Vom Fotodashboard zum Gesundheitsdaten-Projekt: Die Laufbahn von Theo Crazzolara, Data Engineer bei solvistas GmbH

Worum es in dieser Session geht

In „Theo Crazzolara, Data Engineer bei solvistas“ gibt uns Speaker Theo Crazzolara (solvistas GmbH) einen geradlinigen, nahbaren Einblick in seinen Weg in die Datenwelt – vom ersten selbstgeschriebenen Python-Skript in der Schulzeit bis zur heutigen Arbeit an mehreren Kundenprojekten im Gesundheitsbereich. Wir bei DevJobs.at haben zugehört, wie aus persönlicher Neugier (Fotos, Sport, kleine Vorhersagen) durch Studium, Praktika und Teilzeitjobs ein Beruf mit klaren Rollen – Data Engineering, Data Science und Business Analyse – geworden ist. Die große Stärke dieser Session: keine Hochglanz-Mythen, sondern konkrete Schritte, kluge Erwartungen und handfeste Ratschläge für Einsteigerinnen und Einsteiger.

Erste Berührung mit Daten: Fotos, Likes, Laufkilometer

Theos Geschichte beginnt in der Schulzeit. Er fotografiert gern – zunächst Landschaften – und lädt die Bilder hoch. Daraus entsteht sein erstes kleines Datenprojekt: ein Python-Skript, das Abrufe und Likes herunterlädt und in einem Mini-Report bzw. Mini-Dashboard aufbereitet. Dieser Moment ist mehr als eine Spielerei; es ist ein Muster, das sich später wiederholt: Daten sammeln, strukturieren, sichtbar machen.

• Startpunkt: eigene Motivation (Fotografie) und öffentlich verfügbare Metriken (Aufrufe, Likes)
• Umsetzung: kleines Skript, das Daten lädt, weiterverarbeitet und als Mini-Dashboard zeigt
• Ergebnis: eine erste, selbstgebaute Brücke von Rohdaten zur Erkenntnis

Anschließend erweitert er das Prinzip auf seine Sportaktivitäten. Wieder werden Daten gesammelt, visualisiert und diesmal sogar für eine Vorhersage genutzt: Wie viele Kilometer werde ich heuer voraussichtlich laufen? Für uns ist das der wichtigste Lernmoment aus dieser frühen Phase: Der Weg ins Datenfeld entsteht oft durch persönliche Data Stories. Kleine, selbstrelevante Fragen schaffen genug Motivation, die nötige Beharrlichkeit und – ganz nebenbei – die Grundlage für solide Skills.

Studienwahl mit Datenfokus: Technische/Industriemathematik

Mit dem Wunsch, „irgendwas mit Daten“ zu machen, entscheidet sich Theo für Technische bzw. Industriemathematik – mit Schwerpunkt auf Finanz und Stochastik. Der rote Faden bleibt: Daten, Wahrscheinlichkeiten, Modelle. Während viele Karrierewege erst später Richtung Daten einschwenken, legt Theos Studienwahl früh den Fokus auf quantifizierbare, datengetriebene Problemstellungen. Dass Stochastik und Finanzmathematik eine solide Grundlage für datenbasierte Entscheidungen bilden, spiegelt sich später in seiner Projektarbeit wider – zunächst in einem Gesundheitsprojekt, dann in einem Finanzprojekt und danach wieder im Gesundheitsbereich.

Frühe Praxiserfahrung: Vom Volontariat zur Teilzeit

Bereits im zweiten Semester knüpft Theo den Kontakt zur solvistas GmbH. Es beginnt mit einem Volontariat, um „einmal zu schauen, wie es in der Branche aussieht“ und „wie man überhaupt mit Daten arbeitet“. Danach folgt ein Praktikum, dann eine Teilzeitstelle. Über das gesamte Studium hinweg arbeitet Theo bei solvistas – zunächst 10 Stunden pro Woche, später 20 Stunden. Nach dem Abschluss steigt er in eine Vollzeitstelle mit 38,5 Stunden ein.

