Ist der KI- und Daten-Arbeitsmarkt tot?

Die Datenwissenschaft starb vor 7 Monaten?

Es starb auch vor 2 Jahren.

Und ich bin vor 3 Jahren gestorben.

Und ganz zu schweigen davon, dass es auch vor 5 Jahren im Sterben lag.

Aus meiner Sicht ist dies jedoch definitiv nicht der Fall. Es scheint, dass es immer noch Leute gibt, die einen Job als Datenwissenschaftler bekommen.

Ich meine, ich helfe den Menschen buchstäblich jede Woche dabei, dies zu tun Teaching-ProgrammMme.

Additionally, was um alles in der Welt ist los?

Nun, in diesem Artikel möchte ich Folgendes aufschlüsseln:

• Wie der aktuelle Datenmarkt aussieht
• Was es eigentlich bedeutet, Datenwissenschaftler zu sein
• Und was Sie tun sollten, um in diesem aktuellen Klima einen Job zu finden

Lasst uns loslegen!

Marktausblick

Wie viele von Ihnen wissen, kam es in den Jahren 2022 und 2023 zu erheblichen Entlassungen, wobei quick 90.000 Mitarbeiter im technischen Bereich entlassen wurden allein im Januar 2023 entlassen.

Tatsächlich conflict es so schwerwiegend, dass TechCrunch sogar eine erstellt hat Archiv aller Entlassungen, die es in dieser Zeit gab!

Laut einer Studie von 365DatenwissenschaftDatenjobs waren von diesen Entlassungen nicht so stark betroffen; Sie fanden heraus, dass:

Interessanterweise hatte die größte Gruppe entlassener Arbeitnehmer in unserer Stichprobe keine Jobs im technischen Bereich – 27,8 % arbeiteten im HR & Expertise Sourcingwährend Software program-Ingenieure wurde Zweiter mit 22,1 %. Marketingmitarbeiter folgten ihnen mit 7,1 %, Kundenservice mit 4,6 %, PR, Kommunikation & Strategie mit 4,4 % usw.

Beispielsweise hatten nur 2,7 % der in diesem Zeitraum bei Amazon entlassenen Personen den Titel eines Datenwissenschaftlers.

Laut einem anderen Studie:

Die Stellenausschreibungen im Bereich Datenwissenschaft stiegen im Jahresvergleich um 130 %, nachdem sie im Juli 2023 ihren Tiefpunkt erreicht hatten, während die Stellenangebote für Datenanalysten im gleichen Zeitraum um 63 % zunahmen.

Und wir können auch sehen, dass das Gehalt der Datenjobs insgesamt im Laufe der Jahre gestiegen ist.

Es ist additionally klar, dass die Datenwissenschaft keineswegs im Sterben liegt; wenn überhaupt, wächst es.

Warum ist es derzeit jedoch sehr schwierig, einen Job als Datenwissenschaftler zu bekommen, insbesondere auf der Einstiegs- und Juniorebene?

Um das zu erklären, müssen wir über die Zahlen hinausblicken und wirklich verstehen, was der moderne Datenwissenschaftler ist.

Evolution der Datenwissenschaft

Als Insider auf diesem Gebiet möchte ich Ihnen ein Geheimnis verraten.

Die Datenwissenschaft stirbt nicht; es entwickelt sich.

Vor 10 Jahren stellten Unternehmen Datenwissenschaftler ein, um in Jupyter-Notebooks an Modellen für maschinelles Lernen zu basteln.

Genau so sah mein erster Job im Bereich Information Science aus.

Ein Datenwissenschaftler conflict wie ein Schweizer Taschenmesser – von einer Particular person wurde erwartet, dass sie alles erledigt, von der Bereinigung der Daten über die Erstellung von Modellen bis hin zur Präsentation vor dem CEO.

Im Laufe der Zeit erkannten die Unternehmen jedoch, dass sie mit dieser Strategie keinen Return on Funding erzielten, und legten daher strengere Anforderungen an Rollen und Verantwortlichkeiten, um sicherzustellen, dass sie ihr Geld nicht verschwendeten.

Dies hat dazu geführt, dass der Beruf im Bereich Information Science fragmentiert wurde und der Titel bedeutungslos geworden ist, da Datenwissenschaftler in verschiedenen Unternehmen völlig unterschiedliche Aufgaben wahrnehmen.

Im Allgemeinen gibt es heute drei Arten von Datenwissenschaftlern.

Analytiker

Diese Artwork von Datenwissenschaftler ist eng mit der Geschäftsseite verbunden und konzentriert sich hauptsächlich auf Berichtsabläufe und Experimente.

