Datenanalyst/in vs. Data Scientist: Ein vergleichender Leitfaden für 2024

Das Aufkommen des Internets und der zunehmende Einsatz von Technologie haben zu einem exponentiellen Anstieg der Datenmengen geführt. Die zunehmende Abhängigkeit der Unternehmen von datengestützten Entscheidungsprozessen hat dazu geführt, dass sie um die besten Talente buhlen, um Daten aus relevanten und zuverlässigen Quellen effizient zu beschaffen, zu speichern und für ihr Unternehmen zu nutzen.

Da Unternehmen weiterhin große Investitionen nicht nur in den Aufbau ihrer Dateninfrastruktur, sondern auch in die Gewinnung der richtigen Talente tätigen, haben sich die Rollen des Datenanalysten und des Datenwissenschaftlers als die beiden beliebtesten Rollen herauskristallisiert. Ihre Beliebtheit rührt daher, dass die Nachfrage nach diesen Datenspezialisten in fast jeder Branche steigt.

Die Unterschiede zwischen Datenanalysten und Datenwissenschaftlern verstehen

Der Unterschied zwischen einem Datenanalysten und einem Datenwissenschaftler liegt in der Art der Arbeit, die sie verrichten. Für einen Datenanalysten ist das Profil in erster Linie explorativ, im Gegensatz zum experimentellen Arbeitsprofil eines Datenwissenschaftlers.

Der Unterschied zwischen einem Datenanalysten und einem Datenwissenschaftler ergibt sich aus dem Grad der Expertise in der Datennutzung. Ein/e Datenwissenschaftler/in sollte mehr Erfahrung mit fortgeschrittenen Programmiertechniken und Rechentools haben. Außerdem sollte ein/e Datenwissenschaftler/in versierter darin sein, Datenmodelle und Algorithmen zu entwickeln. Das Verständnis der verschiedenen Arten, wie Unternehmen Daten nutzen, kann dazu beitragen, mehr Klarheit über ihre jeweilige Rolle zu schaffen. 

• Deskriptive Analytik: Analytische Lösungen in dieser Kategorie beantworten den Was- und Warum-Teil der Geschäftsprobleme. Sie liefern verwertbare Erkenntnisse, indem sie historische Datenmuster, Trends und Anomalien verstehen. Zum Beispiel kann die Veränderung des Kundenengagements im Laufe der Jahre und die Gründe dafür mit Hilfe der deskriptiven Analytik ermittelt werden.
• Prädiktive Analytik: Wie der Name schon sagt, werden bei dieser Kategorie von Lösungen Modelle des maschinellen Lernens eingesetzt, um die Zukunft anhand von Datentrends aus der Vergangenheit zu schätzen. Mit Hilfe von Predictive Analytics wird z.B. die Wahrscheinlichkeit berechnet, dass ein Produkt an den Kunden weiterverkauft wird, wenn er sich in der Vergangenheit engagiert hat.
• Prescriptive Analytics: Die präskriptive Analytik nutzt die Ergebnisse der deskriptiven und prädiktiven Analytik, um bessere Geschäftsstrategien zu formulieren. Auch hier kann das Unternehmen anhand des historischen Engagements und der Wahrscheinlichkeit von Cross-Selling den besten Produktmix für die Kunden ermitteln.

Ein Datenanalyst setzt deskriptive Analysen ein, um Fakten zu berichten, und gibt manchmal präskriptive Analysen in Form von Empfehlungen, die auf diesen Erkenntnissen basieren. Ein Data Scientist deckt das gesamte Spektrum der Analytik ab, wobei er sich in erster Linie auf prädiktive Analysen und die Schaffung von Mehrwert für Unternehmen mit Daten konzentriert. 

Datenanalyst/in vs. Data Scientist: Ein Vergleich ihrer Rollen und Verantwortlichkeiten

Ein Datenanalyst kann auch viele andere Berufsbezeichnungen haben, wie z.B. Stratege, Business Intelligence Analyst, Market Intelligence Analyst oder Berater, oder Competitive Intelligence Analyst. Unabhängig von der genauen Berufsbezeichnung wird von einem Datenanalysten in der Regel erwartet, dass er durch die Abfrage von (meist strukturierten) Datenmengen Erkenntnisse gewinnt und diese dann in aussagekräftige Berichte für verschiedene Interessengruppen umwandelt. Es geht also eher darum, Muster in den Daten zu finden, Datenvisualisierungen zu erstellen und die Erkenntnisse an die Stakeholder weiterzugeben. In unseren Artikeln erfährst du mehr darüber, wie du Datenanalyst/in oder Datenwissenschaftler/in werden kannst. 

