Welche Fähigkeiten benötigen Datenwissenschaftler und Analysten?
von Nitin Kumar
Als Programm-Manager für Data Science bei Constructor Academy wird mir oft folgende Frage gestellt: Welche der beiden Programmiersprachen, Python oder R, sollte ein angehender Data Scientist lernen? Ich hatte den Luxus, in beiden Programmiersprachen zu lernen und zu entwickeln. Während meiner Forschungslaufbahn habe ich mich hauptsächlich auf R konzentriert. Als ich als Data Science Consultant gearbeitet habe, habe ich die meisten Implementierungen in Python durchgeführt.
Meiner Meinung nach ist jeder, der diese Frage stellt, neu auf dem Gebiet der Data Science und wird durch eine Fülle von Online-Ressourcen und dem nicht enden wollenden Krieg zwischen Statistikern und Nicht-Statistikern (das schliesst Ingenieure, Computerwissenschaftler und Physiker ein) verwirrt.
Brian Ray hat in seinem Blog Python vs. (und) R for Data Science einen sehr schönen Vergleich der beiden in Bezug auf ihre Benutzerfreundlichkeit und Leistung durchgeführt. In diesem Blog versuche ich, den Leuten zu helfen, ihre Verwirrung aufzulösen, indem ich den Stellenmarkt (was wir alle wollen, ist ein Job in diesem Bereich) in der Schweiz verstehe.
Um die Frage zu beantworten, welche Fähigkeiten Data Scientists haben sollten, hat Constructor Academy einen Data Science-Ansatz gewählt und jobs.ch nach den Stichworten Data Scientist und Data Analyst gescannt. Das Ergebnis waren 425 Stellenausschreibungen (75% auf Englisch, 23% auf Deutsch und 2% auf Französisch, Stand April 2019). Bei den Stellenausschreibungen für Data Scientist fragten 27 % nach R und 31,5 % nach Python, während für Data Analyst 24 % der Stellenausschreibungen nach Python und 22 % nach R fragten. Mit diesen Daten scheint das Erlernen von Python günstiger zu sein als R, aber bei Constructor Academy führen wir beide Programmiersprachen ein.
Wenn ich eine Meinung zum Erlernen einer Programmiersprache abgeben müsste, würde ich sagen, beginne mit einer (einer beliebigen) und lerne dann auch die zweite. Für schnelle explorative Analysen, Tests und Zeitreihenanalysen halte ich R für die bessere Option, aber um einsatzfähige Systeme zu erstellen, hat Python sicherlich einen Vorteil.
Wir haben auch beobachtet, dass viele Arbeitgeber nach Kenntnissen in SQL und Machine Learning gefragt haben. Das deutet darauf hin, dass Arbeitssuchende versuchen sollten, auch diese Fähigkeiten im Laufe der Zeit zu entwickeln.
Abgesehen von den oben erwähnten Hard Skills haben unsere Studenten auch andere Fähigkeiten untersucht, die für Data Science-Positionen erforderlich sind. Angesichts ihrer Natur ist es nicht überraschend, dass analytische Fähigkeiten als eine der wichtigsten Soft Skills auftauchen. Kommunikation steht jedoch immer noch an der Spitze der Soft Skills, nach denen Arbeitgeber fragen. Ich werde oft von Externen gebeten, Kandidaten mit technischer Begabung in Data Science, aber auch mit grossen Kommunikationsfähigkeiten und der Fähigkeit, das Geschäft zu verstehen, zu vermitteln. Wir bei Constructor Academy lehren den Geschäftssinn, indem wir jedem Studenten ein industrielles Data Science Capstone-Projekt anbieten. Während des Projekts arbeiten die Studenten mit Geschäftspartnern zusammen, um einen echten geschäftlichen Data Science-Fall zu lösen.
Ein weiteres wichtiges Wort, das in unserer Analyse auftaucht, ist "Team". Da sich die täglichen Aufgaben um die Zusammenarbeit mit verschiedenen anderen Rollen wie Ingenieuren, Produktmanagern, Marketing und anderen drehen, ist Teamarbeit ebenfalls eine unverzichtbare Fähigkeit und sollte von angehenden Data Scientists und Analysten nicht vernachlässigt werden.
