Senior Data Scientist

Die Rekrutierung eines/einer Senior Data Scientist zu steuern bedeutet zuallererst, die Rolle genau zu kennen. Sie wird hier sehr allgemein zusammengefasst und muss an Ihren konkreten Kontext angepasst werden.
(Berichtet an den Lead Data Scientist, den Chief Data Scientist oder den Head of AI)

Der/die Senior Data Scientist ist ein technischer Experte, der auf die Entwicklung und Optimierung von Algorithmen für Data Science und Machine Learning spezialisiert ist, um strukturierte und unstrukturierte Daten zu analysieren (Texte, Bilder, tabellarische Daten, Zeitreihen usw.). Die Hauptaufgabe besteht darin, robuste algorithmische Lösungen für spezifische fachliche Probleme zu konzipieren, zu implementieren und zu validieren, in Zusammenarbeit mit den Produktteams, die die Prioritäten über die Backlogs festlegen. Die Person arbeitet eng mit den Data Engineers zusammen, um ihre Lösungen zu industrialisieren, und mit den Fachbereichen, um die geschäftlichen Anforderungen zu verstehen.

Aufgaben und Verantwortlichkeiten

1. Fortgeschrittene Data-Science-Algorithmen entwickeln

• Machine-Learning-Modelle (Regression, Klassifikation, Clustering, Deep Learning) konzipieren und implementieren, die zu den fachlichen Use Cases passen.
• Spezifische Lösungen für die Verarbeitung tabellarischer Daten, Zeitreihen und Texte entwickeln.
• Die Performance der Modelle optimieren (Genauigkeit, Rechenzeit, Generalisierung).
• Modelle mit rigorosen Evaluationsmethoden validieren (Cross-Validation, A/B-Testing).

2. Mit Produkt- und Technikteams zusammenarbeiten

• Mit den Product Ownern zusammenarbeiten, um die fachlichen Anforderungen zu verstehen.
• An den Priorisierungsmeetings teilnehmen, um die eigene Arbeit mit den Backlogs abzustimmen.
• Mit den Data Engineers zusammenarbeiten, um die Lösungen zu industrialisieren.
• Die algorithmischen Lösungen und ihre Use Cases dokumentieren.

3. Qualität und Robustheit der Modelle sicherstellen

• Validierungstests implementieren, um die Qualität der Modelle zu bewerten.
• Mögliche Bias in den Algorithmen identifizieren und korrigieren.
• Die Einhaltung von Best Practices sicherstellen (Reproduzierbarkeit, Dokumentation).
• Modelle für die Produktion optimieren (Latenz, Skalierbarkeit).

4. Innovieren und technologische Fortschritte beobachten

• Die neuesten Fortschritte in Data Science und Machine Learning verfolgen.
• Neue algorithmische Ansätze bewerten (neue Modelle, Techniken).
• Verbesserungen für bestehende Lösungen vorschlagen.
• An Schulungen und Konferenzen teilnehmen, um auf dem aktuellen Stand zu bleiben.

5. Zur kontinuierlichen Verbesserung beitragen

• Best Practices mit dem Team teilen.
• Junior Data Scientists bei technischen Themen als Mentor begleiten.
• An Code-Reviews und technischen Diskussionen teilnehmen.
• Zur technischen Dokumentation und zum gemeinsamen Wissen beitragen.

Beispiele für konkrete Umsetzungen

• Entwicklung eines Churn-Prognosemodells, das die Kundenbindung um 15 % verbesserte.
• Optimierung eines Klassifikationsalgorithmus, der die Fehler um 20 % reduzierte.
• Aufbau eines Scoring-Systems zur Risikobewertung, das die Genauigkeit um 25 % verbesserte.
• Automatisierung einer Datenverarbeitungspipeline, die die Rechenzeiten um 30 % verkürzte.
• Implementierung einer NLP-Lösung zur Analyse von Kundenfeedback, die die Insights um 40 % steigerte.