Im Gegensatz dazu führt ein Data Scientist Aufgaben aus, die in den Bereich der prädiktiven und präskriptiven Analytik fallen. Am Beispiel eines Ride-Hailing-Dienstes würde ein Datenanalyst die historischen Auswirkungen einer Werbeaktion auf die Ride-Hailing-Aktivität analysieren. Auf der anderen Seite könnte ein Datenwissenschaftler an einem Matching-Algorithmus arbeiten, der Fahrer und Fahrerinnen möglichst effizient zusammenbringt. 

Projektlebenszyklus eines Datenanalysten und eines Datenwissenschaftlers

Datenanalyst

Im Folgenden wird beschrieben, wie der Lebenszyklus eines Projekts, das von einem Datenanalysten bearbeitet wird, normalerweise aussieht.  

1. Datenextraktion: Die Datenextraktion ist auf kleinere Datensätze beschränkt, da Datenanalysten in erster Linie spezifische Geschäftsszenarien betrachten.
2. Datenbereinigung und -aufbereitung: Sobald die Daten extrahiert sind, werden sie verarbeitet und in Form von Visualisierungen zusammengefasst, die intuitiv die zugrunde liegenden Fakten, aufkommende Trends und Anomalien hervorheben können. 
3. Datenexploration: Während dieser Aktivität beginnt der Analyst, die Gründe für die verschiedenen Trends und Anomalien zu erforschen, die während der Datenaufbereitung beobachtet wurden. 
4. Datenvisualisierung und Berichterstattung: Als Nächstes erstellt der Analyst intuitive Dashboards und Managementberichte mit Geschäftskommentaren und teilt sie mit den Stakeholdern. In der Regel werden dafür verschiedene Business-Intelligence-Tools wie Tableau und Power BI verwendet, die sich selbst bedienen.

Datenwissenschaftler/in

Das nachstehende Ablaufdiagramm zeigt die verschiedenen Phasen des Projekts, die ein Datenwissenschaftler durchläuft.

1. Datenextraktion: Dieser Schritt ist sowohl für Datenanalysten als auch für Datenwissenschaftler üblich. Die Datenquelle für Datenwissenschaftler/innen ist jedoch nicht nur auf eine Reihe kleiner Tabellen beschränkt, sondern meist sehr umfangreich. In solchen Fällen arbeiten ein Data Scientist und ein Data Engineer zusammen.
2. Datenbereinigung: In dieser Phase verbringt der Datenwissenschaftler viel Zeit damit, sich einen detaillierten Überblick über die Daten zu verschaffen, die zugrundeliegenden Probleme zu verstehen, Anomalien zu erkennen und die Daten schließlich für weitere Schritte zu bereinigen.
3. Feature Engineering: Bevor Data Scientists mit der Arbeit an Vorhersagemodellen beginnen, führen sie ein Feature Engineering durch. Beim Feature-Engineering werden aus bereinigten Daten Variablen erstellt, die eine bessere Vorhersagekraft für das Zielergebnis haben. Bei der Erstellung eines Prognosemodells zur Vorhersage der Wahrscheinlichkeit, dass eine Person an Diabetes erkrankt, kann neben Größe und Gewicht auch der BMI als zusätzliche Eingabe in das Modell verwendet werden. Hier ist der BMI ein technisches Merkmal, das aus Größe und Gewicht berechnet wird.
4. Modellentwicklung mit KI/ML-Techniken: Die Daten werden dann in einen Machine-Learning-Algorithmus eingespeist, um Vorhersagen zu treffen. Es gibt eine Vielzahl von Algorithmen für maschinelles Lernen mit unterschiedlichen Komplexitätsgraden und Anwendungsfällen. In diesem Leitfaden findest du die Unterschiede zwischen den verschiedenen Arten von Algorithmen für maschinelles Lernen.  
5. Modellversuche: In dieser Phase validiert ein Datenwissenschaftler die Modellergebnisse. Bei unbefriedigenden Ergebnissen überprüft der Wissenschaftler die Modellparameter und passt sie an, um das gewünschte Ergebnis zu erzielen. Wenn das Modelltuning jedoch fehlschlägt, geht der Datenwissenschaftler zurück zum Zeichenbrett und überlegt sich, wie er die Funktion neu gestalten kann, um spätere Modellentwicklungen zu unterstützen.
6. Das Modell in die Praxis umsetzen: Nach der Modellentwicklung und dem Modelltuning arbeiten die Teams für Softwareentwicklung und Datentechnik zusammen, um produktionsreife Modellpipelines zu erstellen. Dies ermöglicht eine nahtlose Integration in die Datenpipeline. In einem letzten Schritt arbeiten sie an der Formalisierung und dem Einsatz des Codes in der Produktionsumgebung.