Sie würden zum Beispiel:

• Holen Sie sich Daten aus einer Unternehmensdatenbank oder anderen Quellen.
• Schreiben Sie Code, der sehr linear und von Natur aus maßgeschneidert ist. Beginnen Sie mit der Aufnahme von Daten, bereinigen Sie sie ein wenig und führen Sie dann EDA und einige schlussfolgernde oder grundlegende Modellierungsarbeiten durch.
• Sobald Sie fertig sind, erstellen Sie einen Bericht, der die Analyse detailliert beschreibt, Visualisierungen und andere Kennzahlen bereitstellt und eine Empfehlung basierend auf den Zielen der Analyse abgibt.

Diese Artwork von Datenwissenschaftler ist eher ein Datenanalyst und erfordert in der Regel mehr Fachwissen im Geschäftsbereich.

Maschinenbau

Der Schwerpunkt dieser Artwork von Datenwissenschaftlern liegt auf der Entwicklung und Bereitstellung von Lösungen. Dies kann eine Reihe von Dingen sein wie:

• Interne Software program-Instruments
• Modelle für maschinelles Lernen, die die Entscheidungsfindung vorantreiben
• Bibliotheken bauen

Diese Rolle ist eher auf Software program-Engineering ausgerichtet, erfordert aber im Gegensatz zu einem Software program-Ingenieur größere Kenntnisse in Mathematik, maschinellem Lernen und Statistik.

Heutzutage geht diese Artwork von Beruf über den Titel „Datenwissenschaftler“ hinaus und wird nun als Ingenieur für maschinelles Lernen bezeichnet.

Dies ist keine Einstiegsposition und erfordert normalerweise zunächst zwei bis drei Jahre Erfahrung in einer angrenzenden Rolle, beispielsweise als Softwareentwickler oder Analyst. So viele Absolventen und Menschen mit wenig Erfahrung würden Schwierigkeiten haben, in diese spezielle Place im Bereich Datenwissenschaft einzusteigen.

Infrastruktur

Diese Artwork von Datenwissenschaftlern ist die seltenste, vor allem weil sie einen eigenen Titel hat: Dateningenieur.

Das Ziel dieser Rolle ist der Aufbau der Dateninfrastruktur und Pipelines zur Speicherung der Unternehmensdaten. Diese Daten werden dann von Machine-Studying-Ingenieuren, Analysten oder sogar nicht-technischen Stakeholdern weiterverwendet.

Diese Rolle ist immer wichtiger geworden, insbesondere mit dem Aufkommen der generativen KI in den letzten Jahren, die die Fähigkeit erfordert, große Datenmengen effektiv zu speichern und mit geringer Latenz zu streamen.

In einigen Unternehmen sind Sie möglicherweise auch ein Analyseingenieur, additionally ein eher geschäftsorientierter Dateningenieur.

Ich weiß, bei so vielen Titeln ist es schwer, mitzuhalten!

Junior gegen Senior

A Studie veröffentlicht im September 2025 hat im Bereich Daten und maschinelles Lernen einiges an Aufsehen erregt.

Die Studie untersuchte 285.000 Unternehmen zwischen 2015 und 2025 und wie sich die Einführung von GenAI auf ihre Einstellungsprozesse für Junior- und Senior-Positionen ausgewirkt hat.

Hinweis: Dies gilt nicht nur für Jobs als Datenwissenschaftler, sondern für alle Jobs bei diesen Unternehmen.

In der Grafik unten können Sie sehen, dass die Zahl der Neueinstellungen für Führungspositionen immer noch zunimmt, während die Zahl der Neueinstellungen für Juniorpositionen zurückgeht.

Dies macht intuitiv Sinn, da sich die Aufgaben von Junioren aufgrund des über die Jahre gesammelten Erfahrungsschatzes wahrscheinlich leichter mit KI automatisieren lassen als die von Senioren.

Was ich jedoch klarstellen möchte, ist, dass die Unternehmen keine Nachwuchskräfte entlassen und es auch keine Nachwuchskräfte mehr auf dem Markt gibt.

Die meisten Leute werden sich diese Grafik ansehen und denken, dass der Junior-Information-Science-Markt aussterben wird. Aber das ist objektiv nicht der Fall.

Es werden immer noch neue Stellen eingestellt, aber die Zahl der ausgeschriebenen neuen Stellen nimmt nicht zu. Die Angebotskurve bleibt unverändert, während die Nachfrage hoch bleibt.

