Du brauchst wahrscheinlich noch keinen Data Scientist

Die zwei teuersten Worte in einer kleinen Firma

Alle paar Monate sagt mir ein Inhaber mit leicht besorgtem Gesicht, dass er glaubt einen Data Scientist zu brauchen. Der Umsatz ist etwas flach, oder etwas höher und man weiß nicht warum, oder die Tabelle ist zu einem Monster geworden dem niemand mehr traut, und irgendwo auf LinkedIn hat man gelesen dass die Kur Data Science heißt. Also schaut man sich Gehälter an, sieht die Zahl, zuckt zusammen, und dann überzahlt man entweder für einen Titel den man nicht braucht oder erstarrt und tut gar nichts.

Ich will dir beides ersparen, das Zusammenzucken und das Erstarren. Die meisten kleinen und mittleren Firmen die glauben einen Data Scientist zu brauchen, brauchen keinen, zumindest noch nicht. Was sie tatsächlich brauchen ist jemand der eine unscharfe Sorge nehmen und in eine klare Frage verwandeln kann, und dann die eine Zahl zieht die sie beantwortet. Diese Person ist meist viel weniger teuer als ein Data Scientist, viel leichter zu finden, und an einem verregneten Dienstagmorgen mehr wert als der schickste Modellierer den du einstellen könntest.

Lass mich dir helfen herauszufinden wen du wirklich brauchst, denn das falsch zu machen ist einer der teureren Fehler die ich Inhaber machen sehe. Die zwei Worte "Data Scientist" haben die Angewohnheit, fünfzigtausend Euro im Jahr aus einer Firma zu ziehen die etwas viel Einfacheres gebraucht hätte. Und das Traurige ist nicht dass das Geld ausgegeben wird. Es ist dass das Geld ausgegeben wird und die ursprüngliche Sorge immer noch dasitzt, unbeantwortet, weil niemand innegehalten hat um zu fragen was die eigentliche Frage war.

Drei verschiedene Jobs im selben Hoodie

Das Erste was du wissen solltest ist, dass "jemand der gut mit Daten ist" kein einzelner Job ist. Es sind mindestens drei, und sie lösen verschiedene Probleme. Am klarsten teilt man sie so auf, wie es The Data Analytics Handbook getan hat, das die Linie zwischen Analyst und Data Scientist schon 2014 gezogen hat, und die hält bis heute. Lass mich die drei der Reihe nach durchgehen, denn der ganze Rest dieses Textes hängt daran dass du sie auseinanderhalten kannst.

Der Berichtsersteller

Ein Berichtsersteller nimmt Daten die bereits existieren und legt sie dir in einer Form vor die du lesen kannst. Der Umsatz des letzten Monats nach Produkt, die Retouren dieser Woche, welcher Lieferant nachlässt. Er beantwortet keine schwere Frage. Er nimmt die Reibung weg zwischen dir und einer Zahl die schon in deinen Systemen liegt, nur dort vergraben wo du nicht hinkommst. Die meisten Inhaber die sagen sie "fliegen blind" brauchen gar keine Analyse. Sie brauchen einen Bericht den nie jemand gebaut hat.

Der Grund warum diese Rolle unterschätzt wird ist, dass sie zu einfach wirkt um wichtig zu sein. Wenn die Zahl doch schon im System liegt, ändert sie zu sehen doch nichts? In der Praxis ist es umgekehrt. Eine Zahl nach der du suchen musst ist eine Zahl die du nie ansiehst, und eine Zahl die du nie ansiehst kann keine einzige Entscheidung verändern. Der Berichtsersteller verwandelt eine vergrabene Zahl in eine Gewohnheit. Das ist eine größere Sache als es klingt, und hier lösen sich erstaunlich viele "Datenprobleme" leise in Luft auf.

