solvistas GmbH

Digitale Agentur

Alle Videos anzeigen

Daniela Böhm, Data Scientistin bei solvistas

Daniela Böhm von solvistas erzählt in ihrem Interview, wie sie über Umwege Data Science entdeckt hat, was ihr an der Arbeit im Unternehmen gefällt und gibt Tipps für Neueinsteiger.

Beim Videoaufruf stimmst Du der Datenübermittlung an YouTube und der Datenschutzerklärung zu.

Video Zusammenfassung

In „Daniela Böhm, Data Scientistin bei solvistas“ schildert Speaker Daniela Böhm ihren Weg von einer allgemeinen Oberstufe über Mathematik (Statistik und Wirtschaftsmathematik) zum Data‑Science‑Master und in ihre Rolle bei solvistas. Sie beschreibt End‑to‑End‑Arbeit mit Kundendaten – von Aufbereitung und Speicherung bis zu Analysen, Statistik, Machine Learning und KI – samt regelmäßigem Kundenkontakt, vielfältigen, projektabhängigen Aufgaben und Einsätzen nach persönlichen Interessen. Ihr Rat: offen und neugierig sein, Interesse an Daten und Computerarbeit mitbringen und konsequent Fragen stellen – das Team unterstützt und man lernt mit der Zeit.

Vom Mathe-Hörsaal zur vielseitigen Data Scientistin: Daniela Böhm (solvistas GmbH) über Neugier, Kundenkontakt und den gesamten Datenprozess

Ein DevJobs.at-Rückblick auf „Title: Daniela Böhm, Data Scientistin bei solvistas“

In der DevJobs.at-Reihe devstory haben wir mitgehört, wie Speaker: Daniela Böhm von der Company: solvistas GmbH ihren Karriereweg und ihren Arbeitsalltag als Data Scientistin beschreibt. Was uns sofort auffiel: Ihr Weg war nicht von Anfang an vorgezeichnet – und gerade das macht ihre Geschichte für viele Nachwuchstalente so zugänglich. Statt eines fixen Plans A stand am Anfang eine „normale IS‑Oberstufe“. Das technische Ziel kam später. Erst über ein Mathematikstudium in Wien – mit Schwerpunkt Statistik und Wirtschaftsmathematik – entdeckte sie, dass „Programmieren und eben Data Science cool ist“ und setzte im Master gezielt auf Data Science. Heute arbeitet sie bei solvistas und beschreibt ihren Job als den gesamten Prozess dessen, was man mit Daten machen kann – inklusive enger Zusammenarbeit mit Kundinnen und Kunden.

In dieser Zusammenfassung halten wir fest, was wir aus dieser kompakten, klaren Erzählung gelernt haben: wie ein Einstieg ohne vorgezeichneten Technikpfad gelingen kann, warum Offenheit und Neugier zentrale Voraussetzungen sind, weshalb Fragenstellen ein Karrierebooster ist – und was es bedeutet, End‑to‑End mit Daten zu arbeiten, von der Aufbereitung bis zu Analytik, Statistik, maschinellem Lernen und, wie Daniela sagt, heutzutage „immer“ auch KI.

Ein Weg ohne starres Drehbuch: von Statistik zu Data Science

Daniela zeichnet einen nüchternen, wohltuend unaufgeregten Karrierebogen:

keine frühe Festlegung auf Technik nach der Oberstufe,
Start in Mathematik (Statistik und Wirtschaftsmathematik) in Wien,
Entdeckung: Programmieren und Data Science machen Spaß,
Master in Data Science,
Bewerbung und Einstieg bei solvistas.

Was uns daran beeindruckt, ist weniger eine „spektakuläre“ Abkürzung als vielmehr die logische Entwicklung aus Interesse heraus. Ein Zitat bleibt hängen:

„Ich habe dann entdeckt, dass auch Programmieren und eben Data Science cool ist, habe dann wirklich Data Science im Master studiert.“

Diese Wendung – vom breiteren mathematischen Fundament in Richtung datengetriebener Anwendungen – wirkt konsequent und ermutigend. Für viele, die im Studium oder Quereinstieg noch zwischen Theorie und Anwendung schwanken, ist das eine wichtige Botschaft: Man muss nicht von Tag eins wissen, dass es Data Science wird. Es genügt, sich an die eigenen Interessen heranzutasten – und dranzubleiben, wenn das Interesse wächst.

