Data Scientist: Gehalt, Aufgaben, Aus- und Weiterbildung

Was macht ein Data Scientist?

Welche Kund:innen kündigen voraussichtlich im nächsten Quartal? Wie viele Ersatzteile brauchen wir im März? Welche Maschine fällt bald aus? Welcher der drei Vorschläge der Marketingabteilung bringt tatsächlich mehr Umsatz? Alle diese und viele weitere Fragen lassen sich mit Daten beantworten. 

‍

Es ist die Aufgabe des Data Scientists, diese Daten zu sammeln, zu bereinigen und daraus fundierte Erkenntnisse abzuleiten. Damit liefert er Antworten, die Unternehmen sonst nur raten könnten. Der Beruf liegt damit an der Schnittstelle von drei Kernbereichen: 

• Statistik und Mathematik: Die Grundlage liefern mathematische Methoden. Sie sind erforderlich, um in Daten Muster zu erkennen und daraus belastbare Aussagen abzuleiten. Dazu zählt auch die Berechnung, wie sicher diese Aussagen eigentlich sind.
• Programmierung und Datentechnik: Unternehmen häufen Unmengen an Daten an. Um diese zu strukturieren, ist es erforderlich, Abfragen zu programmieren. Immer häufiger kommt dabei auch künstliche Intelligenz (KI) zum Einsatz. 
• Fach- und Geschäftsverständnis: Für die richtigen Fragestellungen sind ein gewisses wirtschaftliches Verständnis sowie unternehmerisches Denken Voraussetzung. Hier arbeiten Data Scientists eng mit dem Produktmanagement zusammen. 

Wie sich diese drei Bereiche im Arbeitsalltag verteilen, hängt stark vom Unternehmen ab. Die Bandbreite reicht vom Ein-Personen-Datenteam im Start-up bis zur klar abgegrenzten Spezialrolle im Konzern.

‍

Aufgaben: So sieht ein typischer Arbeitsalltag aus

Data Science wird oft mit Algorithmen und Modellen gleichgesetzt. Der Arbeitsalltag ist jedoch deutlich vielfältiger:

• Fachliche Frage klären: Data Scientists sprechen mit Fachabteilungen, um deren Anliegen in eine messbare Fragestellung zu übersetzen. Product Designer fragen beispielsweise: „Nutzt eigentlich jemand das neue Feature?“ Product Owner stellen die Frage, ob sie Feature A oder B zuerst bauen sollen. Daraus werden Fragestellungen zur Adoption Rate pro Nutzersegment oder zum erwarteten Effekt auf die Conversion.
• Daten beschaffen und aufbereiten: Dazu zählen das Schreiben von SQL-Abfragen, das Zusammenführen von Quellen sowie das Prüfen der Datenqualität. Diese Aufgaben umfassen zumeist den größten Teil des Arbeitsalltags. 
• Explorative Analyse: Bevor irgendein Modell gebaut wird, geht es darum, die Daten überhaupt zu verstehen: Wie sind die Werte verteilt, welche Ausreißer gibt es, welche Zusammenhänge zeichnen sich ab? Explorative Datenanalyse bedeutet, Datensätze unvoreingenommen zu durchsuchen, um Muster und Auffälligkeiten zu entdecken. 
• Feature Engineering und Modellierung: Hierbei geht es darum, Rohdaten so zu modellieren, dass sich daraus Aussagen ableiten lassen. Aus dem bloßen Kaufdatum der letzten Kunden werden so wichtige Kennzahlen wie die Anzahl der Bestellungen in den letzten 90 Tagen oder der prozentuale Anteil an wiederkehrenden Kunden. 
• Experimente designen: Viele Unternehmen testen verschiedene Varianten ihres Produkts. Im UX/UI Design beispielsweise kommen A/B-Tests zum Einsatz, um herauszufinden, welche Design-Variante mehr Umsatz generiert. Data Scientists sorgen dafür, dass Stichprobengröße, Laufzeit und Erfolgsmetriken sauber definiert werden. 
• Ergebnisse kommunizieren: Die besten Analysen und Modelle bringen nichts, wenn sie niemand versteht. Zu den Aufgaben von Data Scientists gehört es deshalb auch, Visualisierungen, Präsentationen und Entscheidungsvorlagen für das Management zu liefern. 

Die Ausprägung der einzelnen Aufgaben kann dabei je nach Unternehmen und Position variieren. Während in Start-ups oft alle Kompetenzen an einer Person hängen, sind Data Scientists in größeren Konzernen oft auf einzelne Teilbereiche spezialisiert. 

‍

Gehalt: So viel verdienen Data Scientists

Data Scientists sind stark nachgefragt und in vielen Branchen einsetzbar. So kommt es, dass die Gehälter über dem Durchschnitt vieler Akademikerberufe liegen.

‍

Das Einstiegsgehalt für Junior Data Scientists liegt in Deutschland typischerweise zwischen 45.000 und 60.000 Euro brutto im Jahr. Aktuelle Auswertungen nennen einen Durchschnitt von rund 56.000 Euro. Mit Masterabschluss, Tätigkeiten als Werkstudent:in oder Praktika landest du eher am oberen Ende der Spanne.

‍

Nach drei bis fünf Jahren im Job steigt das Gehalt auf bis zu 80.000 Euro pro Jahr. Senior Data Scientists mit mehr als fünf Jahren Berufserfahrung verdienen bis zu 90.000 Euro im Jahr. Für Positionen mit Führungsverantwortung sind sechsstellige Jahresgehälter nicht unüblich. 

