Data Science & AI Specialist

Diese Rolle bildet die Grundlage für Accellerons neues Advanced Analytics AI Center of Excellence. Diese Position erfordert Programmiererfahrung und den Umgang mit strukturierten und unstrukturierten Datensätzen. Die Rolle verwandelt geschäftliche Herausforderungen in datengetriebene Lösungen:
Identifikation der richtigen Daten, Aufbau und Validierung von Modellen, Übersetzung der Ergebnisse in Erkenntnisse und messbaren Geschäftswert.

Das Advanced Analytics AI CoE baut prozessunabhängige Fähigkeiten auf und fungiert als Expertenpartner für die Prozessdomänenteams und Geschäftseinheiten, die die Lösungen besitzen. Neben der praktischen Umsetzung unterstützt die Rolle das AI Citizen Programm im gesamten Unternehmen, um sicher und effektiv mit KI zu arbeiten. Diese Rollen helfen dabei, das nächste KI-Datenreifegradniveau zu erreichen.

Lieferung von KI- und Machine-Learning-Anwendungsfällen

• Unterstützung und Bereitstellung datengetriebener Lösungen: von der Problemdefinition und Machbarkeitsbewertung bis zur Modellentwicklung, Validierung, Implementierung und Überwachung nach dem Go-live.
• Erstellung umsetzbarer Erkenntnisse mittels Data Science & KI-Methoden: statistische Analyse, Machine Learning, Computer Vision, Large Language Models angewandt auf Geschäftsprobleme.
• Übergabe der Lösung an den nachhaltigen Betrieb:
  Dokumentation, Nachschulung und Überwachungsansatz sowie klare Verantwortlichkeiten gemeinsam mit den Prozessdomänen- und Anwendungsteams.

Geschäftspartnerschaft & Wertübersetzung

• Zusammenarbeit mit Geschäftseinheiten zur Bedarfsanalyse:
  Kontakt mit Divisionen & Funktionen, Klärung des zu verbessernden Prozesses und bei Bedarf Hinterfragen.
• Übersetzung analytischer Ergebnisse in Geschäftswert und Maßnahmen:
  Erklärung der Erkenntnisse in Geschäftssprache, Quantifizierung der erwarteten Vorteile und Definition der notwendigen Änderungen.
• Beratung der Geschäftsanwender von Anfang bis Ende: von Dateneingaben, Merkmalsauswahl, Modellierungsansätzen, Bewertung der Ergebnisse bis zur praktischen Projektumsetzung.
• Beitrag zur Qualifizierung von Anwendungsfällen:
  Bewertung der Datenverfügbarkeit und
  -qualität, Aufwand, Risiko und erwarteter Ertrag sowie Unterstützung des Nachfrageerfassungs- und Priorisierungsprozesses. Dies erfolgt unter Einhaltung der geltenden Vorschriften (z.B. EU AI Act, DSGVO) und interner Prozesse (z.B. Sicherheit).

Datenbeschaffung & Plattformzusammenarbeit

• Identifikation und Beschaffung relevanter Daten:
  Auffinden der richtigen internen und externen Daten, Bewertung ihrer Qualität, Eigentümerschaft und Eignung sowie Vorbereitung für die analytische Nutzung.
• Arbeit über die Enterprise Data Layer und den Data Product Catalogue:
  Nutzung von regulierten Datenprodukten, wenn vorhanden, Rückmeldung von Lücken an den Enterprise Data Architect und die Datenprodukteigentümer anstatt Einmal-Exporte zu erstellen (Create once, deploy multiple times).
• Identifikation und Beschaffung relevanter Daten:
  Auffinden der richtigen internen und externen Daten, Bewertung ihrer Qualität, Eigentümerschaft und Eignung sowie Vorbereitung für die analytische Nutzung.
• Arbeit über die Enterprise Data Layer und den Data Product Catalogue:
  Nutzung von regulierten Datenprodukten, wenn vorhanden, Rückmeldung von Lücken an den Enterprise Data Architect und die Datenprodukteigentümer anstatt Einmal-Exporte zu erstellen (Create once, deploy multiple times).

Werkzeuge, Engineering & Standards

• Integration von Tools wie Python und R in die Analyseumgebung inkl. Notebooks, Bibliotheken und deren Nutzung innerhalb von Microsoft Fabric und der Enterprise-Datenplattform.
• Anwendung solider Data Engineering Praktiken:
  Versionskontrolle, Code-Review, Umweltmanagement, Tests und wiederholbare Pipelines…