Der Analyst

Ein Analyst beantwortet Fragen dazu was schon passiert ist und warum. Warum die Retouren im März hochgeschossen sind. Welche zwei Produkte immer zusammen gekauft werden. Ob der Rabatt wirklich den Gewinn gehoben oder nur Verkäufe vorgezogen hat. Der Analyst lebt in der Vergangenheit und Gegenwart, arbeitet meist mit den Daten die du schon besitzt, und seine Kernfähigkeit ist nicht Mathematik, sondern dem Geschäft die richtige Frage zu stellen und dann die Daten so lange zu befragen bis sie gestehen.

Der Analyst ist die Rolle die die meisten Inhaber tatsächlich brauchen und am seltensten einstellen, weil der Titel neben "Data Scientist" nach Anfänger klingt und die Arbeit neben "Machine Learning" nach wenig Glamour klingt. Aber der Analyst ist der, der dir sagt dass der Rabatt den du liebst dir leise Geld verliert, oder dass dein bester Kanal der ist den du fast gestrichen hättest. Das ist Arbeit die Entscheidungen verändert, und sie läuft auf Daten die du schon hast, was heißt sie kann am Montag starten, ganz ohne neue Systeme.

Der Data Scientist

Ein Data Scientist baut neue Dinge die vorher nicht existierten, meist um vorherzusagen was noch nicht passiert ist. Welche Kunden gleich abspringen, was dieser Warenkorb als Nächstes empfehlen sollte, wie sich die Nachfrage bewegt wenn du den Preis änderst. Hier kommen die Modelle, die Statistik und der echte Code ins Spiel. Das ist echtes Können und es ist echt selten, weshalb es so bepreist ist wie es ist. Der Haken: eine Vorhersage lohnt sich nur zu bauen wenn du oft genug danach gehandelt hättest um die Person zu bezahlen die sie gebaut hat.

Dieser letzte Satz ist das ganze Spiel, also lass ihn mich als Regel sagen die du herumtragen kannst. Eine Vorhersage verdient ihr Geld nur wenn der Wert danach zu handeln, mal wie oft du handelst, die Kosten sie zu bauen und zu warten übersteigt. Ein Modell das dir zweihundert Euro im Monat spart kann keinen hunderttausend Euro Platz rechtfertigen, egal wie clever es ist. Cleverness ist nicht der Test. Wiederholtes, wertvolles Handeln ist der Test.

Und hier ist die Falle die die drei verbindet. Alle drei können sich auf LinkedIn Data Scientist nennen, weil der Titel gerade in Mode ist und niemand ihn kontrolliert. Also stellen Inhaber nach dem Titel ein, zahlen den Data Scientist Satz, und geben dieser Person dann eine Arbeit die in Wahrheit Berichtsbau oder Analyse war. Du hast dir einen Formel 1 Motor gekauft um die Kinder zur Schule zu bringen, und wunderst dich dann dass er teuer im Betrieb und im Stau gelangweilt ist.

Damit du die drei auseinanderhältst, hier dieselbe Unterscheidung in einer Tabelle die du überfliegen kannst.

Rolle	Die Frage die sie beantwortet	Daten die sie nutzt	Was sie dich kostet	Beginnt zu wirken
Berichtsersteller	Wie hoch ist die Zahl und kann ich sie jede Woche sehen	Daten die du schon hast	Niedrig, oft einmalig	Fast sofort
Analyst	Was ist passiert und warum	Daten die du schon hast	Mittel, ein paar Tage im Monat	Innerhalb von Tagen
Data Scientist	Was passiert als Nächstes, vorhergesagt von einem neuen Modell	Neue Datenpipelines plus was du hast	Hoch, ein Vollzeitplatz	Wochen bis Monate

Die nützlichste Gewohnheit die du dir zulegen kannst ist, deine Sorge zu lesen, dann diese Tabelle zu lesen, und zu bemerken auf welche Zeile sie tatsächlich zeigt, bevor jemand ein Gehalt erwähnt.

