Hans-Peter Zorn – Big Data Scientist und Head of AI

- Host (The Erium Podcast)Host
- Hans-Peter ZornHead of AI at Inovex
Overview
In this episode of the Erium Podcast, the host speaks with Hans-Peter Zorn, Head of AI at Inovex. The conversation revolves around the challenges data scientists face in practice, Inovex's end-to-end approach to 'Data Science to Production', the waves of digitalization across various industries, and the importance of a structured student program for fostering innovation and nurturing new talent.
About the guest
Hans-Peter Zorn began his career as a Research Associate at European Media Laboratory GmbH, followed by a position at TU Darmstadt, and then worked as a Big Data Scientist at Inovex. Today he leads a team of nearly 20 people there as Head of AI, responsible for balancing people management, customer satisfaction, economic viability, and technological innovation. Inovex is an IT services company with a focus on software development, data science, and IT operations.
Summary
From Data Scientist to Leadership: The Four Pillars of a Head of AI
Hans-Peter Zorn describes his current role at Inovex as a team lead with four core areas of responsibility: people management, customer communication, economic viability, and innovation. He emphasizes that this role goes far beyond classic team leadership and that technical understanding is indispensable — both for truly grasping customer challenges and for building trust. Regular one-on-one conversations with team members every two weeks are just as much a part of the role as ongoing exchanges with customers about their current problems and goals.
Data Science to Production: More Than Just Building a Model
Inovex has specialized in the 'Data Science to Production' approach — developing data science solutions that are stable and scalable enough to be permanently integrated into business processes. Rather than simply delivering models, the focus is on genuine data products: recommendation systems with real-time requirements or business-critical systems in the retail sector are typical examples. The end-to-end approach encompasses not only model building but also automated deployments, stable operations, and clean software development — all within cross-functional teams made up of data scientists, software developers, and IT operations experts.
Waves of Digitalization Across German Industries: From E-Commerce to Industry 4.0
Zorn describes how various industries in Germany have encountered data science at different points in time. E-commerce and telecommunications were early adopters and already brought a strong affinity for data. Retail has been investing heavily in data-driven solutions for several years. Automotive and mechanical engineering are still lagging behind, as many older machines simply do not generate data — a structural problem that is only slowly being resolved. Zorn is more optimistic than, for example, Werner Vogels (Amazon) regarding the potential of Industry 4.0, but acknowledges that it will still take time before new, data-capable equipment is widely available.
Communication Across Industry Boundaries
The less data-savvy an industry is, the earlier you need to start in your communication — not at the technical level, but at the level of the business model and the customer's specific use cases. Zorn recommends first understanding what value data and AI can create in a given context. Publicly funded research projects — such as 'Kosmos' and 'Servicemeister', which was recognized in the BMWI AI Innovation Competition — offer a good opportunity to connect with industrial companies and test concrete use cases from the ground up.
Student Program: Nurturing New Talent and Securing Innovation
Inovex runs an extensive student program with two central goals: recruiting and innovation. Most entry-level hires at Inovex come from its own working-student and thesis program. Students work in real Scrum teams and learn clean code, testing, continuous integration, and Kubernetes — practical skills that are often underrepresented in academic curricula. Employees take on mentoring responsibilities and learn in the process themselves, which in turn strengthens the internal knowledge culture.
Closing Tip: Curiosity and a Tinkerer's Mindset as Key Success Factors
As the most important piece of advice for students and young professionals, Hans-Peter Zorn highlights a combination of fearlessness toward new technologies and genuine curiosity. Those who bring a 'tinkerer's mindset' — meaning a willingness to simply try things out, download projects, and experiment on their own — will have a decisive advantage in practice. The theoretical foundation from academic study is important, but it is only through practical application via internships, open-source contributions, or personal side projects that a real difference is made.
Key takeaways
- The role of a Head of AI combines people management, customer communication, economic viability, and innovation — with technical understanding remaining indispensable throughout.
- Inovex relies on an end-to-end approach: not just building models, but delivering complete, stably operable data products.
- Different industries in Germany are at varying levels of digitalization maturity — Industry 4.0 holds great potential but still needs time to develop.
- Communicating with less data-savvy customers works best when starting from the business model and the concrete value created, rather than from the technology.
- Publicly funded research projects are an effective way to connect with new industries and develop use cases.
- Practical skills such as CI/CD, Kubernetes, and clean software development are just as important for data scientists as machine learning knowledge — and are often only learned on the job.
