Fabian Müller – Data Scientist mit Political Science Background

- Host (The Erium Podcast)Host
- Fabian MüllerHead of Data Science & COO at Statworks
Overview
In this episode, the host speaks with Fabian Müller, Head of Data Science and COO at Statworks, about his unconventional journey from a Master's degree in Political Science at the University of Mannheim to a leadership role in data science. Topics include the day-to-day life of a Head of Data Science, the importance of hands-on experience, and concrete tips for career starters coming from non-technical degree programs.
About the guest
Fabian Müller completed his Master of Arts in Political Science at the University of Mannheim in 2015. He then joined Statworks as an intern - a company that supports businesses in implementing AI projects - and worked his way up to Head of Data Science. He has since also taken on the role of Chief Operating Officer (COO). His career path is a vivid example of how a social science background with a quantitative focus can open the door to a career in data science.
Summary
From Political Scientist to Head of Data Science
Fabian Müller explains that his entry into data science was not a planned step, but emerged organically from his studies in Mannheim. The political science program there placed a particularly strong emphasis on quantitative methods and statistics. Although he had no strong interest in mathematics at school, he discovered a passion for working with data and programming languages during his studies. Through a research internship at Statworks - originally a company focused on classical statistical consulting - he found his way into the emerging data science industry, at a time when the field was gaining significant traction in industry from 2015/16 onwards.
Day-to-Day Life as Head of Data Science: Strategy Over Code
As Head of Data Science, Fabian Müller spends the majority of his working time not on hands-on data science work, but on project management, team building, business development, and defining standards. The actual technical work - developing models or exploring new algorithms - mostly happens in the evenings or on weekends, because he also pursues the subject as a personal hobby. He describes the boundary between work and leisure as fluid, since data science simply fascinates him.
What He Would Do Differently in Hindsight
When asked what he would have approached differently during his studies, Fabian Müller identifies two areas: more mathematics - particularly linear algebra - and a stronger grounding in software engineering. While programming in a social science degree tends to be treated as a means to an end, professional software development around machine learning algorithms is today a central part of everyday data science work. This was a gap he had to close on his own.
Career Switching Is the Rule, Not the Exception
Fabian Müller emphasizes that hardly any experienced data scientist today actually studied data science - most come from other disciplines such as mathematics, economics, business administration, statistics, or the social sciences. His own team at Statworks is deliberately put together with diversity in mind. He sees formal university education as an important but not decisive factor in whether someone becomes a good data scientist. More important are curiosity, practical experience, and a willingness to continuously learn.
Tips for the Job Search and the Interview
For career starters, Fabian Müller recommends actively researching potential employers before applying: blogs, GitHub repositories, open-source projects, and podcasts can reveal whether a team's methodological approach and culture align with your own standards. In interviews, he advises candidates not only to answer questions but to actively ask their own - about the tools, frameworks, and projects being used. This makes it possible to assess whether there is a genuine technical and methodological fit.
First Steps for Those Coming from Non-Technical Fields
For anyone coming from a non-technical degree program who wants to explore data science, Fabian Müller's advice is simple: just start. Download a publicly available dataset - for example from Kaggle - choose a target variable, and try to build a first small model. Such hands-on personal projects are often more valuable in a job application context than theoretical academic knowledge, because they demonstrate that you have already worked with real data and show personal initiative.
Key takeaways
- A social science degree with a quantitative focus can be a valid entry point into data science - Fabian Müller's career path is proof of that.
- Most experienced data scientists did not study the field formally, but come from other disciplines and acquired their data science skills through practice.
- As Head of Data Science, the focus shifts away from hands-on model development toward strategy, team building, and process definition.
- Software engineering and deeper mathematics are skills that are often underrepresented in social science programs, yet are increasingly important in everyday data science work.
- Hands-on personal projects using real datasets are often more convincing in the application process than purely theoretical academic achievements.
- Candidates should actively ask questions during interviews to find out whether the team's tools, methods, and ways of working align with their own standards.
- Passion and intrinsic motivation are more decisive than a formal degree when it comes to achieving long-term success in data science.
