Anzeige
Anzeige
Was macht eigentlich Jobprofile Karriere

Was macht eigentlich ... ein Analytics Translator?

Holger Hürtgen ist Übersetzer. Aber nicht für Sprachen im klassischen Sinne, sondern für "Mathe-Deutsch, Deutsch-Mathe". Wie das funktioniert, erklärt er im Jobprofil.

(Bild: Holger Hürtgen /Mc Kinsey)
Anzeige

Jobtitel: Analytics Translator

Name: Holger Hürtgen

Ausbildung: Studium zum Software Developer / Technomathematiker

Unternehmen: McKinsey

Anzeige

Was machst du?

Ich bin Übersetzer. Allerdings nicht für Sprachen im klassischen Sinne, sondern für „Mathe-Deutsch, Deutsch-Mathe“. Ich bin also bilingual und die personifizierte Schnittstelle zwischen Business und Daten. Das funktioniert ungefähr so: Ich rede mit meinen Kunden auf der Business-Seite im Unternehmen und versuche zu verstehen, welches Problem sie dort im „realen“ Leben haben.

Dann versuche ich das Problem mit einem analytischen Ansatz zu lösen. Dafür übersetze ich das Problem in der Data-Scientist-Abteilung mit meinen Kollegen aus der Praxis in eine Form, in der es mit analytischen Methoden bearbeitet werden kann. Wir fragen uns also: Wie ist die Faktenlage? Welche Analysemethode ist notwendig? Welche Daten müssen wir uns dafür anschauen? Dann geht es wieder vorwärts und wir starten die Rückübersetzung in die Business-Welt zurück. Der Knackpunkt ist, dass wir dabei helfen, das richtige Problem zu lösen. Das klingt erstmal banal, ist es aber gar nicht.

Wir gehen dabei in drei Schritten vor. Zuerst analysieren wir die Problemstellung. Dann wählen wir die passende Methodik aus und schließlich muss das Ganze wieder rückübersetzt werden. Das heißt auch, dass ich mir die Codes ansehe und auch technisch tief reingehe – auch wenn ich selbst leider nicht mehr oft programmiere.

Anzeige

Wie bist du zu dieser Aufgabe gekommen?

Das war 2006, im WM-Sommer – ich war noch in den USA als Teaching Assistant an der Universität Wisconsin-Milwaukee beschäftigt und auf Heimatbesuch in Deutschland, auch um hier wieder Fuß zu fassen und einen Job zu finden. Damals dachte ich noch, dass das in einem sehr technischen Bereich sein müsste. Während fast ganz Deutschland noch über den grandiosen Treffer von Philipp Lahm gegen Costa Rica bei der WM 2006 jubelte, habe ich mich in der Halbzeitpause umgeschaut und die Job-Ausschreibung für einen Junior Analytics Specialist bei McKinsey gefunden. Meine Frau ist Betriebswirtin und hat mich damals gefragt, ob ich überhaupt wisse, was McKinsey mache – ehrlicherweise war ich hier vergleichsweise unbefleckt!

Jedenfalls hat mich McKinsey zum Gespräch eingeladen und ich musste dann eine Fallstudie lösen. Das ist in der Consulting-Branche Normalität: kein Bewerbungsverfahren ohne Lösen von praxisnahen Business Cases. Das war gewissermaßen meine erste Übersetzungsleistung. Im Gespräch hat sich dann herausgestellt, dass auch McKinsey noch nicht genau wusste, wie das Profil für den Job im Detail aussehen sollte. Ich glaube, das ist sinnbildlich für viele Bewerbungsprozesse heute: Die Unternehmen schreiben kein eindeutiges Jobprofil aus, sondern erforschen mit den Bewerbern gemeinsam die Aufgaben, die „der oder die Neue“ übernehmen sollte. Dafür braucht man natürlich viel Mut zum Ausprobieren auf beiden Seiten. Die Erfahrung hat gezeigt, dass McKinsey damit voll ins Schwarze getroffen hat. Zum Jahresbeginn 2007 bin ich dann als Data Scientist eingestiegen. Und war damit der erste meiner Art im deutschen McKinsey-Büro.

Welche Eigenschaft hilft Dir in Deinem Alltag am meisten? Warum?

Es klingt vielleicht etwas banal, aber ich erkläre gerne Dinge. Das ist ungemein hilfreich, da ich beim Job des Analytics Translators nicht nur Mathe machen muss, sondern eben auch viel erklären kann. Privat bin ich, vielleicht anders als der Stereotyp Mathematiker, eher extrovertiert und unterhalte mich gerne mit Leuten.