- According to Zorn, curiosity, fearlessness, and a tinkerer's mindset are the decisive qualities for entering the world of data science practice.
Conclusion
The conversation with Hans-Peter Zorn demonstrates that modern data science goes far beyond building models. Successful projects emerge when technical excellence is combined with a deep understanding of business goals, cross-functional collaboration, and solid software development practices. For those just starting out: anyone who pairs curiosity with the courage to experiment and gains practical experience early on is well equipped for the demands of the industry.
For Students and Young Professionals
Beyond machine learning, practical skills such as clean code, CI/CD, and cloud orchestration are crucial for entering the workforce. Working-student positions and personal projects help close this gap.
For Leaders in Data Science
A technical leadership role requires balancing team, customer, and economic considerations — and only works well when you have first-hand experience with the technical challenges involved.
For Companies from Non-Data-Savvy Industries
The best way to get started with data science is through clearly defined use cases and the value they bring to the business model — research projects can serve as a low-risk entry point for this.
Show full transcript
Speaker0: Ihr hört die Ihrem Podcast, der Data Science und Machine Learning Podcast für Studienabsolventen und Young Professionals.
Speaker1: Heute spreche ich mit Hans Peter Zorn, dem Head of AI bei InnoBEX. Er erzählt uns, welche Herausforderungen Data Scientists meistern müssen, was Werkstudenten lernen sollten und wie Data Science ein breites Spektrum an Branchen erreichen kann. Seid gespannt. Research Associate bei der European Media Laboratory GmbH, anschließend an der TU in Darmstadt, danach Big Data Scientist bei Inovix, wo er nun mittlerweile als Head of AI arbeitet. Ich freu mich sehr, dass er heute da ist. Willkommen im Podcast, Hans Peter Zorn. Hallo. Hallo, freu mich. Freut mich, dass es klappt. Ja, gerne. Ich bin sehr gespannt. Wie geht's Ihnen denn so? Wo wo hab ich Sie denn heute dabei rausgerissen? Was haben Sie denn bis heute schon so gemacht?
Speaker2: Ja, heute direkt davor hatten wir das Glück, dass uns der Andreas Weiß von GAIA-X sonen kleinen Vortrag gehalten hat bei Innovex über GAIA-X und da komm ich quasi direkt raus aus diesem dieser diesem Event, genau.
Speaker1: Mhm. Ist es, sag ich mal, eine typischer typisch für Ihre aktuelle Arbeits, für Ihre aktuelle Arbeit, für Ihre Position? Also ist das 'n Teil Ihrer Arbeit?
Speaker2: Ich es ist nicht supertypisch, aber solche Austausch oder Events, das das kommt schon vor. Also mein meine Arbeitsteile sind aktuell sehr unterschiedlich. Ich arbeite bei Enomware aktuell als Teamleiter. Das heißt, ich hab vielfältige Aufgabenbereiche. Was uns ausmacht, ist, dass wir im Prinzip 3 oder 4 Säulen in Einklang bringen müssen bei in unserer Rolle. Und zwar ist das eben das die Mitarbeitersicht. Ich hab 'n Team von fast 20 Leuten, die alle in Projekten dann arbeiten bei Kunden und die ich mich kümmere. Und mit denen hab ich regelmäßig alle 2 Wochen 'n schon fixen, nennen wir das. Und ich kümmer mich da drum, wie läuft das in den Projekten? Kann ich was tun, dass das besser ist? Kann ich 'n bisschen technisch dann auch kurz hingeben aus aus meiner Erfahrung raus. Die 2. Säule ist dann im Prinzip die Kundensicht. Das heißt, ich spreche mit den Kunden, schaue, dass die glücklich sind, dass wir ihnen das ermöglichen, was sie sich von unserem Projekt erhoffen und was halt meistens klappt. Aber auch mit denen tausch ich mich regelmäßig als wo stehen die? Was bewegt die grade? Welche Herausforderungen haben die? Und das ist so die die 2. Sicht, die