Deshalb ist es heutzutage so schwierig, einen Einstiegsjob zu finden.

Was können Sie tun?

Ich muss ehrlich sein: Der Einstieg in die Datenwissenschaft wird immer wettbewerbsintensiver, aber es ist nicht unmöglich.

Vorbei sind die Zeiten, in denen Sie nur grundlegende Python- und SQL-Grundkenntnisse und die Teilnahme am Kurs „Maschinelles Lernen“ von Andrew Ng brauchten.

Das sind Dinge, die heutzutage jeder hat, additionally müssen Sie noch einen Schritt weiter gehen und sich stärker differenzieren als früher.

Es gibt viele Möglichkeiten, dies zu tun. Sie übernehmen beispielsweise bestimmte technische Bereiche und spezialisieren sich darauf, wie zum Beispiel:

• GenAI
• Modellbereitstellung
• Zeitreihenvorhersage
• Empfehlungssysteme
• Fachspezifisches Fachwissen

Spezialisten werden wohl immer wichtiger, da Wissen durch KI zunehmend demokratisiert wird. Tiefgehendes Fachwissen ist heutzutage quick eine Seltenheit.

Eine andere Möglichkeit besteht darin, sich für eine Place auf niedrigerer Ebene zu entscheiden, etwa eine Place als Unternehmens- oder Datenanalyst, die eher für Junior- und Einstiegspositionen geeignet ist, und sich dann langsam zu einer Vollzeitstelle als Datenwissenschaftler hochzuarbeiten.

Sie sollten sich auch auf Bereiche konzentrieren, die KI nicht wirklich ersetzen kann:

• Effektive Kommunikation mit verschiedenen Zielgruppen
• Verstehen Sie die geschäftlichen Auswirkungen Ihrer Arbeit
• Kritisches Denken und Wissen, welches Drawback gelöst werden muss
• Gute Grundlagen in Mathematik und Statistik
• Beziehungen und Netzwerk

Dies sind zeitlose Fähigkeiten, insbesondere die letzte.

Vielleicht haben Sie das Sprichwort gehört:

Es kommt nicht darauf an, was Sie wissen, sondern wen Sie kennen

Eigentlich bin ich damit nicht einverstanden.

Die wahre Kraft liegt darin wer kennt dich.

Wenn Sie über ein solides Netzwerk und Beziehungen zu vielen Menschen in der Branche verfügen, die Sie schätzen und Ihnen vertrauen, können Sie dieses nutzen, um Empfehlungen und Chancen zu erhalten oder Ihr Netzwerk sogar weiter auszubauen.

Die Hebelwirkung, die dadurch entsteht, ist unglaublich. Ich sage meinen Teaching-Kunden immer, dass Empfehlungen und Netzwerke im wahrsten Sinne des Wortes die goldene Eintrittskarte für erstklassige Jobs im Bereich Information Science sind.

Und alles, was es dafür erfordert, ist nur Anstrengung und das Verlassen Ihrer Komfortzone, um mit Menschen zu sprechen, mit denen Sie in Kontakt treten möchten.

Technologien werden kommen und gehen, aber tatsächliche menschliche Beziehungen bleiben für Ihre gesamte Karriere von zentraler Bedeutung.

Die Wahrheit ist, dass Sie sich als Datenwissenschaftler alle drei bis fünf Jahre neu erfinden müssen, da sich die Technologie sehr schnell verändert.

Additionally gefragt „Stirbt die Datenwissenschaft?“ verfehlt den Punkt.

Die Datenwissenschaft liegt technisch gesehen immer im Sterben, da sie sich ständig weiterentwickelt und transformiert.

Aber gerade das macht es spannend.

Und wenn Sie bereit sind, sich weiterzubilden und sich mehr anzustrengen als andere, werden Sie sehr intestine belohnt.

Wenn Sie nach der Lektüre bereit sind, in die Datenwissenschaft einzutauchen, ist das ein großartiger erster Schritt.

Aber die Realität sieht so aus: Ich bin seit fünf Jahren in diesem Bereich tätig und rückblickend habe ich mein gesamtes erstes Jahr mit Aufgaben verbracht, die reine Zeitverschwendung waren. Auf dem heutigen hart umkämpften Markt können Sie sich den Luxus von Versuch und Irrtum nicht leisten.

Um meine Fehler zu vermeiden und Ihren Fortschritt zu beschleunigen, schauen Sie sich diesen Leitfaden an, in dem ich genau beschreibe, wie ich wieder Datenwissenschaftler werden würde.