Während meines Sommerpraktikums bei Brandwatch habe ich viel Zeit damit verbracht, das Data Science Team besser kennenzulernen.

Kürzlich hatte ich die Möglichkeit, Data Scientist Katie Atwell zu interviewen und mit ihr über ihre Karriere und Vorgehensweise bei komplizierten Projekten zu sprechen. Ich fragte sie außerdem, was eine offene Firmenkultur für sie bedeutet.

Zeit vor Brandwatch

Vor Brandwatch hatte Katie eine lange akademische Karriere im Bereich Psychologie. Sie verbrachte fünf Jahre damit, ihren Doktor in einer Kombination aus angewandten Sozialwissenschaften und experimenteller Psychologie zu machen und nutzte sowohl die qualitative als auch quantitative Datenanalyse. Nebenbei lehrte sie Studenten im Grundstudium in Forschungsmethoden und Statistik. Sie beherrscht die Materie der Datenanalyse und Forschung.

Nach der Universität fing sie bei Brandwatch als technischer Daten-Analyst an und lernte, wie die Technologien zur Datengewinnung funktionieren. Als das Data Science Team entstand, trat sie eine neue Rolle als Data Scientist an und brachte ihre Erfahrung in Psychologie und der Datenanalyse in ein kognitiv diverses Team ein.

Seit fünf Jahren ist Katie bei Brandwatch und ich fragte sie, ob ihr Hintergrund ihr immer noch dabei hilft, Probleme zu lösen.

Katie sagt, dass ihr Hintergrund in Psychologie so manche Projektidee hervorbringt, aber primär Vorteile bei der Problemlösung und wissenschaftlichen Methoden schafft. „Brandwatch befasst sich mit Online-Daten, die von Menschen stammen”, sagt sie, daher ist ihre Erfahrung im Auseinandernehmen von menschlichen Daten sehr hilfreich für das Team.

„Mit einem Hintergrund in Psychologie legen Sie einen Fokus auf Forschungsmethodik und die Versuchsplanung.“

Ein typischer Tag

Als ich Katie das erste Mal fragte, wie für sie ein „typischer Tag“ aussieht, warf sie mir einen skeptischen Blick zu. „Wenn es denn einen gibt?,” warf ich hinterher.

„Um ehrlich zu sein, gibt es viel Abwechslung, es hängt davon ab, was ich mache“, erklärt Katie. „Gerade zum Beispiel habe ich einige Projekte abgeschlossen, eines davon bestand darin, einen Sentiment-Klassifikator in Tagalog zu erstellen.“

Das hört sich nach einem interessanten Thema an: Einen Algorithmus zu bauen, der das Sentiment aus Texten einer Sprache, die fast nur auf den Philippinen gesprochen wird, identifizieren kann. Das finde ich sehr beeindruckend.

Ich wollte mehr darüber erfahren, wie Katie auf die Projektideen kommt. Sie erklärt, dass sie in den meisten Fällen entweder vom Produkt oder Engineering-Team inspiriert wird. Das führt sie oft in ganz neue Bereiche. „Der Ideenprozess wird inspiriert von anderen Dingen, an denen man arbeitet und dem Wunsch, das Ganze in eine andere Richtung zu lenken“, sagt sie.

Die Autonomie des Teams komme laut Katie durch die Art und Weise, wie sie das Projekt durchführen. Die Vorgehensweise gefällt ihr sehr. „Uns werden lediglich Probleme geschildert, keine Vorschläge für mögliche Lösungsansätze“, sagt sie.

Ich kann mir vorstellen, dass Katie oft Anfragen erhält, die nicht durchführbar sind, vor allem von Personen, die sich mit Daten nicht auskennen. Wie sich herausstellt, beginnen die größten Probleme noch vor dem Beantworten einer Frage.

„Eines der größten Anstrengungen, die wir haben, ist es, das Problem auf eine Art und Weise zu definieren, so dass wir es beantworten können. Um dies zu ermöglichen, erfordert es  viel Kommunikation zwischen dem Data Science und Produkt Team.“

Ein Projekt von Anfang bis Ende

Was passiert, nachdem die Frage definiert wurde?

Katie beschreibt einen sehr akademischen Ausgangspunkt, der darin besteht „nachzulesen, ob sich jemand mit dem Problem in der Vergangenheit schon befasst hat und welche Möglichkeiten der Lösung es gibt.

Sie sucht dann nach den verfügbaren Daten und beginnt ihre Arbeit. “Die Daten wirklich kennenzulernen, kann eine Weile dauern und wir verbringen viel Zeit damit, Datensätze zu säubern”, sagt sie. So mühsam wie es auch klingt, ist es ein wichtiger Teil des Prozesses, um sicherzustellen, dass am Ende genaue Ergebnisse herauskommen. „Wir fangen dann mit einer einfachen, erforschenden Analyse an, bevor wir uns auf bestimmte Dinge konzentrieren. Wir beginnen mit der einfachen Vorgehensweise und wiederholen das Ganze dann mit komplexeren.”

Da ich ein bisschen ein Perfektionist bin, fragte ich Katie, ob ein Projekt wirklich beendet sein kann oder ob sie es ständig, verändert und verfeinert. Sie sagt, dass es auch hier vom Projekt abhängt.

„Jedes Projekt erfordert einen gewissen Grad an Pflege“, erklärt sie. „Es kann also passieren, dass Sie Jahre später noch Fragen beantworten oder Dinge untersuchen.”

Unternehmenskultur

Als Marketingpraktikantin hatte ich die Möglichkeit, meinem Interesse für Data Science nachzugehen und daher weiß ich um die Vorteile, die die aufgeschlossene Atmosphäre bei Brandwatch liefert. Katie sagt:

“Die entspannte Atmosphäre hilft sehr bei der Komminikation und kommt durch die flachen Hierachien innerhalb unseres Unternehmens. Man kann leichter an Personen herantreten, unabhängigen von ihrer Position.“

Es hilft, Lücken zu überbrücken.

“Sie lernen Ihre Kollegen sehr gut kennen. Sie diskutieren vielleicht mit einem Engineer, der an Ihrem Projekt arbeitet und kommen dann auf eine sehr gute Idee, um das Problem zusammen zu lösen.“

Zusammen mit ihrem Team arbeitet Katie mit großen Datenmengen und liefert Insights, die faszinierende Unternehmensprobleme lösen. „Man lernt ständig Neues dazu“, sagt sie, „Für Data-Geeks wie mich, ist das ziemlich aufregend.“

Wir kommen beide aus dem wisschenschaftlichen Bereich und teilen die Liebe zur Forschung. Das verbindet uns. Katie nennt das Gefühl der Aufregung, wenn man auf eine signifikante Erkenntnis trifft, als eines der Hauptgründe, warum sie in der Forschung tätig ist.

„An den meisten Tagen lerne ich etwas Neues, was für jemanden wie mich, der gerne dazulernt, wunderbar ist.“