Einstiegsgehälter - Data Science & Data Engineer - Forum (2024)

D.H.A. 📅 07.05.2020 16:23:06

Hallo, ich arbeite schon ein paar Jahre in dem Umfeld und kann dir etwas helfen.

Mehr Sinn, naja das ist eher eine Frage deiner persönlichen Präferenzen. Im Grunde hast du vermutlich den Jobtitel vergessen, der am ehesten deiner Beschreibung entspricht. Das wäre der Machine Learning Engineer, also eine Mischung als Data Science und Data Engineering.

Aber zurück zu den anderen beiden. Data Engineers haben am meisten mit Infrastruktur und DevOps zu tun. Da geht es um Daten Pipelines und Big Data Technologien. Machine Learning und statistische Modellierung ist da kaum von Bedeutung. Data Scientists hingegen fokusieren sich auf das Modellieren und die Statisik. Der Job ist meistens auch wesentlich kommunikativer, weil man seine Erkenntnisse an die Anforderer kommunizieren muss. Viele Data Scientists sind in der Praxis enttäuscht, weil da Modellieren so einen kleinen Teil der Arbeit ausmacht, das meiste ist Daten Vorverarbeiten und transformieren (Data Cleaning).

Ein Machine Learning Engineer sitzt dazwischen und macht beides, wobei der Fokus wohl eher auf der Integration der ML Modelle in die "normale" Softwareentwicklung liegt. Der Titel wird auch immer beliebter, weil Unternehmen merken, dass ein Prototyp vom Data Scientist nicht so ohne weiteres verwendbar ist.

Beim Data Scientist muss man dazu sagen, dass die Bandbreite da sehr groß ist, weil der Jobtitel so inflationär verwendet wird. Es gitb auch Excel Analysten, die als Data Scientists bezeichnet werden und Data Scientist, die eigentlich ML Engineers sind.

Man kann sagen, dass du beim Data Scientist/ML Engineer zumindest mal einen Master haben solltest. Außerdem kann man beobachten, dass Data Sciene zugänglicher ist, weil man dort keinen so starken Engineering Hintergrund braucht. Heißt die Konkurenz ist größer und es strömen viele Einsteiger in den Arbeitsmarkt, aus allen Möglichen Bereich, wo Statistik eine Rolle spielt(VWL, Physik, Psychologie etc.). Beim ML/Data Engineer hast du praktisch keine Chance ohne irgendetwas mit Informatik studiert/gelernt zu haben. Den Glanz verlieren solche Hypes irgendwann immer, das ist normal.

Das Einstiegsgehalt ist sehr unterschiedlich je nach Branche und Firma und findet man am besten im Nezt heraus (glassdoor, kununu).

Übrigens: Wirtschaftsinformatik ist nicht der optimale Weg, weil dort im Studium oft Mathe und Statistik eine untergeordnete Rolle spielt. Kann man aber alles nachholen.

1 mal bearbeitet. Zuletzt am 07.05.20 16:49.

Data Science sind viele mathematische Methoden. Darunter Stochastik und Statistik.

Data Engineer sehe ich bei dir jetzt gar nicht. Java und Datenbanekn ist einfach mal etwas, was auch jeder Gymnasialschüler mittlerweile kann.

Meine Empfehlung: Kauf dir doch mal ein Buch über Data Science und stell paar Projekte auf Github. Github ist die beste Eigenwerbung für alles, was irgendwie mit Code zu tun hat.

setso 📅 09.05.2020 11:53:23

Bisschen tensorflow und Python hilft leider heute auch nicht mehr zum Einstieg. Du musst Eigeninitiative reinstecken und dich mehr mit der Thematik beschäftigen. Viel Statistik, viel stochastik. Ich habe mir das in den letzten 2 Jahren meines Studiums parallel im Unternehmen angeeignet, was mir dann auch später die Türen für große Unternehmen geöffnet hat ohne Master oder Promotion.

Praxiserfahrung zählt! Ohne diese wirst du bei vllt 40k eingestellt

KennerUndMacher 📅 09.05.2020 16:35:18

Von meinlebenistbeschissenData Engineer sehe ich bei dir jetzt gar nicht. Java und Datenbanekn ist einfach mal etwas, was auch jeder Gymnasialschüler mittlerweile kann.

Da habe ich andere Erfahrungen gemacht. Sorry, das ist wirklich Quatsch.

Für moderne Backend-Enterprise-Entwicklung mit Java und Datenbanken und in verteilten Systemen braucht man viel Erfahrung. Viele Systeme müssen hochperformant sein und sind hochkritisch (müssen stabil laufen 24/7).

Dafür muss man sich auskennen mit Datebank-Performance (Index-Strukturen, Locking, Transaktionen), Betriebssystem bzw. VMs (u.a. Linux), Monitoring, CI-CD-Pipelines, Cloud-Provider und zig Frameworks und Libraries. Und noch ganz viel mehr an allgemeinen Pattern und Ansätzen.

Senior Engineers in diesem Bereich liegen alle über 80K+ und das kriegt bestimmt kein Gymnasialschüler...

Da ist das teilweise das Zusammenklicken von Modellen im "Data Science"-Bereich trivialer.

SoD 📅 09.05.2020 17:36:25

Von KennerUndMacherDafür muss man sich auskennen mit Datebank-Performance (Index-Strukturen, Locking, Transaktionen), Betriebssystem bzw. VMs (u.a. Linux), Monitoring, CI-CD-Pipelines, Cloud-Provider und zig Frameworks und Libraries. Und noch ganz viel mehr an allgemeinen Pattern und Ansätzen.

Senior Engineers in diesem Bereich liegen alle über 80K+ und das kriegt bestimmt kein Gymnasialschüler...

Nein ein Gymnasialschüler bekommt das nicht hin, aber ansonsten ist das Standardwissen eines Softwareentwicklers und das sind dann doch eher 60k+.

bellman 📅 10.05.2020 20:04:09

Hey,

ich arbeite als "ML Engineer" in NRW und kann zum Großteil SWEngineer's Kommentar bestätigen.

Mir ist aufgefallen, dass man als "Data Scientist" in vielen Unternehmen eher Analyst ist, also z.B. KPIs berechnet, Reports erstellt etc. Wirklich Machine Learning machen eher wenige deutsche Unternehmen. Wenn man dort Neuronale Netzwerke oder andere statistische Modelle entwickeln möchte, dann werden, gefühlt eher Absolventen mit starken Statistik- und Softwareengineeringkenntnissen genommen. Von den 5 Masterabsolventen (Informatik oder angew. Statistik) die ich kenne, die in NRW in einer ähnlichen Tätigkeit eingestiegen sind, sind alle mit 50k - 59k eingestiegen.

Ich kann auch nur unterstreichen, dass man sich schon sehr stark im Studium auf ML spezialisiert haben sollte und/oder sich sehr sehr viel in seiner Freizeit mit ML beschäftigen sollte, um ohne Berufserfahrung in dem Bereich anfangen zu können. Es reicht idR nicht, wenn man drei Tutorials nachgecodet hat, in denen man ein Modell entwickelt, was Hundebilder von Katzenbildern unterscheiden kann. Was sehr hilft sind private Projekte, die man nachweislich umgesetzt hat wie z.B. die sehr erfolgreiche Teilnahme an kaggle competitions.