Ich bin ein durchschnittlicher Data Scientist. Und ich lebe seit 10 Jahren gut damit

• Mir ist bewusst, dass es wirklich herausragende Data Scientists mit PhD gibt, die bei FAANG arbeiten und mit den neuesten Technologien bestens vertraut sind. Aber ich gehöre nicht zu dieser Kategorie
• Ich habe in kleinen und mittelgroßen Unternehmen mit veralteter Technik gearbeitet, in Firmen, in denen ich allein die Rolle von Analyst/Scientist übernommen habe, und bei Unternehmen, von denen die meisten noch nie gehört haben
  • Ich mache nichts Besonderes, halte mich selbst nicht für klug oder außergewöhnlich, und ich würde die heutigen FAANG-Interviews wohl nicht bestehen
• Trotzdem habe ich als Data Scientist großartige Erfahrungen gemacht und in den Unternehmen, mit denen ich gearbeitet habe, spürbaren Impact erzielt
  • Auch jetzt habe ich in Vorstellungsgesprächen keine großen Schwierigkeiten, Angebote zu bekommen, aber zum jetzigen Zeitpunkt ist es deutlich schwieriger geworden
  • Ich hatte immer den Drang und den Antrieb, Neues zu lernen, und habe entdeckt, dass ich ein Talent dafür habe, komplexe Informationen so zu übersetzen, dass sie jeder verstehen kann
• Ich versuche, freundlich und empathisch zu bleiben und allen zu zeigen, dass Daten spannend und interessant sein können
  • Ich lehne die Haltung ab, andere kleinzumachen, um selbst klüger zu wirken, und deshalb liebe ich es, komplexe Konzepte so aufzubereiten, dass sie jeder verstehen kann
• Ich arbeite gern mit Daten, um Insights und eine Richtung für das weitere Vorgehen aufzuzeigen
  • Auch wenn viele Modelle nicht zu Ergebnissen führen, macht mir schon der Bau von Modellen Spaß
  • Einige der größten Impacts und Entscheidungen in Unternehmen, für die ich gearbeitet habe, kamen aus Balkendiagrammen und grundlegenden KPIs
• Ich habe vor, diese Arbeit auch in Zukunft weiterzumachen
  • Auch wenn ich mich selbst als durchschnittlich oder darunter empfinde, mache ich gern, was ich liebe, und konzentriere mich auf die Bereiche, in denen ich gut bin
  • Vor allem findet durch AI ein dramatischer Wandel in diesem Bereich statt, und ich passe mich gerade auch an diese Veränderung an
• Ich wollte die positive Erfahrung eines schmerzhaft durchschnittlichen Menschen teilen
  • Vor allem Einsteigerinnen und Einsteigern sowie Menschen, die in dieses Feld wechseln wollen, wollte ich zeigen, dass man nicht die klügste Person im Raum sein muss
  • Was man braucht, ist die Bereitschaft, sich tief in solide Grundlagen einzuarbeiten und im Unternehmen Veränderungen oder Mehrwert zu schaffen

[GN⁺]