Conclusion
Fabian Müller's story impressively demonstrates that the path into data science does not necessarily run through a directly relevant degree program. What matters most is curiosity, the courage to experiment in practice, and a willingness to keep developing - even beyond regular working hours. Those coming from a non-technical background should not see this as a disadvantage, but as an opportunity for a unique, interdisciplinary perspective.
For Students and Career Starters
Anyone who wants to explore data science should simply start now: work on personal projects with open datasets and bring these as concrete talking points to job applications. Your degree opens the door - practical experience is what decides.
For Career Changers from Social or Humanities Backgrounds
A quantitatively oriented social science degree is no obstacle to a data science career. Gaps in software engineering and mathematics can be closed in a targeted way - and the ability to communicate complex subject matter in an understandable way is a genuine competitive advantage.
Show full transcript
Speaker0: Ihr hört die Ihrem Podcast, der Data Science- und Machine Learning Podcast für Studienabsolventen und Young Professionals.
Speaker1: Heute ist Fabian Müller, Head of Data Science von Statworks zu Gast. Worauf sollte man während des Studiums seinen Fokus legen? Wie kommt man von 1 Sozialwissenschaft zu Data Science? Und auf was achtet ein Head of Data Science, wenn er neue Leute einstellt? All das erfahrt ihr jetzt. 2015 hat er seinen Master of Arts in Politikwissenschaften an der Universität Mannheim abgeschlossen. Bei Statworks, 1 Firma, die Unternehmen dabei unterstützt, AI Projekte umzusetzen, arbeitet er arbeitet er seitdem als Head of Data Science und seit Neuestem auch als Chief Operating Officer. Wie er von 1 Sozialwissenschaft zu Data Science kamen, das erzählt er uns heute. Ich freu mich sehr, dass er da ist. Herzlich willkommen, Fabian Müller. Grüß dich, Fabian, hi. Hi, grüß dich. Toll, dass es klappt. Wobei stör ich dich gerade? Hab ich dich gerade rausgerissen aus deinem Alltag?
Speaker2: Ja, also ich hab kurz vor der Aufzeichnung jetzt hier noch kurz Mittag gegessen, also eher son bisschen was Triviales, sag ich mal. Davor aber tatsächlich beruflich, insbesondere aus 1 Reihe von Vormittagsmeetings.
Speaker1: Mhm. Ist das typisch für deinen für deinen Arbeitsalltag? Also oder wie wie sieht 'n der so gegebenenfalls, also ist der recht abwechslungsreich? Also Du sagst, es gibt keinen typischen Arbeitsalltag? Oder besteht das dann zum größten Teil aus Meetings mit anderen Leuten, wo man sich abspricht? Wie genau sieht das aus?
Speaker2: Mhm. Also ich meine, sagen ja immer alle irgendwie so bisschen, es gibt keinen keinen typischen Tag. Würde ich jetzt auch bei mir sagen. Es gibt eher so die typische Woche normalerweise. So über der Woche hin ist es halt meistens so, dass ich irgendwie 1, 2, 3 Tage auch mal bei Kunden vor Ort bin, zum Beispiel dort Projektebesuche oder so oder JOFFIX Termine dort mit den Kunden wahrnehme. Jetzt natürlich gerade nicht mehr in der aktuellen Situation, da wird natürlich alles dann per Slack, Zoom, Skype, whatever gemacht. Aber ansonsten ist es natürlich schon so, dass innerhalb des Tages ich zum Beispiel versuche, vormittags meine meine Termine daily so fix und so zu machen und dann eher gegen, sag ich mal, Mittagnachmittag das in Anführungszeichen richtige Arbeiten halt beginne.
Speaker1: Wie sehen denn die Kollegen aus bei dir, also nicht natürlich vom Aussehen her, aber aus welchen aus welchem Bereich kommen die? Also arbeitest Du auch mit 'nem Ingenieur zusammen oder je nach Projekt mit mit Leuten aus den verschiedensten Bereichen oder sind das, sag ich mal, sehr immer die gleichen Leute? Du hast 'n etabliertes Team, mit dem Du arbeitest. Wie genau sieht das aus?
