deDie Zeiten als Banklehre und anschließendes BWL-Studium den Königsweg in die Finanzdienstleistungen darstellten, sind passé. Längst stellen Leute wie IT-Experten und Data Scientists die Zukunft des Bankings dar. Doch wie wird man Data Scientists in den Finanzdienstleistungen? Wir haben mit zwei erfahrenen Data Scientists gesprochen.
Götz Giese hat einen Karriereweg hinter sich, den früher kaum jemand mit einem Banker in Verbindung gebracht hätte. Nach einer Promotion über die Dynamik von Sandkörnchen in Theoretischer Physik hat er 1997 in der IT der Commerzbank begonnen. „Für einen Naturwissenschaftler war es damals gar nicht so einfach, einen Job bei einer Bank zu finden. Bei dem IT-Projekt ging es um die Bewertung von Derivaten“, erinnert sich Giese heute schmunzelnd. „Witzigerweise konnte ich die Mathematik, die ich in meiner Promotion für die Dynamik der Sandkörnchen benutzt hatte, auch für die Derivatebewertung verwenden.“ Später führte ihn seine Karriere u.a. ins Markt- und Kreditrisiko. „Im heutigen Verständnis ist der Bau von Ratingmodellen eigentlich auch nur eine Unterform der Data Science“, kommentiert Giese.
Mittlerweile ist der promovierte Physiker Principal Project Manager im neu geschaffenen Bereich „Big Data & Advanced Analytics“ (BDAA) der Commerzbank. „Der Charme dabei ist, dass man hier große Freiheiten hat“, erläutert Giese.
Commerzbank will Team von Data Scientists stark ausbauen
„BDAA bearbeitet ein unendlich breites Feld: Wir verfeinern beispielsweise die Modelle zur Geldwäsche- und Betrugsbekämpfung und im Risikomanagement. Dann arbeiten wir an der Prozessoptimierung im weitesten Sinne, sei es bei klassischen Kreditprozessen oder auch bei der Verbesserung von Hedgingstrategien. Weiter geht es darum, Produkte zu generieren, die dem Kunden nutzen. So haben wir beispielsweise einen Cash Radar entwickelt, der Unternehmerkunden prognostiziert, wie sich ihre Liquidität in den kommenden Monaten entwickeln wird.“
Die derzeit rund 70 Mitarbeiter der BDAA sollen mittelfristig deutlich ausgebaut werden. Ein Teil der Stellen werde intern, andere extern besetzt. Neben Data Scientists arbeiten dort auch „Brigde People“, wie Giese sie nennt, also Business-Analysten, die die Brücke zwischen dem eigentlichen Geschäft und den Data Scientists herstellen. Weiter gebe es u.a. Software-Entwickler und Datenbankexperten, die sich mit der Hadoop-Technologie für große Datenmengen auskennen.
Erste Erfahrungen mit Python und R für angehende Data Scientists hilfreich
Studenten, die ihre Zukunft in Data Science sehen, empfiehlt Giese die diversen Open Source-Technologien wie die Programmiersprache Python oder die Statistiksoftware R für kleine Projekte anzuwenden. „Wir suchen Leute, die schon erste Erfahrungen mit dem Bau von neuralen Netzwerken und Machine Learning-Algorithmen mitbringen“, erläutert Giese. „Das kann beispielsweise ein Physiker, aber auch ein Hydrologe sein, der z.B. mit Machine-Learning Modelle für Hochwasserprognosen erstellt hat.“ Wirtschaftswissenschaftler müssten indes gute Kenntnisse der Mathematik mitbringen.