Reddit-Kommentare

• Es ist wirklich realistisch, dass Modelle bauen Spaß macht und viele Modelle in der Praxis gar nicht genutzt werden, während große Unternehmensentscheidungen oft auf Balkendiagrammen und grundlegenden KPIs basieren
  • Meiner Erfahrung nach war dieses Balkendiagramm oft der Bericht über die wichtigsten Features eines trainierten xgboost-Modells
    Ich habe vor etwa 7 Jahren aufgehört, als Data Scientist zu arbeiten, also fühlt sich das wie eine alte Zeitkapsel an, aber ich erinnere mich noch daran, dass die Kunden diese Ergebnisse ziemlich mochten
  • Ich bin Software Engineer, aber ich baue und trainiere Modelle gern als eine Art Hobby
  • Bei dem Teil musste ich zusammenzucken. Damit kann ich mich nicht identifizieren, ich möchte, dass das, was ich gebaut habe, auf jeden Fall genutzt wird
    Trotzdem sollte man die Fähigkeit, komplexe Inhalte in Worte zu übersetzen, die Menschen verstehen, niemals unterschätzen. Es gibt zu viele Leute, die diese Grundlagen nicht beherrschen, daher glaube ich nicht, dass man unterdurchschnittlich sein kann, wenn man das ordentlich hinbekommt
• Als ebenfalls durchschnittlicher Data Scientist bin ich dafür dankbar. Es nervt langsam, hier ständig nur von FAANG zu lesen
  • In letzter Zeit wirkt es, als würde man nur noch Eigenwerbung von Only FAANGS sehen
  • Wichtiger als Durchschnitt oder Top-Niveau ist das Timing, wann man Data Scientist geworden ist
  • Außerdem arbeiten viele FAANG-Data-Scientists an „AI“-Modellen, und so eine Arbeit würde mich verrückt machen. Die Welt braucht keine weitere Version von ChatGPT
• Das kommt einem realistischen Karriereweg als Data Scientist näher. In 99 % der Fälle sind geschäftlicher Einfluss und Kommunikation wichtiger als glamouröse Modelle
  • Ich arbeite in einem Data-Science-/Analytics-Team im Consulting und wir haben Millionen Dollar in Rechnung gestellt, nur indem wir SQL-Abfragen geschrieben und die Ergebnisse an Kunden vermittelt haben
    Das heißt natürlich nicht, dass das, was ich in Rechnung gestellt habe, auch mein Gehalt ist
  • Menschen außerhalb des Datenbereichs wenden manchmal das genaue Gegenteil von Occams Rasiermesser an. Mehr „Mathematik“ bedeutet nicht immer mehr Erkenntnis, manchmal bedeutet es einfach nur mehr Annahmen
• Ehrlich gesagt klingt das nach einem guten Data Scientist. Ich habe genug Leute gesehen, die im Lebenslauf Qualifikationen und große Namen stehen haben und groß reden, aber in der Praxis fast nichts zustande bringen, sodass ich diesen Dingen nicht mehr viel Gewicht beimesse
• Vielleicht kein durchschnittlicher Data Scientist, sondern ein Median-Data-Scientist
• Eine erfrischende Perspektive
• Ich bin ebenfalls so ein ähnlicher durchschnittlicher Data Scientist, und wenn ich die Beiträge hier lese, werde ich manchmal unsicher
• Ich bin dem auch eher nah. Das Unternehmen ist groß, aber der Fokus liegt darauf, Entscheidungen im Finanzteam zu unterstützen, statt die schillerndsten, komplexesten und neuesten Methoden durchzudrücken
  Wenn man Inhalte zu Data-Science-Bewerbungsgesprächen sieht, hat man das Gefühl, man müsse ein lebendiges Lexikon aus Statistik, Informatik und künstlicher Intelligenz sein, aber in der Praxis waren die erfolgreichsten Leute oft diejenigen, die die Arbeit anderer positiv beeinflussen und mit denen man im Team gut zusammenarbeiten kann
• Das sage ich Leuten, die keine Stelle als Data Scientist finden, immer wieder. Ich komme aus der Supply Chain und hatte das Gefühl, dass die Leute viel zu viel manuell machen, also habe ich mir Programmieren selbst beigebracht
  Danach habe ich einen Master in Data Science gemacht und bin in eine Rolle im Supply-Chain-Projektmanagement gewechselt, wo ich dann Automatisierung, Dashboards, Data Pipelines, Prognosemodellierung und Ad-hoc-Analysen gemacht habe. Nach dem Abschluss hat mich das Unternehmen tatsächlich zu einem Data Scientist befördert – mit Titel und Gehalt
  Ich mache zwar nicht die extrem fortgeschrittene Arbeit, die manche Data Scientists leisten, aber wenn man Unternehmensprobleme mit Data-Science- und technischen Fähigkeiten löst, kann man einen selteneren, aber erfüllenden Karriereweg finden
  • Mich würde interessieren, wie viel du jetzt verdienst. Reicht es aus, um weiterzumachen, oder hast du das Gefühl, dass du für eine höhere Vergütung mehr tun müsstest?
• Solche Geschichten mag ich wirklich. Auch die langjährigen Praktiker aus der Mitte sollten aufstehen