‍

Einstieg in den Job: Quereinstieg und Studium

Die Berufsbezeichnung Data Scientist ist kein geschützter Titel. Viele Unternehmen erwarten jedoch ein Studium mit quantitativem Schwerpunkt. 

‍

An einigen Hochschulen wie der TU Dortmund, der Universität Augsburg, der Hochschule Aalen, der DHBW Baden-Württemberg sowie der FU Berlin und der Berliner Hochschule für Technik gibt es mittlerweile eigene Bachelor- und Masterstudiengänge in Data Science.

‍

Quereinsteiger:innen verfügen meist über ein Studium in einer angrenzenden Disziplin wie Informatik, Wirtschaftsinformatik, Naturwissenschaften, Statistik oder Mathematik. Einen wirklichen Vorteil im Bewerbungsprozess bringen einschlägige Praxiserfahrungen wie eine Abschlussarbeit mit echten Daten, Werkstudentenjobs, Praktika oder eigene Projekte auf GitHub.

‍

Weiterbildung: Neue Chancen durch KI

Kaum ein Berufsfeld hat sich durch generative KI so schnell verändert wie Data Science. Für Einsteiger:innen ist das weniger eine Bedrohung als eine Verschiebung. Gerade was Mustererkennung und Datenanalyse angeht, übernimmt KI heute einen Großteil der Arbeit. 

‍

Wie Data Scientists KI sinnvoll einsetzen, das vermittelt unsere Weiterbildung zum AI Software Engineer. Teilnehmer:innen lernen Prompt Engineering, die Dokumentation und Risikobewertung von Modellen, den Aufbau von RAG-Systemen, die Unternehmenswissen für Sprachmodelle zugänglich machen. Außerdem lernen sie, Halluzinationen und systematische Fehler im Produktivbetrieb zu erkennen.

Kompetenzen und Voraussetzungen

Der sinnvolle Einsatz von KI und LLMs gehört somit zu den Kernkompetenzen von Data Scientists. Darüber hinaus sollten sie folgende Fähigkeiten mitbringen:

• Programmierung: Hier hat sich vor allem die Programmiersprache Python als Standard durchgesetzt (pandas, scikit-learn, NumPy), daneben wird teilweise R eingesetzt. Sauberer, nachvollziehbarer Code zählt dabei mehr als exotische Tricks.
• SQL: Es dient zum Abfragen und Verwalten von Datenbanken und gehört damit zu den absoluten Grundkompetenzen. 
• Statistik und Mathematik: Wahrscheinlichkeitsrechnung, Hypothesentests, Regression und lineare Algebra sind erforderlich, um zu verstehen, warum ein Modell funktioniert oder eben nicht.
• Machine Learning: Du solltest die gängigen Verfahren von der Regression über Entscheidungsbäume und Boosting bis zu den Grundlagen neuronaler Netze kennen und ein Modell sauber validieren, Overfitting erkennen und die passende Bewertungsmetrik auswählen können.
• Datenvisualisierung: Dabei kommen Tools wie matplotlib, seaborn und Plotly oder BI-Tools wie Power BI und Tableau zum Einsatz. 
• Werkzeuge und Umgebung: Weitere oft genutzte Tools sind Git, Jupyter und Docker, zunehmend auch MLOps-Basics. Auch der Umgang mit einer Cloud-Plattform wie AWS, Azure oder Google Cloud gehört zu den Kernkompetenzen. 

Neben den genannten Hard Skills ist auch eine ganze Reihe an Soft Skills gefragt. Dazu zählt Kommunikationsstärke, um Modelle und Analysen erklären zu können. Auch ein gewisses wirtschaftliches Verständnis ist von Vorteil, um Erkenntnisse im Unternehmenskontext einordnen zu können. 

‍

Data Scientist, Data Analyst, Data Engineer: Wie sich die Berufsfelder unterscheiden

Häufig wird der Beruf des Data Scientists mit anderen Jobtiteln wie denen des Data Engineers oder Data Analysts in einen Topf geworfen. Auch wenn sich die Tätigkeitsbereiche überschneiden, handelt es sich dabei um durchaus unterschiedliche Rollen. 

Der Data Analyst fragt: Was ist passiert? Er wertet vorhandene Daten aus, baut Dashboards und Berichte und liefert Fachbereichen die Kennzahlen, auf deren Basis sie entscheiden. Sein Werkzeugkasten besteht vor allem aus SQL und Visualisierungstools wie Power BI oder Tableau. Statistische Tiefe ist hier seltener gefragt als die Fähigkeit, Zahlen verständlich aufzubereiten.

‍

Der Data Scientist setzt eine Ebene später an und fragt: Was wird passieren, und warum? Statt Vergangenes zu beschreiben, baut er Prognosemodelle, entwirft Experimente und sucht nach Ursachen hinter beobachteten Mustern. Das verlangt deutlich mehr Statistik und Machine Learning sowie sichere Programmierkenntnisse in Python oder R.

‍

Der Data Engineer wiederum kümmert sich um die Grundlage, auf der beide arbeiten. Seine Frage lautet: Wie kommen die Daten verlässlich, vollständig und rechtzeitig dorthin, wo sie gebraucht werden? Er baut Datenpipelines, verantwortet Datenmodelle und Speicherarchitektur und sorgt dafür, dass Qualität und Verfügbarkeit stimmen. Statistik spielt hier kaum eine Rolle, dafür sind Cloud-Infrastruktur und Software Engineering zentral.

‍

Ergänzt wird das Feld häufig durch den ML Engineer, der Modelle aus dem Prototypenstadium in den produktiven Betrieb überführt und dort stabil hält. Er steht damit zwischen Data Scientist und Data Engineer.