Datenanalytikerin / Datenanalytiker

00:18 Ich glaube, dass man sich die Datenanalyse und Modellierung nicht so trocken vorstellen darf. 00:26 Es ist nicht mehr und nicht weniger in meinen Augen, dass es die Welt so beschreibt, 00:33 wie wir sie technisch erfassen können mit Sensoren, mit Erhebungen. 00:39 Ganz wichtig ist, dass man nicht vergisst, es gibt viele andere Betrachtungsweisen, 00:43 die nicht naturwissenschaftlich-technisch und datenfokussiert sind. 00:47 Aber auch diese Datenbeschreibung hat seine Berechtigung 00:50 und sie beschreibt die Vielfalt unseres Lebens und unserer Welt. 00:53 Damit dann umgehen zu können, ist ein kreativer und spannender Prozess 00:57 und überhaupt nicht langweilig oder fad. 00:59 Diese großen Modelle, die wir mittlerweile bauen, brauchen viele Daten. 01:05 Zum Beispiel wenn wir eine Produktionsanlage nachbauen, dann brauchen wir sehr viele Daten, 01:10 die mit Sensoren erhoben werden, die aus irgendwelchen Datenbanksystemen kommen, 01:15 die schon erhoben werden. 01:17 Die sozusagen zu erfassen, zusammenzuführen, qualitätszusichern, 01:21 ist eine große Herausforderung bei großen Simulationsprojekten 01:25 und ist meistens eigentlich der Knackpunkt. Natürlich muss man das Modell auch sorgfältig bauen. 01:32 Aber das ist eine Kernaufgabe. Der dritte Punkt ist in der Tat sorgsam mit den Ergebnissen umgehen. 01:37 Man muss sich schon immer auch selbst hinterfragen und das machen wir auch im Team. 01:42 Deshalb ist auch in meinen Augen Diversität am Arbeitsplatz sehr wichtig, 01:46 weil nur durch Diversität hat man unterschiedliche Blickwinkel auf das, was als Ergebnis herauskommt. 01:52 Der Arbeitsmarkt wird explodieren weiterhin. 01:54 In jeden Bereich wird der Anteil der Datenanalyse, der Modellierung in den nächsten Jahren ansteigen. 02:00 Modellierung und Simulation sind in unserer Gesellschaft massiv von Bedeutung. 02:04 Im Wesentlichen verwendet man Modellierung und Simulation immer genau dort, 02:07 wo man nicht genügend Daten hat, um das Ganze mit einem Datenmodell zu beschreiben. 02:12 Es gibt Bereiche, wenn man an Google denkt zum Beispiel, wo Daten über alles vorhanden sind. 02:17 Aber in der Realität ist es im Allgemeinen nicht so und da muss man sich überlegen, 02:21 wie kommt man von A auf B oder wie beantwortet man die Fragestellung, die man da jetzt hat. 02:25 Allein mit Daten geht es nicht. Also muss man sich überlegen, was sind die Prozesse dahinter, 02:30 was sind die Kausalitäten dahinter. 02:32 Wenn man die kennt, kann man die Sachen in den meisten Fällen auch deutlich genauer 02:36 beantworten als man es rein mit Datenmodellen kann. 02:38 In dem Beruf, den ich und hier in der Firma eigentlich alle ausüben, ist man sehr eingespannt 02:46 zwischen den Leuten, die die Probleme haben – also zum Beispiel jetzt die Entscheidungsträger 02:52 in der Politik oder im Gesundheitsministerium, dann den Menschen, die die Daten haben, 02:57 die diese Daten sammeln und im Wesentlichen auch die Menschen, 03:00 die Softwareplattformen erstellen und Datensicherheitskonzepte erstellen. 03:04 Da ist man genau in der Mitte. Dementsprechend kommt, wenn einmal Druck da ist, von allen Seiten. 03:10 Der äußert sich dann gerne in ziemlichen Stress, wenn die Sachen eben nicht so funktionieren. 03:16 Wenn beispielsweise die Daten, die man braucht, nicht geliefert werden, 03:18 wenn sie nicht geliefert werden können, wenn die Datenqualität schlecht ist, 03:20 wenn die Fragestellungen schlecht formuliert sind, wenn sie gar nicht formuliert sind. 03:24 Also es gibt ganz viele Dinge, die schief gehen können und die bauen dann enormen Stress auf, 03:29 wenn man Deadlines dann zu kämpfen hat. 03:31 Ich bin als Mathematiker immer noch sehr an Systemdynamiken 03:35 und an komplizierten Zusammenhängen interessiert. 03:38 Das Wichtigste an meinem Beruf ist, dass man diese Symbiose schaffen kann zwischen den 03:44 komplizierten mathematischen Formeln und Hintergründen, die dahinter stecken 03:49 und den tatsächlichen Anwendungen in der Realität. 03:51 Für mich ist das tollste Erlebnis immer, wenn ich etwas aus der Theorie mir hergeleitet habe 03:58 für ein System und das dann auch tatsächlich in der Realität so eintritt. 04:01 Das sind dann immer die kleinen Freudenmomente. 04:04 Wenn es jetzt um die Datenverarbeitung geht, gibt es dann so viele Daten, 04:09 die man als Mensch nicht mehr verarbeiten kann. 04:11 Am Computer schreibt man fünf Zeilen Code und bekommt Grafiken raus, bekommt Zahlen raus, 04:18 einfache Zahlen, die man als Mensch leicht verarbeiten kann und verstehen kann. 04:23 Das ist, finde ich, das Spannende, dieses Runterbrechen auf kleine Dinge von komplizierten Umständen. 04:31 Tätigkeitsbereiche sind einerseits natürlich grundsätzlich Daten anschauen, wenn neue Daten reinkommen, was steht drinnen. 04:38 Sehr wichtig ist die Qualitätskontrolle, weil oft bekommt man nicht auf anhieb die Daten, die man braucht. 04:47 Die Aufbereitung der Daten ist ein wichtiger Schritt. Wenn ein Kollege ein Modell macht 04:52 und ich bereite die Daten so auf, wie sie dann auch ins Modell hineinkommen sollen, 04:58 dass sie das richtige Format haben. 05:00 Das funktioniert natürlich immer in iterativen Schleifen. 05:04 Dazu gehört auch ganz wichtig die Kommunikation mit den Kollegen. 05:08 Diese Rückmeldung, passt jetzt alles, sind es die Daten, die wir haben. 05:13 Wir bauen auch teilweise kleine Dashboards, um die Daten aufzubereiten, 05:17 um anderen zu präsentieren, was da drinnen steht. 05:20 Was immer dazugehört, ist Dokumentation, Berichte schreiben. 05:25 Das ist auch wichtig, weil man merkt es dann, wenn man Monate später sich die Daten wieder anschaut 05:32 und seine eigenen Programmcodes wieder anschaut, merkt man, wenn die gut dokumentiert sind, 05:39 dass man sehr viel davon hat, weil man das Ganze wiederverwenden kann. 05:43 Man kann gerade als Datenanalyst, Data Scientist in so vielen verschiedenen Anwendungsgebieten arbeiten. 05:52 Man muss sich in jedem ein bisschen einlesen. Man muss in jedem neuen Anwendungsgebiet Grundlagen schaffen 05:59 und muss neue Ideen sammeln und muss sich selbst weiterbilden, dass man den Terminus versteht, 06:07 dass man das Vokabular versteht, das die Menschen verwenden. 06:11 Man muss sich einfach sehr intensiv mit den Kollegen, mit den Experten unterhalten.