Speaker2: Also der Background, sag ich mal, von den von den Kollegen, die bei uns arbeiten, bei mir im Team, ist eigentlich sehr gemischt. Also wir haben eigentlich alles dabei von, sag ich mal, anderen Sozialwissenschaftlern, Leuten aus der VWL, Leute aus der BWL, Leute aus der theoretischen oder angewandten Statistik zum Beispiel. Wir haben aber auch Leute, die eher aus der aus der IT Richtung kommen oder auch Leute, die aus der Mathematik kommen, ne. Also eigentlich bunter Blumenstrauß aus verschiedensten Fachrichtungen, die eigentlich bei uns zusammenarbeiten an verschiedensten Data Science Projekten.
Speaker1: Mhm. Jetzt bist Du ja Head of Data Science. Welche anderen, sag ich mal, Tätigkeiten bringt das denn mit sich? Also hast Du hauptsächlich eher eine Draufsicht auf 'n größeres Projekt und sagst, hey, das muss so und so laufen? Oder hast Du tatsächlich noch ganz viele Berührpunkte mit machine learning und Data Science? Also dass Du sagst, keine Ahnung, bei dem Clustering Algorithmus, den übernehm ich. Ihr sorgt dafür, dass dafür das Preprocessing da läuft oder wie genau ist da die Aufteilung?
Speaker2: Würde ich gerne tatsächlich machen, ist aber in der Realität eigentlich heute nicht mehr wirklich machbar. Also in den allermeisten Fällen ist es so, dass ich eher für Projektmanagementrollen, sage ich mal, antrete, wenn überhaupt noch oder eben auch viel, sage ich mal, Akquise mache oder halt das generell das Team aufzubauen, ne. Also ich bin eher mittlerweile in 'ner eher strategischeren Position, wo ich eben schaue, wie muss mein Team aussehen? Was für Rollen brauche ich? Für welche Rollen stell ich vielleicht welche Personen noch ein? Aktuell mache ich sehr viel mit auch mit Standards zu definieren, sag ich mal, wie wir bestimmte Projekte abwickeln, wie wir bestimmte Softwareprodukte bauen, solche Themen, ne? Also die operative wirkliche Data Science Arbeit, die ich eigentlich so sehr, ja, liebe, würde ich mal sagen, der kann ich mich eigentlich vor 18 Uhr nicht widmen, ja? In der Regel ist es so, dass ich eben danach 18 Uhr und am Wochenende, sag ich mal, so selber am Ball bleibe, meine eigenen Projekte irgendwie habe, Forschungsprojekte oder an innovativen Sachen halt arbeite, aber im normalen Alltag bin ich, sag ich mal, leider nicht mehr heute der, der, sage ich mal, wirklich operativ da noch viel macht. Ich bin dann eher eben der, der steuert und der methodischen Input und Ideen halt einfließen lässt in verschiedene Projekte.
Speaker1: Jetzt wär's mal die nächste Frage gewesen, also Du sagst grad sehr oft das Wort, leider. Bereust bereust Du das son bisschen? Oder beziehungsweise wie sehr hast Du das in der Hand, dass Du sagst, okay, also könntest Du jetzt auf und jetzt auf heute sagen, nee, ich fang morgens an mit meinem Machine Learning Projekt? Oder inwiefern hast Du dir das ausgesucht oder genau, also würdest Du das gerne anders haben oder arbeitest Du daran, dass das wieder anders wird?
Speaker2: Kommt kam vielleicht tatsächlich bisschen falsch rüber. Ich würde nicht sagen, dass es jetzt 'n 'n reines Leiter ist. Das ist natürlich immer so ein weinendes und lachendes Auge auf bei auf 1 Seite oder auf der anderen Seite, ja. Ich glaube, ich würde heute nicht unbedingt tauschen wollen, weil auch in meiner, sag ich mal, Rolle gibt es viele Sachen, die mich auch interessieren. Natürlich vermisst man trotzdem immer wieder auch bestimmte Sachen, die man halt nicht mehr machen kann. Ich denke, dass ich immer noch die die Freiheit habe, halt viele Sachen auch auszuprobieren und tatsächlich nicht nur diese reine Managementrolle einzunehmen, was was auch sehr was sehr cool ist, aber natürlich kann ich nicht in dem in der Rolle, die ich heute habe, einfach von Anfang an sagen, ich geh jetzt auf 'n Projekt und und arbeite einfach mal 2 Monate irgendwie, setz mich in irgend 'n Deep Learning Algorithmus, weil ich da grad Bock drauf hab. Das geht das geht natürlich leider nicht.