Kundensicht. Auf der dritten Seite muss ich mich auch die Wirtschaftlichkeit kümmern, dass es quasi die diese diese 3 Teile, darum geht's eigentlich, die in Balance zu behalten. Das ist son bisschen die Kunst. Und im im Herzen, was wir auch viel machen oder was wichtig für uns ist, ist Innovation und Exzellenz. Das heißt, wir haben schon den Anspruch, dass wir relativ weit vorne dabei sind, auch was die Technologien und die Methoden angeht und den Kunden nicht mehr Wert bieten können. Das heißt, wir müssen da fallen investieren. Und das tun wir verschiedenste Art und Weise, indem wir Mitarbeiter Zeit geben, sich mit Themen zu beschäftigen, bisschen tiefer, aber auch durch Forschungsprojekte, die wir haben und durch eine sehr intensive Arbeit mit Studierenden, die bei uns als Werkstudent arbeiten oder Masterarbeit machen, sodass Mitarbeiter von uns dann auch Masterarbeit betreuen können und dadurch auch was lernen. Aber da können wir später vielleicht auch noch drauf aber drüber sprechen. Und diese 3, 4 Themenfelder sind quasi in Form tatsächlich jetzt in meiner, seit seit 2 Jahren und jetzt in Coronazeit noch mehr in Form von Videokonferenzen. Nachher da da wird den Tag verteilt. Also das ist grade so der der aktuelle Zustand. Ich hoffe, dass ich dann ab und zu wirklich auch noch Zeit finde, 'n bisschen tiefer in Team reinzugehen, noch mal Paypal zu lesen und so. Aber das meiste ist tatsächlich, sprechen mit Menschen aktuell in diesen 3, 4 Themenbereichen. Mhm. Genau.
Speaker1: Genau. Also was Videochats angeht, da geht's uns tatsächlich ähnlich. Ich glaub, ungefähr bei jeder Tech Firma. Ich mein, man muss es aber als als Glück sehen, ne, dass wir so was machen können, ne. Viele können viele können das nicht. Aber wenn ich das richtig verstanden hab, dann haben Sie aktuell, sag ich mal, eine Art Draufsicht eingenommen, auch über diese 4 Säulen eben und sind quasi, haben quasi eine Wandlung durchgemacht von dem von vom Big Data Scientist eben zu dieser Draufsicht. Würden Sie sagen, dass das speziell im Hinblick auf Kommunikation mit Kunden und eben auch, was Sie angesprochen haben, mit den Studierenden, dass sie, weil sie eben natürlich auch vorher waren, sich vor allem auch mit den Herausforderungen 1 solchen gut auskennen und dementsprechend auch gut als Teamleiter überhaupt fungieren können, ne. Also kann so eine Position überhaupt nur jemand einnehmen, der auch schon mal vorher
Speaker2: war, weil sonst, also wenn man sich nicht mit den entsprechenden Herausforderungen auskennt, könnte es ja eventuell schwierig werden. Also bei uns ist das auf jeden Fall so. Wir sind alle sehr technisch noch unterwegs auch und das ist auch wichtig, die Herausforderung zu verstehen, die 'n Kunde jetzt aktuell hat. Ja, also glaube ich schon, dass das grade, also in anderen Unternehmen ist vielleicht sind das andere Schwerpunkte, aber bei uns würde ich sagen, ist das eben nicht eine reine Teamleiterrolle, sondern es ist wirklich was umfassender, das wo's eben auch starre technische Elemente hat. Das ist ja zum Teil sicher auch Sales, aber die Kunden sind sehr dankbar oder unsere Partner, wenn man eben dort wirklich eher auch offensichtlich 'n Level auch einsteigen kann. Das baut Vertrauen auf, dass das wir dann auch erfüllen können hoffentlich und erlaubt uns halt wirklich die Herausforderung gut zu verstehen, auch die Machbarkeit, ja, gleich am Anfang besser einschätzen zu können.
Speaker1: Es ist mir jetzt fast peinlich zu fragen, aber ist es denn, so wie ich das gesehen hatte, bei InnoVacs fokussiert sich das ja mehr auf die Produktionsseite, ne? Also ich, also so wie ich's zustande hab, sind dann Ihre Kunden auch hauptsächlich aus der produzierenden Industrie und wir hatten ja oder oder oder widersprechen Sie mir direkt. Okay, falsch.
