Überblick
Data-Science-Lebensläufe leiden oft unter einem von zwei Problemen: Entweder listen sie nur Tools auf (Python, TensorFlow, Spark) ohne Kontext, oder sie beschreiben die Arbeit so technisch, dass ein Hiring Manager nichts damit anfangen kann. Der Trick ist, beides zu verbinden: Was hast du gebaut, mit welcher Methode, und was hat es gebracht?
Dieser Lebenslauf gehört Leonie Berghammer, Data Scientist mit vier Jahren Erfahrung aus München. Sie arbeitet aktuell bei der Allianz an Pricing-Modellen für die Kfz-Versicherung, vorher hat sie bei BMW prädiktive Qualitätsmodelle entwickelt.
Die Zusammenfassung: Modell, Impact, Skala
Data Scientist mit vier Jahren Erfahrung in der Entwicklung und Produktivsetzung von Machine-Learning-Modellen im Bereich Automotive und Versicherung. Aktuell bei der Allianz verantwortlich für Pricing-Modelle, die ein Prämienvolumen von 380 Mio. EUR beeinflussen.
380 Mio. EUR Prämienvolumen. Das ist keine technische Metrik, das ist ein Business-Impact, den jeder versteht.
Berufserfahrung: ML-Modelle mit echtem Ergebnis
Allianz SE
Gradient-Boosting-Modell für Schadenhäufigkeit gebaut, das die Prognosegüte um 14 % gegenüber dem GLM-Vorgänger verbessert hat
Feature-Engineering-Pipeline in PySpark aufgesetzt, die 2,3 Mrd. Datensätze täglich verarbeitet
A/B-Tests für neue Tarifmerkmale konzipiert - Conversion-Rate im Online-Abschluss um 7,2 % gesteigert
14 % bessere Prognosegüte gegenüber dem Vorgängermodell. 2,3 Milliarden Datensätze täglich. 7,2 % Conversion-Steigerung. Jeder Punkt verbindet eine technische Methode mit einem messbaren Ergebnis.
BMW Group
Anomalie-Erkennungsmodell für die Lackierstraße entwickelt - Ausschussrate um 23 % reduziert, Einsparung ca. 1,8 Mio. EUR/Jahr
NLP-Pipeline für Reklamationstexte aufgesetzt, die 86 % Klassifikationsgenauigkeit bei Fehlerkategorien erreicht
23 % weniger Ausschuss und 1,8 Mio. EUR Einsparung. Das ist die Art von Ergebnis, die einem Hiring Manager sofort auffällt. Die NLP-Pipeline zeigt Breite über klassisches ML hinaus.
Werkstudentin bei Infineon
Automatisierte Reporting-Pipeline in Python erstellt, die 8 Stunden manuelle Arbeit pro Woche eingespart hat
Auch für eine Werkstudentenstelle lassen sich konkrete Einsparungen nennen. 8 Stunden pro Woche sind 400 Stunden im Jahr.
Skills: Fokussiert auf das Wesentliche
- Python (Pandas, Scikit-learn, XGBoost)
- SQL & PySpark
- TensorFlow & PyTorch
- MLflow & MLOps
- Plotly Dash & Tableau
Zehn Einträge, nicht dreissig. Die Liste zeigt: Diese Person kann ML-Modelle bauen (Scikit-learn, XGBoost), mit grossen Datenmengen arbeiten (PySpark), Modelle in Produktion bringen (MLflow) und Ergebnisse visualisieren (Plotly Dash).
Zertifizierungen: Cloud und Deep Learning
- AWS Certified Machine Learning - Specialty
- TensorFlow Developer Certificate (Google)
Beide Zertifizierungen zeigen, dass die theoretische ML-Kompetenz durch anerkannte Prüfungen bestätigt ist.
Das Projekt: Pricing-Modell im Detail
Gradient-Boosting-Ansatz mit 240 Features auf Basis von Telematik- und Vertragsdaten. Modell beeinflusst Prämienberechnung für 2,1 Mio. Verträge. Prognosegüte (Gini-Koeffizient) um 14 Prozentpunkte verbessert.
2,1 Millionen Verträge. 240 Features. Das ist ein Produktionsmodell im Kerngeschäft eines DAX-Konzerns. So beschreibst du ML-Projekte, die Eindruck machen: Daten, Methode, Skala, Ergebnis.
Bildung: TUM und LMU
Master an der TU München in Data Engineering and Analytics, Note 1,3. Masterarbeit über erklärbare KI in regulierten Branchen. Bachelor an der LMU in Statistik, Note 1,7. Beide Abschlüsse an Münchner Spitzen-Unis mit Noten, die für sich sprechen.
Warum das Obsidian-Template hier passt
Das Obsidian-Template hat ein modernes, technisches Erscheinungsbild. Für Data Science-Positionen bei Tech-orientierten Unternehmen ist das passend. Es ist trotzdem ATS-kompatibel und gut lesbar.
Extracurriculars: Community und Mentoring
Mentorin bei TechLabs München und Organisatorin des PyLadies München Meetup. Die Meetup-Gruppe ist von 15 auf 60 Teilnehmerinnen gewachsen. Das zeigt Community-Building und die Fähigkeit, eine Gruppe aufzubauen. Beides sind Signale, die in Tech-Unternehmen zählen.