Ich möchte mich bei Phoenix Jieh und Nadia Chyalak für die Bereitstellung der Zahlen bedanken.
Meiner Meinung nach ist jeder, der diese Frage stellt, neu auf dem Gebiet der Data Science und wird durch eine Fülle von Online-Ressourcen und dem nicht enden wollenden Krieg zwischen Statistikern und Nicht-Statistikern (das schliesst Ingenieure, Computerwissenschaftler und Physiker ein) verwirrt.
Brian Ray hat in seinem Blog Python vs. (und) R for Data Science einen sehr schönen Vergleich der beiden in Bezug auf ihre Benutzerfreundlichkeit und Leistung durchgeführt. In diesem Blog versuche ich, den Leuten zu helfen, ihre Verwirrung aufzulösen, indem ich den Stellenmarkt (was wir alle wollen, ist ein Job in diesem Bereich) in der Schweiz verstehe.
Um die Frage zu beantworten, welche Fähigkeiten Data Scientists haben sollten, hat Constructor Academy einen Data Science-Ansatz gewählt und jobs.ch nach den Stichworten Data Scientist und Data Analyst gescannt. Das Ergebnis waren 425 Stellenausschreibungen (75% auf Englisch, 23% auf Deutsch und 2% auf Französisch, Stand April 2019). Bei den Stellenausschreibungen für Data Scientist fragten 27 % nach R und 31,5 % nach Python, während für Data Analyst 24 % der Stellenausschreibungen nach Python und 22 % nach R fragten. Mit diesen Daten scheint das Erlernen von Python günstiger zu sein als R, aber bei Constructor Academy führen wir beide Programmiersprachen ein.
Wenn ich eine Meinung zum Erlernen einer Programmiersprache abgeben müsste, würde ich sagen, beginne mit einer (einer beliebigen) und lerne dann auch die zweite. Für schnelle explorative Analysen, Tests und Zeitreihenanalysen halte ich R für die bessere Option, aber um einsatzfähige Systeme zu erstellen, hat Python sicherlich einen Vorteil.
Wir haben auch beobachtet, dass viele Arbeitgeber nach Kenntnissen in SQL und Machine Learning gefragt haben. Das deutet darauf hin, dass Arbeitssuchende versuchen sollten, auch diese Fähigkeiten im Laufe der Zeit zu entwickeln.
Abgesehen von den oben erwähnten Hard Skills haben unsere Studenten auch andere Fähigkeiten untersucht, die für Data Science-Positionen erforderlich sind. Angesichts ihrer Natur ist es nicht überraschend, dass analytische Fähigkeiten als eine der wichtigsten Soft Skills auftauchen. Kommunikation steht jedoch immer noch an der Spitze der Soft Skills, nach denen Arbeitgeber fragen. Ich werde oft von Externen gebeten, Kandidaten mit technischer Begabung in Data Science, aber auch mit grossen Kommunikationsfähigkeiten und der Fähigkeit, das Geschäft zu verstehen, zu vermitteln. Wir bei Constructor Academy lehren den Geschäftssinn, indem wir jedem Studenten ein industrielles Data Science Capstone-Projekt anbieten. Während des Projekts arbeiten die Studenten mit Geschäftspartnern zusammen, um einen echten geschäftlichen Data Science-Fall zu lösen.
Ein weiteres wichtiges Wort, das in unserer Analyse auftaucht, ist "Team". Da sich die täglichen Aufgaben um die Zusammenarbeit mit verschiedenen anderen Rollen wie Ingenieuren, Produktmanagern, Marketing und anderen drehen, ist Teamarbeit ebenfalls eine unverzichtbare Fähigkeit und sollte von angehenden Data Scientists und Analysten nicht vernachlässigt werden.
Ich möchte mich bei Phoenix Jieh und Nadia Chyalak für die Bereitstellung der Zahlen bedanken.
Bist du daran interessiert, diese Diskussion fortzusetzen? Kontaktiere uns unter learning@constructor.org