Speaker2: Ich hab das, weil ich hab das, da stehen das, wir nennen das Data Science to production. Damit ist aber gemeint, dass wir uns quasi drauf spezialisiert haben, Data Science in Produktion zu bekommen. Das heißt, so stabil und betreibbar, dass es in die Businessprozesse beim Kunden schon integriert wird. Und nicht einfach nur 'n Dashboard oder 'n Excel Sheet oder 'n Bericht ist, sondern 'n Datenprodukt. Zum Beispiel 'n Empfehlungssystem, was wirklich auf 'ner Webseite ist und mit gewissen Anforderungen alle paar Millisekunden eine neue Vorhersage geben muss oder ein System für Retail, wo was essenziell fürs Business ist ist und auch permanent läuft. Das meinen wir mit Data Science to production. Deswegen, wir sind auch die der Bereich Daten, wo auch KI und Data Science dazugehört, ist nur ein Teil bei uns. Der älteste und größte Bereich ist Softwareentwicklung und wir machen Operations, also IT Engineering im Prinzip. Das heißt, unsere Teams sind in der Regel oder hoffentlich in der Regel auch cross funktional. Das heißt, wir legen viel Wert auf son Ende to Ende Herangehensweise, dass man sagt, okay, wir wollen jetzt nicht nur das Modell bauen, was tatsächlich in der Regel nur so das Sahnehäubchen ist, sondern wir wollen das Produkt bauen. Das heißt, wir wollen gucken, wie kann man das betreiben? Wie kann man's stabil betreiben? Wie kann man die Deployments automatisieren? Wie kann man gute Software schreiben, dass das Ganze stabil läuft? Und dann steckt da natürlich Details und Karriere irgendwo auch noch mit drin. Das können wir auch sehr gut, aber ich glaub, unsere unser unser Herausstellungsmerkmal ist tatsächlich dieser Ende zu Ende Ansatz. Und das mein ich mit production. Das worauf Sie grade angesprochen haben, die Branchen tatsächlich das kommt. Ja, also ich würd sagen, das waren in Deutschland son bisschen Wellen, wie die Unternehmen sich digitalisiert haben oder auch Daten getrieben wurden oder oder Data Science gemacht haben. Das war zunächst ihr vielleicht der E-Commerce-Bereich-Bereich-Bereich-Bereich, die ja viele Weblocktaten hatten oder irgendwie sowieso übers Netz verkauft haben. Das war so, keine Ahnung, so 2013, 14 ging's dann so richtig los mit mit den Big Data Projekten. Und dann kam so nach und nach der Handel. Also alles, was in Deutschland irgendwo eine Katze rumstehen hat in in 'ner Filiale. Die sind, seit einigen Jahren investieren diese sehr, sehr viel und das ist auch 'n, also also wir wir haben keinen wirklichen Schwerpunkt, aber das ist 'n Bereich, der sehr stark gewachsen ist und wo wir sehr, sehr viel unterwegs sind aktuell. Und dann kommt so langsam Automotive und der Maschinenbau. Das dauert aber tatsächlich doch, bis da wirklich viel gemacht wird, weil, also Automotive sicher wird viel geforscht im Bereich selbstfahrende Autos und so und das ist ja rein datengetrieben. Das ist für uns jetzt aber kein besonderer Fokus aktuell. Im Bereich Industrie, da wird viel investiert jetzt oder da ist grad son Erwachen, glaub ich. Und da geht's drum eben auch die ganzen Angebote der Maschinenbauer zu erweitern mit neuen Funktionalitäten, Dienstleistungen basiert auf Daten. Das ist aber son Bild, das das geht langsam, was auch völlig natürlich ist, weil die Herangehensweise in diesen Branchen ist einfach völlig anders erst mal. Da muss man sich erst 'n bisschen kennenlernen und außerdem, das ist Hardware, das sind Maschinen, die sind einfach irgendwie auch hoffentlich so haltbar, dass sie über 20 Jahre stehen und bis die dann irgendwann alle so umgebaut sind, dass sie auch wirklich Daten liefern. Ich glaub, das braucht tatsächlich noch eine Weile. Ich bin da tatsächlich, glaub ich, optimistischer als der CDU von Amazon, der der Werner Vogels hat irgendwann neulich mal irgendwie. Ich hoff, ich geborene's richtig wieder, aber er frustriert also Industrie 4 0. Ja, also sieht das sehr kritisch, weil die die die haben alle doch nicht die Daten, weil die Maschinen die Daten doch nicht liefert statt heute. Aber da wird viel investiert. Also die neueren Anlagen werden das sicher alle haben. Die Geräte sind nur nicht besonders günstig und die werden da dadurch alle Lasäule ausgetauscht, sodass das einfach, glaub ich, schon nicht mehr taugt.