Dieser Werdegang zeigt exemplarisch, wie klug es ist, Praxis frühzeitig zu integrieren:

• Ein früher Blick in reale Datenprozesse (Volontariat)
• Erprobung in einem ersten, betreuten Rahmen (Praktikum)
• Verantwortungsaufbau während des Studiums (Teilzeit)
• Nahtloser Übergang in Vollzeit

Aus unserer Sicht schafft diese Abfolge zwei Vorteile: Erstens lernt man die echten Zwänge und Rhythmen von Kundenprojekten kennen. Zweitens entwickelt man über Jahre eine fachliche Tiefe in bestimmten Domänen – in Theos Fall vor allem im Gesundheitsbereich.

Drei Rollen im Datenalltag: Engineering, Science, Business Analyse

Die Session zeichnet ein klares Bild davon, wie Theo seine Arbeit versteht. Er unterscheidet drei Ebenen – Data Engineering, Data Science und Business Analyse – die sich gegenseitig ergänzen und in Projekten oft ineinandergreifen.

Data Engineering: Daten bewegen, prüfen, bereitstellen

Theo beschreibt Data Engineering als das Aufnehmen von Daten und das „woanders Hin-Schieben“. Dazu gehört das Aufbauen einer Datenbank, in der die Daten verarbeitet werden, sowie das Prüfen, ob die Daten „okay“ sind. Das ist das Rückgrat der Datenarbeit: ohne zuverlässige Datenwege, robuste Speicher und saubere Eingangsqualität gibt es kein verlässliches Reporting und keine solide Analyse.

Wichtige Punkte aus Theos Beschreibung:

• Daten sinnvoll aufnehmen und weiterleiten
• Verarbeitungspfade und Zielsysteme aufbauen (z. B. in einer Datenbank)
• Datenqualität prüfen und sicherstellen

Data Science: Erkenntnisse berechnen, visualisieren, Entwicklungen aufzeigen

Data Science ist für Theo das Arbeiten mit den Daten, um Kennzahlen zu berechnen, Grafiken zu erstellen und „rücksprachig“ mit dem Kunden zu zeigen, wohin sich die Daten entwickeln. Das heißt: Hypothesen in Kennzahlen übersetzen, Entwicklungen sichtbar machen und Ergebnisse so kommunizieren, dass sie anschlussfähig sind – fachlich und organisatorisch.

Kernaspekte:

• Messgrößen definieren und berechnen
• Visualisierungen erstellen
• Entwicklungen transparent machen und besprechbar halten

Business Analyse: Daten fachlich deuten, nächste Schritte empfehlen

Weil man viel mit den Daten arbeitet, wird man mit der Zeit „auch fachlich gut“ in dem jeweiligen Bereich, so Theo. Das führt zur Rolle als Business Analyst: Daten interpretieren, Zusammenhänge erklären, Empfehlungen aussprechen. Der Wert, den Daten schaffen, wird erst auf dieser Ebene voll nutzbar – wenn fachliche Einsichten in konkrete „nächste Schritte“ übersetzt werden.

Wesentliche Aufgaben:

• Fachliche Bedeutung von Befunden erklären
• Zusammenhänge aus Daten herleiten
• Handlungsempfehlungen an Kunden geben

Domänenreise: Gesundheitsbereich, Finanzprojekt, zurück zur Gesundheit

Als Theo Teilzeit startet, „rutscht man halt einfach in irgendein Projekt rein“. Bei ihm ist es ein Gesundheitsthema. Dort baut er Wissen auf – und Wissen bindet. Nach dem Studium folgt ein Ausflug in ein Finanzprojekt, passend zu seinem Studienschwerpunkt in Finanz und Stochastik, „gut ein halbes Jahr“. Schließlich kehrt er in den Gesundheitsbereich zurück und betreut nun mehrere Kunden in diesem Feld.