Die Fähigkeit die mehr wert ist als die Mathematik

Jetzt der Teil den ich eine Weile gebraucht habe wirklich zu glauben. Die wertvollste Person in dieser ganzen Geschichte ist oft nicht der beste Modellierer. Es ist die die einen vagen, ängstlichen Satz eines Inhabers nehmen kann, "ich habe das Gefühl wir sind beschäftigt aber verdienen nichts", und ihn in eine einzige Frage verwandelt die eine Zahl tatsächlich beantworten kann. "Wie hoch ist unsere Bruttomarge pro Bestellung dieses Quartal gegen letztes, getrennt nach Kanal." Diese Übersetzung, von der Sorge zur Frage zur Zahl, ist die seltenste Fähigkeit von allen, und sie ist die die das Geschäft bewegt.

Es gibt eine schöne Art über die ganze Bandbreite der Fähigkeiten nachzudenken, aus Business Intelligence, Analytics and Data Science von 2018, das sie als Sechseck auslegt: Domänenwissen, Datenhandhabung, Programmierung, Kommunikation, Neugier, und das statistische Handwerk das sie zusammenbindet. Ein Data Scientist wird meist für die zwei harten technischen Ecken eingestellt, Programmierung und Statistik. Aber für eine kleine Firma sind es die weicheren Ecken die die Miete zahlen. Domänenwissen, weil jemand der dein Gewerbe versteht weiß welche Frage sich zu stellen lohnt. Kommunikation, weil eine richtige Antwort die niemand versteht nichts verändert. Und Neugier vor allem, weil die Person die immer weiter nach dem Warum fragt die ist die die Antwort findet die nie im Auftrag stand.

Lass mich das Sechseck als Landkarte zeichnen, damit du siehst welche Ecken du wirklich kaufst wenn du einstellst.

Das ist das Erste worüber es sich nachzudenken lohnt. Ein brillanter Modellierer der nie nach dem Warum fragt baut dir treu und zuverlässig das Falsche. Ein neugieriger Mensch mit bescheidenen technischen Fähigkeiten der darauf besteht das Geschäft zu verstehen zeigt dir die Zahl auf die es wirklich ankommt. Wenn du zum Anfangen nur eine haben kannst, nimm die neugierige. Das technische Handwerk kann man später dazukaufen, oder für zwei Wochen ausleihen wenn ein bestimmtes Modell endlich seinen Platz verdient. Das Urteil darüber welche Frage sich zu beantworten lohnt kann man nicht später dazukaufen, denn bis dahin hast du das Geld schon für die falsche Antwort ausgegeben.

Warum die weichste Ecke am schwersten einzustellen ist

Hier ist die unbequeme Wahrheit über die weichen Ecken. Sie tauchen im Lebenslauf nicht auf. Du kannst einen Stapel Bewerbungen nicht nach "stellt die unbequeme Frage die das Quartal rettet" filtern. Also greifen Einstellungsprozesse nach dem was sie messen können, dem technischen Handwerk, und ignorieren leise das was wirklich entscheidet ob die Einstellung sich auszahlt. Das ist kein Vorwurf an irgendwen. Es ist einfach was passiert wenn eine Fähigkeit echt aber auf dem Papier unsichtbar ist. Es ist auch genau der Grund warum eine kurze Vereinbarung mit wenig Verpflichtung eine große dauerhafte Wette am Anfang schlägt: du siehst das Urteil in Aktion bevor du dich damit verheiratest.

Wen brauchst du also wirklich

So stellst du die Diagnose selbst, und sie beginnt nicht bei den Daten sondern bei der Frage die du gerade nicht beantworten kannst. Sag sie laut. "Ich weiß nicht welche Produkte wirklich Geld bringen." "Ich kann nicht sagen welches Marketing wirkt." "Ich weiß nicht warum gute Kunden nicht mehr wiederkommen." Dann verfolge wo die Antwort lebt.