Speaker1: Was mir vielleicht auch noch in, was mir grad noch in Kopf kommt, es es könnt ja auch eine Art, speziell, wenn viele verschiedene Branchen von Data Science auch Gebrauch machen könnten und verschiedene generell von dem, was Sie bei Ihnen nur weg machen, dass auch ein kommunikatives Problem entstehen könnte. Natürlich möchte man das irgendwie überwinden, aber ich meine, kann, hier gibt ja auch viele Branchen, die haben erst mal überhaupt nichts mit Data Science zu tun. Und die sind natürlich auch überrascht erst mal von dem von dem, ich nenn's jetzt mal plötzlichen plötzlichen Wandel hin zu zu einem Standpunkt, wo man sich selber auch damit auseinandersetzen muss. Und dann kann es ja sein, dass man als Data Scientist plötzlich, ich denk mir jetzt irgend 'n Beispiel aus, mit jemandem spricht, der irgendeinen irgendein irgendein Kleidungsgeschäft von mir aus, ja. Und die möchten auch irgendwie datenbasiert ihr irgendwie Microtargeting machen auf auf irgendwelchen Social Media Plattformen. Und diese Person hat dann oft vielleicht nicht so viel Ahnung von Data Science. Wie sieht da dann die Kommunikation aus oder ist das überhaupt eine Herausforderung?
Speaker2: Ich glaub schon, ja. Aber man muss einfach auf 'ner anderen Ebene dann in die Kommunikation einsteigen. Also bisher einsteigen. Also bisher am Anfang war's für uns, glaub ich, eher einfach, weil wie gesagt, in den Bereichen E-Commerce, Telco und so, die waren Datenaffin. Da hat man auch den denselben Wortschatz und kam da relativ schnell ins Gespräch rein und in die in die Kooperation. Ich glaub, bei den Branchen, die jetzt 'n bisschen weiter davon weg sind, muss man muss man einfach 'n bisschen weiter vorne anfangen und erklären vom Use Case her, was wollt ihr? Worum geht's euch eigentlich beim Kunden? Halt nicht nur die rein technische Ebene, sondern sowohl die Seite vom Businessmodell her zu verstehen, okay, wo sind eigentlich die Ansatzpunkte, wo ihr durch Ergänzung zu einem Produkt, die jetzt zum Beispiel auf Daten und dann auf Machine Learning Modellen oder auf KI, was auch immer das dann bedeutet. Genau, wie wie kann man da Mehrwert erschaffen? Und in der im Bereich Industrie 4 0 ist es tatsächlich 'n guter Ansatzpunkt, dort über Forschungsprojekte auch reinzugehen. Das ist auch eine Sache, die wir machen. Wir haben aktuell 2 geförderte Projekte, das ist Kosmos und Servicemeister. Servicemeister war letztes Jahr eine der KI Innovationswettbewerb vom BMWI. Und das ist 'n schönes Umwelt, wo sich eben auch Industrieunternehmen dann beteiligen. Die sind in den Konsortien mit drin. Das heißt, man kommt da in den Austausch und kann auch mal konkrete Use Cases auf der grünen Wiese umsetzen, wo man eben einfach im Bereich der Forschung schon mal das umsetzen kann, ohne die Notwendigkeit zu haben, dass die Maschinen bei den Kunden wirklich Taschen können. Und dadurch kann man dann auch besser erklären, was die Herausforderungen sind oder worum's worauf's dann ankommt. Also diese beiden Wege seh ich da, da in den ins Gespräch zu kommen.
Speaker1: Mhm. Jetzt hatten Sie's ja auch schon vorhin kurz angeschnitten, Ihre Arbeit mit Studierenden und wie Sie quasi mit Werkstudenten arbeiten. Könnten Sie uns da vielleicht 'n kurzen Einblick noch in die Strategie geben, auf was Sie da besonders Wert legen oder wo Sie sagen, das muss auf jeden Fall gemacht werden, weil vielleicht wurd es früher nicht so gemacht oder vielleicht wird das in Zukunft richtig, vielleicht mit 'ner gewissen Perspektive?
