Welches Berufsfeld benötigt welche Kompetenzen?
Data Scientist, Data Engineer oder doch eher Business Analyst? Besonders am Anfang ihrer Karriere fragen sich viele ITler, welche Rolle am besten zu ihrem Skillset passt. Doch unterscheiden sich die Berufsfelder überhaupt so stark?
PROCON Data Insights hat einzelne Technologien wie „SQL“ oder „scikit-learn“ zu Kompetenzfeldern wie „Datenbanken“ oder „Statistische Modellierung“ zusammengefasst und mit Stellenausschreibungen zu verschiedenen Rollen aus den letzten 12 Monaten abgeglichen.
Das Kompetenzradar
Herausgekommen ist ein spannendes Kompetenz-Radar, das die Kernkompetenzen von Data Scientists, Business Analysts, Data- und MLOps Engineers eindrucksvoll miteinander vergleicht.
Das Hauptkompetenzfeld des Data Scientist ist die statistische Modellierung. Dazu gehört neben dem Verständnis der theoretischen Grundlagen von ML-/KI-Modellen auch die Fähigkeit diese Modelle in der Praxis zu implementieren, etwa mit Programmier-Frameworks wie PyTorch oder Tensorflow.
Große Gemeinsamkeiten
Überschneidungspunkte mit dem Business Analyst finden sich beim Data Scientist vor allem im Bereich der Datenanalyse und deren Nutzung zur Gewinnung von Business Insights durch Tools wie Tableau oder Microsoft Power BI. Der Business Analyst sollte zudem in der Lage sein, die Daten effektiv zu visualisieren und ihre Auswirkung auf den Geschäftsbetrieb überzeugend zu kommunizieren, etwa durch Dashboards in Grafana oder Qlikview.
Ein besonders breites Fähigkeitenprofil wird vom MLOps Engineer gefordert: er sollte nicht nur, ähnlich wie der Data Scientist, Kenntnisse der statistischen Modellierung mitbringen, sondern die Modelle auch durch Containisierungs- und Microservicetools deployen können. Ein wichtiges Einsatzfeld des MLOps Engineers ist zudem die Entwicklung und Instandhaltung von Datenpipelines, insbesondere durch Tools im Bereich Continuous Integration / Continuous Delivery. Hier trifft der MLOps Engineer oftmals auf den Data Engineer, bei dem der Umgang mit Datenpipelines ebenfalls eine zentrale Kompetenz darstellt. Des Weiteren wird der Data Engineer insbesondere beim Management von Datenbanken und der Entwicklung von Data Warehouses / Data Lakes benötigt.
Fazit
Zusammenfassend zeigt sich, dass, auch wenn jede Rolle ihren eigenen Schwerpunkt hat, große Überschneidungsflächen zwischen den einzelnen Berufsfeldern bestehen. Es lohnt sich also weniger auf die Stellenbezeichnung an sich, sondern viel mehr auf die tatsächlich benötigten Technologien zu achten.