Die meisten Inhaber sind überrascht wo sie landen. Sie kommen überzeugt herein den Data Scientist ganz unten im Baum zu brauchen, und gehen mit der Erkenntnis, dass die Antwort auf ihre Frage die ganze Zeit in einer Bestelltabelle saß und darauf wartete dass jemand den Bericht baut. Das ist das Zweite worüber es sich nachzudenken lohnt. Der Abstand zwischen dem was du zu brauchen glaubst und dem was du brauchst ist meist ein oder zwei Kästen, und jeder Kasten den du im Baum tiefer steigst kostet deutlich mehr Geld.

Der einzige Ast der wirklich einen Data Scientist in Vollzeit rechtfertigt ist der unten links: ein Modell das noch nicht existiert, das zentral dafür ist wie das Geschäft läuft, und auf das du dich jeden einzelnen Tag stützen wirst. Eine Preismaschine für einen Marktplatz. Ein Empfehlungssystem für einen Shop mit ernstem Volumen. Eine Nachfrageprognose von der eine Logistik lebt oder stirbt. Wenn das du bist, stell den Data Scientist ein und spar nicht. Wenn das nicht du bist, dient dir einer der anderen drei Kästen besser und kostet dich weniger.

Ein schneller Test um dich im Baum zu verorten

Wenn du nicht sicher bist in welchem Kasten du bist, führe deine Sorge durch drei einfache Fragen. Erstens, liegt die Zahl die du willst schon irgendwo in einem System, und du kannst sie nur nicht leicht sehen? Wenn ja, willst du einen Berichtsersteller. Zweitens, würde zu wissen warum etwas passiert ist verändern was du als Nächstes tust, nur mit den Aufzeichnungen die du schon führst? Wenn ja, willst du einen Analysten. Drittens, musst du etwas vorhersagen das noch nicht passiert ist, und würdest du oft nach dieser Vorhersage handeln, und ist diese Vorhersage zentral dafür wie du Geld verdienst? Nur wenn alle drei davon ja sind willst du einen Data Scientist in Vollzeit. Beachte wie viel wahr sein muss bevor der teuerste Kasten aufleuchtet. Das ist kein Zufall. Das ist der ganze Sinn.

Die Zahl bei der Inhaber still werden

Lass mich die Kosten auf den Tisch legen, denn hier wird die Entscheidung meist getroffen. Diese Zahlen sind illustrativ und du solltest sie gegen deinen eigenen Markt prüfen bevor du handelst, aber worauf es ankommt ist ihre Form.

Modell	Grob was du bekommst	Ungefähre Jahreskosten
Data Scientist in Vollzeit, intern	21 Tage im Monat, ein erfahrener Kopf, plus Rekrutierung, Werkzeuge und Führung	EUR 90.000 bis 110.000 voll belastet
Analyst auf Zeit, ein paar Tage im Monat	3 Tage im Monat, erfahrenes Denken an deinen echten Fragen, keine Nebenkosten	EUR 30.000 bis 36.000
Einmaliger Berichtsbau	Der Bericht der dir gefehlt hat, einmal gebaut und deiner	Niedriger vierstelliger Bereich

Was "voll belastet" wirklich heißt

Die Vollzeitzahl ist nicht das Gehalt. Es ist das Gehalt plus Lohnnebenkosten, Rekrutierungsgebühren, Software, ein Laptop, und die Führungszeit die es braucht um einen Spezialisten beschäftigt und in die richtige Richtung gezeigt zu halten. In Österreich hebt diese Belastung ein Bruttogehalt um rund ein Drittel, bevor du mit den Daten eine einzige Entscheidung getroffen hast. Eine nützliche Art es festzuhalten ist als einfacher Multiplikator auf das Bruttogehalt:

$\text{Vollkosten} = \text{Bruttogehalt} \times 1{,}18 + \text{Rekrutierung} + \text{Werkzeuge} + \text{Fuehrungszeit}$

