Hi Bone1984, thx für den Zuspruch und die Erlebnisberichte zum Augenlasern 
Hatte ich eigentlich nie am Radar, aber ein Freund hat das dieses Jahr machen lassen und ist auch recht zufrieden damit 
- Was ist bitte eine Augenringchallenge? ♦
Ich habe seit jeher dunkle, tiefblaue Augenringe - und irgendwann habe ich in meinen Facebook-Feed Werbung für so eine Pflegecreme gespült bekommen. Nachdem ich mir ja für 2021 vorgenommen hatte, mehr für meine Körperpflege & Hygiene zu tun, habe ich das direkt mal für ein paar Wochen gemacht und mich täglich eingecremt.
Habe dazu auch hie und da launige Videos & Updates gemacht, um der Isolation entgegen zu wirken, mich wieder ein bisschen bei den Single-Ladies 
zu positionieren und auch, um ein bisschen mit dem "perfekten Social Media Life" von allen zu brechen. Irgendwie ist Facebook etc nämlich doch schon ziemlich tot in meinem Bekanntenkreis (bin daher seitdem eher auf Instagram aktiv).
Nachdem die Videos aber in (österreichischer) Mundart (also Dialekt) verfasst sind, ist das ganze für euch sicherlich noch uninteressanter, wie ohnehin schon für alle (minus meiner Mama 
und der Handvoll Frauen, deren Interesse ich als social penguin so wenigstens identifizieren konnte 
).
- Für was die ganzen Blutbilder? Was fängst du mit denen an? Wegen Vitamin D? Also sollte ein Wert nicht passen was machst du dann?
Hauptsächlich wegen Eisen/Ferritin, aber auch Vitamin D und freies Testosteron (ok und Folsäure). Zumindest wären das so jeweils die Werte, die bei mir auch mal gerne komplett in den Keller gehen (und was dann auch mit ständigen Krankheiten usw. einhergeht).
Bei Ferritin vertrage ich nicht jedes Produkt, aber wir haben inzwischen eines gefunden, das klappt (keine Ahnung welches und warum etwas nicht klappt). Bei Vitamin D nehme ich dann hoch dosiertes (Bedarf rechne ich mir dann immer aus und damit komme ich zwischen zwei Blutbildern auch immer quasi punktgenau dorthin, wo ich soll: https://sonnenallianz.spitzen-praevention.com/vitamin-d-bedarfsrechner/ ) - ich kratze hier aber auch wirklich immer wieder am 0-Wert, also ich habe nicht nur einen leichten Mangel.
Beim (freien) Testosteron hat sich bislang eigentlich immer wieder alles geregelt, sowie ich dann die anderen Werte in den Griff bekommen habe, mir (viel) mehr Mühe gegeben habe, gesund zu essen und Stress loszuwerden etc. Ansonsten gehe ich ehrlicherweise davon aus, dass irgendwann TRT/HRT für mich in Frage kommen könnte. Obv ist das jetzt noch kein Thema, ich kenne mich Nüsse aus und bevor ich das jetzt angehen würde, würde ich nochmal meine Familienplanung überdenken und das allgemeine Stresslevel in meinem Leben. Aber wer weiß, was mit Ende 40 ist oder in meinen 50ern.
Ansonsten: Ich nehme keine Steroide (habe ich auch noch nie) oder sonstige leistungsfördernde Substanzen - abgesehen von Ritalin, das ich aber auch seit einem Jahr nicht mehr nehme, damit ich guten Gewissens an einem Powerlifting-Meet teilnehmen könnte. Soweit ich weiß, steht Methylphenidat auf der Dopingliste der WADA, außer man hat ADHS (als Kind?) diagnostiziert bekommen (auch keine Ahnung, tbh).
Ich versuche ehrlich gesagt, nicht zu viel Zeit und Recherchen in das Ganze zu stecken, da ich mich dann doch relativ schnell nur im Kreis drehe.
Für mich ist es einfach wichtig, eine Struktur und ein Netz zu haben, das mir Ordnung gibt, wenn mein Lifestyle plötzlich abdreht.