Für uns ist dieser Verlauf typisch und lehrreich zugleich:

• Viele Data-Karrieren starten opportunistisch – das Projekt, das gerade da ist
• Tiefe entsteht durch Dauer, nicht durch Theorie allein
• Wechsel zwischen Domänen schärft das Profil – und zeigt, welche Fokusse am besten passen

Wachsende Verantwortung: Projektmanagement aus der Praxis heraus

Mit steigender Erfahrung verschieben sich die Schwerpunkte. Theo beschreibt, dass „immer mehr Richtung Projektmanagement“ dazukommt. Gemeint ist die Koordination über mehrere Kunden hinweg, die Abstimmung fachlicher Aufgaben und die Zuweisung an die Personen, „für wen es gut passt“. Diese Verschiebung ist eine natürliche Konsequenz aus:

• gewachsener fachlicher Breite (mehrere Projekte, verschiedene Rollen)
• tiefem Domänenwissen (insbesondere Gesundheit)
• Vertrauen der Kunden (Rücksprachen, nächste Schritte)

Projektmanagement ist hier nicht losgelöst von Technik. Es entsteht aus technischer Nähe zu den Daten – aus dem Wissen, welche Schritte wann sinnvoll sind – und der Fähigkeit, daraus verlässliche Pläne zu machen.

Warum die Mischung aus Projekten und Rollen motiviert

Ein wiederkehrendes Motiv in Theos Schilderung ist die Abwechslung. Mehrere Projekte, Rollenwechsel zwischen Data Engineering, Data Science und Business Analyse – all das hält die Arbeit „immer irgendwie spannend“. Je nach Kunde nimmt man „ein bisschen eine andere Rolle“ ein. Der persönliche Effekt: „Es wird einem einfach nicht langweilig.“

Für viele Entwicklerinnen und Entwickler ist genau diese Mischung entscheidend: genug Kontinuität, um Wirkung zu entfalten, und genug Vielfalt, um neugierig zu bleiben. Theos Weg zeigt, dass Karriereentwicklung nicht nur über Titel passiert, sondern vor allem über die Zahl der Perspektiven, die man kompetent einnehmen kann.

Learning für Einsteiger: Anspruch klein halten, Tempo langsam steigern

Der klarste Rat von Theo richtet sich an alle, die anfangen zu programmieren. „Man sollte sich keine zu hohen Ansprüche setzen, wenn man selber Sachen ausprobiert.“ Der Hintergrund ist vertraut: Wenn die Ziele am Anfang zu hochgesteckt sind, „wird man sehr schnell deprimiert“. Die Alternative: bewusst klein starten.

Konkrete Startpunkte, die Theo nennt:

• „Hello World“ – der klassische, minimale Einstieg
• einfache Grafiken, die automatisiert laufen
• etwas automatisiert downloaden – zu diesen Themen „gibt es schon ganz viel im Internet“

Wichtig ist laut Theo, zunächst den vorhandenen Code zu verstehen. Erst wenn das sitzt, kann man die eigenen Ansprüche „ein bisschen höher schrauben“ und sich an etwas wagen, „was es gibt“ – nur eben selbst gebaut, mit eigenem Verständnis.

Aus redaktioneller Sicht sind das drei starke Prinzipien:

1. Reduziere Komplexität am Anfang radikal
2. Lerne an funktionierenden Mustern, nicht im luftleeren Raum
3. Steigere den Anspruch, sobald Verstehen zur Routine geworden ist

Schritt-für-Schritt in die Datenpraxis: Ein möglicher Fahrplan

Auf Basis von Theos Weg lässt sich ein pragmatischer Fahrplan für den Einstieg skizzieren – ohne zusätzliche Annahmen, schlicht entlang seiner Erfahrungen:

1. Eigenes Interesse finden: Wähle ein Thema, das dich wirklich betrifft (Fotos, Sport, ein Hobby mit Messwerten). Die Motivation ist der Turbo für Konsistenz.
2. Minimal beginnen: Schreibe ein kleines Skript, das etwas Sichtbares tut (z. B. etwas herunterladen oder eine einfache Grafik erzeugen).
3. Ergebnisse sichtbar machen: Baue ein Mini-Dashboard oder einen Mini-Report. Sichtbarkeit fördert Feedback und Fortschritt.
4. Vorhersagen vorsichtig antesten: Probiere eine einfache Prognose, um eine Hypothese greifbar zu machen – so wie Theos Jahreskilometer beim Laufen.
5. Früh Praxis schnuppern: Nutze Chancen wie Volontariate oder Praktika, um reale Datenprozesse zu sehen.
6. Verantwortung nach und nach erhöhen: Teilzeit in einem Team, echte Kundenanforderungen, regelmäßige Übergaben – all das schult in Richtung Verlässlichkeit.
7. Rollenverständnis schärfen: Erkenne den Unterschied zwischen Daten bewegen, Erkenntnisse rechnen und fachlich deuten – und übe alle drei Perspektiven.
8. Domänenwissen aufbauen: Bleibe in einer Sache lange genug, um wirklich gut zu werden – und nimm bewusst Abzweigungen (wie Theos Finanzprojekt), um dein Profil zu schärfen.
9. Kommunikation pflegen: Rücksprache mit Kundinnen und Kunden gehört zur DNA von Data Science. Ergebnisse müssen besprechbar sein und zu nächsten Schritten führen.
10. Projektkoordination wachsen lassen: Mit Erfahrung kommt Verantwortung. Aufgaben verteilen, Stärken einsetzen, den Überblick halten – das ist die logische nächste Stufe.

Was diese Geschichte über Data-Karrieren lehrt

• Neugier plus kleine Projekte schlagen abstrakte Ambitionen. Theos Fotodashboard ist der Archetyp: greifbar, nützlich, motivierend.
• Studienwahl kann den Weg fokussieren, ersetzt aber nicht Praxis. Entscheidend ist die kontinuierliche Arbeit an echten Projekten.
• Rollenverständnis ist ein Wettbewerbsvorteil. Wer Data Engineering, Data Science und Business Analyse versteht, wird zum Brückenbauer zwischen Technik und Fachlichkeit.
• Domänenwissen bindet. Wer wie Theo im Gesundheitsbereich langfristig arbeitet, gewinnt Tiefe, Vertrauen und Gestaltungsspielraum.
• Verantwortung wächst organisch. Projektmanagement ist nicht nur ein Titel, sondern die Konsequenz aus gelebter, wiederholter Praxis.

Zitate und Kernaussagen, die hängen bleiben

Fazit: Ein Weg, der vielen offensteht – mit klugen Erwartungen und konsequenter Praxis

„Theo Crazzolara, Data Engineer bei solvistas“ ist eine Einladung, den eigenen Weg in Daten bewusst pragmatisch zu gestalten. Aus einem Hobby (Fotos) wird ein kleines Datenprojekt, aus einer Frage (Laufkilometer) eine Vorhersage, aus frühem Praxisbezug ein Job, der mehrere Rollen vereint. Entscheidend ist weniger die große Vision als die Summe kleiner, konsequenter Schritte – verstehen, sichtbar machen, besprechen, verbessern.

Wir nehmen aus dieser Session vor allem eines mit: Wer realistische Erwartungen hat, klein anfängt und dranbleibt, kann in kurzer Zeit viel Substanz aufbauen – technisch, fachlich und kommunikativ. Genau das verkörpert die Laufbahn von Theo Crazzolara bei der solvistas GmbH.

• 

  

  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
• 

  

  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
• 

  

  Michaela Raab, Data Scientist bei solvistas

  Michaela Raab von solvistas gibt im Interview Einblicke in ihren Background, sowie ihren aktuellen Job als Data Scientist und gibt Tipps für Neueinsteiger.

  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