Data Scientist | Quantitative Analyse gesellschaftlicher Datenbestände
Ich entwickle reproduzierbare Analyseworkflows für gesellschaftlich relevante Fragestellungen: von der Datenaufbereitung und statistischen Modellierung über maschinelles Lernen bis zur zielgruppengerechten Ergebnisvermittlung.
Python · R · Stata · scikit-learn · pandas · Git/GitHub · Statistische Modellierung · Kausale Inferenz
Vier nachweisbare Kompetenzbereiche, jeder belegt durch abgeschlossene Projekte, begutachtete Arbeiten oder mehrjährige Forschungstätigkeit.
Kausalinferenz (RDD, DiD, PSM), Bayes-Ökonometrie, Paneldaten, Verteilungsregression und Monte-Carlo-Simulation, belegt durch begutachtete Abschlussarbeiten (Note 1,0) und eigenständige Forschungsprojekte.
Vier Jahre Anwendungspraxis mit pandas, scikit-learn, matplotlib, tidyverse und ggplot2, eingesetzt mit Git, Makefile, pytest und vollständig dokumentierten Analyseworkflows.
Analyse offizieller Bundesstatistiken (BMI/BKA) und parlamentarischer Protokolldaten, mit konsequenter Quelldokumentation, Prüfsummenvalidierung und expliziten Interpretationsgrenzen.
Visualisierungen, kompakte Ergebniszusammenfassungen und Berichte für Forschende, Entscheidungsträger und Nicht-Fachpublikum, in akademischen und institutionellen Kontexten.
Angewandte Fallstudien zu öffentlichen Verwaltungsdaten, amtlichen Sicherheitsstatistiken, kausaler Politikanalyse und reproduzierbaren Machine-Learning-Workflows.
Dokumentierter Analyseworkflow für amtliche Aggregatdaten zur PMK aus BMI/BKA-Publikationen (2022–2024): prüfsummenvalidierter Datensatz, vier reproduzierbare Visualisierungen, vollständige Quellendokumentation und explizite Interpretationsgrenzen.
Demonstriert: Quelldokumentation, Prüfsummenvalidierung und nüchterne Visualisierung amtlicher Verwaltungsstatistiken. Jede Zahl ist einer konkreten Quelle zugeordnet.
Dokumentierter Analyseworkflow für amtliche BfV-Aggregatstatistiken aus Verfassungsschutzberichten 2022–2024: Personalpotenzial nach Phänomenbereich (Rechtsextremismus: 50.250 in 2024), extremistisch motivierte Straftaten, 8/8 Konsistenzprüfungen bestanden, vollständige Quellendokumentation auf URL-Ebene.
Demonstriert: Strukturierte Extraktion öffentlicher Sicherheitsstatistiken, systematische Quelldokumentation auf URL-Ebene, reproduzierbare Datenpipeline auf amtlichen BfV-Aggregatdaten.
Zwei abgeschlossene, benotete Analysen mit RDD und DiD: Uruguay PANES-Programm (ca. 10 % kausaler Anstieg politischer Unterstützung; Note: Distinction 83 %) und COVID-19-Lockdown und Lebenszufriedenheit (DiD + PSM, HILDA-Panel, 215.000 Beobachtungen).
Demonstriert: Kausales Schlussfolgern jenseits von Korrelation. Identifikationsstrategie, Annahmentests, Robustheitsprüfungen und transparente Unsicherheitskommunikation für politikrelevante Fragen.
End-to-End-Supervised-Learning-Workflow: leckagefreie sklearn-Pipelines, Modellvergleich (LR · RF · GBM), Kreuzvalidierung, 11 automatisierte pytest-Tests und reproduzierbare Dokumentation. Random Forest: ROC-AUC 0,900.
Demonstriert: Saubere Python-Projektstruktur, Vermeidung von Data Leakage, Modellvalidierung, automatisierte Tests und reproduzierbare Ergebnisdokumentation.
Analytische Belastbarkeit erfordert nicht nur methodische Sorgfalt, sondern auch verantwortungsvolle Interpretation, insbesondere bei Daten mit gesellschaftlicher Sprengkraft. Diese Grundsätze leiten meine gesamte Arbeit.
Nur öffentliche, aggregierte Daten. Alle Portfolioprojekte verwenden ausschließlich amtlich veröffentlichte Statistiken oder frei zugängliche Institutionsdaten — keine personenbezogenen Daten, kein Web-Scraping operativer Inhalte.
Explizite Interpretationsgrenzen. Jedes Projekt enthält eine klare Abgrenzung: Was erlauben die Daten zu schlussfolgern — und was nicht. Erfasste Fallzahlen sind keine Prävalenzmaße; Muster in Protokolldaten sind keine Bekenntnisse.
Prüfsummenvalidierung und Quelldokumentation. Amtliche Zahlen werden vor jeder Analyse gegenüber publizierten Gesamtsummen validiert; jeder Datenpunkt trägt Quell-URL und Zugriffsdatum.
Vollständige Reproduzierbarkeit. Alle Auswertungen laufen über versionierte, dokumentierte Skripte — keine manuelle Nachbearbeitung von Outputs. Ergebnisse sind unabhängig nachvollziehbar.
Eigenständige Analyseprojekte auf großen makroökonomischen Längsschnittdatensätzen in R (tidyverse, ggplot2); reproduzierbare Visualisierungen für Forschungs- und Nicht-Fachpublikum; Git-basierter Workflow und Datendokumentation.
Python-basierte Datenpipelines (pandas, numpy, scikit-learn, matplotlib) für Aufbereitung, statistische Analyse und Visualisierung experimenteller und Befragungsdaten (>5.000 Teilnehmende); eigenständige Analyseprojekte von der Fragestellung bis zur Ergebniskommunikation; vier Jahre kontinuierliche Praxis.
Quasi-experimentelle Politikanalyse (Differenz-von-Differenzen, Regressionsdiskontinuität) in Stata zur Schätzung kausaler Effekte von Regulierungsänderungen; Datensatzkonstruktion, Variablenkodierung und Replikationsdokumentation.
Neuartiger, asymptotisch pivotaler Test auf Basis der L²-Distanz zwischen naivem und IV/Kontrollfunktions-Schätzer, validiert durch Monte-Carlo-Simulation in R. Angewendet auf Card (1995): IV-Korrektur ist nur für Hochschulabsolventen relevant — ein heterogenes Ergebnis, das skalare Endogenitätstests verfehlen.
Differenz-von-Differenzen mit Propensity-Score-Matching auf dem HILDA-Längsschnitt (n > 17.000) zur Schätzung distributionaler Wohlfahrtseffekte des COVID-19-Lockdowns in Victoria — disproportionale Belastung der am schlechtesten Gestellten.
Regressionsdiskontinuität (McCrary-Test, Donut-Hole-Robustheitsprüfungen, Bandbreitensensitivitätsanalyse) auf das uruguayische PANES-Transferprogramm. Robuster kausaler Anstieg politischer Unterstützung um ca. 10 %.