An sich bin ich ja ein extrem durchorganisierter und doch recht disziplinierter Mensch (Todo-Listen, Wecker, Pläne, ...) - nur hie und da vergesse ich dann urplötzlich für 1-2 Jahre, in den Kalender oder auf eine Todo-Liste (oder auf mich) zu schauen 
Mein Zeitempfinden ist einfach completely fucked, genauso wie meine object permanence (was man nicht alles durch Tiktok-Videos lernt :|).
Mit den regelmäßigen Checks und Updates zu einer Handvoll ausgewählter Menschen in meinem Leben (professionell sowie Freunde) kriege ich das aber jetzt ganz gut hin. Meiner epileptischen Katze jeden Tag um 05:00 und 17:00 ihr Medikament zu geben, sowie ein klassischer Brotberuf, zu dem ich mich jeden Morgen um 06:00 einlogge - das hat mir dabei auch jeweils sehr gut geholfen.
- In welchem Bereich machst du Consulting?
Eigentlich im selben Feld wie beruflich, also Data Science, Business Intelligence, Data Engineering, Analysen, Reporting, Dashboards-Basteln, Projekte durchführen und -berichte schreiben, Präsentationen halten, Unternehmen dabei beraten, was sie mit ihren Daten alles tun könnten oder welche ihnen fehlen, Geschäftsmodelle abklopfen und Einschätzungen geben, Webscraper programmieren ...
Technologien: SQL, R, Python, Tableau, Power BI, GCP/Azure/AWS ... was halt jeweils gebraucht wird. Bislang habe ich noch alles hinbekommen, ansonsten kenne ich ja durch die Arbeit inzwischen viele talentierte Menschen, die mir auch helfen.
- Bin selbst gerade am Data Science Selbststudium, da ich Ablenkung zu meinem Job als Projektleiter brauche. Wie sieht bei dir so ein typischer Tag aus? Damit ich meine Vorstellung mit der Realität abgleichen kann. Ich will meinen PL Job nicht gänzlich aufgeben aber vllt doch 70% PL und 30% mehr in die Ecke wo ich auch mal meine Ruhe habe und nicht alle 5min einer kommt und fragt was wir jetzt machen.
Coole Sache! Viel Spaß dabei ♦ Wie gehst du da an die Sache heran, was sind deine Quellen zum Lernen? Und was ist dein Background, IT-Projektleiter?
Typischer Tag ist natürlich so eine Sache - denn für mich gibt es den kaum. Ich versuch's trotzdem. Natürlich zuerst über einen kleinen ♦ Umweg:
DATA ENGINEER TO DATA SCIENCE In den ersten beiden Jahren habe ich ja noch hauptsächlich als Entwickler gearbeitet (in einer Business Intelligence im Data-Warehouse Team). Das heißt, ich habe hauptsächlich (komplexe) SQL-Statements geschrieben, um ETL-Prozesse anzupassen (also die nächtlichen Beladungen). Da kriegt man zumeist eine fixe Userstory mit (mehr oder weniger) genau beschriebenen Schritten ("die Tabelle X benötigt eine zusätzliche Spalte Y, in die Telefonnummern geschrieben werden").
Mich hat dieses "anonyme" Datenschaufeln nicht so hart gekickt, ich war eher daran interessiert, was diese Spalte jetzt für den Geschäftsbereich bedeutet. Nachdem ich auf der Uni und in meiner Bachelor-Arbeit schon sehr viel mit R gearbeitet habe, habe ich mich daher für Data Science Projekte im Unternehmen engagiert und war zu dem Zeitpunkt auch der Einzige (das hat sich dann in den kommenden Jahren geändert).
Das bedeutet: Als Entwickler (heute würde man vielleicht eher Data Engineer dazu sagen) habe ich mich um 06:00 eingelogged, das offene SQL-Statement vom Vortag angesehen, die Abfrage gestartet, das Ergebnis angesehen und überprüft, ob alles geklappt hat, weiterentwickelt ... und irgendwann dann alles in GIT eingecheckt und an die Tester übergeben. Zwischendurch gab's Meetings (Daily, Teamcafe, diverse Workshops), Wuzzeln im Team oder Mittagessen. So liefen wohl 99% der Tage.
