Sie wollen also Data Scientist werden?

Die meisten von uns kennen sich mit angewandter Statistik aus. Woher kommt also plötzlich die Rolle des professionellen Data Scientists?

Die Definitionen,  die ich für Data Scientists gesehen haben, unterscheiden sich im Wissen und der praktischen Anwendung kaum von gut ausgebildeten Industriestatistikern. Wenn ich einen Unterschied zwischen einem Data Scientist und einem Statistiker nennen müsste, dann wäre es der kommerzielle Fokus von Data Scientists. Das stellt eine gute Nachricht dar, denn ich habe Jahre damit verbracht, das Management vom Wert guter statistischer Modelle zu überzeugen, nur damit diese für etwas plumperes und weniger akkurates aber leichter verständliches aufgegeben wurden. Data Scientists sind eine neue Form von Statistikern - nur mit mehr Einfluss.

Falls Sie als Data Scientist in den Finanzdienstleistungen arbeiten wollen, dann benötigen Sie folgende Kompetenzen:

Einen erstklassigen Abschluss in Mathematik oder Statistik, in IT, Physik, Ingenieurswesen oder irgendeinem anderen Fach mit bedeutendem mathematischen Inhalt.

Die Fähigkeit in verschiedenen Sprachen zu programmieren – sowohl kompilierte als auch interpretierte Sprachen wie z. B. C++, S (wie es von R eingesetzt wird), Matlab, Python und Java.

Gute Kenntnisse in Datenbanken wie z.B. die jüngsten SQL-Lösungen in irgendeiner klassischen RDBMS wie MySQL, PostgreSQL, Oracle oder SQL Server).

Kompetenz im Umgang mit Zeitreihen von Bloomberg, Reuters oder irgendeinem anderen Finanzdatenstrom.

So weit, so gut. Doch es gibt zwei weitere Eigenschaften von erfolgreichen Data Scientists in den Finanzdienstleistungen, die seltener erwähnt werden. Zunächst müssen Sie in der Lage sein, mathematische Ideen in sprachlicher oder visueller Form an mathematische Laien zu vermitteln. Zweitens müssen Sie ihre mathematischen Kenntnisse zu nutzen, um betriebswirtschaftliche Probleme zu lösen.

Abgesehen davon benötigen Sie ein gutes Verständnis von der Optimierung (samt guten Schulkenntnissen in Algebra und Analysis), schließender Statistik, Simulation, multivariante Datenanalyse und guter Datenvisualisierung (nicht etwa nur Chartmüll).

Wenn Sie all das mitbringen, dann dürfte Ihnen neu Technologien wie Support Vector Maschinen, neuronale Netzwerke, Random Forests und Gradient Boosting keine Probleme bereiten.

Mit all dem steht Ihrer Karriere in Data Science nichts mehr im Wege. Viel Glück!

Richard Saldanha ist Co-Head von Qxquant, das Unternehmen bei Themen wie Künstlicher Intelligenz und Maschinenlernen berät.

 

Have a confidential story, tip, or comment you’d like to share? Contact: sbutcher@efinancialcareers.com

Bear with us if you leave a comment at the bottom of this article: all our comments are moderated by human beings. Sometimes these humans might be asleep, or away from their desks, so it may take a while for your comment to appear. Eventually it will – unless it’s offensive or libelous (in which case it won’t.)