Neus, Teamleitung Data Science

Das ist eine gute Frage, die mir schon oft gestellt wurde. Ich habe tatsächlich als Produktmanagerin bei CHECK24 angefangen, obwohl mein Hintergrund als Physikerin wahrscheinlich nicht so gut zu der Position passte. Zu dieser Zeit war ich Postdoktorandin und hatte den Wunsch, in die Industrie zu wechseln und meine Kenntnisse in praktische Anwendungsfälle einzubringen. Eine Kollegin und Freundin erzählte mir von einem Jobangebot und ich war begeistert von der Herausforderung. Produktmanagerin? Bei CHECK24? Klingt interessant! Kurz darauf trat ich über das Mitarbeiterempfehlungsprogramm die Stelle als API-Produktmanagerin an.

Rückblickend war es die perfekte Möglichkeit, den Lernprozess des Produkts selbst mit einer fachlichen Rolle des Managements zu verbinden. Ich habe viel über die täglichen Aufgaben der Produktmanager und ihre internen Prozesse und kundenbezogenen Entscheidungen gelernt: wie sie Hand in Hand mit Entwicklern arbeiten, ein Projekt priorisieren, planen und konzipieren sowie die Werkzeuge, die eingesetzt werden, um termingerecht zu liefern. Ich hatte auch das Glück, gute Mentoren zu haben.

Nach einigen Monaten fing ich langsam an, Projekte zu übernehmen, die mehr mit Data Science zu tun hatten, und diese außerhalb des API-Teams zu bearbeiten, wie Empfehlungssysteme oder Kundensegmentierung. Ich schrieb also den Code, validierte die Algorithmen und arbeitete selbst an den Änderungen, bis meine Aufgaben schließlich nicht mehr mit denen eines Produktmanagers übereinstimmten. Es war eigentlich ein nahtloser Übergang, der auf natürliche Weise erfolgte, also setzte ich mich mit dem Geschäftsführer zusammen und stimmte zu, dass es an der Zeit war, meine Berufsbezeichnung an den angemesseneren Begriff "Data Scientist" anzupassen. Die Zeit, die ich als PM verbracht habe, hat mir sehr geholfen, einen besseren Überblick über das gesamte Produkt zu bekommen und ich sehe es jetzt als Vorteil an.

Ich arbeite hauptsächlich mit Python für Data Science, Machine Learning und Prototyping. Dabei nutze ich häufig Libraries wie pandas, NumPy, scikit-learn, PyTorch oder TensorFlow. Für Datenabfragen und Performance-Optimierung setze ich SQL ein, insbesondere in relationalen Datenbanken wie MySQL und PostgreSQL. Auf der Infrastrukturseite arbeite ich viel mit AWS, zum Beispiel mit S3, Glue oder Athena. Modelle trainieren und deployen wir mit MLflow, Visualisierungen und Dashboards werden in Tableau erstellt und für die Versionskontrolle nutzen wir Git mit Bitbucket.

Das ist wahrscheinlich eines der besten Dinge an der Arbeit hier: Man hört nie auf zu lernen. Einerseits gibt es den großen Trainingskatalog und das Weiterbildungsbudget, das ich flexibel nutzen kann – ob für Online-Kurse, Bücher oder auch Präsenztrainings. Andererseits gefällt mir besonders das Motto „share knowledge“: Durch interne Tech- und AI-Konferenzen, die Data-Science-Gruppe über alle Verticals hinweg und den regelmäßigen Austausch zu Tools und Projekten können wir unser Wissen untereinander weitergeben. Ich finde es sehr wertvoll, dass es immer Experten in der Community gibt, an die man sich wenden kann und dass Kollegen in Tech-Talks neue Technologien vorstellen. Das schafft eine starke Lernkultur, in der ich nicht nur von anderen profitieren, sondern auch selbst Wissen einbringen und weitergeben kann.

Obwohl in meinem Kalender einige feste Regeltermine stehen, gleicht kein Tag dem anderen. Jeden Morgen haben wir Daily-Meetings, in denen wir, das Data-Team, über den Fortschritt unserer Projekte, Tickets, mögliche Probleme oder Änderungen im Wochenplan informieren. Dann habe ich normalerweise zwei bis vier Meetings pro Tag mit dem Produktmanagement, dem Geschäftsführer, Systemadmins oder Kollegen aus anderen Produkten zu Projekten oder möglichen Data-Science-Lösungen.

Einmal in der Woche haben wir unser Data-Science-Meeting (Jour Fixe), bei dem wir die aktuellen Probleme im Detail besprechen, den Status all unserer Projekte durchgehen oder neue Ideen präsentieren und diskutieren. Zudem setze ich mich mit meinen Mitarbeitern zusammen, um Projekte zu besprechen und Tickets zu priorisieren, an denen wir in der nächsten Woche arbeiten werden.

Die restliche Zeit konzentriere ich mich darauf, neue Projekte zu konzipieren und helfe meinen Teamkollegen bei Fragen und Problemen, bearbeite Tickets selbst oder schreibe neue Tickets für nächste Woche. Ich teste und überprüfe auch, ob alle laufenden „Jobs“ (z. B. Umschulungen, Datenexport, automatische Berechnungen) wie erwartet funktionieren.

Insgesamt sehe ich die größten Veränderungen durch Künstliche Intelligenz in der Art der Projekte, an denen wir derzeit arbeiten, sowie in der Geschwindigkeit ihrer Umsetzung im Vergleich zu vor zwei Jahren. Ein Großteil unserer täglichen Releases umfasst inzwischen neue KI-basierte Features. Die Begeisterung für die Möglichkeiten von KI ist im gesamten Unternehmen spürbar – manchmal ist es sogar eine Herausforderung, Kollegen davon zu überzeugen, dass ein LLM nicht immer die passende Lösung für ihr spezifisches Problem ist.

Auch im Arbeitsalltag ist KI fest integriert: Ich habe mir eigene kleine „Agenten“ erstellt, die mir wiederkehrende Aufgaben abnehmen, zum Beispiel bei der Formulierung von E-Mails, der Umformulierung von Texten, beim Finden von Fehlerursachen im Code oder auch beim Sammeln neuer Ideen, wenn ich einmal nicht weiterkomme. Gleichzeitig verlasse ich mich nicht auf KI, wenn es um wichtige Entscheidungen geht, und gehe sehr bewusst damit um, welche Informationen ich teile.

Wenn man sich die Zahlen anschaut, ist es für mich ganz klar: Wir brauchen mehr Frauen in der IT. Positionen im MINT-Bereich sind weitestgehend von Männern besetzt und es ist erwiesen, dass unterschiedliche Perspektiven und Denkweisen immer der Schlüssel zum Erfolg sind. Das ist unbestreitbar und deshalb glaube ich, dass wir uns aktiv für Veränderungen einsetzen müssen. Eine Möglichkeit besteht darin, diese Berufe jungen Mädchen bereits in der Schule näherzubringen. Wir brauchen Mentoring-Programme und weibliche Vorbilder. Wir müssen zeigen, dass eine Frau nicht komisch oder eine Außenseiterin ist, wenn sie eine solche Karriere in MINT oder einem anderen männlich dominierten Bereich verfolgen möchte. Ich habe so viele brillante Mädchen kennengelernt, die von Vorurteilen und Unsicherheit entmutigt wurden und schließlich das studiert haben, was von ihnen als Frauen erwartet wurde. Ich denke, solche Verhaltensweisen müssen wir ändern. IT ist für alle offen und ein sehr bereicherndes Fachgebiet, das viel Spaß macht.