Was Data Science bei solvistas bedeutet: der gesamte Datenprozess

Daniela beschreibt ihre Rolle als Data Scientistin mit einem entscheidenden Stichwort: „den ganzen Prozess, was man mit Daten machen kann“. Das umfasst laut ihrer Erzählung mehrere Etappen:

Daten vom Kunden erhalten.
Daten aufbereiten, abspeichern und „sortieren“.
Analysen und Statistiken erstellen.
Maschinelles Lernen einsetzen.
Mitdenken, wo „jetzt immer KI dabei“ ist.
Kundengespräche und kontinuierlicher Kontakt.

Das klingt simpel – ist aber in Summe ein anspruchsvoller End‑to‑End‑Ansatz. Wer „den ganzen Prozess“ begleitet, übernimmt Verantwortung an jeder Nahtstelle: von der Datenqualität über das Strukturieren und Persistieren bis hin zu Analysemodellen und deren sinnvolle Einordnung im Kundenkontext. Uns fiel auf, wie selbstverständlich Daniela die Kombination aus Technik und Kommunikation zusammenführt: Datenaufbereitung und Speichern klingen nach Back‑End‑lastiger Sisyphusarbeit; Analysen und maschinelles Lernen nach Methodenkompetenz; KI nach aktuellem Erwartungsmanagement. Kundengespräche sind dann die Brücke, die all das in reale Wirkung übersetzt.

„Weil wir eben mit Kunden zu tun haben, ist ein Teil meiner Arbeit auch immer Kundengespräche und mit denen dann auch Kontakt haben.“

Gerade in Data‑Rollen ist diese Doppelkompetenz – fachlich‑methodisch und zugleich kommunikativ – ein Schlüssel. Wer Annahmen sauber erklärt, Datenherkunft mit Kunden klärt und Interpretationen verständlich vermittelt, verhindert Missverständnisse schon früh.

Datenarbeit konkret: Von der Aufbereitung bis zur Interpretation

Danielas strukturierter Abriss lädt dazu ein, die einzelnen Teile des Prozesses greifbar zu machen – ohne Technikfetisch, sondern aus einer praxisorientierten Perspektive:

1) Daten erhalten: Erwartungen klären

„Wir haben immer Kunden, das heißt wir bekommen von denen Daten …“ – Dieser Satz steckt voller Realität. Eingehende Daten sind selten perfekt. Schon hier entscheidet sich, wie belastbar spätere Auswertungen sein können. Fragen, die sich aufdrängen:

Welche Quelle und welchem Zweck dienen die Daten?
Sind sie vollständig und konsistent genug, um valide Aussagen zu treffen?
Gibt es Lücken, die bereits im Kundengespräch adressiert werden sollten?

Danielas Betonung des Kundenkontakts zeigt: Gute Ergebnisse beginnen mit Verständigung – nicht erst am Ende eines Projekts.

2) Aufbereiten, abspeichern, sortieren: die Basis festigen

Datenaufbereitung wirkt oft unsichtbar, ist aber die Tragwerkstatik eines Data‑Projekts. „Aufbereiten und abspeichern und sortieren quasi“ – das ist die kondensierte Beschreibung eines kritischen Arbeitspakets. In der Praxis heißt das: Struktur schaffen, Formate vereinheitlichen, Ausreißer identifizieren, fehlende Werte behandeln, persistenten Zugriff sicherstellen. Wer diesen Schritt ernst nimmt, spart später Zeit und vermeidet Fehlinterpretationen.

3) Analysen und Statistiken: Muster sichtbar machen

„Wenn man das dann hat, dann kann man damit Analysen machen, Statistiken machen …“ – die klassische Stärke des statistischen Blicks. Was wir aus Danielas Werdegang mitnehmen: Ein mathematisches Fundament zahlt sich aus, sobald Hypothesen sauber formuliert, Variablen verstanden und Ergebnisse eingeordnet werden wollen. Statistik ist hier nicht „alten Wein in neuen Schläuchen“, sondern die Grundlage, auf der moderne Auswertungen ruhen.

4) Maschinelles Lernen und KI: heute quasi immer Teil des Bildes

„Maschinenlernen. Jetzt ist immer KI dabei, das ist ein guter Punkt.“ – Danielas Bemerkung verweist auf eine Erwartungshaltung, der Data‑Teams inzwischen regelmäßig begegnen. Ob Klassifikation, Prognose oder Clustering: ML‑ und KI‑Fragen stehen schnell im Raum. Wichtig bleibt, das passende Verfahren zum Datenproblem zu finden – und die Grenzen genauso offen zu benennen wie die Möglichkeiten.