Speaker1: Vielleicht ganz, ganz konkrete Frage. Also Du hast gemeint, dass Du oft nach 18 Uhr dann noch weiter daran an an gewissen Dingen arbeitest. Wenn Du das erzählen möchtest, das ist sicherlich eine interessante Information für unsere Hörer, hast Du eine grobe Schätzung, wie viele Stunden Du die Woche arbeitest? Also oder also beziehungsweise ist ja auch immer son Indikator, wie wie dedicated Du da bist und das hört sich schon nach viel an tatsächlich.
Speaker2: Ja, also ich würde ich würde schon sagen, dass es viel bis sehr viel ist, klar. Also 40 Stunden sind es auf jeden Fall nicht. Ich will jetzt keine Zahl sagen, weil es immer auch ein bisschen davon abhängt, ja. Und für mich ist halt das Wichtigste, dass es halt alles, was ich mache beruflich, ist halt für mich immer noch super spannend, ja. Ich lerne halt jeden Tag immer noch neue Sachen in verschiedensten Bereichen und von dem her ist es für mich eigentlich keine Arbeit im klassischen Sinne, würde ich mal behaupten, ja? Sondern es ist wirklich eher, auch meiner Freizeit beschäftige ich mit diesem Thema Data Science auch persönlich einfach, weil es mich einfach interessiert. Andere Leute haben andere Hobbys. Mein Hobby ist dann halt in bestimmten Tagen einfach auch mal einen Python Code zu schreiben oder irgendwelche Paper zu lesen oder mich mit Cloud Architekturen und so weiter auseinanderzusetzen, weil mir's einfach Spaß macht. Ja? Von dem her ist das, glaube ich, was man heute halt son bisschen sagt, diese diese Schwelle zwischen beruflich und privat sehr stark vermischt einfach bei mir.
Speaker1: Mhm. Also es ist auch einfach die Leidenschaft. Wir haben jetzt auch schon mal in 1 vergangenen Folgen angesprochen, keine Work Life Balance, sondern sondern Life Life Balance. Und genau. Aber kommen wir mal zu dem Übergang beziehungsweise zu dazu, wie Du zu dieser Leidenschaft gekommen bist. Ich hab's eingangs erwähnt, Du kommst quasi aus den Politikwissenschaften. Du hast in meiner Politikwissenschaften studiert, Du hast da dort deinen Master gemacht. Und wie kommt man von dorthin zur Data Science? Ist ja doch noch eher zumindest auf den ersten Blick eher ungewöhnlich.
Speaker2: Ja, die die Frage höre ich tatsächlich relativ häufig, liegt natürlich auch nahe, aber bei Data Science denkt natürlich jeder irgendwie an den Raketenwissenschaftler oder wie auch immer und nicht unbedingt an den Politikwissenschaftler, ja. Tatsächlich ist es aber so, dass insbesondere in Mannheim, wo ich wo ich Politikwissenschaft studiert habe, eben man im Politikwissenschaftsstudium einen sehr starken Fokus eben auf quantitative Methoden setzt, ne? Das heißt, ich habe eigentlich ab dem ersten Semester mich mit dem Thema Daten und Statistik beschäftigt, über den Verlauf meines Studiums auch immer stärker, weil ich auch selber einen sehr starken Fokus dann darauf gesetzt hab. Ich wusste witzigerweise nicht, als ich nach Mannheim damals gekommen bin, dass der Fokus dort so stark ist. Von der Schule her war ich niemand, der jetzt besonders interessiert in Mathe zum Beispiel war oder in Statistik. Das waren Fächer, da war ich ganz gut drin, aber die haben mich nicht sonderlich interessiert, auch weil ich nicht so richtig verstanden habe, was man damit in der Realität machen kann, ja? Also jeder lernt irgendwie in der in der im Abi irgendwelche Ableitungen zu machen und Du weißt aber nicht so richtig, was Du damit später machen willst. Wenn Du dich dann später mit dem Thema Deep Learning das 1. Mal beschäftigt, weißt Du, okay, diese Ableitungen sind doch relativ wichtig irgendwie, ja? Und von dem her bin ich da so ein bisschen reingestolpert und hab dann aber halt im Rahmen des Studiums halt entdeckt, wie sehr mir das Arbeiten mit Daten, mit Statistik und auch mit Programmiersprachen zum Beispiel halt Spaß macht, ja. Und hab mich dann über das im Lauf des Studiums halt quasi so weit es halt ging, sehr stark darauf fokussiert und hab dann eben da diese diese Leidenschaft davon gefunden und bin dann, so wie ich sage ich mal so, aus der klassischen Statistik eben in dieses in diesen Bereich Data Science halt reingerutscht einfach.