Speaker2: Genau. Also wir wir haben tatsächlich 'n großes Studierendenprogramm. Das hat bei uns verschiedene Motivationen, die dahintersteht, also verschiedene Gründe, die dahinterstehen. Das eine ist natürlich das Recruiting, die Nachwuchsförderung, sozusagen, okay, Studierende, die bei uns schon als Werkstudent waren und als Mustarand fahren, die kennen wir ganz gut. Die haben vielleicht auch schon das gelernt, was für uns wichtig ist. Die stellen wir dann auch gerne ein. Und tatsächlich ist es so, dass wir von den Berufseinsteigern eigentlich die meisten aus unserem eigenen Studierendenprogramm rekrutieren. Und und das 2. Ist natürlich die die Frage Innovation. Also die meisten unserer Studierenden arbeiten entweder auf internen Projekten, die entweder interne Prozesse bei uns verbessern oder die eher irgendwie in den Bereich Forschung gehen oder tatsächlich aufn richtigen Forschungsprojekt wie zum Beispiel Kosmos. Genau und dadurch lernen wir halt auch viel, weil die Studierenden dann wieder von Mitarbeitern betreut werden, die dafür Zeit bekommen. Und was denn zu Studierenden lernen sollen, ist tatsächlich dieser Ende zu Ende Ansatz auch. Also alles, was wir da machen, auch in den Forschungsprojekten, hat schon den Anspruch, 'n gutes Stück Software zu sein. Das ist sicher auch Forschung. Aber die Studierenden arbeiten in Scrum Teams und es gibt Retrospektiven und wir achten auf Clean Code und Tests und so weiter und auch die Data Science Test oder die Alle interessieren sich natürlich für Machine Learning. Das das lernen Sie auch, aber es ist auch wichtig, sich mit Dingen auseinanderzusetzen wie Continuous Integration oder Kubernetes oder Dingen, die eher mit der Produktivität, also mit der tatsächlichen skalierbaren Umsetzung von Data Science zusammenhängen. Und das sind, glaub ich, Sachen, die man auch an der Uni vielleicht gar nicht so unbedingt lernt. Und das da ist ein Grund, warum wir das auch so intensiv tun, ja. Also weil dadurch die Absolventen einfach Skills bei uns dann lernen, die sie, die komplementär sind zu dem, was sie an der Uni lernen. Alles klar. Dann vielleicht jetzt noch zum Abschluss.
Speaker1: Hätten Sie denn noch einen handlichen kleinen Tipp für unsere Hörer für die Complexity Masters, wo Sie sagen oder vielleicht einen kleinen Leitsatz, der der Ihnen vielleicht auch im Leben weitergeholfen hat. Haben Sie da was für unsere Hörer vielleicht?
Speaker2: Ja, was was was denke ich wichtig ist son bisschen die Unerschrockenheit gegenüber, also gegenüber Dingen, die jetzt sehr advanced aussehen, aber vielleicht kann ich so gar nicht so schwer beherrschbar sind, also sone gewisse Unerschrittenheit, 'n bisschen diese Bastlermentalität. Auch ich probier das einfach mal aus, ich lad mir das runter und und und kurz selber 'n bisschen und eine starke Neugierde. Also tatsächlich beides, 'n gutes theoretisches Fundament ist schon schon wichtig, aber gleichzeitig, denk ich, ist diese Mentalität einfach extrem wichtig, wenn man dann in die Praxis gehen will. Und das werdende Studiums oder so auch schon irgendwie zu üben in in Praktikaseitenbeschäftigung oder einfach nur, indem man irgendwie in der Open Source Community aktiv ist oder einfach mal selber Seitenprojekte hat, wo man sich austoppt. Das ist, glaube ich, schon wichtig oder find find ich sehr gefreut.
Speaker1: Alles klar. Vielen Dank, Herr Zorn. Hat mich sehr gefreut und ich wünsch Ihnen noch weiterhin viel Erfolg bei Inowx.
Speaker2: Dankeschön.
Speaker1: Das war mein Gespräch mit Hans Peter Zorn. Besonders interessant fand ich zu hören, welche Herausforderungen zwischenmenschlicher Natur auf Data Scientists zukommt. Was meint ihr? Wie sehr sollten Data Scientists auch kommunikative Skills entwickeln? Schreibt uns auf unseren Social Media Kanälen. Wenn ihr wissen wollt, welche Skills noch wichtig sind für Data Scientists, dann hört euch unsere Folge mit Julia Gottfreaks an. Sie ist verlinkt in der Beschreibung. Master the Complexity.
Speaker0: Jeden Dienstag erscheint eine neue Folge von The Erium Podcast. Auf dem Laufenden zu bleiben, folgt uns auf Facebook, 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 Erium Podcast.