ML/Data Career Guide für Newbies

Alle Infos, die du für einen gelungenen Data-Berufseinstieg brauchst: die wichtigsten Berufe in den Bereichen Data Science, Machine Learning und KI. Anhand welcher Kriterien Arbeitgebende Berufseinsteiger:innen für Data-Stellen auswählen. Und woran du die wirklich interessanten Stellenausschreibungen erkennst.

Dieser Guide basiert auf: (i) persönlichen Erfahrungen während und nach dem Data Science Studium (eigene und aus unserem Umfeld), (ii) auf Einblicken in unterschiedliche Unternehmen als Data Consultant, sowie (iii) auf Auswertungen aktueller Data-Stellenangebote in Deutschland.

TLDR

Berufseinstieg optimieren für Data/ML Experts (in 5 Steps):

1. Informier dich. Über die verschiedenen Data und ML/AI Berufe und wie in diesen Berufen gearbeitet wird (welche Tools? welche Projekte?).
2. Spezialisiere dich. Wenn du noch vorm Studium stehst oder mittendrin steckst: wähle Kurse, die zu deinem Berufswunsch passen.
3. Informier dich weiter. Über die Unternehmen, bei denen du dich bewerben willst (Haben die einen CTO? Welchen Stellenwert hat Digitalisierung? Bist du die/der First Data Hire?)
4. Pfleg deinen CV & und dein GitHub-Profil. Dokumentiere Uni-Projekte, Kaggle-Competitions etc. Mach Praktika. Arbeite als Werkstudentin.
5. Bewirb dich. Auch, wenn du nicht 100% der Anforderungen erfüllst (Nachfrage nach Datenexpert:innen > Angebot).

Top-6 Data-Berufe in Deutschland

Data Scientist, Data Analyst, Data Engineer, ML Engineer, ML Scientist, Solution Architect und Data Analyst sind die derzeit gefragtesten Daten-Expert:innen auf dem deutschen Arbeitsmarkt.

Data Scientist

• Was man als Data Scientist macht: Vor allem Data Analysis (so gut wie immer mit Python/R).
• Hotness: Oft gesucht (im Hinterkopf behalten: manche Jobangebote richten sich an Data Scientists, obwohl ihr Tätigkeitsprofil einen Data Engineering Schwerpunkt hat. Die Korrelation zwischen Berufsbezeichnung und Aufgaben ist nicht perfekt.)
• Verwandte Berufe: Analytics/BI Engineer

Data Engineer

• Was man als Data Engineer macht: Data Infrastructure aufsetzen und pflegen. SQL ist die lingua franca der Data Engineers.
• Hotness: Hoher Bedarf, insbesondere an Data Engineers mit Cloud Kenntnissen.
• Verwandte Berufe: Cloud Engineer

Machine Learning Engineer /AI Engineer

• Was man als ML/AI Engineer macht: Produkte/Lösungen auf Basis von AI/ML/LLMs entwickeln.
• Hotness: sehr hohe Nachfrage. Data-Beruf der Stunde.
• Verwandte Berufe: AI/ML Developer

Machine Learning Scientist

• Was man als Machine Learning Scientist macht: Machine Learning bzw. KI-Forschung
• Hotness: Hottt. OpenAI, DeepMind, Meta, etc. suchen alle ML Scientists.
• Verwandte Berufe: Machine Learning Researcher.

Solution Architect

• Was man als Solution Architect macht: entwickelt und implementiert maßgeschneiderte end-to-end Lösung, kann Data und Software.
• Hotness: sehr hot. Solution Architects sind vielseitig einsetzbar und machen möglich, was mit Standardtools nicht erreichbar ist.

Data Analyst

• Was man als Data Analyst macht: Datenauswertung in Excel (manchmal verwechselt mit Data Scientist, aber ganz anderes Toolkit).
• Hotness: Solide, gute Option für Quereinsteiger:innen.

Was sind die Voraussetzung für eine Data-Karriere?

Für die allermeisten Data-Jobs in Deutschland brauchst Du einen Hochschulabschluss, also mindesten einen Bachelor (BSc). Für forschungslastige Jobs im Bereich Machine Learning/KI werden entsprechend höhere Abschlüsse erwartet (MSc, PhD).