Speaker1: Mhm. Und wie kam es dann zu deiner Arbeit bei Statworks? Also ich hab gesehen, dass Du direkt nach dem Master im Prinzip bei Statworks dann eingestiegen bist, jetzt nicht direkt danach, also im selben Jahr zumindest Und wie kam es dazu? Also Arzt Networks aktiv da nach Leuten gesucht hat? Wie wie wie kam's dazu? Wie hast Du da wie bist Du da reingekommen? Es war witzigerweise
Speaker2: nicht kurz nach Ende meines Masters, sondern sogar noch vor dem Ende des Masterstudium. Ah, ich glaub, okay. Genau, also ich war quasi noch im Master. Ich musste ein Forschungspraktikum machen und das musste irgendwas wissenschaftliches mit Statistik sein Und ich hatte aber keinen Lust, sage ich mal, in so ein klassisches Institut oder so zu gehen und deswegen habe ich eben durch Zufall in der quasi in der Ausschreibung gesehen, dass statrix eben Leute sucht, Praktikanten für, sag ich mal, klassische Statistikberatung, ja, also sowas wie zum Beispiel damals halt schon im Bereich der medizinischen Forschung zum Beispiel gemacht wurde, wo sehr viel Statistik angewendet wurde und dann habe ich mich da beworben und hab damals auch am Anfang meines Praktikums halt noch sehr viel statistische Beratung auch gemacht und dann war das eigentlich die Zeit son bisschen, sag ich mal, in der das Thema Data Science auch im Rahmen der Industrie halt mehr in den Fokus gerückt ist, ja. Data Science ist an sich ja keine keine neue akademische Disziplin, gibt's ja schon eine ganze Weile eigentlich, aber in dem Zeitraum, so 2015, 16 rum, wurde es halt auch immer mehr in der Industrie halt angewendet und mein damaliger Mentor oder auch heutiger Mentor noch, unser heutiger CEO und Gründer von Saddworks hat eben damals sich schon relativ viel mit Machine Learning beschäftigt. Und dann sind wir beide halt son bisschen, sag ich mal, bei 1. Projektanfragen immer weiter, immer tiefer in diese Thema Data Science halt reingegangen und hatten so quasi langsam das den Geschäftsfokus von Statistik, von Networks rübergeschiftet auf diesen Data Science Fokus, wo wir halt heute unsere primäre Portfolio halt angesiedelt haben. Ja, es war also quasi ein schleichender oder auch rennender Prozess, kann man quasi sagen.
Speaker1: Mhm. Das heißt, Du hast dich da dann zu Statworks, zumindest sowieso zumindest als es da dann angefangen hat, erst so richtig dann eingearbeitet. Gab es denn jetzt rückblickend auf dein Studium irgendwas, was Du anders machen würdest? Oder wo Du sagst, ich hatt, es gab da 'n Wahlpflichtfach, das hätt ich auf jeden Fall nehmen sollen, da mal son bisschen reinzuschauen. Ich mein, wenn man jetzt ein Semester lang 'n kleineren Kurs macht, ist man nicht auf einmal der der absolute King in einem speziellen Feld. Aber gab's denn so eine kleine Sache, wo Du sagst, hey, das hätte man mal erkunden können?