5) Kundengespräche: Übersetzen, Erwartungsmanagement, Feedbackschleifen

Kundengespräche verorten die technische Arbeit im realen Bedarf. Daniela beschreibt sie als fixen Bestandteil ihrer Tätigkeit. Für uns ist das ein Signal: End‑to‑End heißt nicht nur „vom Rohdatenimport zum Modell“, sondern vom ersten Gespräch bis zur Einordnung der Ergebnisse. In jeder Runde gehören Fragen auf den Tisch – die fachlichen genau wie die organisatorischen.

Projektlandschaft bei solvistas: Vielfalt, Flexibilität, Teamarbeit

Auf die Frage, was „an solvistas“ besonders sei, verweist Daniela vor allem auf Vielseitigkeit und Projektabhängigkeit:

Aufgaben und Laufzeit variieren: „Man hat kurze Projekte, man hat lange Projekte.“
Man ist „bei jedem Schritt dabei“ – Rollen sind breit angelegt.
Die Zusammenarbeit wechselt: „Man hat immer wieder andere Kollegen.“
Eigene Interessen zählen: „Man darf sagen, was einem selber Spaß macht, und dann wird man eher in das eine oder andere Projekt gesteckt.“
Ergebnisorientierung als Team: Aus dieser Kombination „kommt da gemeinsam als Team meistens etwas Gutes raus“.

Diese Punkte zeichnen das Bild einer Umgebung, in der Adaptionsfähigkeit und Selbstorganisation wichtig sind. Wer gerne in klar abgezirkelten Spezialaufgaben arbeitet, muss sich hier vielleicht umgewöhnen. Wer dafür Lust auf Abwechslung, Ownership und Lernen am Projekt hat, findet in so einem Setup starke Lernkurven.

Voraussetzungen? Weniger Hürden als Haltung

Besonders hilfreich war Danielas Einschätzung, welche Einstiegsvoraussetzungen notwendig sind – oder eben nicht:

„Ich denke, man braucht jetzt nicht so die ganz argen Voraussetzungen, man muss einfach offen sein und neugierig.“

Sie nennt drei Dinge, die einem bewusst sein sollten:

Interesse an Daten: Wer mit Daten arbeitet, sollte von Natur aus wissen wollen, was in ihnen steckt.
Arbeiten am Computer: Klingt banal, ist aber eine Mentalitätsfrage – lange, konzentrierte Sitzungen mit Tools, Skripten, Auswertungen gehören dazu.
Kundenkontakt: Wer nur „hinter dem Bildschirm“ denken möchte, verpasst die Hälfte des Jobs. Austausch gehört fest dazu und macht den Alltag abwechslungsreich.

Damit verschiebt Daniela den Fokus von „Checklisten‑Skills“ hin zu einer Haltung: Neugier und Offenheit schlagen Perfektionismus – vor allem zu Beginn.

Die wichtigste Gewohnheit: Fragen stellen

Ein Satz aus der Erzählung dürfte besonders vielen Nachwuchskräften aus der Seele sprechen:

„Was ich wichtig finde, ist einfach immer Fragen stellen, weil am Anfang habe ich gedacht, man muss das gleich alles selber wissen.“

Daniela beschreibt, wie das Fragenstellen den Lernpfad beschleunigt – vorausgesetzt, man bringt Offenheit mit:

„Man lernt das mit der Zeit, dann kommt man eh überall rein.“
„Wenn man offen ist und Fragen stellt.“
„Die Kollegen sind alle voll nett und beantworten das.“
„Dann lernt man einfach viel und kann da überall reinkommen.“

In Summe zeichnet das eine Teamkultur, in der Neugier nicht nur erlaubt, sondern erwünscht ist. Für uns als Beobachter ist das ein Kernpunkt ihrer Geschichte: Kompetenz entsteht nicht durch heroisches Alleinwissen, sondern durch systematisches Nachfragen, Mitdenken und gemeinsame Iteration.

Was Entwicklerinnen und Entwickler aus dieser devstory mitnehmen können

Aus Danielas Weg und ihrer Beschreibung des Arbeitsalltags leiten sich mehrere klare, anwendbare Einsichten ab:

1) Karrierewege sind selten linear – Interesse gibt die Richtung vor.

