Zum Inhalt springen
Laddro
IT & Technik

Data Scientist Anschreiben Beispiel

Anschreiben-Beispiel für Data Scientists: Prämienvolumen, Produktivbetrieb, Erklärbarkeit und Modelldokumentation.

Photo of Laddro Team

Laddro Team

4.9(127)
Data Scientist (Datenwissenschaftler) cover letter example
Beispiel verwenden

Kostenlos nutzbar. Kein Konto nötig, um zu starten.

Warum Data-Science-Anschreiben wie eine Methodenvorlesung klingen

Data Scientists schreiben Anschreiben, die sich wie ein Vorlesungsverzeichnis lesen. Random Forest, Gradient Boosting, TensorFlow, Transformer. Jede Methode ist korrekt genannt, und keine beantwortet die Frage, die ein Entscheider hat: Welches Problem wurde gelöst, und was hat die Lösung dem Unternehmen gebracht.

Der zweite Fehler ist weniger offensichtlich. Viele Anschreiben beschreiben Modelle, die nie in Betrieb gegangen sind. Ein Notebook mit guter Kreuzvalidierung ist eine Hausaufgabe. Ein Modell, das seit zwei Jahren täglich Entscheidungen beeinflusst, überwacht wird und dokumentiert ist, ist eine Berufserfahrung. Zwischen beidem liegt der Teil der Arbeit, über den am wenigsten geschrieben wird und der über die Stelle entscheidet.

Das Beispiel: Leonie Berghammer, Pricing in der Versicherung

Dieses Beispiel zeigt das Anschreiben von Leonie Berghammer, die sich bei der Siemens AG in München bewirbt. Sie verantwortet bei der Allianz Pricing-Modelle, die ein Prämienvolumen von 380 Millionen Euro beeinflussen. Zuvor hat sie bei BMW prädiktive Qualitätsmodelle für die Lackierstraße entwickelt. Das Anschreiben nutzt das Ivory-Template.

Der Einstieg: Prämienvolumen als Impact-Kennzahl

Leonie beginnt nicht mit ihrer Methode, sondern mit ihrer Verantwortung: Pricing-Modelle für ein Prämienvolumen von 380 Millionen Euro. Das ist kein Wettbewerbsdatensatz und kein Lernprojekt. Das ist maschinelles Lernen in der Produktion mit messbarem Einfluss auf das Geschäft, und genau das wollen Entscheider sehen.

Tipp: Beziffere den geschäftlichen Bezugsrahmen deiner Modelle. Prämienvolumen, Einsparung, Ausschussquote oder Umsatz je Modell ordnen dich sofort ein. "Umfassende Erfahrung mit maschinellem Lernen" tut das nicht.

So klingt der erste Absatz

"Seit drei Jahren verantworte ich im Pricing-Team eines Versicherers die Modelle für ein Prämienvolumen von 380 Millionen Euro in der Kraftfahrtversicherung. Die Modelle laufen produktiv, werden monatlich auf Abweichung geprüft und zweimal jährlich neu trainiert. Zuvor habe ich in der Fertigung prädiktive Qualitätsmodelle für eine Lackieranlage gebaut, die die Ausschussquote einer Linie um 19 Prozent gesenkt haben."

Der Satz über die monatliche Prüfung ist der wichtigste. Er beantwortet die Frage, die technische Entscheider stellen und die kaum ein Anschreiben beantwortet: Wer passt auf das Modell auf, wenn es läuft, und woran erkennt er, dass es schlechter wird.

Der Hauptteil: Von der Fragestellung bis zur Überwachung

Im Hauptteil beschreibt Leonie ihre Arbeit in vier Schritten. Erstens Fragestellung: aus einer fachlichen Frage eine entscheidbare Zielgröße machen, gemeinsam mit dem Aktuariat. Zweitens Daten: Zusammenführung von Vertrags-, Schaden- und Fahrzeugdaten, Behandlung fehlender Werte, Dokumentation der Herkunft jedes Merkmals. Drittens Modell: Vergleich mehrerer Verfahren, Entscheidung für das erklärbarere bei nahezu gleicher Güte und Begründung dieser Entscheidung gegenüber dem Fachbereich. Viertens Betrieb: Ausspielung, Abweichungsüberwachung, Nachtraining, Versionierung.