Ein achtzigtausend Euro Gehalt ist also keine achtzigtausend Euro Entscheidung. Lauf es allein durch den Nebenkostenfaktor und du bist schon bei $80.000 \times 1{,}18 = 94.400$ bevor eine einzige Werkzeuglizenz oder eine einzige Stunde deiner eigenen Zeit den Platz zu führen dazukommt. Zähl Rekrutierung und Software dazu und du bist bequem im Band von neunzig bis hundertzehntausend aus der Tabelle. Die Schlagzeilenzahl im Stelleninserat ist der kleinste Teil dessen worauf du dich tatsächlich einlässt.

Kosten pro Entscheidung, die Zahl die niemand druckt

Hier ist die Rechnung die Meinungen ändert. Eine feste Anstellung bringt nur so viele echte Entscheidungen im Jahr, und du zahlst den ganzen Platz egal wie viele das am Ende sind. Die ehrliche Kosteneinheit ist also nicht das Gehalt, es sind die Kosten pro Entscheidung die die Person dir tatsächlich zu treffen hilft. Verteile Vollkosten von rund fünfundneunzigtausend Euro auf, sagen wir, fünfzig echte Entscheidungen im Jahr und du bekommst:

$\frac{95.000}{50} \approx 1.900 \text{ Euro pro nuetzlicher Entscheidung}$

Jetzt mach dieselbe Rechnung für die Zusammenarbeit auf Zeit. Drei Tage im Monat bei einem Tagessatz von neunhundert Euro sind $900 \times 3 \times 12 = 32.400$ Euro im Jahr. Nimm an dieser erfahrene Kopf, nur auf deine echten Fragen gerichtet, hilft dir vierzig solide Entscheidungen übers Jahr zu treffen. Dann:

$\frac{32.400}{40} \approx 810 \text{ Euro pro nuetzlicher Entscheidung}$

Der Weg auf Zeit kommt auf weniger als die Hälfte der Kosten pro Entscheidung heraus, und das bevor du die Entscheidungen zählst die ein Vollzeitplatz an Berichtsbau verschwendet den er nie hätte bekommen sollen. Die Lehre ist nicht dass Data Scientists überteuert sind. Sie sind genau richtig bepreist für die seltene Sache die sie tun. Die Lehre ist dass die meisten KMU Fragen nicht diese seltene Sache sind, also ist den seltenen Preis dafür zu zahlen der Ort wo das Geld leckt.

Der Break Even den niemand prüft

Es gibt einen Punkt an dem ein Vollzeitplatz doch der bessere Kauf wird, und es lohnt sich ihn zu benennen damit du weißt worauf du achtest. Ein Vollzeitplatz zahlt sich aus sobald du wirklich mehr echte Entscheidungsunterstützung brauchst als eine Zusammenarbeit auf Zeit liefern kann. Grob: wenn dir eine Zusammenarbeit auf Zeit drei Tage im Monat gibt, sind das sechsunddreißig Tage im Jahr erfahrener Aufmerksamkeit. Ein Vollzeitplatz gibt dir rund zweihundertdreißig Arbeitstage. Der Vollzeitplatz gewinnt also nur wenn du mehr als grob hundert Tage im Jahr eines Spezialisten ehrlich mit wertvoller, entscheidungsverändernder Arbeit füllen kannst, nicht mit Beschäftigung. Die meisten kleinen Firmen können das nicht, und das ist keine Schande. Es heißt nur dass die Zusammenarbeit auf Zeit für dich kein Kompromiss ist. Sie ist die richtige Antwort.

