Die Tätigkeiten eines Data Scientists bietet je nach Berufsfeld ganz unterschiedliche Herausforderungen. In der ersten Blockwoche des zweiten Semesters brachten uns zwei Data Analysten der GKB ihren Arbeitsalltag näher.
Uns besuchten Tiziano Lorez, Leiter der Digitalisierung und Innovation, Dr. Sc. Gianluca Menghini, Leiter CC Data Analytics und Christian Balzer, Fachspezialist Data Analytics. Sie erzählten uns von der Wichtigkeit eines Innovation Management, ihren Zielen im Bereich Data Science und dem täglichen Arbeiten im Banking Umfeld.
Innovation Management ist in einem Unternehmen nicht mehr weg zu denken. In der heutigen digitalen, schnell wachsenden Welt gilt es dem Kunden bereits einen Schritt voraus zu sein. Sei das durch Gestaltung eines neuen Produktes um sich am Markt zu positionieren, oder aber die Optimierung eines internen Prozesses, um zum Beispiel die Kundenzufriedenheit zu erhöhen.
Um solche Innovationen voranzutreiben, wird unter anderem die Unterstützung von den beiden Data Analysten benötigt. Mit Hilfe von Machine Learning werden zum Beispiel Analysen für eine Marketing-Kampagne für ein neues Produkt oder eine Gegenüberstellung, wer eher mit Bargeld und wer eher bargeldlos bezahlt. Mit solchen Reports können für die Kunden der GKB spezifische Angebote ausgearbeitet werden. Man möchte dem Kunden die Lösung anbieten, welche perfekt auf ihn zugeschnitten ist.
Setzt sich eine Analyse als besonders hilfreich durch, wird diese als sogenanntes "Tabular Model" umgesetzt. Geschulte Power-User erhalten dabei den Zugriff auf solche Abfragen und können diese bei Bedarf selbstständig durchführen.
Bei all diesen Analysen darf jedoch der Faktor Mensch nie vergessen gehen. Vor allem im Banking-Bereich müssen gewisse Regeln eingehalten werden, um keine ethischen Fehler zu begehen. Ein solches «Regelwerk» wurden von der Data Innovation Alliance entwickelt und nennt sich der "Ethik-Kodex für datenbasierte Wertschöpfung". Der Kodex geht auf alle Fragen rund um den Daten-Lebenszyklus ein und orientiert sich an den drei Werten «Schadenvermeidung», «Gerechtigkeit» und «Autonomie».
Damit Analysen in hoher Qualität erarbeitet werden können, bedarf es einem aufwändigen Feature Engineering. Features sind Eigenschaften, welche anhand der Daten definiert werden. Ein einfaches Beispiel: Besitzt jemand Ausgaben in Form einer Zahlung einer Hypotheke, kann diese als solche Kategorie eingeteilt werden. Entweder kann der Kunde dies selbst für sich Klassifizieren oder diese Zuweisung geschieht über ein Machine Learning. Diese Features könne bei einer Bedarfsanalyse verwendet und unterschiedlich gewichtet werden - so kann man den Algorithmus optimal auf seinen Nutzen anpassen.
Wir haben an diesem Meet up! nicht nur einen sehr spannenden Einblick in die Berufswelt eines Data Scientists erhalten, sondern auch erfahren, wie wichtig Domänenwissen ist. Nur mit dem entsprechenden Fachwissen kann eine Analyse oder ein Machine Learning System die richtigen Antworten liefern und somit Mehrwert generieren.
Flavio Pfister, Student Computational and Data Science
Wir starten nun gespannt in das nächste Semester und wer weiss, vielleicht stehen bald wir vor der Herausforderung ein Machine Learning Modell in der Finanzbranche zu implementieren!
Dennis Bilang und Flavio Pfister studieren Computational and Data Science im zweiten Semester
Unbegrenzte Karrieremöglichkeiten in Informatik, Daten und Simulation?
Jetzt zum Studium Computational and Data Science anmelden!