Vom Statistikstudium zur End-to-End-Data-Science: Die Karriere von Michaela Raab bei solvistas

Einblick in eine Laufbahn, die Neugier und Praxis verbindet

In der Session „Michaela Raab, Data Scientist bei solvistas“ mit Speaker Michaela Raab (Company: solvistas GmbH) hörten wir eine konzentrierte, aber aufschlussreiche Geschichte darüber, wie man sich als Data Scientist in Richtung End-to-End-Verantwortung entwickelt. Aus einem Studium, das mit Statistik und Data Science startete, wurde ein Profil, das Statistik, wirtschaftliche Perspektive und Praxis vereint. Als Redaktion von DevJobs.at haben wir genau zugehört: Welche Stationen waren entscheidend? Was bedeutet „Verantwortung für den gesamten Prozess um die Daten herum“ in der Praxis? Und warum ist die innere Neugier auf Daten oft wichtiger als der exakte fachliche Background?

Michaela Raab skizzierte ihren Weg in klaren Schritten: Nach der Matura entschied sie sich für Statistik und Data Science, ergänzte später gezielt Wirtschaftsinformatik als Zweitstudium, schloss den Master in Statistik ab und vertiefte ihr Profil durch Praktika – darunter eines bei solvistas. Aus dem Praktikum wurde eine Anstellung: Sie blieb als Data Scientistin, baute die Praxis neben dem Studium aus und wechselte schließlich in eine Vollzeitrolle. Das klingt geradlinig – und doch zeigt sich in den Details, wie wichtig bewusste Weichenstellungen, Lernbereitschaft und ein End-to-End-Verständnis von Daten sind.

Studienwahl mit Wirkung: Statistik, Data Science und der wirtschaftliche Blick

Bereits die erste Entscheidung nach der Matura setzt einen roten Faden: Statistik und Data Science als wissenschaftliches Fundament. Raab machte früh deutlich, dass es ihr um ein tiefes Verständnis von Daten geht – von der Erhebung bis zur Auswertung. In ihren Worten schwingt mit, wie zukunftsweisend diese Kombination ist: Statistik liefert die methodische Basis, Data Science bringt die operative Anwendung, und beides zusammen passt zu realen Fragestellungen, die Daten in handfeste Entscheidungen übersetzen.

Bemerkenswert ist ihre zweite große Weiche: der Schritt in ein Zweitstudium Wirtschaftsinformatik. Nicht als Abkehr, sondern als Ergänzung. Sie formuliert sinngemäß: Sie wollte „einen wirtschaftlichen Background noch dazu haben“. Dieser Zusatz ist mehr als ein schmückendes Beiwerk. Er deutet auf eine Einsicht hin, die im Berufsalltag entscheidend ist: Daten entfalten ihren Wert erst im Kontext. Ob Kundendaten oder Prozessdaten – Data Science, die in Unternehmen etwas bewirkt, muss Business-Perspektive, Prozesse und Stakeholder verstehen. Wirtschaftsinformatik liefert genau dafür Vokabular, Methoden und Denkmodelle.

Diese Kombination – methodische Tiefe aus der Statistik, praktischer Data-Science-Ansatz und betriebswirtschaftlich geerdete Perspektive – prägt die Art, wie Raab später über ihre Arbeit spricht. Sie denkt nicht in isolierten Modellen, sondern in End-to-End-Prozessen, in denen Daten ihren Weg vom Rohmaterial zur Entscheidungsvorlage nehmen.

Praxis als Treiber: Von Praktika zur Vollzeitrolle

Neben dem Studium legte Raab konsequent den Praxisgrundstein. „Ich habe … immer wieder Praktika gemacht“, erzählt sie – und eines davon führte bereits zu solvistas. Dort blieb sie als Data Scientistin, zuerst neben dem Studium, schrittweise mit wachsendem Umfang, bis schließlich der vollständige Wechsel in die Vollzeittätigkeit anstand. Diese Entwicklung zeigt: Praxisnähe in Etappen lohnt sich. Statt einem sprunghaften Wechsel in die Arbeitswelt verlief der Übergang fließend, mit wachsender Verantwortung und stetigem Praxislernen.

Für uns ist das eine zentrale Lehre: Praktika sind nicht nur eine „Zwischenstation“, sondern ein Möglichkeitsraum. Sie erlauben, das zu vertiefen, was im Studium gelegt wurde – und sie transportieren reale Anforderungen zurück in die eigene Lernkurve. Wer – wie Raab – das Zusammenspiel aus Theorie und Praxis bewusst pflegt, baut sich ein belastbares Kompetenzprofil auf, das am Arbeitsmarkt sofort anknüpfungsfähig ist.

End-to-End denken: „für den gesamten Prozess um die Daten herum verantwortlich“

Wie beschreibt Raab die Rolle einer Data Scientistin bei solvistas? Prägnant und umfassend:

Diese Aussage entfaltet ihre Bedeutung, wenn man sie durch die Stationen des Datenlebenszyklus führt – genauso, wie Raab sie aufzählt:

• Beteiligung an der Datenerhebung
• Daten von Kundinnen und Kunden übernehmen
• Aufbereitung für eine gute Analysierbarkeit
• Begleitung in der Datenanalyse
• Visualisierung
• Prognosen und Vorhersagen

Es geht nicht um einen engen Funktionsausschnitt, sondern um das Ganze: von der Quelle zur Entscheidung. In ihren Worten schwingt die Verantwortung für Qualität, Kontext und Wirkung mit. Wer End-to-End arbeitet, muss fachlich breit und strukturiert denken – und zugleich den Fokus halten, wofür die Daten am Ende eingesetzt werden.

Was heißt „Beteiligung an der Datenerhebung“ in diesem Verständnis?

Raab deutet an: Die Rolle greift bereits, bevor die erste Zahl im Dataset landet. Das bedeutet, die Entstehung der Daten mitzudenken – welche Messpunkte, welche Definitionen, welche Protokolle? Wenn Data Scientists früh eingebunden sind, sparen sie später viel Korrekturarbeit, weil die Daten ab der Quelle konsistenter sind. Dieser Gedanke ist ein roter Faden in Raabs Aussagen: Qualität beginnt am Anfang.

Daten vom Kunden übernehmen – und nutzbar machen

„Wir holen … die Daten von den Kunden“, sagt Raab, und präzisiert damit die Realität vieler Data-Science-Projekte: Daten sind selten in perfekter Form vorhanden. Formatvielfalt, Uneinheitlichkeiten, Lücken, fachliche Sonderfälle – all das gehört zum Alltag. Der zentrale Schritt ist daher die Aufbereitung zur Analysierbarkeit. Das ist kein kosmetischer Akt, sondern die eigentliche Schlüsselfunktion: Aus Rohdaten eine belastbare Grundlage für Modelle und Visualisierungen schaffen.

Analyse begleiten – Entscheidungen vorbereiten

Raab betont „begleiten“. Damit beschreibt sie eine Arbeitsweise, die nicht im stillen Kämmerlein stattfindet, sondern in Interaktion mit Stakeholdern. Wer begleitet, übersetzt Zwischenerkenntnisse, macht Annahmen transparent, holt Feedback ein – und trifft Entscheidungen über Methoden und Visualisierungen im Dialog mit den Nutzerinnen und Nutzern.

Visualisierung und Vorhersage – zwei Seiten derselben Medaille

Am Ende des Prozesses stehen nicht nur Modelle, sondern auch Kommunikation. Raab nennt die Visualisierung explizit neben Prognosen und Vorhersagen. Beides zusammen zeigt: Ein gutes Modell allein reicht nicht. Einsichten müssen nachvollziehbar, zugänglich und handlungsleitend sein. Visualisierungen tragen diese Brücke in die Praxis – Vorhersagen liefern die Orientierung in die Zukunft. Beide sind integraler Bestandteil eines End-to-End-Verständnisses.

Kompetenz ist mehr als ein Label: Datenverständnis als Kern

Auf die Frage, was als Data Scientistin besonders wichtig ist, wird Raab deutlich: „Ein gewisses Verständnis für die Daten“ – und zwar unabhängig vom Weg dorthin. Sie macht klar, dass der Background vielfältig sein kann:

Diese Haltung ist bemerkenswert inklusiv – und zugleich anspruchsvoll. Denn sie legt die Messlatte auf Neugier, Verständnis, Verantwortungsgefühl. Wer Daten spannend findet, beschäftigt sich mit ihrer Herkunft, ihren Grenzen, der Bedeutung von Definitionen. Wer weiß, „was mit Daten alles gemacht werden kann“, blickt über das Toolset hinaus auf Wirkung: Welche Entscheidungen werden beeinflusst? Welche Risiken entstehen, wenn Daten falsch gelesen werden? Welche Transparenz braucht es? Raab richtet den Blick auf die Einstellung zur Arbeit – nicht nur auf die Liste an Zertifikaten.

Datenqualität: der unterschätzte Erfolgsfaktor

Besonders prägnant ist Raabs Hinweis auf Datenqualität. Sie formuliert es schlicht, aber klar:

In vielen Projekten entscheidet die Aufmerksamkeit für Qualität über Erfolg oder Scheitern. Datenqualität ist kein Compliance-Häkchen, sondern Voraussetzung für belastbare Analysen. Drei Gedanken, die sich aus Raabs Betonung ableiten:

• Qualität beginnt früh: Wer die Erhebung mitdenkt, verbessert Konsistenz und spart später Aufwände.
• Qualität ist Kontext: Eine Zahl ist nur so gut wie ihre Definition, ihr Messprozess und ihre fachliche Einordnung.
• Qualität ist Teamarbeit: Aufbereitung, Analyse und Visualisierung hängen gemeinsam von Verständlichkeit und Sorgfalt ab.

Wer Qualität „interessant“ findet, merkt Probleme nicht nur, wenn sie akut werden, sondern gestaltet aktiv gegen. Diese Haltung macht den Unterschied zwischen „Daten vorhanden“ und „Daten nutzbar“.

Statistik trifft Wirtschaftsinformatik: Brücken bauen zwischen Methode und Business

Raabs Laufbahn zeigt die Stärke einer kombinierten Kompetenz: Statistik als Fundament – Wirtschaftsinformatik als Brücke zum Geschäft. In Projekten, in denen Daten als Entscheidungsgrundlage dienen, hilft diese Doppelperspektive auf mehreren Ebenen:

• Methodenwahl: Wer die statistische Basis versteht, wählt Modelle bewusster und erklärt Annahmen klarer.
• Prozessbezug: Wirtschaftsinformatik vermittelt, wie Systeme, Prozesse und Nutzeranforderungen zusammenhängen – wichtig für Datenflüsse, Schnittstellen und Umsetzung.
• Kommunikation: Zwischen Fachbereichen, IT und Management braucht es Übersetzung. Ein kombinierter Hintergrund erleichtert, die „Sprache“ mehrerer Disziplinen zu sprechen.

Raabs Karriereweg lässt erkennen: Es geht nicht um eine „entweder-oder“-Entscheidung, sondern um das bewusste Zusammenführen von Perspektiven. In der Praxis, wie sie es beschreibt, ist Data Science ein Prozessgeschäft – und dafür braucht es sowohl Tiefgang als auch Anschlussfähigkeit.

Vom Nebenjob zur Vollzeit: Lernen in wachsenden Schleifen

Ein Satz fasst eine pragmatische Entwicklungsstrategie zusammen: „… und nehme im Studium immer mehr und mehr, bis man irgendwann einmal Vollzeit Data Scientistin ist.“ Darin steckt ein Plädoyer für Wachstumsphasen. Verantwortung steigt schrittweise. Was im Praktikum beginnt, wird über Projektbeteiligungen und -umfänge ausgebaut. Lernen, anwenden, reflektieren – und wieder von vorne, aber mit mehr Kontext.

Gerade in Data Science, wo Werkzeuge, Methoden und Datenlandschaften schnell wechseln, ist dieses Wachstum in Schleifen wirksam. Wer sich zu früh auf ein starres Rollenverständnis festlegt, verpasst Gelegenheiten, entlang des End-to-End-Prozesses mitzuwachsen. Raabs Weg zeigt: Flexibilität und Praxisnähe ermöglichen, schrittweise genau jene Verantwortung zu übernehmen, die man später als „End-to-End“ beschreibt.

Was wir als DevJobs.at aus der Session mitnehmen

Aus Raabs kompakten Schilderungen destillieren wir Lehren, die für angehende und erfahrene Data Scientists gleichermaßen relevant sind:

1. End-to-End-Denken ist ein Skill: Nicht nur Modellierung, sondern der gesamte Datenfluss gehört zur Verantwortung. Wer früh versteht, wie Erhebung, Aufbereitung, Analyse, Visualisierung und Prognose zusammenspielen, wird wirksam.
2. Praxis macht Profile: Praktika sind nicht bloß Einstiegshilfen. Sie sind Wachstumsräume, in denen man Theorie validiert und an echten Anforderungen schärft – idealerweise mit Aussicht auf fortgesetzte Zusammenarbeit.
3. Datenverständnis schlägt Label: Der exakte Background ist weniger entscheidend als Haltung, Neugier und Verantwortungsbewusstsein gegenüber Daten.
4. Datenqualität ist kein Randthema: Wer Qualität „mitdenkt“, gestaltet bessere Ergebnisse. Das beginnt an der Quelle und setzt sich bis in Visualisierungen fort.
5. Brückenkompetenz zählt: Statistik plus Wirtschaftsinformatik schafft Anschlussfähigkeit zwischen Methode und Business – ein Vorteil in Projekten mit vielen Stakeholdern.

Diese Punkte klingen selbstverständlich – und sind doch im Alltag anspruchsvoll. Raabs Geschichte zeigt, dass sie gelebt werden können, wenn man Lernkurven bewusst gestaltet und Verantwortung Stück für Stück übernimmt.

Praktische Implikationen für den Berufsalltag

Wie lassen sich die Einsichten aus Raabs Weg konkret nutzen? Einige Anregungen, die sich eng an ihre Aussagen anlehnen:

• Beteiligung früh suchen: Involviere dich, wann immer möglich, bereits bei der Datenerhebung. Frage nach Definitionen, Messpunkten und Verantwortlichkeiten. Frühzeitige Klarheit zahlt sich später aus.
• Aufbereitung als Kernkompetenz anerkennen: Behandle Datenaufbereitung nicht als „Vorlaufarbeit“, sondern als Schlüssel zur Qualität. Dokumentiere Transformationen, Annahmen und Filterkriterien.
• Begleitung statt Abgabe: Denke Analysen als Prozess mit Etappen und Feedbackschleifen. „Begleiten“ heißt, Stakeholder mitzunehmen – in Entscheidungen, in Unsicherheiten, in Learnings.
• Visualisierungen als Argumente: Nutze Visualisierungen nicht als Dekor, sondern als Werkzeuge der Argumentation. Frage dich: Was soll die Visualisierung erklären, was soll sie ermöglichen?
• Vorhersagen mit Demut: Prognosen sind Werkzeuge, keine Orakel. Mache Annahmen transparent und knüpfe Vorhersagen an Datenqualität und Kontext.
• Neugier kultivieren: Finde heraus, was dich an Daten fasziniert. Dieses Interesse trägt durch komplexe Phasen – und hilft, Dringliches von Wichtigem zu unterscheiden.

Zitate, die bleiben

Manchmal genügen wenige Sätze, um ein Berufsverständnis zu skizzieren. Aus dieser Session bleiben uns besonders diese Aussagen von Michaela Raab im Ohr:

Darin steckt ein berufliches Ethos: Verantwortung, Neugier, Qualitätsbewusstsein. Und es steckt eine Einladung an Talente, die den Weg in die Data Science suchen – unabhängig davon, ob sie über Schule, private Projekte oder Studiengänge kommen.

Ein Profil, das wirkt: Was Michaela Raabs Weg auszeichnet

Was fasziniert uns an dieser Laufbahn? Es ist die Konsequenz in kleinen Schritten. Kein lautes Schlagwort, sondern die Summe an bewussten Entscheidungen: Erst das Fundament legen, dann Brücken zum Business bauen, Praxis von Anfang an integrieren, End-to-End-Verantwortung übernehmen. In Zeiten, in denen Tech-Karrieren oft über Tool-Stacks definiert werden, erinnert Raab daran, worauf es langfristig ankommt: Verständnis für Daten, Sorgfalt in der Umsetzung, und die Fähigkeit, Menschen mit Erkenntnissen mitzunehmen.

Ihr Weg bei solvistas verdeutlicht außerdem, wie Organisationen Data Science wirksam verankern: indem sie Rollen nicht auf einen Schritt im Prozess verengen, sondern Verantwortung für das Ganze fördern – von der Quelle bis zur Visualisierung und Vorhersage. Dort entsteht der Mehrwert, den Unternehmen spüren: Entscheidungen werden fundierter, Zusammenhänge sichtbarer, Zukunftsbilder klarer.

Ausblick: Die nächste Lernschleife beginnt immer jetzt

Auch wenn die Session kompakt war, zeichnet sie ein klares Bild: Karrieren in Data Science entstehen nicht im Sprint, sondern in Etappen. Wer – wie Michaela Raab – Studieninhalte mit Praxis verknüpft, zusätzlich eine Business-Perspektive aufbaut und sich für Datenqualität interessiert, sammelt Erfahrungen, die über Tools hinweg tragfähig sind. Die Einladung an die Community ist klar: End-to-End denken, den Weg zur Quelle mitgehen, Neugier und Qualitätsbewusstsein kultivieren.

In diesem Sinne bleibt uns vor allem eines: Die nächste Lernschleife beginnt immer jetzt – beim nächsten Datensatz, der nächsten Annahme, der nächsten Visualisierung. Und genau dort, zwischen Sorgfalt und Neugier, entsteht die professionelle Haltung, die Data Science zu mehr macht als nur Modelle: zu Wirkung.

• 

  

  Jochen Falkner, Senior Data Scientist bei solvistas

  Jochen Falkner von solvistas erzählt im Interview von seinem Weg in die IT, den Aufgaben als Senior Data Scientist und welche Ratschläge er Neueinsteigern mitgeben würde.

  Jetzt ansehen
• 

  

  Theo Crazzolara, Data Engineer bei solvistas

  Theo Crazzolara von solvistas gibt im Interview Einblicke in seine Anfänge mit dem Programmieren, was er täglich im Data Engineering zu tun hat und was seiner Meinung wichtig für Beginner ist.

  Jetzt ansehen
• 

  

  Markus Hiesmair, Software Engineer bei solvistas

  Markus Hiesmair von solvistas erzählt im Interview über seinen Werdegang als Software Engineer – angefangen von der Schulzeit bis hin zur aktuellen Arbeit – und gibt Tipps für Neueinsteiger.

  Jetzt ansehen
• 

  

  Fabian Weißenböck, Software Developer bei solvistas

  Fabian Weißenböck von solvistas redet in seinem Interview über seine Anfänge mit dem Programmieren, was er aktuell in seiner Arbeit macht und was seiner Meinung nach wichtig für Beginner ist.

  Jetzt ansehen
• 

  

  Mateo Adzaga, UX Designer bei solvistas

  Mateo Adzaga von solvistas redet im Interview über seine Tätigkeit als UX Designer, wie er damit begonnen hat und was er selbst gerne als Anfänger gewusst hätte.

  Jetzt ansehen
• 

  

  Sophie Brückl, Product Owner bei solvistas

  Sophie Brückl von solvistas teilt im Interview ihre Erfahrungen beim Wechsel vom Software Development hin zur aktuellen Arbeit als Product Owner und welche Tipps sie jenen gibt, die ähnliche Schritte planen.

  Jetzt ansehen