Lebenslauf als Data Scientist

„Data Scientist“ meint in Stellenanzeigen sehr Unterschiedliches. Die einen suchen jemanden für Dashboards und Analysen, andere jemanden, der Machine-Learning-Modelle eigenständig in Produktion bringt. Eine klare Einordnung der eigenen Erfahrung hilft: Analyse und Business Intelligence sind etwas anderes als Modellentwicklung und MLOps, und der Lebenslauf sollte erkennen lassen, wo dein Schwerpunkt liegt.

Beim Nachweis helfen Arbeitsproben. Ein Kaggle-Profil, veröffentlichte Notebooks oder ein GitHub-Repository mit einem nachvollziehbaren Projekt zeigen mehr als eine Liste von Bibliotheken. Jedes Projekt lässt sich in drei Teilen beschreiben: Datenbasis, Methode und Ergebnis, etwa „Absatzprognose auf 3 Millionen Verkaufsdatensätzen, Gradient Boosting, Prognosefehler um ein Viertel gesenkt“.

Wichtig ist der Business-Bezug. Ein Modell mit hoher Genauigkeit überzeugt weniger als eines, das nachweislich Kosten gesenkt oder Umsatz gesteigert hat. Auch die Zusammenarbeit mit Fachbereichen, die Aufbereitung von Ergebnissen für Entscheider und der Umgang mit Datenschutz gehören zum Profil. Wer wissenschaftlich gearbeitet hat, wählt die relevantesten Veröffentlichungen aus und verweist für den Rest auf ein Profil.

Ein Projekteintrag, der trägt: „Prognosemodell für Lieferzeiten: 2,1 Millionen Lieferungen aus drei Jahren, Merkmale aus Wetter und Feiertagen, Gradient Boosting in Python, mittlerer Fehler von 11 auf 7 Stunden gesenkt, in der Disposition im Einsatz seit Mai 2025.“ Die Zahlen sind ein Muster. Entscheidend sind vier Teile: Frage, Daten, Methode und Wirkung. Fehlt die Wirkung, weil das Projekt nie produktiv ging, schreibst du ehrlich „Prototyp“ und nennst, was der Fachbereich daraus mitgenommen hat.

Die Nachweise hängen vom Schwerpunkt ab. Für Analyse und Business Intelligence zählen SQL, Dashboards in Power BI oder Tableau und die Erfahrung, Fragen aus Fachbereichen in Auswertungen zu übersetzen. Für Modellentwicklung zählen die Versionierung von Experimenten (etwa mit MLflow), Tests, die Überwachung eines laufenden Modells und das Wissen, wann es neu trainiert werden muss. Nennst du Datenschutz, dann konkret: pseudonymisierte Trainingsdaten, Zweckbindung, Abstimmung mit dem Datenschutzbeauftragten.

Personalverantwortliche sehen oft dieselben Lernprojekte, etwa Überlebende der Titanic, Iris-Blüten oder Hauspreise aus einem Kurs. Sie belegen Grundkenntnisse, aber keine eigene Fragestellung. Ergänze sie deshalb um ein Projekt mit eigenen Daten oder einer echten Fachfrage, zum Beispiel mit offenen Daten der Statistikämter. Quereinsteiger aus Physik, Wirtschaft oder Ingenieurwesen zeigen, wo sie in ihrem Fach schon mit Messdaten, Statistik oder Simulationen gearbeitet haben.