Die besten Studiengänge für die Data-Karriere

Am besten vorbereitet auf eine Data-Karriere bist du mit Studiengängen wie: Informatik, Data Science, Mathematik/Statistik o.ä.

Weniger offensichtliche, aber trotzdem geeignete Studienfächer für angehende Data-Expert:innen sind: VWL, Soziologie oder Psychologie (wenn ihr Schwerpunkt auf quantitativen Methoden liegt).

Minimum Tech-Skills für Data, Machine Learning und KI-Berufe

Neben einem abgeschlossenen Studium, solltest du außerdem Kenntnisse der im jeweiligen Berufszweig gängigen Programme, Programmiersprachen und Packages mitbringen:

• Data Scientist: Python (Pandas, Jupiter Notebook), Excel, SQL, Apache Superset/Tableau/Power BI, ML
• Data Analyst: Excel, Python
• Data Engineer: SQL, Python, Datenbanken, Cloud (AWS/Azure/GCP)
• Machine Learning Scientist: PhD-level ML Research, PyTorch
• Machine Learning Engineer: ML, PyTorch + Data Engineer Skills
• Solution Architect: von allem etwas, welche Skill-Mischung genau gebraucht wird, hängt vom Anwendungsbereich ab

Wie finde ich heraus, welcher Data-Beruf zu mir passt?

Data-Berufe unterscheiden sich nicht nur in Bezug auf Tools und Skills, sondern auch was die Arbeits- und Denkweise angeht. Deswegen lohnt es sich, während bzw. neben dem Studium ein Gefühl für diese Unterschiede zu entwickeln. Dafür gibt es (mindestens) 4 Möglichkeiten:

1. Geh bei deiner Kurswahl in die Breite. Das gilt vor allem, wenn du in einem Studiengang studierst, der Einblicke in verschieden Data-Unterdisziplinen erlaubt. Data Science Studiengänge, z.B., haben auch Data Engineering und natürlich Machine Learning Inhalte im Curriculum. (Wenn du schon weißt, in welchem Data-Beruf du mal arbeitne möchtest, sagen wir ML Engineer, dann ist eine hardcore Spezialisierung (in diesem Fall auf Machine Learning) auch keine schlechte Idee.)
2. Sammle Programmiererfahrung in Kaggle Competitions (Kaggle = Online-Plattform für Data Science Wettbewerbe/Hackathons).
3. Mach Praktika oder werde Werkstudent:in.
4. Lern aus den Erfahrungen anderer auf Twitter/X, Blogs, in Newsletters und Podcast. Sprich mit deinen Kommiliton:innen über deren Praktika etc. Geh zu ML/AI Meetups (gibts in vielen größeren Städten, aber auch online).

Wo bewerben? First Data Job Heuristics

Mit einem Background in Data Science, Machine Learning und/oder künstlicher Intelligenz kannst du aus zwei grundlegende Job-Typen wählen: Jobs mit Fokus auf Anwendungen oder Jobs mit Fokus Forschung. Das ist aber nur eines unter vielen Unterscheidungsmerkmalen...

Data Job ist nicht gleich Data Job: 5 Unternehmenstypen

Immer mehr Unternehmen suchen nach Data-Expert:innen. Du hast gewissermaßen die Wahl. Aber wie erkennst du, welches Unternehmen zu dir und deinen Karrierevorstellungen passt?

Bevor man eine Junior-Rolle in einem Unternehmen antritt, sollte man sich im Klaren darüber sein, welchen Stellenwert das Datengeschäft dort hat. Denn das hat Auswirkungen darauf, wie und woran du arbeitest und wie du dich weiterentwickeln kannst.

