- Zusammenfassung eines AMA im Reddit-Kanal DataScience mit einem Staff Data Scientist eines großen Tech-Unternehmens aus dem Silicon Valley in den USA
- Mit Promotion in Statistik, rund 10 Jahren Berufserfahrung und Stationen bei Startups, Pre-IPO-Unicorns und FAANG-Unternehmen unterschiedlichster Größen
- Arbeitete überwiegend als IC (Individual Contributor), hat aber auch etwas Führungserfahrung
- Die größten Stärken liegen vor allem in Machine Learning, Experimenten/Kausalinferenz und Datenanalyse
Zusammenfassung der wichtigsten Fragen und Antworten
Welchen Wert hat ein PhD (Doktortitel)?
- Ein Doktortitel hilft beim ersten Berufseinstieg und in der frühen Karriere, verliert aber mit zunehmender Berufserfahrung an Bedeutung
- Die Branche, insbesondere das Silicon Valley, fokussiert sich auf Geschwindigkeit und Business Value; Praxisnähe ist wichtiger als akademische Strenge
- Wenn er noch einmal entscheiden müsste, würde er wohl keine fünf oder mehr Jahre in eine Promotion investieren. Industrietrends und die Entwicklung von AI verlaufen zu schnell
- Für AI-Research-Positionen ist ein PhD nötig, aber für produktorientierte DS/ML-Rollen reichen auch MS/BS-Abschlüsse aus
Karriere und berufliche Entwicklung
- Um als IC zum Senior-Level oder darüber hinaus befördert zu werden, muss man über das eigene Team hinaus Wirkung entfalten und zu Strategie und Organisation beitragen
- Wichtig sind Vertrauensaufbau, das Leiten funktionsübergreifender Kooperationsprojekte und der Aufbau guter Beziehungen zu Führungskräften und Managern
- Für Erfolg im Startup braucht es Vielseitigkeit über verschiedene Rollen hinweg (End-to-End-ML, Datenpipelines, Analyse) sowie Begeisterung für das Business
- In der frühen Karriere ist technische Stärke entscheidend, später werden Domain-Wissen sowie Kommunikations- und Führungskompetenz wichtiger
Die Zukunft von Data Scientists und AI
- AI ersetzt einfache und repetitive Aufgaben schnell, wodurch Data Scientists mit echten Kernkompetenzen eher noch stärker herausstechen
- Seit der Einführung von Generative AI haben sich Arbeitsweisen wie Coding und Dokumentation verändert, doch die Kernrolle (Analyse, Modellierung usw.) bleibt weiterhin relevant
- AI könnte künftig mehr Bereiche übernehmen, aber die Fähigkeit, komplexe Probleme zu lösen, Domänenwissen zu interpretieren und gut zu kommunizieren, bleibt ein Maßstab für Talent
Praxis und Unternehmenskultur
- Die Bedeutung von Kausalinferenz/Experimenten (AB-Tests) variiert je nach Domäne. Wo Experimente nicht möglich sind, ist Kausalinferenz auf Basis beobachteter Daten unverzichtbar
- In der Kommunikation mit Business und Führungskräften sollte man weniger technische Details erklären, sondern auf „Warum?“, „Was werden wir tun?“ und die Wirkung fokussieren
- Wenn eine Unternehmenskultur Kausalinferenz und Datenqualität nicht ernst nimmt, sind Kommunikation und Veränderung nur begrenzt möglich. Dann sollte man über einen Jobwechsel oder einen Teamwechsel nachdenken
- Wenn der Manager das Problem nicht erkennt, helfen Vertrauensaufbau, konkrete Lösungsvorschläge und bei Bedarf auch ein interner Wechsel oder Kündigung
Kompetenzaufbau und Bewerbungstipps
- Zu Beginn der Karriere sind Praktika, Portfolio und Projekterfahrung wichtig. Technische Fähigkeiten (Coding, ML usw.) sind eher die Mindestanforderung
- Domain-Wissen, Kommunikation und Problemlösungskompetenz werden im Zeitalter von AI und Automatisierung zu noch wichtigeren Unterscheidungsmerkmalen
- Wichtiger als Abschlüsse oder Zertifikate sind echte Praxisprojekte und Erfahrung
- In der Branche zählt bei Einstellungen vor allem Erfahrung. Empfohlen werden Praktika, Consulting und vielfältige Projektarbeit
Weitere Einblicke
- Anzeichen dafür, dass ein Startup scheitert: sinkende Moral, Abgang von Schlüsselkräften, Verschlechterung zentraler Kennzahlen usw.
- Politisches Geschick: auf Projekte fokussieren, die mit der Unternehmensstrategie verknüpft sind, und Beziehungen mit Einfluss aufbauen
- Hohes Gehalt/Benefits: In oberen Big-Tech-Positionen bei Unternehmen wie Netflix sind Gehälter von über 750.000 US-Dollar realistisch (einschließlich Aktien)
- Karrierezufriedenheit: Abgesehen vom Datenvolumen ist die Arbeit bei Big Tech eher gewöhnlich; für Wachstum und Spaß wird derzeit nach Nebenprojekten gesucht
Noch keine Kommentare.