Nachdem wir nun einen Überblick über die Rollen und Aufgaben von Datenanalysten und Datenwissenschaftlern haben, stellt sich die Frage, welche Fähigkeiten dich am besten auf die Übernahme einer dieser Rollen vorbereiten. Hier ist ein vergleichender Leitfaden zu den Qualifikationsanforderungen für diese Rollen.

Datenanalyst/in vs. Data Scientist: Skill-Vergleich

Die Qualifikationsanforderungen für beide Rollen sind sehr ähnlich. Der Grad der Beherrschung der einzelnen Fertigkeiten ist jedoch sehr unterschiedlich. In der folgenden Tabelle sind die acht Schlüsselkompetenzen und das Niveau, das von einem Datenanalysten und einem Data Scientist erwartet wird, aufgeführt:

Datenanalyst

Ein Projektlebenszyklus für einen Datenanalysten hat normalerweise zwei Phasen: Gewinnung von Erkenntnissen und Kommunikation von Erkenntnissen. Lass uns die Qualifikationsanforderungen für jede dieser Stufen verstehen:

• Einblicke generieren: Um verwertbare und aussagekräftige Erkenntnisse zu gewinnen, sollten Datenanalysten über ausreichendes Fachwissen verfügen, um Daten effektiv zu untersuchen. Ein unzureichendes Fachwissen in einem der beiden Bereiche würde zu einem unzureichenden Verständnis der geschäftlichen Probleme führen und kann möglicherweise irreführende Ergebnisse liefern. Angesichts der modernen Technologielandschaft in Unternehmen erfordert die explorative Analyse, dass Analysten Programmiersprachen wie SQL, Python und R beherrschen. Sie sollten in der Lage sein, Codes im Rahmen des Paradigmas der funktionalen Programmierung effizient zu schreiben. Daher sollten Arbeitskenntnisse in diesen Sprachen ausreichen, um zumindest alle Datenverarbeitungsvorgänge besser durchführen zu können. Die Beherrschung von Data Engineering kann Datenanalysten dabei helfen, ihre Abhängigkeit von Datenteams zu verringern. Das kann ein großes Plus für sie sein.
• Insight-Kommunikation: Die Fähigkeit, Erkenntnisse effektiv zu kommunizieren und zu präsentieren, ist eine wichtige Fähigkeit. Ein guter Umgang mit Datenvisualisierungstools wie Tableau und Power BI kann für einen Datenanalysten sehr hilfreich sein, um effektiv zu sein. Da die Kommunikation von Erkenntnissen in der Regel über Präsentationen und Dashboards erfolgt, muss ein Datenanalyst die Codes nur selten produktiv machen. Daher tritt das Wissen über softwaretechnische Aspekte in der Regel in den Hintergrund.

Datenwissenschaftler/in

Obwohl die Geschäftsprobleme, mit denen sich Data Scientists befassen, sehr unterschiedlich sind, geht es bei den Projekten, die sie leiten, im Großen und Ganzen darum, Vorhersagemodelle zu erstellen und sie zu produzieren. Die für diese Tätigkeiten erforderlichen Fähigkeiten sind folgende

