The 3 Worst Pieces of Data Science Advice I’ve Ever Heard
Zusammenfassung
Kurz
Frank Andrade rät Data-Science-Einsteigern, zuerst Grundlagen zu lernen, sich auf wenige Werkzeuge zu konzentrieren und nicht sofort Machine Learning in den Mittelpunkt zu stellen. Außerdem brauche es neben technischem Wissen Kommunikationsfähigkeit, um Ergebnisse verständlich zu erklären und mit Geschäftszielen zu verbinden; die Empfehlungen sind überwiegend seine Einschätzung, ergänzt um eine erwähnte Umfrage zu Zeitanteilen bei der Datenarbeit.
Mittel
Frank Andrade warnt Einsteigerinnen und Einsteiger vor drei aus seiner Sicht schlechten Data-Science-Ratschlägen. Erstens solle man nicht sofort mit Machine Learning beginnen: Modellbau sei zwar relevant, mache aber laut Andrade nur einen Teil der Arbeit aus. Er verweist auf eine Umfrage, nach der Datenwissenschaftler besonders viel Zeit mit dem Sammeln (19 Prozent) und Bereinigen (60 Prozent) von Daten verbringen. Zudem seien mathematische, statistische und probabilistische Grundlagen hilfreich. Deshalb empfiehlt er, zunächst die Grundlagen zu stärken.
Zweitens solle man nicht versuchen, gleich alle Werkzeuge wie Python, R, Excel, Tableau und Power BI zu lernen. Eine solche Fülle könne überfordern, und manche Tools würden später womöglich nicht gebraucht. Andrade rät, anfangs wenige Werkzeuge gründlich zu beherrschen.
Drittens genügten technische Fähigkeiten allein nicht. Datenfachleute müssten Ergebnisse auch nichttechnischen Beteiligten verständlich erklären und ihren Bezug zu Geschäftszielen zeigen können. Kommunikation und anschauliche Darstellung seien laut Andrade Fähigkeiten, die man durch Übung entwickelt. Der Beitrag stützt sich vor allem auf seine Erfahrung; die genannte Umfrage wird im Text nicht näher methodisch eingeordnet.
Ausführlich lesen
Frank Andrade beschreibt drei Ratschläge, die er für Einsteigerinnen und Einsteiger in die Data Science für besonders schlecht hält. Sein Ausgangspunkt: Am Anfang sei es schwer, hilfreiche von unpassenden Empfehlungen zu unterscheiden, sodass man Zeit verlieren oder sich überfordern könne. Die folgenden Punkte beruhen auf seiner eigenen Einschätzung und Erfahrung.
Erstens solle man nicht sofort mit Machine Learning beginnen. Andrade meint, dass Modellbau zwar spannend und für eine vollständige Ausbildung relevant sei, aber im Berufsalltag nur einen Teil der Arbeit ausmache. Zur Begründung verweist er auf eine Umfrage, der zufolge Datenwissenschaftlerinnen und Datenwissenschaftler besonders viel Zeit für das Sammeln und Bereinigen von Daten aufwenden: 19 Prozent für das Sammeln und 60 Prozent für die Bereinigung. Diese Zahlen führt er als Beleg für den Aufwand mit unordentlichen realen Daten an. Außerdem erforderten Machine-Learning-Verfahren Grundlagen in Statistik, Mathematik und Wahrscheinlichkeit. Man könne diese Kenntnisse zwar parallel erwerben, doch Andrade empfiehlt, sich zunächst auf die Grundlagen zu konzentrieren und Machine Learning in den ersten Monaten zurückzustellen.
Zweitens hält er es für unklug, gleich eine große Auswahl an Werkzeugen lernen zu wollen, etwa Python, R, Excel, Tableau und Power BI. Onlinekurse würden mitunter möglichst umfassend wirken wollen und deshalb viele Tools in ihre Lehrpläne aufnehmen. Ohne Orientierung könne diese Fülle überfordern und zu Erschöpfung führen; zudem benötige man nicht zwingend jedes Werkzeug im späteren Beruf. Andrade argumentiert, dass zusätzliche Tools am Karriereanfang zulasten der tatsächlichen Beherrschung einzelner Werkzeuge gehen können. Im Lauf der Karriere könne breiteres Wissen nützlich werden, doch zunächst solle man gezielt auswählen.
Drittens reichten technische Fähigkeiten allein seiner Ansicht nach nicht aus. Python, SQL, Mathematik, Statistik und Machine Learning seien wichtige Bestandteile üblicher Lernpfade, erklärten aber noch nicht, wie Analyseergebnisse geschäftlichen Nutzen schaffen. Als Beispiel nennt Andrade ein Modell, das Kundenabwanderung vorhersagt: Damit daraus eine wirksame Maßnahme werden könne, müsse man den Nutzen gegenüber nichttechnischen Beteiligten verständlich machen. Er empfiehlt deshalb, Kommunikation und anschauliches Erzählen von Ergebnissen zu üben, dabei selbstbewusst aufzutreten und Geschäftsziele einzubeziehen. Diese Fähigkeit entstehe laut ihm nicht allein durch Kurse oder Bücher, sondern müsse praktisch trainiert werden.
Der Text ist ein Erfahrungs- und Meinungsbeitrag mit drei Empfehlungen, keine umfassende Untersuchung des Berufsbilds. Als konkreten quantitativen Beleg nennt Andrade eine Umfrage zu Zeitanteilen bei Datenarbeit; der Auszug erläutert deren Erhebungsmethode oder Übertragbarkeit nicht weiter.
Gegengeprüft von Claude Haiku 5.5: kleine Mängel
Lunas Einordnung enthält keine Fragen (weder Sammel- noch Teilfragen), daher bleibt die Einordnung leer. Die beiden Zusammenfassungen (kurz und mittel) wurden gemeinsam bewertet: Sie geben den Bericht sachlich treu wieder, die Zahlen der Umfrage (19 und 60 Prozent) stimmen mit dem Text überein, und die Einschränkung der Umfrage wird korrekt als nicht näher eingeordnet beschrieben. Die Abbildung im Bericht ist eine Werbeeinblendung und enthält keine inhaltlich relevanten Angaben.
Im Bericht, aber nicht in der Zusammenfassung
- Der Hinweis, dass Kurse viele Werkzeuge bündeln, um umfangreich zu wirken, und dass Andrade dies als eigene Lernerfahrung schildert
- Die Aussage, dass man mit Grundlagen ohne Machine Learning in den ersten Monaten weit kommen kann
Wie die Modelle den Bericht einordnen
Ansicht
Filter
Kein Modell sieht bei diesem Bericht einen Bezug zu einer der 44 Sammelfragen.