DATA SCIENCE BEGINNINGS Als angehender Data Scientist musste ich weiterhin etwas entwickeln, zusätzlich dazu habe ich mir dann aber jeden Tag immer mehr Zeit genommen, um mir mal durchzulesen, was unsere Produkte so sind und machen. Mir Termine ausgemacht mit den Menschen aus den Geschäftsbereichen, um sie zu fragen, welche Probleme sie so haben oder welche Fragen sie gerne beantworten würden, aber nicht können. Ob sie schon Erfahrung mit Data Science gemacht haben.
Dann bin ich zurück in mein Büro und habe wieder SQL-Abfragen geschrieben, und mir die jeweiligen Tabellen von ihnen angesehen. Ich habe versucht, zu verstehen, in welcher Spalte was verspeichert wird, und welche Schwächen die Tabellen jeweils haben - also inhaltlich. Ein ganz einfaches Beispiel: eine Tabelle mit Milliarden Transaktionen ist toll. Aber was kann ich damit jetzt machen, was "Data Science" ist (mal abgesehen von der "Trennung" zu Data Mining etc)? Vielleicht eine Warenkorbanalyse, cool!
Also habe ich mich ein paar Wochen mit der Theorie im Hintergrund auseinander gesetzt - Bücher gelesen, Packages in R installiert (da gab's dann zuerst Probleme, die Packages über den Company Proxy zu installieren, oder überhaupt erst Rechte dafür zu haben -> Diskussionen mit dem IT Support ...), Präsentationen intern gehalten, dass das Thema wichtig sein könnte, ....... nur um dann letztlich zu verstehen, dass der Geschäftsbereich keinen Warenkorb als solchen verspeichert. Also keine Flag setzt. Ergo: Ich konnte nicht sagen, welche Produkte eigentlich von einem Kunden gemeinsam gekauft wurden. Damit ist die ganze Idee hinfällig und 4 Wochen waren in den Sand gesetzt ... Ich habe also alles dokumentiert, die Learnings festgehalten, mit anderen geteilt und miteingekippt, dass in Zukunft ein Flag verspeichert werden soll (das ist übrigens nach 4 Jahren der Fall gewesen).
TYPISCHER TAG ALS DATA SCIENTIST Wie hat jetzt also mein "typischer" Tag ausgesehen?
Manchmal habe ich 10 Stunden lange bis Freitag Abend um 20:00 SQL-Statements geschrieben, wenn keiner im Office war und ich Ruhe hatte.
Oft habe ich in Büchern nachgelesen oder Foren nachgefragt oder Studienkollegen gefragt oder Youtube-Videos geschaut, um herauszufinden, wie ein Algorithmus funktioniert oder was man bei einem statistischen Test beachten muss.
Fast jeden Tag habe ich Daten (vor-)verarbeitet, meist in R (mit dplyr), oft in SQL, hie und da auch in Excel (whatever works): Das kann bedeuten, Spalten zu untersuchen (ob sie gefüllt sind, wie die Verteilung aussieht), zu entfernen, zu transformieren/skalieren/standardisieren, Texte mit RegEx herauslösen, neue Features berechnen, ..........
Alle paar Wochen habe ich mir ein paar Tage Zeit genommen, um das Gelernte zu verdichten, zu dokumentieren und sowohl im Team, für andere Interessierte oder für den Endandwender (also die Geschäftsbereiche) zu präsentieren.
Letztlich sehen da ganz viele Tage ganz schnell sehr unterschiedlich aus.
ZUM THEMA QUEREINSTEiGER Noch dazu liegt es auch sehr an dem jeweiligen Skillset und der Vorerfahrung. Ich habe letztens im Forum gelesen, dass in dem Bereich Quereinsteiger eher gesucht werden als ITler - das sehe ich eigentlich nicht so. Aber momentan haben Quereinsteiger hervorragende Chancen, weil man viele Skills benötigt, die sich nicht (mehr) jeder aneignen will oder kann. Aber letztlich benötigt man ganz viele Qualitäten und Fähigkeiten und "trockene Arbeit", die eben zum großen Teil von den "klassischen" Berufsgruppen ausgeführt werden (IT & Drumherum).
