Eine Karriere im Datenbereich beginnen

Ich möchte an dieser Stelle an meinen Blog über Karriere im Datenbereich mit nicht-technischem Hintergrund anknüpfen, der sich bisher als mein meistgelesener Blog erwiesen hat. Es gibt viele Ressourcen zu diesem Thema, und doch ist das eine immer wiederkehrende Frage, die bei vielen Gelegenheiten gestellt wird. Deshalb lege ich meine Sicht dazu dar. 

Ich schrieb, dass dieser Übergang möglich ist, zwei Fragen bleiben dennoch offen:

Wie wählt man den richtigen Karriereweg? &

Welche Schritte müssen unternommen werden, um sich in diese Richtung zu entwickeln? (& Wie lange wird die Reise dauern?)

Data Engineer ist nicht gleich Data Scientist. Oder doch?

Es ist wichtig, sich einen guten Überblick über die Jobcluster verschaffen. Andernfalls kann die Menge an verfügbaren Informationen überwältigend sein, und die Gefahr besteht aufzugeben, bevor man angefangen hat. Obwohl Berufsbezeichnungen und Stellenbeschreibungen von Unternehmen zu Unternehmen variieren können, gibt es einige allgemein akzeptierte Merkmale für eine bestimmte Rolle.

Im vorigen Beitrag zu diesem Thema habe ich geschrieben, dass die technischen Stellen im Bereich der Entwicklung und des Cloud Computing angesiedelt sind. Der Einstieg ist auch für eine Person möglich, die keinen technischen Hintergrund hat. Wenn du nicht sicher bist, würde ich als Ausgangspunkt die Rolle des Datenanalysten vorschlagen. Von dort aus kannst du entweder in eine eher technische Richtung gehen, wie z. B. Data Engineering, oder in eine eher analytische Richtung, wie z. B. Data Science und künstliche Intelligenz (KI). 

Viele online Ressourcen erklären die verschiedenen Rollen im Datenbereich. Hier ist eine zusammengefasste Version der Aufgaben und Fähigkeiten, die meist mit ihnen verbunden sind.

Data Engineer/ArchitektDatenanalystData ScientistKI Specialist
TätigkeitenErstellt, testet und pflegt Datenarchitekturen (Data-Warehousing- oder Data-Lake-Lösungen)Sammelt, bereinigt, modelliert und visualisiert DatenFührt fortgeschrittene Analysen mit Hilfe verschiedener statistischer Methoden wie Inferenzen, Korrelationen, Regressionen, ClusteringEntwirft und implementiert Modelle des maschinellen Lernens mit Hilfe von überwachten, nicht überwachten, verstärkten Lernen und künstlichen neuronalen Netzen
KompetenzenDatabanken, ETL (extract, transform load), APIs (application programming interface), Cloud Technologien wie Microsoft Azure, AWO, Google CloudSQL, Business Intelligence Tools wie Power BI, Qlik, Tableau, AlteryxSQL, Analytics tools wie Python, R, Matlab, Statistiche Programme wie SAS, SPSS, StataPython (insbesondere TensorFlow), R, Matlab, Programmierung mit Java, C, C++
Übersicht Datenkarrieren (häufigste Profile)

Es ist nicht erforderlich, alle Werkzeuge/Technologien zu kennen. Man fängt mit einer Technologie an und macht von dort aus weiter. Das reicht in der Regel zunächst aus, da sich Unternehmen auch zwischen verschiedenen Tools entscheiden müssen.

Die Grenzen zwischen den Rollen können in der Praxis fließend sein. Vor allem in kleineren Unternehmen wird oft erwartet, dass die Mitarbeitenden in der Lage sind, sowohl die Infrastruktur zu erstellen als auch Daten zu analysieren. Das kann bedeuten, dass eine Person als Datenarchitekt und Datenanalyst gleichzeitig agieren muss. Manchmal übernehmen Data Scientists die Aufgaben von Datenanalysten (auch der umgekehrte Fall ist möglich). Und oft wird der Begriff Data Scientist als Synonym für alle Aufgaben verwendet, die Arbeit mit verschiedenen statistischen und maschinellen Lernmodellen voraussetzen.