Ein Start ohne frühe technische Festlegung ist kein Nachteil. Wer Freude an Mathematik, Daten und Problemlösen entdeckt, kann im Verlauf auf Data Science fokussieren.

2) End‑to‑End‑Verständnis schlägt Tool‑Silos.

Der „ganze Prozess“ ist mehr als Modellbau. Datenverstehen, Aufbereitung, Speicherung, Auswertung, Kommunikation: Wer die Kette kennt, liefert tragfähige Ergebnisse.

3) Kundenkontakt ist kein Nice‑to‑have, sondern ein Produktivitätsmultiplikator.

Früh und offen sprechen, Annahmen klären, Ergebnisse einordnen – so entstehen Lösungen, die beim Kunden ankommen.

4) Fragen sind das schnellste Lernwerkzeug.

Gerade am Anfang gilt: nicht spielen „Ich weiß alles“, sondern spielen „Ich will es genau wissen“. Das Team ist Lernumfeld – nutzen!

5) Neugier und Offenheit sind echte Voraussetzungen.

Fachliches kann man sich erarbeiten. Die Haltung, Dinge verstehen zu wollen und sich nicht zu scheuen, nachzuhaken, ist schwerer zu substituieren und umso wertvoller.

Praxisnahes Handwerkszeug: So setzt du die Learnings um

Um die Erkenntnisse aus Danielas devstory im Alltag zu verankern, helfen konkrete Routinen. Ein paar erprobte Vorgehensweisen, die zu ihrer Beschreibung passen:

Leitfragen für den Projektstart formulieren
Wofür werden die Daten gebraucht? Welche Entscheidung stützen sie?
Welche Metriken gelten als Erfolg? Welche Grenzen akzeptieren wir?
Was fehlt noch – und wer kann es beschaffen oder klären?
Datenaufbereitung bewusst dokumentieren
Welche Transformationen wurden durchgeführt – und warum?
Wie wird Persistenz geregelt, damit Analysen reproduzierbar bleiben?
Welche Annahmen sind temporär und müssen mit dem Kunden abgesprochen werden?
Statistische Grundsätze aktiv nutzen
Hypothesen explizit formulieren, bevor das Modell startet.
Unsicherheiten benennen – und nicht wegerklären.
Ergebnisse in die Fachsprache des Kunden „übersetzen“.
KI bewusst einordnen
„Jetzt ist immer KI dabei“ – Erwartungen sind hoch. Umso wichtiger ist es, Anwendungsgrenzen und Datenvoraussetzungen transparent zu machen.
Fragenstellen zur Teamgewohnheit machen
Pro Arbeitstag mindestens eine gezielte Frage an Kolleginnen/Kollegen.
Offene Punkte in Kundengesprächen sammeln und priorisieren.
Mini‑Retros am Ende einer Projektphase: Was haben wir gefragt, was hätten wir früher fragen sollen?

Diese Routinen stehen ganz im Geist von Danielas Erzählung: Neugierig bleiben, strukturiert arbeiten, offen kommunizieren.

Kurze und lange Projekte: Lernrhythmen verstehen

Daniela erwähnt, dass es bei solvistas „kurze“ und „lange“ Projekte gibt – und dass Aufgaben sich sogar im Projektverlauf ändern können. Für die persönliche Entwicklung bedeutet das:

Kurze Projekte trainieren schnelle Problemdefinition, fokussierte Umsetzung und zügige Ergebnisvermittlung. Ideal, um viele Datenlandschaften und Fragestellungen kennenzulernen.
Lange Projekte verlangen Durchhaltevermögen, sauberes Wissensmanagement und die Fähigkeit, Anforderungen über Monate oder länger zu begleiten. Ideal, um Tiefe aufzubauen und robuste Prozesse zu gestalten.

Beides – Breite und Tiefe – entsteht mit der Zeit. Wichtig ist, die eigene Präferenz zu kennen und, wie Daniela sagt, auszusprechen, was einem Spaß macht. Dass dieses Feedback in die Projektzuordnung einfließt, ist ein starkes Signal für Selbstwirksamkeit im Team.

Teamwechsel als Kompetenzbooster

„Man hat immer wieder andere Kollegen“ – ein Satz, der nach Abwechslung klingt und in der Praxis bedeutet: Neue Perspektiven, neue Arbeitsstile, neue Lösungswege. Wer bewusst beobachtet, wie Kolleginnen und Kollegen Daten aufbereiten, Hypothesen bilden oder Kundengespräche strukturieren, baut Methodenvielfalt auf. Die Lernkurve entsteht nicht nur durch Aufgaben, sondern durch Menschen.