Speaker2: Gut, ich sag mal so, nachher ist dann immer 'n schlauer, ja. Also natürlich, wenn's damals schon Data Science zum Beispiel gegeben hätte als Masterstudiengang, hätte ich mir das auch gut vorstellen können, gab's aber halt noch nicht oder noch nicht so verbreitet. Ich glaube, was mich was mir heute so ein bisschen fehlt oder sich mir gewünscht hätte, damals wäre noch vielleicht noch ein bisschen mehr Mathe zu haben. Das kam tatsächlich im im politikwissenschaftlichen Bereich jetzt nicht so stark an, ja, bisschen lineare algebraär, aber natürlich nicht so vertiefend und das Thema Software Engineering insbesondere. Also das war eine Sache, die haben wir in der Politikgesellschaft eigentlich gar nicht betrachtet. Wir haben halt programmiert, wir haben halt irgendwie runter gescriptet und haben halt irgendwie geschaut, dass das Programm durchläuft, ja. Aber das, was wir heute halt eben auch im im Data Science Bereich sehen, in der Professionalisierung diesen ganzen des ganzen Feldes, dass alles in Richtung von professioneller Softwareentwicklung eben rund Machine Learning Algorithmen geht, das war eine Sache, die das hab ich an der Uni nicht gelernt. Und das wär natürlich schon schön gewesen, so jetzt im im Nach betrachtet, so was auch noch mal theoretisch vielleicht an die ein oder andere Vorlesung dazu gehabt zu haben, ja.
Speaker1: Großes Thema von unserem Podcast ist auch immer interdisziplinäre Kommunikation. Bei Bei dir find ich's insbesondere ganz spannend, weil Du ja auch, wie gesagt, Du hast Politikwissenschaften studiert und ich bin mir sicher, Du willst da nicht wirklich drauf reduziert werden. Aber ich kann mir gut vorstellen, dass es dann vielleicht in manchen Situationen da schnell zu Stirnrunzeln kommt. Insbesondere da Du bist Head of Data Science und ich zeichne dir jetzt mal 'n ganz, ganz abscheuliches Szenario. Jemand kommt zu dir, hat Data Science Master studiert, möchte in dein Team kommen. Und Du koordinierst eben auch das Team mit und sagt aber, nee, also das das geht gar nicht. Der hat kein Data Science studiert und der sträubt sich da son bisschen dagegen, weil aus Politikwissenschaften, wie soll das denn funktionieren? Ganz, also ganz, wie weit's ganz krass überzeichnet. Kommt so was vor oder ist es nervig auf Dauer zu sagen, ja, jetzt muss ich mich wieder son bisschen erklären? Oder wie sehr sollte ich es bereuen, dir diese Frage vorhin gestellt zu haben?
Speaker2: Ist aber so, Du bist nicht der 1. Und Du wirst auch nicht der der der Letzte sein, der dir diese Frage gestellt hat. Ich hör's tatsächlich sehr häufig. Ich muss aber wirklich sagen, es ist eigentlich eher so eine 1 interessiertes Stirnritzel, weniger ein Ablehndes beziehungsweise ich hab eigentlich noch nie erlebt, dass das irgendwie auf ablehnende Haltung getroffen ist, zumindest offensichtlich gesehen, so gegen mir gegenüber mir. Natürlich wundern sich die Leute son bisschen, aber meistens ist es auch nicht so, dass man's unbedingt mit dem Studium irgendwie anfängt, sondern man lernt sich halt irgendwie kennen, man man fachsimpelt, ja? Und dann sehen die meisten Leute, glaube ich, schon relativ schnell, dass ich wirklich auch auch in meiner Position, die ich heute hab, schon auch noch ein gewisses Experten Boots Underground, sage ich mal, Wissen von dem Themenfeld habe und mich da irgendwie gut bewegen kann. Und wenn man dann irgendwann später auf die auf die Frage kommt, okay, was hast Du eigentlich studiert, ist eher dann so die, ah okay, krass, wie bist denn Du dann da irgendwie hingekommen, was was Du heute weißt, ja? Und das können die Leute aber auch relativ gut nachvollziehen, wenn ich ihnen das erkläre, ja? Weil ich sag den Leuten auch immer, so gut wie niemand und kaum, sag ich mal mal, wirklich heute erfahrene Data Scientisten haben Data Science studiert. Ja, das sind alles Leute, die aus irgendwelchen anderen Disziplinen kommen, wo Data Science nicht unbedingt die das 1. Berufsfeld ist, dass man irgendwie einschlagen würde, ja. Und ich glaube, dass es die formale universitäre Ausbildung, sage ich mal, sicherlich ein wichtiger Bestandteil ist, aber sicherlich nicht der wichtigste Bestandteil, ob ich einen guter Data Scientist werde oder nicht.