• Prädiktive Modellierung: Ein Data Scientist sollte nicht nur Datenexploration und Fachwissen beherrschen, sondern auch verschiedene Datenmodellierungstechniken und damit verbundene Algorithmen. Daher sind gute Kenntnisse in Open-Source-Sprachen wie Python und R erforderlich. Der Einsatz von Visualisierungswerkzeugen ist eine Voraussetzung dafür, dass sie die Ergebnisse der Modellierung mit verschiedenen Interessengruppen teilen können. Außerdem muss ein Data Scientist nach Belieben Daten extrahieren und die Anforderungen an die Datenpipeline effektiv an das Entwicklungsteam weitergeben. Daher sind Fähigkeiten im Bereich der Datentechnik ein Muss für einen Data Scientist.
• Modell der Produktionalisierung: In der Regel wird der Output aus den Datenmodellen in ein Front-End-System eingespeist, auf das die Benutzer/innen Zugriff haben. Um eine nahtlose Integration zu gewährleisten, wird von einem Datenwissenschaftler erwartet, dass er Restful APIs, JSON-Feeds und andere Webservices entwickelt. Alle Codes, die von einem Datenwissenschaftler während der Modell- und API-Entwicklung geschrieben werden, müssen produktionsreif sein. Um ein Verständnis für objektorientiertes Programmieren zu entwickeln, sind daher Kenntnisse in Softwaretechnik erforderlich.

Datenanalyst/in vs. Data Scientist: Bildungshintergründe

In diesem Abschnitt erhältst du einen Überblick über die Bildungsabschlüsse, die ein Datenanalyst und ein Datenwissenschaftler in der Regel haben, über ihre Fachgebiete und über einige wichtige neue Trends. 

Ein Vergleich der Bildungsabschlüsse

Laut der Burtch Works-Studie 2023 hat das Ausbildungsniveau von Datenanalysten und Datenwissenschaftlern einen erheblichen Einfluss auf ihre Gehälter. Diese Erkenntnis wird im folgenden Abschnitt über die Branchenaussichten für diese beiden Positionen bestätigt.

Quelle: Burtch Works Study 2023

Im Jahr 2021 haben 49% der befragten Datenwissenschaftler/innen einen Doktortitel. Allerdings haben nur 19 % der befragten Datenanalysten einen Doktortitel. 

Quelle: Burtch Works Studie 2021

Während sich die Informatik als beliebtestes Studienfach für Datenwissenschaftler/innen herauskristallisiert hat, gewinnen die Ingenieurwissenschaften allmählich an Beliebtheit unter den beiden Rollen.

Wichtige Trends

Laut der Burtch Works Studie 2021 sind die wichtigsten demografischen Trends, die sich für Data Science und Analytics herauskristallisiert haben, folgende:

• Die Zahl der Fachkräfte mit Doktortitel ist im Vergleich zu den Vorjahren, in denen die Zahlen eher auf Bachelor- oder Masterstudiengänge hindeuteten, deutlich gestiegen. In der Stichprobenstudie der Datenwissenschaftler/innen stieg der Anteil der promovierten Wissenschaftler/innen von 43 % im Jahr 2020 auf 48 % im Jahr 2021. 
• Viele erfahrene Analytiker/innen mit Doktortitel und Akademiker/innen, die bereit sind, Positionen in Unternehmen zu übernehmen, sind die neuen Favoriten für Positionen in der Datenwissenschaft, die in der Lage sind, ihre umfangreiche Forschung in Geschäftsanwendungen umzusetzen. 
• Die traditionellen MBA-Programme in Datenwissenschaft und Analytik sind Programmen wie dem MS in Business Analytics oder dem MS in Data Science gewichen, da sie einen viel stärkeren quantitativen Fokus haben. Bei den Datenwissenschaftlern sank der Anteil der Wirtschaftsabschlüsse von 12% im Jahr 2019 auf 8% im Jahr 2021

Da Studierende und Berufstätige immer mehr dazu neigen, sich in verschiedenen Fortbildungskursen weiterzubilden, sind Online-Kurse ein großartiges Angebot, mit dem berufliche Zertifizierungen außerhalb des traditionellen Rahmens einer Universität gebündelt werden können.  

Kurse zu Datenanalyse und Datenwissenschaft 

Da sich die Rollen und Aufgaben von Datenanalysten und Datenwissenschaftlern deutlich unterscheiden, bietet DataCamp für beide Berufsgruppen Lernpfade an, die ihren spezifischen Qualifikationsanforderungen entsprechen.