Ein Beispiel, wie ein Use Case eines "Data Scientisten" aussehen könnte: Hypothesen aufstellen, formulieren und prüfen. Das lernt man ja im Grunde in so ziemlich jedem Studium (also auch in BWL, natürlich IT, Statistik, Mathe, ........... sollte man darüber mal gestolpert sein). Wer ist da jetzt aber wo am geeignetsten (abgesehen von den individuellen Voraussetzungen)? Die gesuchten IT/Statistik/Mathe/BWL-Absolventen in jeder Data (Engineering/Scientist/Analysten)-Stelle, oder Quereinsteiger?
Für mich sieht das zB so aus:
- die besten Fragen kommen zuerst mal vom Geschäftsbereich (denn die können einordnen, was sie überhaupt für Maßnahmen ableiten, warum sie überhaupt eine Frage haben, was ihre Chefs und Stakeholder jeweils wieder besonders interessiert): hier könnte also "jede/r" der/die Beste dafür sein, der grundsätzlich mal (mehr) Interesse an dem Unternehmen und seinem Produkt an sich hat, als der durchschnittliche Angestellte dort
- eine Hypothese zu formulieren kann man auch, ohne ein Studium absolviert zu haben (umgekehrt kann man auch easy daran scheitern, obwohl man x Studien hinter sich gebracht hat und da auch brav war): hier sollte man halt Übung haben und kritik- und kommunikationsfähig sein. In der Realität trauen sich an das Thema halt meiner Erfahrung nach eher Menschen heran, die in ihrem bisherigen Lebenslauf und Studienweg keine Berührungsängste mit Statistik/Mathe hatten
- die Daten vorbereiten können vor allem Menschen, die in SQL sehr fit sind (und manchmal ist es nicht so trivial, wie man meinen könnte). Nachdem hier generell sehr viel Arbeit stattfindet, und jeder aber heute Data Science machen will, kann ich nur jedem empfehlen, hier viel Zeit zu investieren, um richtig gut zu werden (dann findet ihr wohl die nächste Zeit überall was). Bei quereinsteigenden Neueinsteigern sehe ich oft, dass sie glänzende Augen beim Thema ML/AI bekommen, aber SQL ignorieren - das ist schade und legt imo unnötig Steine in den Weg.
- die Daten in die Cloud zu bringen oder aus dem Archiv zu holen oder performant abfragbar machen ... das ist Übungssache (es schadet aber natürlich nicht, strong theoretical background zu haben - und/oder das Datenbankschema sehr gut zu kennen). Auch hier sind realistisch gesehen wohl eher Menschen für Unternehmen interessant, die bereits technische Vorerfahrung haben. Plakativ gesagt: sie sollen die Anforderungen des Geschäftsbereiches übersetzen könne. Dazu muss man aber kein großes, besonders empathisches Kommunikationsgenie sein.
- die Daten vorzuverarbeiten, dafür muss man wohl wissen, was danach passiert = man sollte etwas statistisches Knowhow (und/oder einen guten Draht zu den Statistikeren) haben. Wiederum ist hier fachspezifische/relevante Vorerfahrung von Hilfe.
- die Tests auszuwählen, durchzuführen, zu interpretieren = wäre super, wenn man Statistiker ist (ja, ich glaube daran, dass sich sehr viele Menschen sehr viel selbst beibringen können, aber Stand jetzt bin ich noch keinem statistischen Autodidakten über den Weg gelaufen - alle hatten bisher ein Masterstudium in Statistik, Mathe, IT, BWL)
- die Ergebnisse auf die Realität / den Geschäfstbereich umlegen und dort mitdiskutieren (ich glaube da haben Quereinsteiger wieder am ehesten die Chance, schnell zu glänzen - ich möchte hier aber nochmal betonen, dass ich eh auch davon ausgehe, dass auch Quereinsteiger sich großartig entwickeln können und langfristig gesehen für jedes Unternehmen ein Gewinn sind!! Ich möchte nur davor warnen, dass man sich hier zu schnell zu viel erwartet - auch IT/Stats/Mathe/BWL als Studium zieht Menschen mit vielen Talenten an)
SKILLSET IM ALLTAG Jedenfalls - das sind alles extrem viele verschiedene Skills. Und das ist jetzt gerade mal EIN Anwendungsfall.
Andere wären ja zB: Modelle entwickeln, in der Cloud (oder woanders, per Docker oder Klick, als REST-API, per Batch-Load aus einem SQL-Statement ...) deployen, technisch (Tools) und inhaltlich monitoren (Model Drift), die Entwicklung der Schnittstellen zu den Online-Tools/Frontends etc innerhalb des Unternehmens anzutreiben und abzustimmen ....