Aufbauend auf Python gebe es diverse Libraries, mit denen man sich auskennen sollte. Dazu gehöre beispielsweise TensorFlow, Keras, H2O. Auch Pandas zählten zum Standardrüstzeug eines Python-Programmierers. Wichtig seien überdies die Grundlagen in angewandter Statistik. „Wenn ich einen Lebenslauf schreiben müsste, dann würde ich das alles hineinschreiben“, empfiehlt Giese. „Ein reiner Mathematiker, der sich nur mit Sätzen und Beweisen beschäftigt hat, aber niemals mit Programmieren, der kommt für uns nur schwer in Frage.“
Zwar zeugten Praktika davon, dass jemand bereit sei, den akademischen Elfenbeinturm zu verlassen, eine zwingende Voraussetzung seien sie für einen Data Scientist indes nicht. Ein Praktikum müsse auch nicht bei einer Bank stattgefunden haben. „Für einen Data Scientist ist es sogar ganz praktisch, wenn er einmal in einer anderen Branche war“, sagt Giese. „Wichtig ist, dass sie erste praktische Erfahrungen mit neuronalen Netzen und Machine Learning gesammelt haben und gesehen haben, was man dabei so alles falsch machen kann. Das können Sie aber in beliebigen Feldern erwerben. Der konkrete Bankkontext ist da eher nicht von Bedeutung.“
Benötigen Data Scientists eine Promotion?
Durch den hohen theoretischen Anspruch, den ein Data Scientist mitbringen muss, hält Giese einen Master für eine Grundvoraussetzung. „Bevorzugt stellen wir aber Leute mit Promotion ein“, ergänzt der Physiker. „Wenn Sie im quantitativen Umfeld promoviert haben, dann waren Sie einmal ganz auf sich selbst gestellt und mussten sich ganz genau überlegen, welche Schritte Sie machen.“
Etwas anders sieht dies Vahe Andonians, Dozent im neuen Master-Studiengang Data Science der Frankfurt School of Finance & Management: „Für die tägliche Arbeit ist eine Promotion nicht erforderlich”, sagt der Data Scientist. „Wir haben sogar Studenten, die vorher noch nie eine Zeile programmiert haben.” Zwar müssten Kenntnisse in Python, Statistik und der Umgang mit NonSQL-Datenbanken, wie sie für die Bewältigung großer Datenmengen erforderlich sind, erlernt werden, es gehe aber nicht darum, Programmierer auszubilden. „Die Idee besteht darin, eine Brücke zwischen den Software-Entwicklern und Leuten aus dem Business zu schlagen”, versichert Andonians. Wissenslücken z.B. in Mathematik könnten durch entsprechende Tutorials gefüllt werden. „Der Zweck besteht darin, neuronale Netzwerke zu entwickeln. Die Mathematik dahinter is recht simpel. Jeder kann das lernen.”
Wer an dem neuen Studiengang teilnehmen möchte, muss allerdings tief in die Tasche greifen. Denn für das zweijährige Programm berechnet die Frankfurt School die Kleinigkeit von 32.500 Euro. Das Programm besteht aus der Vermittlung von Kenntnissen im angewandtem Machine Learning, Data Science und der Fähigkeit Probleme zu lösen, wobei der Unterricht auf Englisch erfolgt. Praktische Erfahrungen sollen über Praktika und Hackathons vermittelt werden. Zu große wissenschaftliche Ambitionen seien oft sogar hinderlich. „Unsere Studenten sollen lernen, die Modelle auf effiziente Weise einzusetzen”, betont Andonians. Zumindest darin stimmt er mit Giese überein.
Ähnliche Artikel:
GASTBEITRAG: Ist Python wirklich die beste Programmiersprache für Data Science?Unser Gastautor ist Entwickler. Hier seine Meinung zu Python.
GASTBEITRAG: Welche Mathekenntnisse Sie für Data Science und Künstliche Intelligenz benötigenUnser Gastautor ist der Überzeugung, dass man nur begrenzte Mathekenntnisse für einen Job in Data Science benötigt.
Nachfrage akut: Headhunter suchen Digitalisierungsprofis sogar schon an UnisAngebot und Nachfrage nach IT-Profis fallen immer weiter auseinander. Die Folgen sind zum Teil kurios.
Falls Sie eine vertrauliche Nachricht, einen Aufreger oder einen Kommentar loswerden wollen, zögern Sie nicht! Schreiben Sie einfach an Florian Hamann. fhamann@efinancialcareers.com.