Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
frank-andrade.medium.com27. Dezember 2021 · Q010348

22 Habits to Become a Better Data Scientist in 2022

frank-andrade.medium.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Autor empfiehlt 22 technische, kommunikative und persönliche Gewohnheiten für Data Scientists, darunter Austausch mit Communities, verständliche Dokumentation, kontinuierliches Lernen, gute Arbeitsorganisation und regelmäßige Pausen. Die Liste ist ein persönlicher, anpassbarer Ratgeber für 2022; systematische Belege für die Wirksamkeit der einzelnen Vorschläge werden nicht vorgelegt.

Mittel

Frank Andrade beschreibt 22 Gewohnheiten, die Data Scientists nach seiner Einschätzung 2022 helfen können. Die Liste ist als Auswahl gedacht: Man solle vor allem Gewohnheiten übernehmen, die einem noch fehlen. Der Beitrag ist ein persönlicher Ratgeber und berichtet keine systematische Prüfung der Empfehlungen.

Für die Arbeit empfiehlt Andrade den Austausch in Fachgemeinschaften, einheitliche Programmierstandards, eine Roadmap für Projekte und ein besseres Verständnis der Geschäftsziele. Code solle verständlich, kommentiert und dokumentiert sein; Ablenkungen und Unordnung gelte es zu verringern. Zur Weiterentwicklung rät er, technische Neuerungen und Werkzeugwechsel im Blick zu behalten, wöchentlich etwas Neues zu lernen, Forschungsarbeiten zu lesen und sich auch mit anderen Programmiersprachen vertraut zu machen.

Kommunikation mit Fachfremden, Zuhören und offene Fragen seien ebenfalls wichtig. Ergänzend nennt der Autor gesunde Arbeitsgewohnheiten wie gute Haltung, Wasser trinken und regelmäßige Pausen. Data Scientists sollten Fortschritte anerkennen und prüfen, ob ihre Aufgaben noch sinnvoll sind; ein Gefühl beruflicher Stagnation könne laut ihm Anlass sein, einen Rollen- oder Unternehmenswechsel zu erwägen. Der Text liefert keine vergleichenden Wirksamkeitsnachweise und erhebt keinen Anspruch, dass alle 22 Vorschläge für jede Person gleichermaßen passen.

Ausführlich lesen

Der Beitrag von Frank Andrade stellt 22 Gewohnheiten vor, die Data Scientists 2022 fachlich und beruflich weiterbringen sollen. Der Autor empfiehlt, aus der Liste die Gewohnheiten auszuwählen, die noch fehlen, statt zwingend alle umzusetzen. Seine Vorschläge verbinden technische Arbeitsweisen mit Kommunikation, Lernen, Gesundheit und beruflicher Reflexion. Es handelt sich um persönliche Empfehlungen und Einschätzungen des Autors; der Text berichtet keine eigene systematische Untersuchung oder messbare Ergebnisse.

Für die Zusammenarbeit und Projektarbeit rät Andrade, sich in Data-Science-Communities einzubringen, dort Fragen zu stellen, Wissen zu teilen und etwa an Kaggle-Wettbewerben teilzunehmen. Einheitliche Programmierstandards sollen Code lesbarer und Fehler leichter erkennbar machen. Eine Projekt-Roadmap könne Ziele, Beteiligte, Datenflüsse sowie Ein- und Ausgaben übersichtlich machen und dadurch die Fehlersuche erleichtern. Außerdem sollten Data Scientists die Ziele ihres Unternehmens und seiner Branche verstehen und Kolleginnen, Kollegen oder Vorgesetzte nach dem eigenen Beitrag dazu fragen.

Zum technischen Arbeiten gehören für den Autor kontinuierliches Informieren über neue Entwicklungen und Offenheit für Werkzeugwechsel. Ablenkungen und Benachrichtigungen solle man reduzieren und sich auf eine Aufgabe konzentrieren. Code solle verständlich statt bloß kurz sein; Teilen könne zeigen, wo die Verständlichkeit noch verbessert werden muss. Kommentare und Dokumentation helfen laut Beitrag sowohl anderen als auch dem eigenen späteren Verständnis. Andrade empfiehlt zudem, den Schreibtisch und Computer zu organisieren, Dateien sinnvoll zu benennen und eine Referenz wie einen Spickzettel zu nutzen.

Kommunikation wird als Teil der Data-Science-Arbeit dargestellt: Dazu zählten Zuhören, lösungsorientiertes Denken und eine überlegte Wortwahl, insbesondere beim Vermitteln von Ergebnissen an Menschen ohne Data-Science-Hintergrund. Offene Fragen könnten ein Thema besser erschließen; Ja-Nein-Fragen seien in passenden Situationen weiterhin sinnvoll. Für die Weiterentwicklung schlägt der Autor vor, jede Woche etwas Neues zu lernen und regelmäßig relevante Forschungsarbeiten zu lesen. Dabei bezeichnet er Forschungspapiere als verlässliche Informationsquelle, mahnt aber zugleich, Quellen sorgfältig zu prüfen. Auch empfiehlt er, sich mit weiteren Programmiersprachen vertraut zu machen, ohne sofort intensive Kurse zu absolvieren.

Zu den persönlichen Gewohnheiten zählt der Beitrag Haltung, ausreichendes Trinken, Bewegung beziehungsweise Zeit im Freien und regelmäßige Pausen. Andrade meint, Überarbeitung könne kurzfristig zu vermeidbaren Programmierfehlern und langfristig zu gesundheitlichen Problemen führen; Pausen könnten eine neue Perspektive ermöglichen. Er rät außerdem, eigene Fortschritte anzuerkennen und wiederkehrende Aufgaben daraufhin zu prüfen, ob sie noch sinnvoll sind. Wenn viele Tätigkeiten nicht mehr lohnend erscheinen, deutet er dies als möglichen Hinweis auf eine berufliche Stagnation oder überholte Aufgaben und erwägt einen Wechsel in eine andere Abteilung oder Firma.

Als Grenzen der Darstellung nennt der Text keine Belege für die Wirksamkeit jeder einzelnen Gewohnheit und keine Rangfolge, die für alle Data Scientists gelten soll. Die Liste ist als anpassbare Sammlung von Ratschlägen für das Jahr 2022 formuliert.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: ok

Beide Zusammenfassungen geben den Bericht treu wieder; Luna hat keine Angaben erfunden. Die Einordnung stützt sich nur auf den Text des Berichts, nicht auf Lunas Stufen.

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 27 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 48 %einzelne zitierbare Belege
    • JEV 35 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →