Stefanie Kern arbeitet im Bereich Data Science beim Internet-Unternehmen 1&1 Mail & Media am technologischen Puls der Zeit. Ihr Mathematikstudium sieht sie als gute Vorbereitung, in dem sich schnell entwickelnden Berufsfeld kontinuierlich weiterzulernen. Den Schritt in die Wirtschaft machte sie schon während des Studiums am KIT in Karlsruhe als Werkstudentin bei einem Start-up. Bei 1&1 arbeitete sie zunächst als Data Scientist und fachliche Führungskraft für die Marken WEB.DE und GMX, inzwischen hat sie als disziplinarische Führungskraft des Data-Science-Teams mehr mit Menschen als mit Zahlen zu tun.

Stefanie Kern. Foto: privat

Fast die Hälfte der Deutschen hat einen E-Mail-Account bei GMX oder WEB.DE, wohingegen man 1&1 eher als Internet- und Telefonanbieter kennt. Trotzdem gehören alle drei zusammen. Können Sie das genauer erklären?

Unsere gemeinsame Unternehmensgruppe United Internet besteht aus drei Säulen. Neben der Portalsparte mit den Marken WEB.DE und GMX, in der ich arbeite, gibt es den Access-Bereich, also Telefonie und Internetzugang, der hauptsächlich unter der Marke 1&1 agiert. Im Hosting-Bereich mit IONOS kann man sich eine Domain buchen oder eine Website erstellen. WEB.DE und GMX bieten vor allem E-Mail-Dienste und Cloudspeicher an, gehören aber auch zu den größten Nachrichtenseiten im deutschsprachigen Raum.

Sie sind momentan disziplinarische Führungskraft des Data Science Teams bei GMX und WEB.DE. Woran arbeitet Ihr Team gerade?

Wir sind so aufgestellt, dass es verschiedene interdisziplinäre Arbeitsgruppen gibt. Eine Arbeitsgruppe besteht beispielsweise aus Softwareentwicklern, Data Scientisten, Application Managern und Kollegen aus Qualitätssicherung und Business Engineering. Es braucht also viele verschiedene Disziplinen, um Projekte umzusetzen, und die Data-Science-Kollegen, die bei mir im Team sind, arbeiten jeweils mit anderen Disziplinen zusammen. Die Data Scientisten untereinander arbeiten also tatsächlich gar nicht so viel zusammen, sondern sind in verschiedenen Kontexten unterwegs. In einem unserer Projekte geht es beispielsweise darum, dass wir Zielgruppen von Nutzern erstellen. Durch ihr Surfverhalten auf unseren Portalen ist es möglich, dass wir bei den Nutzern Muster erkennen. Die User haben uns hierfür ihre Erlaubnis gegeben, dass wir Daten in die Analyse hineinnehmen dürfen. Manche Nutzer sind beispielsweise besonders bei den News unterwegs, andere Nutzer interessieren sich eher für die Reiseartikel. Von einigen Nutzern haben wir Informationen bekommen, dass sie tatsächlich reiseaffin sind. Die Daten dieser Gruppe, von der wir definitiv wissen, dass sie sich für Reisen interessieren, sind unsere Trainingsdaten. Von diesen aus können wir auf die Grundgesamtheit hochrechnen. Wir wollen dann Nutzer mit einem ähnlichen Surfverhalten finden, bei denen wir also sagen können, dass sie mit einer gewissen Wahrscheinlichkeit auch gerne reisen. Diese Affinität dient dazu, die vorgeschlagenen Inhalte für die Nutzer relevanter zu machen und den Werbungtreibenden, die Anzeigen auf den Portalen schalten wollen, solche Zielgruppen anbieten zu können. Zum Beispiel können wir dann einem Reiseanbieter anbieten, dass seine Werbung speziell den reiseaffinen Kunden angezeigt wird. Dieses Projekt ist aber nur eines von vielen.

Welche Daten werden dafür gesammelt?

Das sind Daten zum Surfverhalten auf den Portalen, also beispielsweise, auf welchen Themenrubriken der Kunde unterwegs ist und was die präferierten Tageszeiten sind.

Welche mathematischen Methoden Methoden wird hierbei gearbeitet?

Mit Hilfe der Daten, die wir durch das Surfverhalten gewonnen haben, bauen wir eine Featurematrix. Das ist letztendlich eine Matrix, mit der die Eigenschaften der Nutzer beschrieben werden. Es gibt einen Targetvektor, der zum Beispiel für jeden Nutzer sagt, ob er reiseaffin ist. Wir verwenden dann Verfahren aus dem maschinellen Lernen, das kann eine logistische Regression oder ein Entscheidungsbaum sein. Teilweise werden verschiedene Verfahren auch gegeneinander getestet, um zu sehen, welches Verfahren für eine bestimmte Zielgruppe das beste ist oder welche Parametrisierung von einem Modell am geeignetsten ist, um etwas vorhersagen zu können.

Was ist Ihre Rolle als disziplinarische Führungskraft?

Als disziplinarische Führungskraft bin ich nicht mehr so tief in die Projekte involviert wie früher, als ich selbst viele Jahre als Data Scientist bei WEB.DE und GMX gearbeitet habe. Jetzt bin ich für die Mitarbeiter da. Da geht es einmal darum, ein gutes Setup für jeden einzelnen zu schaffen wie etwa die Arbeitsplatzausstattung, aber auch darum, dass wir uns als Data Scientisten regelmäßig treffen. Wie schon gesagt, arbeiten die Data Scientisten in verschiedenen Teams, aber es ist auch wichtig, dass sie untereinander in Verbindung stehen. Deshalb setzen wir uns regelmäßig zusammen und tauschen uns aus, woran die Kollegen gerade arbeiten. Da geht es darum, welche Verfahren man angewendet und welche Daten man kennengelernt hat, was die Herausforderungen waren und wie man sie gelöst hat. Dann hat man mal gehört, was die Kollegen so machen und wenn man in eine ähnliche Situation kommt, dann weiß man, wen man ansprechen kann. Dass das Knowhow zwischen den Kollegen geteilt wird, ist ganz wichtig, weil sich innerhalb kurzer Zeit relativ viel ändern kann, etwa neue Verfahren auf einmal einsatzfähig sind, weil man beispielsweise mittlerweile die Rechenpower hat. Für eine Führungskraft kommt außerdem als Handlungsfeld dazu, dass man in Richtung Organisationsentwicklung mitdenkt. Wir sind, wie schon beschrieben, in Arbeitsgruppen organisiert, die Projekte selbstständig bearbeiten können. Das hat gewisse Vor- und Nachteile, und für bestimmte Machine-Learning- oder Data-Science-Fragestellungen braucht man vielleicht auch eine andere organisatorische Aufstellung. In solche Diskussionen mit den anderen Führungskräften bin ich jetzt viel involviert und habe mit meinem Data-Science-Hintergrund auch nochmal einen anderen Blick darauf, was für unsere Disziplin gut ist.

Vorher waren Sie fachliche Führungskraft. Inwiefern unterscheiden sich diese beiden Führungsfunktionen?

Als fachliche Führungskraft war ich mittendrin im operativen Projektgeschäft. Ich habe Projekte mit Data-Science-Kollegen zusammen bearbeitet und war über die Jahre in vielen Projekten der Lead Data Scientist, also der Hauptansprechpartner in Bezug auf die Data-Science-Fragestellungen. Wenn man im Team arbeitet, ist zum Beispiel Pair Programming ein wichtiges Thema. Das bedeutet, dass eine Person implementiert und die andere Person sich das ansieht und man über den Code diskutiert. Oder man teilt sich die Aufgaben auf. Bei Kollegen, die schon lange dabei sind, habe ich eher beraten und begleitet, war also Sparringspartner. Natürlich entwickelt sich jeder Mitarbeitende weiter. Dabei das richtige Maß der Unterstützung zu finden, war auch als fachliche Führungskraft schon ein Thema. Jetzt als disziplinarische Führungskraft bin ich bei der Umsetzung von Projekten nicht mehr unmittelbar involviert, sondern begleite eher von außen.

Wie viele Personen arbeiten in Ihrem Team?

In meinem Team sind fünf Data Scientisten. Hier im Bereich haben wir insgesamt neun Data Scientisten und eine Kollegin im Gebiet Machine Learning Engineering. Es gibt zwei disziplinarische Teams, fünf von den zehn Mitarbeitern werden also von einem Kollegen betreut.

Welche fachlichen Hintergründe haben Ihre Mitarbeitenden und Kollegen? Gibt es viele Mathematiker?

Ja, wir haben einige Mathematiker bei uns, aber insgesamt viele unterschiedliche Fachrichtungen. Der Experte für Artificial Intelligence in unserem Bereich ist zum Beispiel Diplom-Mathematiker. Zudem gibt es auch Data-Science-Kollegen aus den Fachrichtungen Chemie, Physik, Wirtschaftsingenieurwesen oder Geographie. Einige Kollegen haben auch promoviert. Ein gutes mathematisches Verständnis ist für uns essenziell, denn es geht hier viel um Algorithmen und Machine Learning, aber auch Programmierkenntnisse sind wichtig. Mittlerweile arbeiten wir mit Python.

Gehen wir ein paar Jahre in der Zeit zurück. Wie verlief bei Ihnen der Übergang vom Studium in den Beruf?

Ich habe in Karlsruhe am KIT Wirtschaftsmathematik auf Diplom studiert und mir während des Vordiploms schon eine Stelle in einem Unternehmen gesucht. Das Vordiplom war damals die Voraussetzung für so eine Stelle. Ein Freund hatte mir damals gesagt: „Steffi, Studium ist gut, aber Praxiserfahrung ist auch wichtig“. Daraufhin bin ich losgegangen und habe mir etwas gesucht. Am KIT hätte man tatsächlich sein Diplom machen können, ohne je etwas von der Praxis gesehen zu haben. Deshalb war der Tipp damals sehr wertvoll. Ich habe dann für ein halbes Jahr ein Praktikum in Vollzeit gemacht und bei dem Unternehmen anschließend weiter als Werkstudentin gearbeitet. Schließlich habe ich dort auch meine Diplomarbeit geschrieben, weil ich gemerkt habe, dass es mir wichtig ist, sowohl die Theorie an der Uni zu lernen als auch gleich den Praxisbezug und den Anwendungsfall im Unternehmen kennenzulernen.

Was war das für ein Unternehmen?

Das war ein kleines Startup, die epoq GmbH. Dort wurde Software-as-a-Service für Onlineshops entwickelt, also Software, die Onlineshops on demand als Abo buchen können. Genauer ging es um Dienstleistungen, die es Kunden eines Onlineshops ermöglichen, komfortabel im Shop zu navigieren. Die intelligente Suche beispielsweise ermöglicht es Kunden, relevante Artikel schnell zu finden. Die Recommendation Engine zeigt dem Kunden weitere interessante Artikel in Bezug auf den gerade betrachteten Artikel an.

Was war das Thema Ihrer Diplomarbeit bei der epoq GmbH?

Darin ging es um die Optimierung von Empfehlungen für Kunden im Onlineshop mit Hilfe von Clusterverfahren. Man kann Kunden auf Grund ihres Verhaltens im Shop beschreiben und dann Ähnlichkeiten erkennen. Dafür erstellt man eine Produktmatrix, die die verschiedenen Produkte im Onlineshop beschreibt. Zwischen den Produkten gibt es Beziehungen, beispielsweise wird das eine Produkt häufig angeklickt, wenn das andere Produkt in der gleichen Session auch angeklickt wurde. So konnte man Ähnlichkeiten zwischen Produkten erkennen und diese dann clustern. Das war der Hintergrund der Arbeit, es ging also schon in eine ähnliche Richtung wie meine Arbeit bei WEB.DE und GMX. Bei epoq habe ich dann auch meine erste Arbeitsstelle gehabt und nach meinem Diplom vier Jahre gearbeitet.

Wie kam es dann zur Entscheidung, die Stelle zu wechseln?

Bei epoq habe ich meine ersten Erfahrungen gesammelt und irgendwann kam einfach der Punkt, dass ich auch mal ein anderes Unternehmen sehen und mich weiterentwickeln wollte. Ich habe dann einen kurzen Ausflug zu SEW Eurodrive gemacht, einem Hersteller von Antriebstechnik, und habe dort als Softwareentwicklerin gearbeitet. Ich hatte auch bei epoq schon in Java entwickelt und das dann bei SEW fortgeführt. Ich habe aber relativ schnell gemerkt, dass reine Java-Entwicklung nicht meine Welt ist und dass ich damit nicht langfristig glücklich werden würde. Deswegen habe ich mir dann wieder einen Job im Data-Science-Umfeld gesucht und bin nun seit 2014 bei WEB.DE und GMX.

Sie haben sowohl in einem Start-up als auch in einem großen Unternehmen gearbeitet. Welche Unterschiede haben Sie festgestellt?

Bei epoq waren die Hierarchien flach, man hat Ideen schnell umgesetzt und war sozusagen sehr wendig und agil. Das habe ich sehr genossen. In einem großen Unternehmen spielen Planungsprozesse eine größere Rolle. Wir benutzen bei WEB.DE und GMX beispielsweise einen sogenannten Objective-Key-Results-Prozess, kurz OKR-Prozess. Das ist ein Tool, mit dem die Arbeit mit vielen eigenständigen Teams organisiert werden kann. Man plant immer auf drei Monate und setzt sich ein bestimmtes Ziel. Dann kann jedes Team für sich planen, was in seinem Handlungsfeld liegt, um Dinge voranzutreiben, die diesem Ziel dienen. Manche Teams liefern anderen Teams zu, und das erfordert, sich abzusprechen, bis wann eine gewisse Lieferleistung erbracht werden kann. Man braucht eine Priorisierung, denn es laufen viele Themen parallel. In einem kleinen Start-up würde niemand auf die Idee kommen, einen OKR-Prozess einzuführen, weil er natürlich Aufwand bedeutet, ohne dass man schon konkret am Projekt gearbeitet hat. Man arbeitet vielleicht an drei großen Themen, und da ist klar, die muss man gemeinsam hinkriegen. Dadurch dass es so wenige Kollegen sind, arbeitet man eher auf Zuruf. Ich sehe es für meine berufliche Laufbahn als Riesenvorteil, in einem Start-up angefangen zu haben, weil ich dort sehr viel und sehr schnell gelernt habe. Auch unternehmerisches Denken lernt man in einem kleinen Unternehmen sehr gut im Alltag, weil ganz klar ist, dass jeder seinen Beitrag dazu leistet, dass das Unternehmen Erfolg hat. Diesen unternehmerischen Gedanken verfolgen wir auch bei WEB.DE und GMX, obwohl man es wegen der Größe natürlich nicht immer direkt fühlt, dass jeder zu dem unternehmerischen Ziel auch etwas beitragen muss, damit es funktioniert.

Was sind bei Ihrer aktuellen Arbeit Höhepunkte undwas sind Herausforderungen?

Höhepunkte sind für mich die Begleitung und die Förderung meiner Mitarbeitenden, sie auf ihrem Weg zu ihren Zielen und zu erfolgreichen Projekten zu begleiten, auch fachlich. Als Mitarbeitende fand ich es selbst sehr wertvoll, dass ich eine Führungskraft hatte, mit der ich fachlich diskutieren konnte. Daher glaube ich, dass das sehr wichtig ist, und das schätze ich sehr an meinem aktuellen Job. Disziplinarische Führungskraft bin ich selbst erst seit einem Dreivierteljahr, also noch relativ frisch, aber ein Spannungsfeld ist aus meiner Sicht, dass es mehrere Stellen um mich als Führungskraft herum gibt. Einmal gibt es meine Mitarbeitenden, die eine gewisse Erwartung an mich haben, aber auch meine Führungskraft und ein Upper Management, also Vorstände, haben eine Erwartung. Diese Welten zusammenzubringen und dieses Spannungsfeld auszuhalten, dass vielleicht die eine Seite etwas ganz anderes möchte als die andere und man eine Lösung finden muss, wie man allen gerecht wird, das ist eine Herausforderung. Oder auch, wenn man eine Erwartung vielleicht nicht erfüllen kann.

Was Sie jetzt beschreiben, klingt relativ psychologisch. Sie sind ja Mathematikerin, inwiefern würden Sie sagen, hat Sie das Mathestudium auf das Berufsleben vorbereitet und inwiefern vielleicht auch nicht, was mussten Sie dazulernen?

Das Mathematikstudium hat mich zu einem gewissen Punkt fachlich ausgerüstet, meine Lernbereitschaft gefördert und mich darauf vorbereitet, mir Wissen eigenständig anzueignen. Aber nach dem Studium habe ich kontinuierlich weiter gelernt. Das finde ich einen sehr spannenden Punkt an diesem Berufsfeld, dass man eben nicht einmal etwas gelernt hat, und dann muss man nie wieder etwas lernen. Jetzt in der Rolle als disziplinarische Führungskraft geht es viel um Menschen und Psychologie.
Das waren Themen, die ich in meinen ersten Berufsjahren noch gar nicht in meinem Fokus hatte. Das kam mit der Zeit, ist aber nochmal ein ganz anderer Aspekt, und auf diesen hat mich das Mathematikstudium überhaupt nicht vorbereitet. In meinem Bewerbungsgespräch bei GMX und WEB.DE wurde mir die Frage gestellt, ob ich denn Zahlen oder Menschen lieber mag, wenn ich mich entscheiden müsste.

Das klingt gar nicht so einfach!

Ja, mit der Frage hatte ich überhaupt nicht gerechnet und habe ehrlich geantwortet, dass ich Menschen schon sehr mag, aber Zahlen noch lieber. Das war der Stand, den ich damals für mich hatte. Es ist dann auch alles gut gelaufen und ich habe den fachlichen Data-Science-Job bekommen, den ich wollte. Im Laufe der Jahre hat sich das verändert. Also ich mag Zahlen immer noch, ich mag Menschen aber auch und habe meinen Fokus verändert. Als Vorbereitung auf die disziplinarische Führung gibt es bei GMX und WEB.DE eine Trainingsreihe, die genau auf solche Aspekte eingeht. Viele der Modelle, die ich da kennengelernt habe, kannte ich vorher nicht. Das ist nochmal eine ganz eigene Fachlichkeit, die ich sehr spannend finde und von der ich während meines Mathematikstudiums gar nichts wusste.

Sie haben sich sogar im Rahmen eines berufsbegleitenden Studiums noch weitergebildet. Wie kam es dazu und was sind hier Ihre Erfahrungen?

Für mich war das ganz spannend, weil ich Data Science ja im Berufsalltag kennengelernt hatte. Nachdem ich fast zehn Jahre in diesem Bereich gearbeitet hatte, wurde Data Science schließlich als eigener Studiengang angeboten. Ich habe mir dann gedacht, wenn es das jetzt als Studium gibt, will ich das auch nochmal in der Theorie hören, möchte Vorlesungen besuchen und selbst erfahren, was ausgebildete Data Scientisten an der Hochschule lernen. Dazu habe ich dann berufsbegleitend verschiedene Module an der Hochschule Albstadt-Sigmaringen belegt. Dort kann man berufsbegleitend ein Masterstudium Data Science machen. Das habe ich aber nicht gemacht, sondern einzelne Vorlesungen in den Abendstunden belegt, die man entweder vor Ort oder in der Videokonferenz besuchen oder sich die aufgenommene Vorlesung im Nachgang ansehen konnte. Es gab ein Präsenzwochenende, wo nochmal der Stoff wiederholt wurde, und eine Klausur am Ende. Das war für mich eine tolle Möglichkeit, mich auf akademischem Niveau weiterzubilden und manche Dinge, die ich im Projektgeschäft schon angewendet hatte, in der Theorie zu hören. Ein Punkt ist auch, dass man die Entwicklung der Dinge im Blick behalten muss. Wir als Unternehmen beobachten den Markt und was sich verändert, und speziell als Führungskraft zu wissen, was es Neues gibt, ist aus meiner Sicht ganz wesentlich. Vielleicht ist es auch so, dass manche, die früher Mathe studiert hätten, jetzt Data Science studieren. Von daher finde ich es sehr wichtig, sich über Veränderungen auch im Angebot von Studiengängen auf dem Laufenden zu halten.

Data Science hat sich in den letzten Jahren ja stark weiterentwickelt.

Ja, und deswegen finde ich es auch wirklich ein spannendes Umfeld, um dort zu arbeiten. Ich kann aus meiner Erfahrung nur sagen, es ist wirklich ein sehr interessanter Bereich, der sich schnell entwickelt, es ist viel Algorithmik, viel mathematisches und statistisches Verständnis dabei. Ein wesentlicher Punkt aus meiner Sicht ist auch, dass man datengetrieben gute Entscheidungen treffen kann.

Haben Sie Empfehlungen für jemanden, der Mathe studiert und sich für den Bereich Data Science als berufliche Perspektive interessiert? Wie kann man sich darauf vielleicht schon während des Studiums vorbereiten?

Ein gutes Vorgehen aus meiner Erfahrung ist es, schon während des Studiums Erfahrungen in einem Unternehmen zu sammeln und theoretische Kenntnisse, die man an der Hochschule erwirbt, beispielsweise Python- oder Java-Programmierung, in einem Unternehmen an konkreten Anwendungsbeispielen zu üben und kennenzulernen. Für uns als Unternehmen ist es natürlich auch toll, wenn sich Studenten für uns interessieren und sich hier schon während ihres Studiums einbringen. Das ist ein guter Weg, um sich gegenseitig kennenzulernen und dann möglicherweise, wenn es für alle Seiten passt, gut ins Berufsleben zu starten.

Vielen Dank für das Gespräch!

Das Gespräch führte Kari Küster.
Diese E-Mail-Adresse ist vor Spambots geschützt! Zur Anzeige muss JavaScript eingeschaltet sein!