Diese Dynamik passt zu Danielas Grundhaltung: nicht alles sofort wissen müssen, sondern Fragen stellen und sich einarbeiten. Gerade bei wechselnden Teams ist diese Flexibilität Gold wert.

Der stille Kern: Gelassenheit im Wachstum

Was uns an Danielas devstory auffällt, ist die Gelassenheit. Keine Superlative, keine Buzzword‑Show – stattdessen ein ruhiger, klarer Blick auf Arbeit, die Wirkung erzeugt: Daten so aufbereiten, dass sie nutzbar werden; Analysen und Modelle dort einsetzen, wo sie Sinn stiften; mit Kundinnen und Kunden reden, damit Bedarf und Ergebnis zusammenfinden; mit Kolleginnen und Kollegen lernen, indem man Fragen stellt. Diese Haltung ist nicht spektakulär – sie ist tragfähig.

Für uns ist das die stärkste Botschaft ihres Beitrags: Kompetenz wächst organisch, wenn Neugier, Offenheit und Teamarbeit zusammenkommen.

Konkrete nächste Schritte für Nachwuchstalente

Wer sich in Danielas Geschichte wiederfindet und Data Science als berufliche Richtung erwägt, kann direkt ansetzen:

1) Eigene Neugier kartieren

Welche Fragen an Daten kommen dir spontan in den Sinn? Was willst du tatsächlich herausfinden?

2) Datenprozesse üben – End‑to‑End, aber klein

Nimm ein überschaubares Datenset und gehe bewusst alle Schritte durch: Import, Aufbereitung, Speicherung, Auswertung, Interpretation. Nicht springen, sondern verketten.

3) Gesprächskompetenz trainieren

Übe, Ergebnisse in klarer Sprache zu erklären – so, dass sie jemand versteht, der nicht im Detail steckt. Simuliere Mini‑„Kundengespräche“ im Freundes‑ oder Kollegenkreis.

4) Fragenkatalog pflegen

Lege eine Liste wiederkehrender Fragen an (an Daten, an Stakeholder, ans Team). Reife zeigt sich darin, gute Fragen immer präziser zu stellen.

5) Feedback aktiv einholen

Bitte Kolleginnen und Kollegen um Rückmeldung zu Datenaufbereitung, Analyseschritten und Ergebniskommunikation. Das beschleunigt den Lernzyklus erheblich.

Diese Schritte wirken klein – aber sie stärken genau jene Muskulatur, die Daniela beschreibt: end‑to‑end denken, neugierig bleiben, offen kommunizieren.

Fazit: Eine bodenständige devstory mit viel Wirkung

„Title: Daniela Böhm, Data Scientistin bei solvistas“ ist kein Feuerwerk an Buzzwords. Es ist die klare, anwendbare Erzählung einer Data Scientistin, die ihren Beruf über Interesse gefunden hat und ihn heute als ganzheitlichen, kommunikativen Datenprozess lebt. Daniela Böhm zeigt, dass Vielseitigkeit – kurze und lange Projekte, wechselnde Teams, Aufgaben entlang der gesamten Datenkette – nicht überfordert, wenn zwei Dinge stimmen: Neugier und die Bereitschaft, Fragen zu stellen.

Dass „jetzt immer KI dabei“ ist, nimmt sie pragmatisch. Dass Kundengespräche Teil der Arbeit sind, versteht sie als Chance zur Wirkung. Dass man sagen darf, was einem Spaß macht, und darüber die Projektzuordnung beeinflussen kann, skizziert eine Arbeitsumgebung, in der Team und individuelle Stärken zusammenfinden.

Für uns als DevJobs.at‑Redaktion bleibt am Ende eine Essenz, die weit über Data Science hinausreicht: Technik gewinnt, wenn sie mit Menschen spricht – mit den Kolleginnen und Kollegen, die Antworten geben, wenn man fragt; und mit den Kundinnen und Kunden, deren Daten am Ende zu besseren Entscheidungen führen. Genau dort verläuft der Pfad, den Daniela Böhm in ihrem Beitrag vorzeichnet: vom Interesse zur Kompetenz – Schritt für Schritt, neugierig und offen.

Weitere Dev Stories