Speaker1: Wenn Du jetzt als Head of Data Scientist jemanden Neues in dein Team einstellen möchtest, ich bin mir nicht genau sicher, ob das in deinen Aufgabenbereich fällt, aber Du redest da sicherlich auch mit. Was würdest Du denn sagen aus deiner Sicht? Macht es denn besonders schwierig, den richtigen Job im Bereich Data Science zu finden? Ja, ist auch immer eine wichtige Frage von unserem Podcast. Unsere Zielgruppe sind Leute, die quasi eben frisch von der Uni kommen und jetzt rausfinden möchten, hey, wo find ich denn den coolen Data Science Job, wo auch tatsächlich Data Science drin ist und es nicht einfach nur draufsteht? Kannst Du da vielleicht paar Tipps geben für die Berufsfindung oder beziehungsweise die Berufsorientierung im Bereich Data Science. Ich mein, ich kann ja auch in die Medizin gehen oder ich gehe in die Industrieproduktion. Mhm. Was würdest Du da mitgeben? Ja klar.
Speaker2: Also ich glaub, es gibt so 2 Phasen, so einmal vor dem eigentlichen Interview vielleicht, ja, so in der Vorbereitungsphase, vielleicht auch in der Phase, in der man sich eben Stellen raussucht, ja? Und ich glaube, was man da halt machen kann, ist einfach zu schauen, gibt es von zum Beispiel der Firma, der Abteilung, in der ich dann vielleicht arbeiten möchte, Internet in mich verfügbar, Blogs, Code Snippes auf GitHub, Tutorials, sowas wie hier zum Beispiel Podcast Interviews und so weiter, wo ich einfach schon mal sehen kann, ob die Leute, mit der ich dann potenziell vielleicht zusammenarbeite, halt das mitbringen, was sich halt später auch in meinem Job mir wünsche, ja? Das heißt, wenn ich zum Beispiel Hardcore Machine Learning Modelle von der ersten Zeile Code an selber entwickeln möchte, dann muss ich natürlich halt schauen, ob die entsprechenden Leute zum Beispiel auf irgendwelchen GitHub Briefos irgendwelche Open Source Projekte haben, die ich mir anschauen kann zum ne. Wenn ich dann in die eigentliche, sage ich mal, Interviewphase vielleicht übergehe, würde ich immer empfehlen, versuchen, mit den Leuten halt tatsächlich zu reden, die später mit mir zusammenarbeiten, ne. Und rauszufinden, sind wir, sage ich mal, zum Beispiel von unserem methodischen Verständnis, von der von der Art und Weise der Arbeitsweise einfach kompatibel, ne? Also bei uns ist es wirklich so, dass das das Interview zum Beispiel halt von einem unserer Data Scientists oder von den Data Science Managern halt über übernommen wird. Das heißt, oder auch zum Beispiel von mir persönlich, das heißt, da sitzen halt schon in der im Interview, sei es im ersten Telefoninterview, im ersten Kennenlernen, aber auch später tatsächlich im im finalen Interview sitzen eigentlich Leute drin, mit denen man sich halt die ganze Zeit fachlich unterhalten kann, ja? Und was wir dann halt machen, ist, wir reden mit den Leuten tatsächlich über fachliche Themen, wir reden über Algorithmen, über Programmiersprache und so weiter und versuchen halt dann so rauszufinden, ob das Gegenüber sozusagen zu uns passen würde und das würde ich halt einfach genauso umdrehen und würde halt jedem Bewerber auch raten, mit den Leuten zu reden, mit denen ich halt später arbeiten will und sie halt auch wirklich methodische Fragen zu Fragen, Projekte darstellen zu lassen, rauszufinden, mit was für Tools, Programmiersprachen, Frameworks die Leute arbeiten und zu schauen, ob's da einen gewissen Match gibt oder halt nicht, ja.