Lernpfade für Datenanalysten 

Data Analyst with Python (Kursinhalt: 62 Stunden)

Dieser Lernpfad beginnt mit den Grundlagen der Programmiersprache Python für die Datenanalyse. Nach der Vermittlung der Grundlagen taucht dieser Lernpfad tiefer in die Techniken der Datenverarbeitung und Datenvisualisierung ein. Außerdem lernst du, Daten aus verschiedenen Quellen wie dem Internet, Datenbanken und JSON-Dateien zu beziehen. Darüber hinaus bietet dieser Lernpfad einen Überblick über Techniken der explorativen Datenanalyse und vermittelt den Lernenden Kenntnisse über relationale Datenbanken und SQL.

Data Analyst with R (Kursinhalt: 77 Stunden)

Dieser Lernpfad konzentriert sich auf die wichtigsten Fähigkeiten von Datenanalysten, die mit der Programmiersprache R arbeiten. Es bietet umfassende Inhalte zu den am häufigsten verwendeten R-Paketen wie tidyverse, ggplot und dplyr. Ähnlich wie der Lernpfad Python hilft der Kurs, ein mittleres Verständnis für Datenanalystenfähigkeiten wie Datenbeschaffung, -manipulation und -visualisierung aufzubauen. 

Datenanalyst mit SQL (Kursinhalt: 41 Stunden)

Dieser Lernpfad hilft den Lernenden, ein tiefgreifendes Verständnis von SQL Server, den Konzepten relationaler Datenbanken, ihrem Design und ihrer Leistungsoptimierung zu entwickeln.

Lernpfade für Datenwissenschaftler

Lernpfade für Data Scientists gibt es in Python und R. Sie helfen den Lernenden, in die softwaretechnischen Aspekte von Python wie die objektorientierte Programmierung einzutauchen. Außerdem geben sie einen Überblick über Statistik sowie über überwachte und unüberwachte maschinelle Lernverfahren. Die Lernpfade bieten auch Fallstudien zu jedem Meilenstein, um den Lernenden praktische Erfahrungen mit realen Problemen zu vermitteln.

Data Scientist with Python (Kursinhalt: 88 Stunden)

Dieser Kurs nimmt den Lernenden mit auf eine Reise vom Anfänger zum Experten für Datenwissenschaft. Neben einer Einführung in Python für die Datenbeschaffung, Datenbearbeitung und Datenvisualisierung erhalten die Lernenden auch einen Überblick über funktionale und objektorientierte Programmierparadigmen. Der Kurs vermittelt ein umfassendes Verständnis der Algorithmen des maschinellen Lernens in den Kategorien überwachtes und unüberwachtes Lernen sowie Clustering. Neben dem Erlernen von Data-Science-Konzepten werden die Lernenden durch relevante Fallstudien auch mit realen Projektherausforderungen konfrontiert.

Data Scientist mit R (Kursinhalt: 88 Stunden)

Für Datenwissenschaftler/innen, die mit der Programmiersprache R arbeiten, taucht dieser Lernpfad tief in R ein und stellt den Lernenden den funktionalen Programmieransatz vor. Dieser Kurs beinhaltet auch eine ausführliche Einführung in Algorithmen des maschinellen Lernens wie Regression, Klassifizierung und Clustering, um nur einige zu nennen.

Professionelle Zertifizierungsprogramme

Die folgenden Zertifizierungen helfen dabei, die Lücke bei den Datenkenntnissen zu schließen, die auf dem Arbeitsmarkt besteht. Sie stellen sicher, dass die richtige Qualifikation auf die richtige Gelegenheit trifft, da die Lernenden ihre Fähigkeiten präsentieren können, während der Arbeitgeber das Vertrauen gewinnt, die richtigen Talente einzustellen. Die Programme prüfen die Fähigkeiten der Lernenden in mehreren Schlüsselbereichen, darunter Datenmanagement, explorative Analyse, statistische Experimente, Modellentwicklung, Codierung für Produktionsumgebungen sowie Kommunikation und Berichterstattung. Expertenfeedback und Mentoring-Sitzungen helfen den Lernenden außerdem dabei, das nötige Selbstvertrauen zu erlangen, um arbeitsfähig zu sein. DataCamp bietet zwei Zertifizierungen an, eine für Datenwissenschaftler/innen und eine für Datenanalytiker/innen. 

