Data Scientist

Der Data Scientist verantwortet die methodische Sorgfalt seiner Untersuchungen, die Reproduzierbarkeit der wesentlichen Schritte und die verständliche Darstellung von Grenzen. Er darf für seinen Auftrag erforderliche Daten anfordern, Datenmängel zur Klärung zurückgeben und die Nutzung methodisch nicht tragfähiger Ergebnisse ablehnen. Datenzugriff, Zweck und erlaubte Verarbeitung müssen zuvor festgelegt sein. Die Funktion erhält keinen unbegrenzten Zugriff auf sämtliche betrieblichen oder personenbezogenen Informationen und entscheidet nicht allein über deren rechtliche Verwendbarkeit.

Für die Modellbewertung werden Training, Modellauswahl und abschließende Prüfung sachgerecht voneinander getrennt. Daten derselben zeitlichen oder betrieblichen Abhängigkeit dürfen nicht unbemerkt auf beide Seiten einer Prüfung gelangen. Bei zeitbezogenen Prognosen muss berücksichtigt werden, welche Informationen zum tatsächlichen Prognosezeitpunkt verfügbar wären. Wird der abschließende Prüfdatenbestand wiederholt zur Optimierung verwendet, verliert er seine vorgesehene Unabhängigkeit; der Data Scientist kennzeichnet dies und veranlasst eine geeignete erneute Prüfung.

Die Funktion erläutert, welche Fehler das Modell häufig macht, welche Fälle kaum belegt sind und wo eine Aussage unterbleiben sollte. Sie verändert fachlich festgelegte Akzeptanzgrenzen nicht eigenständig, nur um ein Modell freigabefähig erscheinen zu lassen. Die Empfehlung für ein Modell ist keine Erlaubnis für dessen produktiven Einsatz. Über die Akzeptanz verbleibender Betriebsrisiken entscheiden die dazu benannten Personen. Änderungen an Anlagen, verbindliche Arbeitsaufträge und Entscheidungen über Personen sind nicht aus dem Modellierungsauftrag ableitbar.

Die Fachverantwortlichen erklären Messgrößen, Betriebszustände, Datenlücken und die praktische Bedeutung der Ergebnisse. Der Data Scientist übersetzt diese Informationen in geeignete Merkmale, Zielgrößen und Prüfverfahren. Dabei dokumentiert er, welche fachlichen Festlegungen bestätigt und welche nur vorläufig angenommen wurden. Mit dem Product Owner vereinbart er, wie Unsicherheit und Ergebnisgrenzen für Nutzer verständlich werden. Eine scheinbar präzise Zahl darf nicht mehr Verlässlichkeit vermitteln, als die zugrunde liegenden Daten tatsächlich erlauben.

Mit den zuständigen Daten- und Informationsfunktionen klärt er Herkunft, Aktualisierung und zugelassene Verwendung der Daten. Die allgemeine Dateninfrastruktur wird nicht von ihm übernommen. Entwickler erhalten einen eindeutigen Modellvertrag mit Eingaben, Ausgaben, Vorverarbeitung und bekannten Grenzen. Der technische Modellbetrieb erhält die vereinbarten Prüfgrößen und Hinweise zu Veränderungen, die eine Untersuchung auslösen sollen. Bei externen Modellen bewertet der Data Scientist verfügbare Nachweise und eigene Vergleichsergebnisse, ohne fehlenden Einblick in Training oder Modellaufbau durch Annahmen zu ersetzen.

Eine fachkundige Vertretung kann Datenstände, Auswertungsschritte und offene Fragen anhand der gepflegten Arbeitsunterlagen nachvollziehen. Anlassbezogene Untersuchungen werden erforderlich, wenn sich Eingabedaten, Betriebszustände oder die Qualität beobachteter Ergebnisse verändern. Die Funktion trennt Datenprobleme, Modellprobleme und Veränderungen des Arbeitsprozesses. Ein Hinweis auf eine veränderte Datenverteilung ist dabei zunächst ein Prüfauftrag, kein automatischer Nachweis eines unbrauchbaren Modells. Nach wesentlichen Änderungen werden betroffene Bewertungen erneut durchgeführt und frühere Aussagen gegebenenfalls ausdrücklich eingeschränkt.

Als Regelqualifikation eignet sich ein Studium in Statistik, Mathematik, Informatik, Datenwissenschaft oder einem quantitativ geprägten Ingenieurfach. Gleichwertige Kenntnisse können durch eine andere Ausbildung und nachgewiesene praktische Arbeit erworben werden. Zwingend erforderlich sind statistisches Verständnis, Kenntnisse maschineller Lernverfahren, sichere Datenanalyse und die Fähigkeit, reproduzierbare Auswertungen zu erstellen. Die Person muss Auswahlverzerrungen, unzulässige Informationsvorgriffe, Überanpassung und unangemessene Verallgemeinerungen erkennen und verständlich erklären können.

Benötigt werden praktische Erfahrung mit Datenbereinigung, nachvollziehbarer Vorverarbeitung, Modellauswahl und aussagekräftiger Bewertung. Die eingesetzten Programmiersprachen und Werkzeuge richten sich nach der vereinbarten Umgebung. Nicht jedes Profil erfordert sämtliche Modellfamilien oder den Aufbau großer Sprachmodelle. Für einen Auftrag im Facility Management sind das Verständnis der betreffenden Mess- und Betriebsdaten sowie die Zusammenarbeit mit technischen Fachpersonen wesentlich. Fehlende Domänenkenntnis wird durch geregelte fachliche Prüfung ausgeglichen, nicht durch selbstsichere Interpretation.

Ergänzend hilfreich sind Erfahrungen mit Zeitreihen, seltenen Ereignissen, unvollständigen Daten und der Bewertung generativer Systeme, soweit diese im Auftrag vorkommen. Kenntnisse zu Modellbereitstellung und Versionsverwaltung erleichtern die Übergabe, ersetzen aber nicht den dafür zuständigen technischen Betrieb. Der Betreiber bestimmt den erforderlichen Erfahrungstiefgang anhand der Folgen möglicher Fehlbewertungen. Die Tätigkeit verlangt konzentrierte Analyse und regelmäßige fachliche Abstimmung. Sorgfalt, wissenschaftliche Redlichkeit und die Bereitschaft, ein ungeeignetes Modell zu verwerfen, sind unverzichtbare persönliche Anforderungen.

Leistungsnachweise bestehen aus nachvollziehbaren Datenbeschreibungen, reproduzierbaren Untersuchungsschritten, begründeten Vergleichsverfahren und transparenten Ergebnisgrenzen. Bewertet wird nicht nur die Höhe einer Modellkennzahl, sondern deren Aussagekraft für den vorgesehenen Einsatz. Auch dokumentierte Nichtmachbarkeit oder eine geeignete einfachere Methode können hochwertige Ergebnisse sein. Für übergebene Modelle müssen Eingaben, Ausgaben, Versionen, Prüfstände und bekannte Einschränkungen eindeutig vorliegen. Fachliche Schlussfolgerungen werden von statistischen Befunden getrennt und verbleibende Unsicherheiten sichtbar ausgewiesen.