Für wen ist dieser Artikel gedacht?
Für Personen, die in die Data Science einsteigen möchten, für Data Analysts mit dem Ziel prädiktiver Modellierung sowie für Fachkräfte, die den Unterschied zwischen Analyse, Prognose, Kausalität und Industrialisierung verstehen wollen.
Was man verstehen muss
Die Arbeit beginnt mit der Definition von Zielvariable, Analyseeinheit, Erfolgskriterium und Evaluierungsmethode – nicht mit der Auswahl eines Algorithmus.
Die Grundlagen verbinden Statistik, Wahrscheinlichkeitsrechnung, Datenqualität, Python, Feature Engineering, Validierung, Interpretation, Experimentdesign und Produktivsetzung.
Warum diese Kompetenz heute wichtig ist
Unternehmen nutzen Data Science für Prognosen, Klassifikation, Anomalieerkennung, Empfehlungen und die Optimierung von Entscheidungen.
Mit der Verbreitung von Foundation Models entstehen neue Abwägungen zwischen klassischem ML, generativer KI, RAG, Fine-Tuning, Kosten, Security und Governance.
Was man mit dieser Kompetenz in der Praxis tatsächlich macht
Praxisbeispiel: Kündigungsrisiko prognostizieren
Ein Unternehmen möchte Kunden mit erhöhtem Kündigungsrisiko frühzeitig erkennen.
Problem : Das Churn-Risiko schätzen, bevor eine Gegenmaßnahme zu spät kommt.
Kontext : Kundenhistorie, Nutzung, Verträge, Vorfälle und Kampagnen.
Kompetenzen : Python, pandas, Statistik, Validierung und Metriken.
Beispiel : Eine Baseline und mehrere Modelle vergleichen und anschließend Kalibrierung und Stabilität prüfen.
Praktische Umsetzung : Einen praktisch nutzbaren Score bereitstellen, seine Grenzen dokumentieren und das Modell überwachen.
Zu beherrschende Kompetenzen
Die Lernprogression sollte von den Grundlagen zu einer klar erkennbaren beruflichen Selbstständigkeit führen.
Fehler, Grenzen und wichtige Punkte
- Zukünftige Daten im Training verwenden.
- Eine Metrik wählen, die keinen fachlichen Bezug hat.
- Bias und Datenqualität ignorieren.
- Ohne Monitoring deployen.
- Eine Prognose als Gewissheit darstellen.
So entwickeln Sie sich weiter
Mit der Mandragore Learning Academy weiterbilden
Die Mandragore Learning Academy bietet einen professionellen Data-Scientist-Lernpfad mit 15 Kursen in 5 Stufen – von statistischem Scoping über ML Engineering und Produktivbetrieb bis zu Governance und Foundation Models.
Der Lernpfad folgt einer Ende-zu-Ende-Logik: fachliches Problem, Daten, Experiment, Modell, Validierung, Produktivbetrieb und Kommunikation.
Zugehöriger Kompetenzpfad
Der zugehörige Kompetenzpfad zeigt die wesentlichen, empfohlenen und ergänzenden Kompetenzen rund um dieses Berufsbild.
Mandragore-Quelle: `config_metiers.php` bleibt die maßgebliche Quelle für das Berufsbild und die tatsächlich verfügbaren Lernpfade.
- Apec — Berufsprofil Data Scientist
- France Travail — Berufe in KI und Data 2026
- Google Cloud — Professional Machine Learning Engineer