Speaker1: Also sich nicht einfach nur 'nem Fragenhagel aussetzen lassen, sondern tatsächlich auch aktiv fragen, was einen interessiert und wirklich vielleicht eine präzise Vorstellung davon haben, wie man denn arbeiten möchte. Denn je präzise diese Vorstellung ist, umso genauer kann man seine Fragen formulieren und so umso genauer kann man nach etwas fragen, was man denn möchte. Ja, genau, genau. Genau, jetzt zum Abschluss vielleicht noch als kleinen Ansatz für Leute, die tatsächlich Sozialwissenschaften studieren und vielleicht auch 'n gewiss oder beziehungsweise 'n gewissen Statistikbackground haben oder vielleicht sogar Mathematik, ja. Was würdest Du den Leuten denn raten, wenn sie sich denn vielleicht nicht sicher sind, ob sie mal son bisschen einen Zeh ins Wasser der Data Science reinhalten wollen oder nicht? Ob sie austesten könnten, ob das was für sie ist, wie man das abchecken kann. Und falls ja, falls Sie bemerken, dass es was für einen ist, was kann man denn tun, da mal so richtig einzusteigen?
Speaker2: Also ich glaube, so ein bisschen rauszufinden, ob man da richtig aufgehoben ist, kann man zum Beispiel sich einfache Datensätze aus dem Internet runterladen, zum Beispiel von Kerkel oder anderen Seiten, die es da ergibt und einfach mal 1. Eigene, wirklich Hands On Erfahrungen in in in Machine Learning Projekten zum Beispiel sammeln, ja? Ich lade mir irgendein Datensatz runter, ich suche mir irgendeine Zielvariable aus und versuche einfach mal, ob ich ein kleines Modell bauen kann, mit dem ich das vorhersagen kann, ja? Ja? Und das ist zum Beispiel auch die die perfekte Einstieg für jegliche Arten von Jobinterviews, wenn ich sowas dann so einfach mitbringen kann, sagen kann, ich hab hier schon mal meine 1. Erfahrung gemacht, ich hab hier schon mal mit echten Daten gearbeitet, ich hab den Algorithmus schon mal in 'nem in Anführungszeichen realen Szenario halt angewendet. Das ist sicherlich mehr wert als die allermeisten Studiengänge, wo man irgendwie theoretisch nachweisen kann, dass man in der Vorlesung schon mal gehört hat, ne. Das heißt, praktische Erfahrung ist für die allermeisten angewendten Data Science Job eigentlich nicht das Wichtigste, ne. Das heißt, ich kann mir da selber rausfinden, macht mir das Spaß, mich damit zu beschäftigen und ich kann auch meinem meinem Gegenüber vielleicht zeigen, dass ich eben entsprechende Erfahrungen schon mitbringen, ja. Klasse.
Speaker1: Vielen Dank, Fabian Müller von Stakeworks. Toll, dass Du da warst. Ich danke dir, danke für die Einladung. Das war mein Gespräch mit Fabian Müller. Sein Übergang von den Politikwissenschaften zu Data Science hat mich besonders fasziniert. Und es zeigt noch mal, dass hinter Data Science kein Hexenwerk steckt, sondern einfach knallharte Statistik und Mathematik. Ich selbst als jemand, der selber noch neu ist im Bereich Data Science, habe dadurch noch einmal neuen Schwung bekommen, mich mehr damit auseinanderzusetzen. Kommt ihr auch aus einem Bereich, wo man Data Science zunächst nicht vermuten würde? Und warum denkt ihr darüber nach, euch mehr damit zu befassen? Weil es ein hohes Gehalt gibt? Oder weil es euch einfach Spaß macht? Schreibt es mir auf unseren Social Media Kanälen. Falls ihr wissen wollt, wie man mit Leuten aus den verschiedensten Bereichen spricht, dann hört doch mal in unsere Folge zu Networking aus unserer ersten Staffel rein. Master the Complexity.
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 Spotify und empfehlt uns weiter. Bis zum nächsten Mal bei The IRIUM Podcast.