Ein abgeschlossenes Studium in (Wirtschafts-)Informatik, Data Science, Mathematik, Statistik oder einer vergleichbaren Fachrichtung.
Vertrautheit mit gängigen Modellierungsansätzen des maschinellen Lernens (z. B. Regression, Entscheidungsbäume, Clustering, Natural Language Processing, Zeitreihenanalyse).
Idealerweise Erfahrung mit bayesscher Statistik (z. B. PyMC, Stan, ArviZ) und kausaler Modellierung (z. B. CausalPy, DAG-basierte Ansätze).
Souveränes und überzeugendes Auftreten sowie die Fähigkeit, unterschiedliche Zielgruppen adressatengerecht anzusprechen und für Lösungen zu gewinnen.
Gute bis sehr gute Kenntnisse in Python und gängigen Bibliotheken (z. B. polars, pandas, numpy, scikit-learn, matplotlib/seaborn/plotly), SQL, sowie Erfahrung mit Git und kollaborativer Softwareentwicklung.
Erfahrung im wissenschaftlichen Arbeiten und ein ausgeprägtes Qualitätsbewusstsein.
Solides Verständnis statistischer Grundlagen sowie Erfahrung mit Experimental- und Survey-Designs (z. B. A/B-Tests, randomisierte kontrollierte Experimente, faktorielle Designs) und -Auswertung, einschließlich Aspekten wie Reliabilität und Validität.
Freude daran, Methoden nicht nur anzuwenden, sondern auch kritisch zu hinterfragen und zu diskutieren.
Strukturierte, selbstständige und ergebnisorientierte Arbeitsweise.
Sehr gute Deutschkenntnisse in Wort und Schrift sowie gute Englischkenntnisse.