Schildere möglichst anschaulich ein Projekt, das dich besonders begeistert hat

Ein spannendes Feld ist die Vorhersage von Vertragskündigungen – etwa im Bereich Telekommunikation. Unternehmen möchten Kunden gerne proaktiv ansprechen, wenn sie kündigen wollen. Das Problem: Ich kann natürlich nicht alle Kunden ansprechen, sondern möchte die richtigen erreichen. Also lautet die Frage: Wer würde kündigen? Um diese zu beantworten, schaut man sich die vergangenen Daten an. Hat der Kunde in der Vergangenheit schon mal seinen Vertrag gekündigt? Telefoniert er viel in andere Netze? Dann baut man ein Modell. Und hier gibt es einen entscheidenden Faktor: Wenn das Modell sagt: Dieser Kunde kündigt mit 90-prozentiger Wahrscheinlichkeit – dann weiß ich immer noch nicht, warum.

Der Data Scientist entwickelt daher ein Modell, dass eine Kündigung vielleicht nur zu 60 Prozent vorhersagen kann, dafür aber den Grund kennt und die Kündigung bereits früher prognostiziert. Liegt es am Netz? Am Service? War die Rechnung falsch? Diese Infos zeitnah zu haben, sind viel mehr wert. Wichtig ist nämlich, dass es eigentlich gar nicht um Kündigungsvorhersage, sondern um Kündigungsvermeidung geht!

Was ist dir in deinem Job am wichtigsten? Was macht am meisten Spaß?

Am wichtigsten ist mir der direkte Kontakt zu den Klienten. Im Volksmund heißt es ja abwertend immer noch gern, Data Scientists seien die Nerds, die im dunklen Maschinenraum säßen. Von wegen! Das ist kein Job fürs Hinterzimmer. Da haben wir von Anfang an auch unsere Leute hin entwickelt und das hat bei mir angefangen. Ich würde auch gerne betonen, dass der Job des „Translators“ eigentlich keine eigene Rolle, sondern eine Fähigkeit ist, die man in diversen Rollen benötigt.

Es kann auch sein, dass man einen Klienten, den man berät, auch aus dem alltäglichen Leben kennt. Zum Beispiel wenn man das Produkt selbst nutzt oder Werbung erhält. Dann kommt man nach Hause und öffnet den Briefkasten und sieht, dass z.B. die Werbung plötzlich ganz anders aussieht. Und wenn dann Freunde, Bekannte oder Nachbarn zu einem kommen und sagen, dass sie diese jetzt viel besser finden, ist das schon ein gutes Gefühl. Dann hat man nicht nur den Klienten glücklich gemacht, sondern meine Arbeitswelt verbindet sich mit der Alltagswelt.

Das schönste Lob habe ich von meiner Frau bekommen: Sie meinte zu einer Werbung im Kosmetikbereich, dass diese jetzt viel ansprechender sei als vorher. Da konnte ich stolz sagen: Das hab‘ ich für Dich gemacht! Natürlich stimmte das nicht ganz, da steckt schon viel Hardcore-Machine-Learning dahinter. Trotzdem kann man die Maschine auch nicht allein arbeiten lassen: Ein Kaufverhalten kann beispielsweise auch darauf hindeuten, dass sich ein Produkt eher für junge oder ältere Käufer eignet. Das muss aber gar nichts mit dem realen Alter zu tun haben: Dann muss man sich etwa Regeln überlegen, ob man jungen Menschen wirklich Faltencremes empfehlen möchte, wenn die Maschine das voraussagt.

Mein Job ist unverzichtbar, weil…

…Daten und Analytics immer wichtiger werden und heute an Daten keiner mehr vorbeikommt. Praktisch in jedem Level ist diese Fähigkeit erforderlich – vom Call-Center Agenten bis zum Chief Digital Officer!

Wenn du nicht Business Translator wärst, was wärst du dann?

Vielleicht hätte ich weiter an der Uni gearbeitet. Oder ich wäre Spielevermittler für Fußballprofis geworden – dort, wo meine McKinsey-Karriere ihren Ursprung hat.

Lead 4 Cta Mock Up 1200X1200 V2 Cover
Modern Work - Jetzt und in Zukunft!

Fachkräfte haben heute die Wahl. Der Arbeitgeber muss daher einiges bieten. Das aktuelle LEAD Bookazine 2/2019 zeigt Cases für erfolgreiches Employer Branding und Möglichkeiten, jetzt noch Top-Talente zu recruiten. Außerdem im Heft: Mit einem Leadership-Programm die Führungskräfte von morgen selbst entwickeln!

Anzeige
Verlagsangebot
Anzeige
Aktuelle Stellenangebote
Alle Stellenangebote
Anzeige