Die DataCamp Professional Data Scientist-Zertifizierung umfasst vier Stufen:

1. Zeitliche Beurteilungen: Die Kenntnisse der Lernenden in Themen wie Programmierung und maschinelles Lernen werden ermittelt.
2. Coding Challenge: Die R- oder Python-Kenntnisse der Lernenden werden anhand von realen Datensätzen getestet.
3. Fallstudie: Die Lernenden werden ihre Ergebnisse so präsentieren, wie sie es in ihrer täglichen Arbeit als Datenwissenschaftler/innen tun würden.
4. Zertifizierung: Nach Abschluss der drei oben genannten Phasen erhält der/die Lernende ein Zertifikat und Zugang zum Career Services Team.

Die DataCamp-Zertifizierung für professionelle Datenanalytiker/innen umfasst fünf Stufen:

1. Grundlagen der Datenanalyse: In diesem Abschnitt wirst du auf dein Verständnis der wichtigsten analytischen Ansätze getestet, die von einem professionellen Datenanalysten erwartet werden.
2. Explorative Analyse: Gehe an ein Problem heran, finde die richtigen Daten und formatiere sie effektiv durch eine Kodieraufgabe in SQL und Python oder R.
3. Coding Challenge: Beweise deine Fähigkeiten, Daten zu bereinigen und zu verarbeiten, in einer praktischen SQL-Herausforderung.
4. Fallstudie: Teste deine Fähigkeit, Daten zu analysieren und zu kommunizieren, indem du eine aufgezeichnete Fallstudie mit unserem Zertifizierungsteam durchführst. Hier musst du ein Geschäftsproblem analysieren und dann deine Lösung einem bestimmten Publikum präsentieren.
5. Zertifizierung: Nach Abschluss der vier oben genannten Phasen erhält der/die Lernende ein Zertifikat und Zugang zum Career Services Team.

Hier erfährst du mehr über die Zertifizierungsprogramme von DataCamp:

DataCamp's Zertifizierungsprogramme für Data Scientists

DataCamp's Data Analyst Zertifizierungsprogramm

DataCamp Zertifizierung FAQs

Datenanalyst/in vs. Data Scientist: Ausblick auf die Industrie

Die Burtch Works-Studie aus dem Jahr 2021 untersucht die Gehälter von Data Science- und Data Analytics-Fachkräften. Diese Studie zeigt, dass die Einstellungssituation für Data Science- und Analytics-Teams vielversprechend aussieht. Die Studie zeigt, dass 73% der Data-Science- und Analytics-Teams im ersten/zweiten Quartal 2021 Einstellungen planen, verglichen mit 67% im Januar 2020. Außerdem planen rund 81 % der Data-Science- und Analytics-Teams, im dritten/vierten Quartal 2021 Personal einzustellen. Das ist ein deutlicher Anstieg im Vergleich zu den Zahlen für das erste Halbjahr 2021.

In der folgenden Tabelle sind die Gehaltsentwicklungen für Datenanalysten und Datenwissenschaftler nach Gehaltsstufe zusammengefasst. Diese Trends gelten sowohl für die Rolle des einzelnen Mitarbeiters als auch für die des Managers. Diese Stufen geben auch einen Überblick darüber, wie sich die Karrierewege eines Datenanalysten und eines Datenwissenschaftlers entwickeln können.

Quelle: Die Burtch Works Studie 2021

Quelle: Die Burtch Works Studie 2021

Ein einzelner Beitragszahler ist allein für seine Leistung verantwortlich. Ihre Arbeit erfordert nicht, dass sie ein Team leiten. Eine Führungskraft beaufsichtigt jedoch auch die Arbeit anderer Mitarbeiter/innen.

Die wichtigsten Erkenntnisse

Datenanalytiker/innen und Datenwissenschaftler/innen sind sich ähnlich, da sie beide intensiv mit Daten arbeiten; sie unterscheiden sich nur darin, wie sie mit Daten umgehen. Zu den wichtigsten Unterscheidungsmerkmalen gehören ihr Bildungshintergrund, der Umfang der Daten, mit denen sie arbeiten, und das von ihnen verwendete Programmierungsniveau. Ein Datenwissenschaftler bekommt zwar mit größerer Wahrscheinlichkeit ein höheres Gehalt, aber diese Rolle ist auch mit mehr Verantwortung und Erwartungen verbunden.  Wenn du noch unentschlossen bist, welchen Weg du einschlagen möchtest, solltest du zunächst ein oder zwei Kurse aus jedem Bereich ausprobieren, um eine bessere Vorstellung davon zu bekommen, welche Art der Arbeit mit Daten du bevorzugst.