Werde Teil unseres
Data Science Teams

Empowering organizations with data-driven insights

Bei Novalytica wirst du Teil eines ambitionierten Teams mit einer Passion für Daten und Data Use Cases. Unser interdisziplinäres Team vereint Personen mit Abschlüssen in Physik, Computer Science, Ökonomie und weiteren Fachrichtungen. Zudem haben wir einen starken akademischen Hintergrund. Was uns vereint, ist die Leidenschaft, mit Daten zu arbeiten und durch die smarte Verarbeitung von Daten, Wert für unsere Kunden zu generieren.

Über die letzten Jahre durften wir für unsere Arbeit verschiedene Awards und Auszeichnungen für innovative Datenprodukte entgegennehmen. Resultate unserer Analysen werden in nationalen Medien (u.a. NZZ, SRF) aufgenommen und haben so auch einen breiteren Einfluss.

Hast du eine Passion für Daten und bist motiviert, die nächsten ambitionierten Schritte gemeinsam zu gehen?

Offene Stellen

Spontanbewerbung

Unsere Werte

The client comes first!

■ Der Erfolg unserer Kunden steht immer im Zentrum
■ Wir erbringen unsere Dienstleistungen stets mit dem bestmöglichen Standard

We are curious!

■ Innovation ist unser Schlüssel zum Erfolg
■ Wir interessieren uns für neue Ideen und neue Technologien
■ Wir haben eine Leidenschaft für Daten

Can do attitude & results driven

■ Wir übernehmen Aufgaben
■ Wir übernehmen das volle Risiko und die volle Verantwortung
■ Wir konzentrieren uns auf das Endergebnis und nicht auf den Weg dorthin

Appreciation, trust & honesty

■ Wir schätzen den Beitrag jedes Teammitglieds
■ Wir haben eine offene Feedbackkultur und können Feedback annehmen
■ Wir kommunizieren offen und ehrlich

Unser Angebot: Gemeinsam wachsen

Mitarbeit in einem hochqualifizierten, spezialisierten Team aus führenden Data Science-Experten.
Ein innovatives und kreatives Arbeitsumfeld.
Die Möglichkeit, früh Verantwortung zu übernehmen und so zum Erfolg und Wachstum des Unternehmens direkt beizutragen.
Vielfältigen Aufgaben an der Schnittstelle von Data Science und verschiedensten Branchen.
Zentrale Büros in Bern und Zürich.
Flexible Arbeitszeiten und Homeoffice.
Regelmässige Teamevents.
Austausch mit einem internationalen Team.

Offene Stellen

Data Scientist / Project Manager (m/f/d)

Spontanbewerbung

Newsletter abonnieren

Darum arbeiten wir bei Novalytica

"Daten sind heutzutage reichlich vorhanden und es gibt ein riesiges Potenzial, sie zu nutzen. Daten aus strukturierten und unstrukturierten Datenquellen zu sammeln und leicht zugänglich zu machen, macht nicht nur Spass, sondern hilft Unternehmen letztlich dabei, bessere Entscheidungen zu treffen." Mehr zu Roman erfahren.

"Die vielfältigen Branchen, in denen Novalytica Organisationen unterstützt, machen die Arbeit abwechslungsreich und jeden Tag zu einer neuen, spannenden Herausforderung."

"An der Arbeit mit Daten gibt es zwei besonders reizvolle Aspekte: das Fachliche und das Resultat. Einerseits findet die Arbeit mit Daten an der enorm interessanten Schnittstelle zwischen Mathematik, Informatik und dem Fachwissen statt, aus dem die Daten stammen. Andererseits kann durch die richtige Verarbeitung der Daten ein enormer Mehrwert für Organisationen und Gesellschaft entstehen." Mehr zu André erfahren.

Wie Sie Chat GPT gewinnbringend einsetzen können

In Unternehmen können generative Sprachmodelle bei einer Vielzahl von Tätigkeiten eingesetzt werden und helfen, die Effizienz zu steigern. Durch die Zugehörigkeit zu Microsoft ergeben sich insbesondere im Microsoft Azure-Umfeld viele neue Möglichkeiten, um Chat GPT zu integrieren.

Treemap Nettovermoegen indirekte Schweizer Immobilienanlagen

Nutzbarmachung von unstrukturierten Daten

Daten sind in grossen Mengen verfügbar und viele davon sind öffentlich zugänglich. Einige Datenquellen sind jedoch nur unstrukturiert vorhanden. Die Erhebung und Prozessierung solcher Daten ist zeitaufwendig und komplex. Gleichzeitig sind es oft gerade unstrukturierte Daten, die neue Erkenntnisse generieren und einen Wettbewerbsvorteil schaffen können.

Tree-based vs. Deep Learning

Bei tabellarischen Daten ist der Vorteil von Deep Learning gegenüber herkömmlichen Machine Learning Methoden unklar. Grinsztajn et al (2022) untersuchen, weshalb Decision Trees eine bessere Performance als Deep Learning-Verfahren auf Tabellendaten erreichen.