Der dritte Punkt ist der stärkste. Leonie hat ein etwas schwächeres Modell gewählt, weil es erklärbar war, und kann die Abwägung begründen. Das ist genau die Entscheidung, die in der Praxis anfällt und in Anschreiben nie vorkommt, weil sie nach einem Kompromiss klingt. In einem regulierten Geschäft ist sie das Gegenteil.

Erklärbarkeit und Dokumentation sind im Pricing Pflicht

Was in Data-Science-Bewerbungen fehlt und im regulierten Umfeld entscheidet, ist die Nachweisseite. Preisbildung in der Versicherung muss begründbar sein, Merkmale dürfen nicht mittelbar benachteiligen, die Modellentscheidung muss gegenüber einer internen Revision erläutert werden können, und die Datengrundlage braucht eine dokumentierte Rechtsgrundlage.

Dazu kommt die europäische Verordnung über künstliche Intelligenz. Sie stuft die Risikobewertung und Preisbildung in der Lebens- und Krankenversicherung als hochriskant ein und verlangt dafür technische Dokumentation, Risikomanagement und menschliche Aufsicht. Leonie nennt ihre Arbeit an der Modelldokumentation und an einer Merkmalsprüfung auf mittelbare Benachteiligung. Wer zeigt, dass er diese Seite kennt, hebt sich von jedem Methodenkatalog ab.

Die Motivation: Industriedaten statt Vertragsdaten

Leonies Begründung ist konkret. Bei Siemens arbeitet sie an Sensor- und Anlagendaten, in denen physikalische Zusammenhänge gelten und ein Fehlalarm eine Anlage anhält. Das ist eine andere Datengrundlage als Vertragsdaten, und ihre Erfahrung aus der Fertigung bei BMW ist der Anknüpfungspunkt. Sie bewirbt sich damit nicht auf eine Branche, sondern auf eine Art von Daten, und das ist die präzisere Begründung.

Form: DIN 5008, eine Seite, keine Formelsammlung

Eine Seite, DIN 5008, Betreffzeile ohne das Wort "Betreff", dafür mit der Kennziffer. Anrede mit dem Namen der fachlich zuständigen Person, nicht mit "Sehr geehrte Damen und Herren".

Verzichte auf Formeln und Diagramme im Anschreiben. Wenn du ein öffentliches Repository oder eine Veröffentlichung hast, nenne sie in einer Zeile mit einem Satz dazu, was darin steht. Promotion und Publikationen gehören in den Lebenslauf und ins Anschreiben nur dann, wenn das Thema zur Stelle passt.

Der Schlussabsatz

Leonie nennt Eintrittstermin, Kündigungsfrist und ihre Gehaltsvorstellung als Jahresbruttosumme, weil die Ausschreibung danach fragt. Dazu eine Zeile zum Arbeitsort und zur Anzahl der Anwesenheitstage, die sie leisten kann.

Das gehört in dein Data-Science-Anschreiben

  • Den geschäftlichen Bezugsrahmen deiner Modelle als Zahl
  • Ob die Modelle produktiv laufen und seit wann
  • Wie sie überwacht und nachtrainiert werden
  • Eine Abwägung zwischen Güte und Erklärbarkeit
  • Datengrundlage und Datenvolumen
  • Modelldokumentation und regulatorischer Rahmen
  • Die Zusammenarbeit mit dem Fachbereich
  • Eintrittstermin, Kündigungsfrist, Gehaltsvorstellung

Das lässt du weg

Methodenlisten ohne Anwendungsfall. Wettbewerbsplatzierungen als Hauptargument. Kennzahlen aus der Kreuzvalidierung ohne Angabe, was sie fachlich bedeuten. Und die Aussage, du arbeitest datengetrieben, denn das ist in diesem Beruf die Arbeitsbeschreibung und kein Unterscheidungsmerkmal.

Was du mitnehmen solltest

Der geschäftliche Bezugsrahmen ist das Gerüst. Produktivbetrieb, Überwachung und Nachtraining sind die drei Angaben, die ein Modell von einer Übung trennen. Und im regulierten Umfeld ist die Dokumentation deines Modells Teil der fachlichen Leistung, nicht Verwaltungsarbeit.

War dieses Anschreiben-Beispiel hilfreich?

Bewerte dieses Beispiel, damit wir bessere Inhalte erstellen können.

4.9 Durchschnitt aus 127 Bewertungen

Erstell deine eigene Version

Öffne dieses Layout im Editor und trag deine eigenen Angaben ein. Das dauert nur wenige Minuten.

Beispiel verwenden

Kostenlos nutzbar. Kein Konto nötig, um zu starten.