Anhand ihrer Data Savviness lassen sich 5 Typen von Unternehmen unterscheiden:

1. Tech-Unternehmen
   • Data Philosophy: Software/Data = Core Business; es gibt einen CTO (Software/Data).
   • Passt zu: Berufseinsteiger:innen, die Wert auf einen hoch spezialisierten Aufgabenbereich legen und auf Aufstiegsmöglichkeiten bis an die Spitze (C-Level).
   • Beispiele: SAP, Zalando, N26.
2. Kein Tech-Unternehmen, aber mit Data-Abteilung(en)
   • Data Philosophy: Software ist nicht Core Business, aber Digitalisierung hat hohen Stellenwert.
   • Passt zu: Berufseinsteiger:innen, die sich einen klaren Aufgabenbereich und definierte Karrierestufen wünschen.
   • Beispiele: BMW, BASF, Adidas.
3. Unternehmen ohne eigene Data-Abteilung
   • Data Philosophy: Du = First Data Hire.
   • Passt zu: Berufseinsteiger:innen mit umfangreicher Programmiererfahrung und DIY-Spirit. First Data Hires bauen Systeme von Grund auf und übernehmen dabei selbstständig vielfältige und wechselnde Aufgaben.
   • Beispiele: Kleine und mittlere Unternehmen, die diese Arbeit vorher komplett outgesourced haben.
4. IT-Beratungen
   • Data Philosophy: IT-Beratungen implementieren Software-Lösungen auf Projektbasis für unterschiedliche Unternehmen.
   • Passt zu: Berufseinsteiger:innen, die abwechslungsreiches Arbeiten und Einblicke in verschiedene Branchen reizen.
   • Beispiele: Accenture, Capgemini, Deloitte.
5. Tech-Startups
   • Data Philosophy: Software/Data = Core Business.
   • Passt zu: Berufseinsteiger:innen, denen ein kreatives und fluides Arbeitsumfeld mit häufig wechselnden Aufgaben liegt.
   • Beispiele: Black Forest Labs, Osapiens, TradeRepublic.

Wenn es nicht ohnehin offensichtlich ist, welchen Unternehmenstyp du vor dir hast, lohnt sich ein Blick auf die Unternehmens-Website oder auf LinkedIn. Auch die Stellenausschreibung selbst kann helfen: manchmal wird explizit erwähnt, welchen Background die Kolleg:innen haben, mit denen man zusammenarbeiten wird. Und achte unbedingt auf die Infos zum Techstack: Moderne Programmiersprachen und Tools sind ein Indiz für eine zukunftsorientierte Datenstrategie, interessante Aufgaben und einen Job mit Möglichkeit zur Weiterentwicklung. Zögere auch nicht, im Bewerbungsgespräch nachzufragen, wie das Unternehmen in Sachen Data aufgestellt ist. So kommst du an wichtige Infos und signalisierst gleichzeitig Interesse and der Arbeitsweise des Unternehmens.

Research Jobs im Bereich Data, Machine Learning, AI

Machine Learning/AI und Data Science Postdoc-Stellen und Professuren sind mittlerweile an vielen deutschen Universitäten eingerichtet. Auch abseits der Universität bieten sich Forschenden attraktive Karrieremöglichkeiten, vor allem in privaten Research Labs, z.B. Google DeepMind, OpenAI, Meta FAIR, Stability AI. Voraussetzung für eine Karriere in der ML/KI Forschung, ist in der Regel eine entsprechende Promotion oder PhD-Abschluss.

Wie hoch ist das Einstiegsgehalt für Data, Machine Learning & AI Jobs?

Das Median-Gehalt von Young Professionals im Bereich Data und ML liegt in Deutschland bei ca. 62.000 €.

Junior Data Engineers in Deutschland verdienen zwischen 45.000 € und 87.000 € jährlich. Die Gehälter von Entry-Level Data Scientists in Deutschland sind breiter gestreut: sie liegen zwischen 40.000 € und über 188.000 €. Machine Learning Engineers verdienen beim Berufsstart 67.000-100.000 € und Solution Architects zwischen 66.000 € und 150.000 €.