Eine schnelle Kennzahl zum Festhalten. Eine feste Anstellung kostet dich rund das Dreifache einer Zusammenarbeit auf Zeit, und eine Zusammenarbeit auf Zeit von ein paar Tagen im Monat reicht sehr oft mehr als aus um die Fragen zu beantworten die dich wirklich wachhalten. Du kaufst keine Person in Vollzeit. Du kaufst das Denken, und das Denken muss nicht fünf Tage die Woche in deinem Büro sitzen um etwas wert zu sein.

Ein durchgerechnetes Mini Beispiel: der Shop der glaubte ein Modell zu brauchen

Lass mich das mit einem zusammengesetzten Beispiel konkret machen, der Art die ich sich abspielen sehe. Stell dir einen Onlineshop vor der ein paar Millionen im Jahr umsetzt. Der Inhaber ist überzeugt einen Data Scientist zu brauchen um eine Empfehlungsmaschine zu bauen, weil die Großen eine haben und der Inhaber gelesen hat dass Empfehlungen den Umsatz heben. Er hat eine Zahl im Kopf: eine feste Anstellung bei rund fünfundneunzigtausend voll belastet, und einen Plan die Empfehlungsmaschine binnen eines Jahres live zu haben.

Wir starten stattdessen mit drei Tagen im ersten Monat, und gar keinem Modellieren. Die erste Aufgabe ist den Bericht zu bauen der nie existierte: Bruttomarge pro Bestellung, getrennt nach Produkt und nach Kanal. Es dauert zwei der drei Tage. In dem Moment wo er auf dem Bildschirm ist, ändert sich das Bild. Zwei der meistverkauften Produkte des Shops, die auf der Startseite prangen, bringen fast keine Marge sobald Retouren und Versand gezählt sind. Ein drittes Produkt, das leise drei Klicks tief sitzt, trägt das ganze Geschäft.

Jetzt die Analyse. Warum sind die margenschwachen Produkte die auf der Startseite? Weil es die ersten Produkte waren die der Shop je verkauft hat, und niemand hat die Anordnung je wieder angeschaut. Ein Nachmittag die Bestelldaten zu befragen bestätigt es. Wir schieben das margenstarke Produkt nach vorne und stufen die zwei herab die Geld verloren. Kein Modell. Keine Vorhersage. Nur ein Bericht der die Wahrheit zeigte und eine Frage die ihr nachjagte.

Hier die Rechnung zu dieser einen Änderung. Sagen wir der Shop macht achttausend Bestellungen im Jahr und die Umstellung hebt die Durchschnittsmarge pro Bestellung um vier Euro, eine bescheidene Annahme:

$8.000 \times 4 = 32.000 \text{ Euro im Jahr}$

Das sind die gesamten Kosten der Zusammenarbeit auf Zeit, hereingeholt durch eine Entscheidung, im ersten Monat, bevor irgendwer ein Vorhersagemodell angefasst hat. Und hier die Pointe. Bis Monat drei will der Inhaber die Empfehlungsmaschine nicht mehr. Nicht weil sie nicht funktionieren würde, sondern weil er jetzt sehen kann dass die Empfehlungsmaschine ein Problem löste das er nicht hatte. Sein Problem war nie "wir können nicht vorhersagen was wir empfehlen sollen". Es war "wir können nicht sehen welche Produkte Geld bringen". Ein Bericht hat es beantwortet. Der fünfundneunzigtausend Euro Platz hätte, wenn er ihn eingestellt hätte, seine ersten drei Monate damit verbracht ein cleveres Modell auf eine Anordnung zu bauen die die ganze Zeit leise Marge verlor.

Das ist das Muster, wieder und wieder. Die teure Antwort ist aufregend. Die richtige Antwort sitzt meist in einer Tabelle die niemand angeschaut hat.