Am Karriereziel ankommen – Bootcamps oder Online-Kurse?

Wie kann die Umschulung gelingen, um den Traumjob zu finden? Einen Studiengang anzufangen ist eine Möglichkeit, allerdings ist dies die zeitaufwändigste und bei Quereinsteigern nicht sehr beliebt.

Es gibt ein überwältigendes Angebot an Online-Kursen, die bestimmte Tools oder Programmiersprachen vermitteln. Einige bieten spezielle Kurse an, die auf die Anforderungen der jeweiligen Rolle zugeschnitten sind. Ich habe hier eine Liste von Kursen zusammengestellt. Die Liste erhebt keinen Anspruch auf Vollständigkeit.

Die Grafik unten besagt, dass die notwendige Zeit, um „neue Fähigkeiten online aufzubauen„, für Daten- und KI-Fähigkeiten in Summe 2 bis 3 Monate und für Cloud-Engineering 4 bis 5 Monate beträgt, vorausgesetzt, es wird jeden Tag gelernt. Dies ist die benötigte Zeit, um ein grundlegendes Verständnis für die Aufgaben in einer bestimmten Rolle zu erlangen. Das wäre die Zeit, um festzustellen, ob es sich für dich lohnt, diesen Beruf zu ergreifen. Es wäre jedoch irreführend zu glauben, dass dies ausreicht, um ein Experte auf dem Gebiet zu werden. Meiner Erfahrung nach, braucht man mehr als einen Kurs, um eine Fertigkeit zu beherrschen, vorausgesetzt, man schafft es tatsächlich bis zum Abschluss.

Online-Kurse sind leider für niedrige Abschlussquoten bekannt: etwa 10 Prozent. Sie erfordern viel Disziplin. Ihre Vorteile sind, dass die Lerninhalte im eigenen Tempo abrufbar sind. Wenn du es bis zum Ende schaffst, bist du für kontinuierliches Lernen gerüstet und das machst du am besten im Rahmen realer Projekte.

Bootcamps sind ein Format das verspricht in ca. 3 Monaten intensives Trainings fit für eine bestimmte Rolle zu sein. Der Unterschied ist, dass Bootcamps einen verpflichten, jeden Tag zu lernen, während bei Online-Kursen die Lernzeit gestreckt werden kann. Wenn man sich auf ein bestimmtes Lernziel festlegt und es intensiv verfolgt, kann man zwar beträchtliche Fortschritte verzeichnen, erreicht aber bestenfalls ein mittleres Niveau oder realistischerweise ein solides Anfängerniveau. Wichtig ist, mit dem Lernen nicht aufzuhören und das gelernte umzusetzen. Hier habe ich darüber geschrieben, wie du deine digitale Kompetenzen einschätzen kannst.

Es gibt weniger Daten über die Abschlussquoten von Bootcamps. Einige Umfragen deuten auf eine relativ hohe Quote hin. In einer Evaluierung von 89 Bootcamps im Vereinigten Königreich aus dem Jahr 2021 wird eine Abschlussquote von rund 80 % festgestellt. Einige der Vorteile von Bootcamps sind ihre Intensität und die Tatsache, dass sie von einem Trainer bzw. einer Trainerin geleitet werden. Bei Online-Kursen kann man dagegen bestenfalls Antworten in online Foren bekommen. Da Bootcamps allerdings kostenintensiver sind, wäre eine persönliche Kosten-Nutzen-Analyse vor der Entscheidung zu investieren sinnvoll. 

. . .

Unabhängig davon, welcher Ansatz gewählt wird, würde ich dir empfehlen, zunächst rollenbasierte Kurse & Trainings ausprobieren. Universitäten bieten akademische und berufsspezifische Abschlüsse an. Aber auch viele Kurs- oder Bootcamp-Anbieter haben Lehrpläne rund um Berufsrollen erstellt. Siehe zum Beispiel Datacamp, Dataquest oder Stackfuel (auch auf Deutsch verfügbar) unter meinen Lernressourcen. Auf diese Weise stellst du eher sicher, dass du mit den richtigen Lerninhalten startest.

Foto oben: Alexander Sinn on Unsplash

Leave a Reply

Your email address will not be published. Required fields are marked *