Radar Recap: So knackst du das Data-Science-Interview mit Jay Feng

Mit der Reife von Data Science werden technische Interviews für Datenrollen immer anspruchsvoller. Wenn du als angehende(r) Data Scientist deinen ersten Job suchst, sind technische Interviews oft der kniffligste Teil des Bewerbungsprozesses. Im Gespräch musst du nicht nur dein technisches Können zeigen, sondern auch Kommunikations- und Problemlösungskompetenz sowie die Fähigkeit, unter Druck klar zu denken.

Im Rahmen der DataCamp Radar Conference haben wir eine Session mit Jay Feng, CEO von Interview Query, veranstaltet. Interview Query ist eine Remote-Plattform zur Vorbereitung auf Data-Science-Interviews mit dem Ziel, jedem Data Scientist den Einstieg in die Branche zu ermöglichen. 

In der Session hat Feng die wichtigsten Punkte erläutert, die angehende und Junior-Datenprofis über Interviews für Data-Science-Rollen wissen müssen. In diesem Beitrag fassen wir das Event und die zentralen Learnings zusammen.

Die verschiedenen Arten von Data-Science-Interviews

Einer der Gründe, warum technische Interviews in Data Science besonders herausfordernd sind, ist die große Vielfalt an Interviewformaten. Data Science ist eine komplexe, fordernde Disziplin, die Wissen und Kompetenzen in vielen Bereichen und Tools verlangt. Da technische Interviews genau diese Fähigkeiten prüfen, erwarten dich je nach Stellenanforderungen und gewähltem Karriereweg (siehe nächster Abschnitt) unterschiedliche Interviewtypen.

Laut Feng „gibt es rund 10 bis 15 Data-Science-Kompetenzbereiche“. Die Fragen können von Datenmanipulation mit SQL oder Python über Statistik und Algorithmen hinter Machine Learning bis hin zu Use Cases zur Analyse von Produktmetriken und Systemdesign-Fragen reichen (z. B. wie du ein neues Dataset von Grund auf aufbauen würdest). 

Während sich Interviews für andere IT-Positionen, etwa Software Engineers, stark auf Coding konzentrieren, bietet die interdisziplinäre Natur von Data Science mehr Spielraum, um Fragen in unterschiedlichen Bereichen zu stellen. Wie Feng betonte, sind die Fragen in technischen Interviews „die Bausteine dessen, was wir im Job tatsächlich tun“. 

Typische Karrierepfade in Data Science

Wenn du einen Data-Science-Job suchst, solltest du dich auf Rollen konzentrieren, die deine Stärken verlangen. Der Vorteil einer Einordnung nach benötigten Kompetenzen ist, dass du „deine Skills an die Position ausrichten kannst, in die du wechseln willst“.

Es gibt mehrere Karrierepfade in Data Science – und es werden mehr, da sich das Feld rasant entwickelt und Rollen stärker spezialisieren. Unten findest du eine nicht abschließende Liste von Positionen, die in Jays Session erwähnt wurden:

• Data Analysts sammeln, analysieren und interpretieren Daten, um vielfältige Geschäftsprobleme zu lösen. Dafür nutzen sie eine Kombination aus Programmiertools und statistischen Methoden.  

• Product Analysts ähneln Data Analysts, fokussieren sich jedoch auf Metriken, die Wachstum und Gesundheit eines Produkts messen. Nach dem Launch einer App wollen Product Analysts zum Beispiel verstehen, wie Nutzer damit interagieren. Dazu verfolgen sie Kennzahlen wie Daily Active Users und die Anzahl der Sessions pro Nutzer.

• Data Scientists teilen viele Aufgaben mit Data Analysts. Von ihnen wird jedoch erwartet, fortgeschrittene Methoden wie Machine Learning und Deep Learning einzusetzen, um aus großen Mengen strukturierter und unstrukturierter Daten Insights zu gewinnen und Vorhersagemodelle zu bauen. 

• Machine Learning Engineers bauen, trainieren und deployen ML-Modelle, die aus Daten lernen und Entscheidungen treffen. Laut Feng besteht ihre Mission darin, „Modelle zu entwickeln, die Daten in Produkte verwandeln“.

• Researchers bearbeiten grundlegende Fragestellungen und erweitern das theoretische Wissen in Data Science. Das ist ein hoch technischer Lernpfad, der sehr tiefgehende Kenntnisse in Mathematik und ML-Theorie erfordert.

• Field Researchers entwickeln Lösungen für praktische Probleme im Unternehmen. Sie zielen auf unmittelbare Geschäftsergebnisse ab, zum Beispiel darauf, neue Lernverfahren auf reale Datensätze anwendbar zu machen.

So bereitest du dich auf ein Data-Science-Interview vor 

Nach Feng lässt sich die Vorbereitung auf ein Data-Science-Interview in vier einfache Schritte gliedern:  

• Recherchiere die Rolle. Wie erwähnt, solltest du dich auf die Positionen fokussieren, die dir liegen und bei denen du mit deinen Stärken punkten kannst. Investiere daher vor jeder Bewerbung Zeit in eine gründliche Recherche.

• Vergleiche deine Kompetenzen. Woher weißt du, ob deine Skills für den Job ausreichen? Viele suchen im Internet nach Interviewfragen, um sich zu messen. Das ist laut Feng keine gute Strategie, da diese Fragen meist sehr einfache Kernthemen abdecken und im Interview selten vorkommen. „Interviewfragen ähneln eher einer Fallstudie und starten üblicherweise mit einer Problemstellung.“ Mit solchen realistischen Fragen solltest du deine Fähigkeiten testen.

• Erstelle einen täglichen Lernplan. Um deine Kompetenzen zu stärken und deine Chancen auf den Traumjob zu erhöhen, brauchst du Konstanz. Laut einer Umfrage von Interview Query erzielten Nutzer, die mehr Fragen bearbeiteten, insgesamt höhere Interview-Erfolgsquoten. Wie gestaltest du deinen Lernplan? In Fengs Worten: „Mach es dir leicht, Fragen zu lösen, beantworte jeden Tag eine, und steigere dich zu immer schwierigeren Problemen“.

• Hol dir Interview-Feedback. Es ist hilfreich, jemanden zu haben, mit dem du deine Antworten teilen und der dir Feedback und Tipps geben kann. Du kannst deine Gedanken schriftlich festhalten und mit Coaches und Expertinnen teilen. Wie Feng betonte, bekommst du das beste Feedback jedoch im direkten Gespräch. 

Wenn du tiefer einsteigen willst, kannst du Jays komplette Session ansehen. Schau dir auch weitere Sessions von Radar an, die dich interessieren.