Oder: einen Webscraper in Python schreiben und in die ETL-Pipeline integrieren. Oder: eine ceteris paribus Simulation in R schreiben und als Widget in einem Tableau-Report integrieren ...
Oder: ein Dashboard erstellen, mit dem man mehrere neue Fragen aufwirft und das man benutzt, um einem Geschäftsbereich verschiedene Szenarien zu zeigen ...
Oder: mit anderen Statistikern/Mathematikern/IT/BWLern aus verschiedenen Unternehmensbereichen Vor/Nachteile von verschiedenen Modellen und Ansätzen zu diskutieren und eine bestimmte, allgemeine KPI für den Konzern zu "bestimmten" (zB Customer Lifetime Value mit allen spezifischen Herausforderungen je nach Geschäftsbereich)
Oder: eine Entwicklungsumgebung aufzusetzen, mit der jede/r neue MitarbeiterIn direkt loswerkeln kann, wenn er/sie eingestellt wird (Proxy, GIT, passende IDEs)
Oder: Tutorials für andere basteln, wie man RENV oä verwendet (also virtualisierte Packageverwaltung, damit Code einfach reproduzierbar und wiederverwendbar ist)
Oder: anderen helfen, wenn ihr Modell plötzlich nicht mehr läuft, eine Library sich nicht updated, Daten irgendwo auf dem Weg zu ihnen "verloren" gehen
Oder: Verteidigen, für welche Metrik man sich entschieden hat bei dem Training eines Algos. Oder bezüglich der Definition eines "Prototyps" (ab wann ist dieser "abgabebereit" für den Geschäftsbereich). Oder bezüglich eines allgemeinen Vorgehens und Templates für EDA (explorative datenanalyse) bzw. Auswahl von statistischen Tests. Oder Veranstalten von fach- und geschäftsbereichübergreifenden Meetups von Interessierten, um Erfahrungen/Methoden/Technologien/Infos abseits der bestehenden Kommunikationshierarchie zu teilen.
Das klingt jetzt alles sehr wild, und genau das ist es auch eigentlich.
INHALTE IN EINER WOCHE Also wie ein einzelner Tag aussieht ... ich kann dir sagen, womit ich so in einer Woche ca wieviel Zeit aufwende:
- Daily-Meeting 5x15 Minuten (hier besprechen wir jeweils kurz, was jemand gerade macht und ob es Probleme gibt)
- Team-Meeting 30 Minuten (Updates im Gesamt-Team)
- Abstimmungs-Meeting im Subteam Data Science 1 Stunde (Vorbereitung auf Präsentationen, technische Fragen, Diskussionen zu inhaltlichen Themen)
- Meetups mit anderen Fachbereichen 1 Stunde (alle zwei Wochen mit einem anderen Bereich)
- Projektsitzungen 6 Stunden (zwei Projekte, technische Sitzungen, inhaltliche mit Geschäftsbereichen, Meetings mit externen Beratern oder GCP/Azure/GCP-Menschen)
- Kanban-Board verwalten 2 Stunden (neue Tickets einspeichern, priorisieren, genauer beschreiben, Subtasks erstellen ...)
- Sourcecode einchecken und ordnen, Commits der anderen checken, Merge-Requests etc 1 Stunde
- Fragen zu technischem Setup beatworten / bei Einrichtung helfen / Tutorials geben 3 Stunden
- Reportingaufgaben die wiederkehrend sind 4 Stunden
- Präsentationen vorbereiten und halten (eigene und die von anderen) 4 Stunden
- SQL-Statements für Abfragen schreiben 2 Stunden
- Daten preprocessing 4 Stunden
- Prototypen erstellen in Cloud 4 Stunden
- Dashboards erstellen oder bearbeiten 4 Stunden
- lokalen Server einrichten / Jupyterlab-Probleme fixen 2 Stunden
Das ist jetzt grob geschätzt, mal sind es ein paar Tage durchwegs nur Präsentationen, mal sind es mehr Coding-Aufgaben.