Warum auf Zeit meist der richtige erste Schritt ist

Hier ist was ich immer wieder passieren sehe. Ein Inhaber der kurz davor war hunderttausend für einen Data Scientist in Vollzeit auszugeben holt sich stattdessen jemanden für ein paar Tage im Monat. In den ersten zwei Terminen modelliert diese Person fast gar nichts. Sie setzt sich mit dem Geschäft zusammen, stellt die unbequemen Fragen, findet die drei Zahlen die niemand verfolgt hat, und baut die zwei Berichte die schon vor Jahren hätten existieren sollen. Plötzlich kann der Inhaber sehen. Und im Sehen erkennt er, dass das schicke Vorhersagemodell das er zu brauchen glaubte ein Problem löste das er gar nicht hatte.

Das ist das Argument fürs Anfangen auf Zeit, und es ist das Dritte worüber es sich nachzudenken lohnt. Die erste Aufgabe ist fast nie das Modellieren. Es ist das Stellen der Frage. Ein paar Tage im Monat kaufen dir den erfahrenen Kopf der die Frage stellt, und das Stellen der Frage ist der Teil der sich sofort auszahlt. Wenn sich Monate später herausstellt dass du wirklich einen Data Scientist in Vollzeit brauchst der jeden Tag etwas Zentrales baut, wirst du es wissen, denn die Zusammenarbeit auf Zeit wird dir genau gezeigt haben was diese Person bauen soll. Du stellst aus Wissen ein statt aus Angst, und du schreibst eine Stellenbeschreibung die den Job auch wirklich beschreibt.

Denk daran als eine Eskalation die du dir hocharbeitest, nicht als Sprung den du auf gut Glauben nimmst.

Fang klein an, bring die Fragen in Ordnung, bau die Berichte die dir fehlen, und weite die Verpflichtung erst aus wenn die Arbeit dem Modell wirklich entwächst. Präzision und Kopfzahl kommen später. Die Richtung ist der Gewinn. Jeder Schritt die Leiter hinauf wird gegangen weil der vorige Schritt bewiesen hat dass er nötig war, nicht weil ein Stelleninserat es beeindruckend klingen ließ.

Genau das ist die Art von Sache die ich mache, und darum dreht sich meine Daten und Analytik Arbeit. Ein paar Tage im Monat, an deinen echten Daten, beginnend mit der Frage die du gerade nicht beantworten kannst. Keine neue Anstellung, kein Zusammenzucken, keine ein Jahr lange Verpflichtung auf einen Titel bei dem du dir nicht sicher warst ob du ihn brauchst.

Häufige Fehler die ich Inhaber machen sehe

Über die Jahre kommen dieselben paar Fehler hoch, und jeder einzelne ist vermeidbar sobald du ihn sehen kannst. Hier sind die die am meisten kosten.

Fehler	Wie er aussieht	Die Lösung
Den Titel einstellen, nicht den Job	Den Data Scientist Satz für Arbeit zahlen die Berichtsbau war	Zuerst die Frage benennen, dann zur kleinsten Rolle passen die sie beantwortet
Das Werkzeug vor der Frage kaufen	Eine glänzende Dashboard Lizenz um die niemand eine Entscheidung gebaut hat	Kein Werkzeug bis eine echte Frage aufgeschrieben ist
Mehr Daten mit mehr Einsicht verwechseln	Alles sammeln, nichts entscheiden	Die paar Zahlen sammeln die eine Entscheidung wirklich braucht
Ein Modell bauen nach dem du nicht handelst	Ein Abwanderungswert den niemand zu nutzen plant	Nur eine Vorhersage bauen nach der du wiederholt handelst
In Vollzeit gehen um seriös zu wirken	Ein fester Platz der das halbe Jahr leer steht	Auf Zeit anfangen, nur eskalieren wenn die Arbeit überläuft

Lass mich die zwei herausziehen die den größten Schaden anrichten. Der erste ist den Titel statt den Job einzustellen, was der ganze Grund ist warum es diesen Text gibt. Der zweite ist subtiler und genauso teuer: etwas zu bauen nach dem du nie handeln wirst. Eine Vorhersage die keine Entscheidung verändert ist ein sehr teures Zierstück. Bevor irgendwer ein Modell baut, ist die Frage nicht "können wir das vorhersagen" sondern "wenn wir es vorhersagen können, was machen wir anders, und wie oft". Wenn die ehrliche Antwort "nicht viel, und nicht oft" ist, hast du ein Modell gefunden das nicht gebaut werden sollte, und du hast dir gerade ein kleines Vermögen gespart.