Wie bewerben? Tipps für Newbies

Keine Berufserfahrung, aber... Als Newbie auf dem Arbeitsmarkt muss man kreativ werden, um sich von andern Bewerber:innen abzuheben. Dass du als Data Hire kompetent wärst, signalisierst du in erster Linie mit einem passenden Studienabschluss. Daneben zählen für Unternehmen vor allem Programmier- und Praxiserfahrung. Bei Research Jobs kommt es zusätzlich auf Forschungserfahrung und die Spezialisierung im PhD an. Neben deinem Uni-Zeugnis hilft dir deshalb ein Portfolio mit eigenen Projekten, um aus der Masse hervorzustechen:

7 Strategien, wie du als Data-Berufseinsteiger:in punkten kannst

1. Kaggle: Vordere Platzierungen bei Kaggle-Competitions signalisieren Data Science Kompetenz. Ein Grandmaster Titel ist quasi die Einstellungsgarantie für Data Scientists.
2. GitHub (underrated!): Die offensichtliche Wahl, um dein Projekt-Portfolio zu präsentieren: Uni-Projekte, Code aus Kaggle-Competitions etc.
3. Zertifikate: Zeit (und Geld) zu investieren, lohnt sich nur bei Zertifikaten mit Reputation. Etablierte Zertifikate gibt es zum Beispiel für Cloud Services (AWS, Azure, GCP) oder Data Visualisation Services (PowerBI, Tableau).
4. Praktikum: Für Praxiserfahrung allgemein. Und um ein spezielles Unternehmen kennenzulernen.
5. Werkstudent: siehe Praktikum.
6. Studentische Hilfskraft: Für Einblicke in akademisches Arbeiten. Did it. Loved it (usually easy money).
7. Hackathons: Vor allem wenn du dich bei dem veranstaltenden Unternehmen bewerben willst.

Wie läuft der Bewerbungsprozess für Entry Level Data-Jobs ab?

Jedes Unternehmen erwartet von Bewerber:innen Zeugnis und Lebenslauf. Wie es dann weitergeht, ist unternehmensspezifisch: evtl. ein Technical Assessment/White Board Interview als Prescreening (insbesondere bei Big Tech), dann eine oder mehrere Rounds klassische Bewerbungsgespräche.

4 Karrieretipps: So wird der erste Job zum Karriere-Sprungbrett

1. Jobtitel sind nicht alles...
   Berufsbezeichnungen für Data-Berufe werden nicht trennscharf verwendet. Es gibt z.B. Stellenangebote für Data Scientists, die sich, geht man nach den Anforderungen, eher an Data Engineers richten. Schau dir deshalb auch die Aufgabenbeschreibung und das Techstack genau an, um zu wissen, was dich tatsächlich erwartet.
2. ... manchmal aber schon wichtig.
   Der Data-Sektor produziert in kurzen Abständen neue Trends und das betrifft auch die Jobtitel. Zum Beispiel verwenden manche Arbeitgebende "Data Scientist" und "Data Analyst" synonym, ähnlich bei "Cloud Engineer" und "System Administrator". Ein und derselbe Job in deinem Lebenslauf sendet bei unterschiedlichem Titel aber ganz unterschiedliche Signale: von Data Scientists und Cloud Engineers nimmt man an, dass sie mit SOTA-Technologien arbeiten; Data Analyst und System Administrator hingegen klingen im Vergleich weniger up-to-date. Im Zweifel sind Jobs mit modernen Jobtiteln daher besser für deine Karriereaussichten.
3. Trau dich.
   Die Nachfrage nach Datenexpert:innen ist größer als das Angebot. Selbst wenn du die Job-Anforderungen nur teilweise erfüllst, könnte deine Bewerbung Erfolg haben. Das gilt vor allem wenn, du die "Must-Haves" mitbringst und dir nur "Nice-to-Haves" fehlen. Go for it!
4. Dein erster Job ist nicht dein letzter.
   Abgesehen davon wie interessant und wie gut bezahlt der erste Job ist, ist vielen Berufseinsteiger:innnen wichtig, welche Karriereoptionen er ihnen offenhält. Generell lässt sich sagen, dass der Wechsel zwischen Data-Berufen umso leichter fällt, desto größer der Overlap. Zum Beispiel: ein Data Scientist mit SQL-Kenntnissen könnte relativ leicht Data Engineer werden. Was Wechsel zwischen Unternehmen angeht, ist es leichter von einem Big-Tech zu einem mittelständischen Unternehmen (ggf. in eine Führungsposition) zu wechseln als in die andere Richtung.