Ich glaube, das oben sind 40 Stunden, realistisch gesehen habe ich momentan eher 45-Stunden pro Woche und lese auch abends noch was (oder probiere am Wochenende was aus). Es waren aber auch schon mehr, ich halte mich bewusst immer wieder zurück.
Wie du siehst, ist bei mir zB gar keine Zeit für "Modell erstellen" drin - ganz einfach deshalb, weil sowas bei mir immer nur alle paar Monate gewünscht war - bei den meisten Unternehmen gibt es auch noch gar keine ausreichende Datenqualität davor, Maßnahmen danach oder eine Infrastruktur zum Deployen und Monitoren dazwischen. Das sehe ich quasi bei jedem anderen Kunden und egal, wo ich mich beworben habe oder mit wem ich spreche.
Für mich war daher klar, dass ich mal ins Team einbringe, wo ich am besten bin und die anderen am meisten unterstützen kann. Und was meiner Meinung nach auch am notwendigsten ist (ohne Infrastruktur - technisch und inhaltlich, was die Zusammenarbeit zwischen Geschäftsbereichen & IT sowie innerhalb der IT und innerhalb der Geschäftsbereiche betrifft). Ich weiß aber, dass "Modelle erstellen" deutlich attraktiver klingt als "Data Preprocessing Pipeline bauen" / "Standards, Definitionen, Templates & Prozesse definieren" / "Use-Cases auf Ertragsmöglichkeiten abklopfen und zwei Parteien an einen Tisch bringen" / etcetc
WAS BEDEUTET DAS FÜR INTERESSIERTE Die guten News: es gibt an so vielen Ecken so viel zu tun, dass ich wirklich glaube, dass momentan jeder seinen Platz in der Industrie finden kann. Man sollte sich meiner Meinung nach aber nicht so sehr darauf festlegen, dass man mit ein paar Bootcamp-Kursen zum ML/AI-Experten wird. Bzw. sollte man daran denken, dass zum Funktionieren eines Modells auch noch ganz viel Drumherum gehört, und das eigentliche Training relativ schnell (im Vergleich dazu) passiert. Mag in ganz modernen Silicon-Valley-Companies anders aussehen, aber im klassischen Konzern mit mehreren tausenden Mitarbeitern ist das quasi unabhängig von der Branche einfach unrealistisch (Banken, Versicherungen, öffentliche Verkehrsmittel, Supermarktketten, Dienstleister, ........).
Ist wie gesagt aber nur meine Meinung. Also von daher, um es jetzt auch nochmal kurz zu beantworten: ich schreibe viele SQL-Statements, ich programmiere viel in R & Python, ich probiere immer wieder neue Algos/Technologien/Tools aus, ich sitze in vielen Meetings, führe viele Gespräche im Hintergrund und im Team, dokumentiere und checke in GIT ein, verwalte das Kanban-Board und priorisiere, erstelle Präsentationen und mache mir Gedanken über die strategische Ausrichtung meiner Abteilung und wie wir neue, interessante MitarbeiterInnen für unser Unternehmen gewinnen können. Und an manchen Tagen mache ich das alles ein bisschen und irgendwie gleichzeitig 
Oh - und was du meintest, also mal in Ruhe dasitzen und für sich coden können ... da wirst du als Data Engineer wohl glücklicher, als Data Scientist bist du immer auch für den Geschäftsbereich greifbar und sitzt zwischen (un)strukturierten Daten und möglichen Erkenntnissen auf der einen Seite - und den neugierigen Menschen auf der anderen 
Also da muss man imo viel kommunizieren (es schadet zumindest nicht). Auf der anderen Seite: du wirst sicherlich auch so deinen eigenen Weg finden, wie du deine Ruhe hast und das kombinieren kannst (vielleicht übernimmt ja dann die Kommunikation ein Quatschkopf wie ich 
).
IN EIGENER SACHE Sollte jemand noch (zB auch viel detailliertere) Fragen haben bzw. Austausch wünschen - oder er/sie kennt jemanden, der Data Engineer ist und auf der Suche nach einer Herausforderung (in Wien ) ist - meldet euch gerne per PN bei mir (oder linkedin, insta, wo auch immer ihr über mich stolpert). Ich freue mich, wenn ich jemandem helfen kann - und vielleicht findet ja jemand auch mal einen Weg zu uns