Es gibt einen dritten, leiseren Fehler der seine eigene Zeile verdient: Betriebsamkeit mit Fortschritt zu verwechseln. Ein Team kann ein Jahr lang beschäftigt sein Daten zu sammeln, Pipelines zu verdrahten und Dashboards zu bewundern ohne dass sich eine einzige Entscheidung ändert. Bewegung ist nicht dasselbe wie Fortkommen. Der Test jeder Datenarbeit ist immer derselbe, und er ist brutal einfach: hat sich eine Entscheidung deswegen geändert? Wenn sich nichts geändert hat, wurde nichts gelernt, egal wie viel gebaut wurde.

Wie du das in den nächsten dreißig Tagen anwendest

Du brauchst dafür kein Strategiedeck. Du brauchst eine Seite und ein bisschen Ehrlichkeit. Hier ist der Plan den ich fahren würde.

Woche	Mach das	Du endest mit
Woche 1	Schreib die eine Frage auf die du gerade nicht beantworten kannst, in einem einzigen klaren Satz	Einer echten Frage statt einer vagen Sorge
Woche 2	Lauf sie den Entscheidungsbaum hinunter und benenne die kleinste Rolle die sie beantwortet	Klarheit ob es ein Bericht, ein Analyst oder ein Modell ist
Woche 3	Finde die Daten die die Antwort halten, oder den Bericht der sie zeigen würde	Einer konkreten ersten Aufgabe, keiner Einstellung
Woche 4	Hol einen erfahrenen Kopf für ein bis zwei Tage herein und beantworte die Frage	Einer getroffenen Entscheidung, und Belegen was als Nächstes zu tun ist

Der ganze Sinn dieses Plans ist dass er die günstigsten, schnellsten, am leichtesten umkehrbaren Schritte nach vorne holt und den teuren, dauerhaften aufschiebt bis du den Beweis hast dass du ihn brauchst. Am Ende des Monats hast du entweder deine Frage für den Preis von ein paar Tagen beantwortet, oder du hast, mit Belegen in der Hand, herausgefunden dass du wirklich etwas Größeres brauchst. Beides ist ein Gewinn, denn beides ersetzt Angst durch Wissen.

Wenn du die ersten drei Wochen abkürzen willst, genau dafür ist ein Gespräch mit mir da. Wir starten mit der Frage die du nicht beantworten kannst, verorten sie gemeinsam im Baum, und ich sage dir ehrlich ob es ein Bericht, ein Analyst, oder der seltene Fall ist der wirklich ein Modell rechtfertigt. Buchen kannst du das unter contact#book, und du gehst aus dem Gespräch wissend welchen der drei du brauchst, was es wert ist selbst wenn wir nie zusammenarbeiten.

Die eine Idee die du mitnehmen sollst

Wenn du eine einzige Sache hiervon mitnimmst, mach es diese. Bevor du nach einem Titel einstellst, benenne die Frage die du nicht beantworten kannst, und folge ihr den Baum hinunter bis zur kleinsten Rolle die sie beantworten kann. Neun von zehn Mal ist es ein Berichtsersteller oder ein Analyst, kein Data Scientist, und der richtige Weg dieses Denken zu kaufen ist ein paar Tage im Monat, kein Platz in Vollzeit. Die Person die deine unscharfe Sorge in die eine Zahl verwandelt die sie beantwortet ist mehr wert als jeder Modellierer der nie innehält und nach dem Warum fragt. Stell zuerst die Frage ein. Der Titel kann warten.