Und weil sie ja noch keine Erfahrung gesammelt haben mit konkreten Praxisbedarfen. Und da denk ich, ist einfach wichtig, die Bereitschaft zu haben, sich dann auf das zu spezialisieren, was einem begegnet. Also sich das Praxiswissen der Use Cases anzueignen und so wie der Felix eben son halber Mediziner geworden ist, dann ein kleiner Experte für Bereich x y zu werden. Und da reaktiv vorgehen, denk ich, ist dann eine natürliche Vorgehensweise. Also schauen, welche Möglichkeiten sich bieten und da dann halt dazulernen. Man kann natürlich, wenn man von vornherein fürn Bereich brennt, da proaktiv reingehen, aber dann pokert man natürlich auch 'n bisschen.
Speaker3: Was ich da ziemlich cool fand, war auch das, wie das der Tobias Gierschik gemacht hat. Dass der einfach auch verschiedene Branchen ausprobiert, von Biotech, jetzt bei Drechselmeier, das ist cool, ja? Einfach auszuprobieren, weil es muss auch nicht immer so diese self forilding Professacy sein, dass man irgendwo reinrutscht, so wie es uns ja am Ende jetzt irgendwie passiert ist. Also, bei Eriam, wir wurden angesprochen, einfach von Konzernen aus der produzierenden Industrie und das hat uns bis heute geprägt, weil es einfach so sauwichtig ist, dass Du dich in dem Use Case und der Domäne auskennst. Aber wer weiß, also wir sind jetzt heute an diesem Stand und der ist auch, nicht zu verachten, aber wer weiß, vielleicht von 'nem Greenfield her gedacht und der Möglichkeit noch mal zu explorieren, wär der Ansatz, den wir heute haben, in 'ner anderen Domäne noch mal viel mächtiger.
Speaker4: Ja, das ist diese Selfefilling Prophacy, die ist auch eben nicht nur für Einzelpersonen, sondern noch viel mehr für Firmen und Beratungen vor allem entscheidend. Also sagen wir mal, eine Data Science Beratung, die hat jetzt in 'ner bestimmten Branche Erfahrung gesammelt. Dann hat sie zu dieser Branche den besten Zugang. Immer wenn die jetzt in eine andere Branche reinschnuppern, dann kennt die dort den Jargon nicht, hat keine Referenzen. Ist eine Riesenlimitierung. Da wo die Know how eingesammelt haben, da kommen sie dann auch zu den Folgeprojekten und und kommen immer tiefer ins Rabbit Hole. Das ist eigentlich auch vollkommen fein, ja? Aber es heißt halt, Du bist halt dann mehr oder weniger auf die Klasse von Use Cases, also von Anwendungen, wo Du Erfahrungen gesammelt hast son bisschen so limitiert. Und genau deswegen gibt es ja jetzt auch immer mehr Versuche Data Science noch näher zum Experten zu bringen, damit dieser Zyklus durchbrochen werden kann. Also da gibt's jetzt so die Sachen mit dem, dass da zum Beispiel versucht wird den Data Scientist ganz rauszunehmen über AutoML, also Autom Machine Learning oder so was. Aber wir haben ja auch zum Beispiel von Silvia gehört in der einen Folge, dass so leicht ist das halt alles noch nicht. 'N anderer Ansatz ist, man versucht möglichst leicht an das Expertenhirn sich anzuzapfen, ja? Also das ist ja der Weg den wir gehen. Also versuch, die Modellierungssprache so eindeutig zu machen. So also einfach, damit der Date der der Experte sein Wissen quasi superleicht strukturiert raushauen kann und das dann gleich in der Form ist, die für den Data Scientist auch geeignet ist. Dann hat man natürlich auch eine leichtere Transition zwischen den verschiedenen Domänen.
Speaker3: Ja, aber nichtsdestotrotz, also was ich schon auch wahrgenommen hab, was unsere Kunden bei uns schätzen, ist auch diese Bereitschaft, sich die Hände schmutzig zu machen. Mhm. Und ich finde es schon bezeichnend, also, dass die Softwareentwicklungsbranche irgendwie so als als Unicorn sich erlauben kann, da draußen laufen ganz viele Softwareentwickler rum, die diese Geisteshaltung einfach auch vertreten zu sagen, na ja, ich bin jetzt hier ein Entwickler für Angular oder für ein React Framework, und worum es dann am Ende geht, ist mir eigentlich völlig egal. Du Kunde mit deinem Use Case, Du interessierst mich eigentlich gar nicht, gib mir einfach das an und über Lastenheft und ich implementiere es und wir rechnen darüber ab. Und vielleicht färbt das auch so ein bisschen auf die Data Science Community ab. Wer weiß, kann ich mir gut vorstellen, aber Das ist ja im
Speaker4: Data Science Bereich gar nicht funktioniert.
Speaker3: Genau, genau. Bei der Softwareentwicklung ist das vielleicht nur der Unterschied zwischen 'nem guten und 'nem schlechten Software Developer. Bei der Data Science ist es der Unterschied zwischen ja, es klappt oder Du gehst einfach mit deinem Projekt komplett unter.
Speaker4: Ja, es ist tatsächlich, glaub ich, so dieser Softwarebranche so das Einzige, wo wo wo wo einige sich das erlauben können. Man stellt sich mal vor, irgendwie ein Ingenieur, der sagt, ich mich interessiert nicht, was ich baue. Das ist jetzt irgendwie schwierig vorzustellen. Ach wie, das woran ich da schraub, ist 'n Auto. Ach so, ich dachte, das wär 'n Haus. Also klar. Und also das ist aber ganz wichtig für alle Leute, die Data Science machen wollen. Ihr müsst da offen sein und ihr müsst auch da hungrig sein, dazuzulernen. Und zwar nicht nur im Bereich Data Science, sondern im Bereich der Domain eurer Kunden. Das muss euch Spaß machen und dann dann kommt ihr da auch voran.
Speaker3: Und am Ende, also für mich ist auch die Motivationsfrage, die langfristige Motivationsfrage ganz entscheidend, nämlich wie langweilig ist es denn, immer wieder nur Tools anzuwenden, also zum Beispiel NLP Algorithmen oder neuronale Netze oder jetzt wie bei uns Base, einfach nur des Tools wegen. Das wird da irgendwann total fad. Und ich hab wahrgenommen, die Leute, die wirklich intrinsischen Spaß an ihrer Arbeit haben, da werden die Tools irgendwo zweitrangig und die eigentliche Arbeit, also der eigentliche Inhalt steht im Mittelpunkt. Und dann wird's richtig cool, dass Du sagen kannst, ich helfe meinem Kunden auf dem Finanzmarkt, seine Transaktionen besser durchzuführen. Und ah ja, by the way, ich mache das Ganze mit dem und dem Framework, aber das Framework, das rückt in den Hintergrund. Oder wie bei uns, wir helfen unseren Kunden an Data Science Werkzeuge ranzukommen, mit Ihrem Everyday Life besser klarzukommen. Und wie das dann genau technisch läuft, rückt in den Hintergrund. Und das ist 'n Punkt, wo man sich vielleicht als junger Student noch nicht so die Gedanken So eigentlich, hey, was ist eigentlich so der langfristige meiner Arbeit?
Speaker4: Finde ich aber auch okay. Also als Student ist eine gute Zeit zu sagen, jetzt sammel ich Tools. Ich sammel mir einen Werkzeugkasten und das ist vielleicht auch son bisschen die Transition von Studium zu Berufsfeld. Studium füllst Du deinen Werkzeugkasten und nachm Studium baust Du dann was damit. Heißt nicht, dass Du nicht noch weitere Werkzeuge hinzufügen darfst. Das mein ich damit nicht. Aber es ist, glaub ich, 'n Fokus Shift. Mhm. Und es ist auch okay so. Mhm.
Speaker1: Also alles streng nach dem Motto, es ist zwar cool, den Hammer zu haben, aber am Ende schaut man sich an, was damit geklopft wurde, sozusagen. Auf jeden Fall vielen Dank an die coolen Insights Insights an euch beide. Fand ich richtig cool.
Speaker0: Jeden Dienstag erscheint eine neue Folge von The Erium Podcast. Auf dem Laufenden zu bleiben, folgt uns auf Facebook, Instagram, Twitter und LinkedIn. Wenn ihr uns unterstützen wollt, gebt uns eine 5 Sterne Bewertung auf Apple Podcasts, folgt uns auf