Berufsbild Data Analyst*in

Talk Data to me!

Data Analyst*innen (alternativ: Data Scientists (d/m/w), Data Engineers (d/m/w), Big Data Analyst*innen) bleiben beim Anblick gewaltiger, ungeordneter Datenmengen ganz cool. Bestehende Daten überprüfen sie auf Qualität und Konsistenz. Vor allem aber haben sie die Aufgabe, durch Data Analytics Informationen zu sammeln, um spezifische Fragestellungen zu klären und dem Unternehmen dadurch zu ermöglichen, strategisch zu reagieren.

Typische Aufgaben als Data Analyst*in

  • KDD: Knowledge Discovery in Databases
  • Datenauswertung mittels (unternehmensspezifischer) Software
  • Identifikation, Analyse und Interpretation von Trends und Mustern
  • Ableitung von Handlungsempfehlungen
Der KDD-Prozess in der Datenanalyse
Knowledge Discovery in Databases: Schritte des KDD-Prozesses. Quelle: Eigenes Bild.

Typischerweise läuft die Extraktion von Wissen in mehreren Schritten ab, die durch den so genannten KDD-Prozess abgebildet werden. Im Vorfeld wird per Zieldefinition geklärt, welche Erkenntnisse gewonnen und welche Datensätze dafür auf welche Weise analysiert werden sollen. Dabei kann auch Big Data ins Spiel kommen. Ist die Auswahl getroffen, werden die Daten bereinigt und transformiert, ehe das eigentliche Data Mining, also die Datenanalyse, stattfinden kann. Zur Interpretation und Auswertung werden in der Regel unternehmensspezifische Software und Statistik-Tools wie SPSS genutzt. Durch die Datenanalyse können wichtige Trends und Muster identifiziert und interpretiert werden. Die Ergebnisse werden in Reports so aufbereitet, dass sich daraus Handlungsempfehlungen ableiten lassen.

Die Anforderungen an das Datenmaterial können dabei ganz unterschiedlicher Natur sein: Ob es um Markt- oder Umwelteinflüsse, die Lebensdauer von Maschinen, Audience Measurement oder die Effektivität einer Kampagne im Hinblick auf die Performanceziele geht: Wer klar definierte Fragestellungen hat und weiß, nach welchen Kennzahlen man forschen muss, kann den KDD-Prozess stark zu seinem Vorteil nutzen.

Welche Techs und Tools sind bei Data Analyst*innen gefragt?

  • SQL
  • Programmierkenntnisse (häufig Java, Python oder eine C-Sprache)
  • SPSS, SAS, R

So hoch technisch wie der eines Entwicklers ist der Job des Data Analysten (d/m/w) nicht. Analytisches Know-how steht hier stark im Vordergrund. Dennoch: Um im Unternehmen selbständig agieren zu können, sollten Data Analyst*innen sich sehr gut mit relationalen Datenbanken (SQL) auskennen. Hier erhalten sie schließlich die Grundlagen für jede Datenanalyse. Programmierkenntnisse, etwa mit Java, Python oder C (++,#), sind oftmals ebenfalls Voraussetzung – hier gilt: je tiefer die Expertise, desto besser. An Tools spielen vor allem Statistik- und Analyseprogramme wie SPSS und SAS und demzufolge auch die Sprache R eine wichtige Rolle für die Auswertung der Daten. Zudem sollte man excel-lente Tabellen führen können.

Technologien

  • SQL

Auch oft Voraussetzung

  • Programmierkenntnisse, z.B. mit Java, Python oder C (++, #)

Häufig verwendete Tools

  • SPSS, SAS, R
  • Excel

Mögliche Methoden

  • KDD
  • Statistik

Methoden und Konzepte, die Data Analyst*innen sonst noch kennen sollten

  • agile Methoden
  • Wartung bestehender und Entwicklung/Implementierung neuer Datensysteme
  • Anfertigung und Reviews von Reports und PIs sowie Präsentation der Ergebnisse an andere Abteilungen
  • abhängig vom Unternehmenskontext Unterstützung bei der Anforderungserstellung und Qualitätskontrolle zur Optimierung spezifischer Daten-Analysesoftware zur Datenanalyse
  • je nach Position auch Consulting oder Coaching von Team-Kollegen

Agile Entwicklung ist in den meisten Unternehmen State of the Art, daher schadet Erfahrung aus dem agilen Umfeld selten. Natürlich sollten Data Analyst*innen auch in der Lage sein, die Systeme, mit denen sie arbeiten, selbst zu warten und neue zu implementieren. Bei der Optimierung bestehender Unternehmenssoftware für Zwecke der Datenanalyse ist das Know-how des Data Analysten (d/m/w) bei Anforderungsdefinition und Qualitätskontrolle natürlich schwer gefragt. Hier kann er auch als “Optimaler Nutzer” fungieren und testen. Das Anfertigen von Reportings gehört zum Alltag eines Data Analysten einfach dazu und endet hier selten: Die anderen Abteilungen freuen sich nämlich sehr über die allgemein verständlich aufbereitete Präsentation der Analyse-Ergebnisse. Die enge Zusammenarbeit mit den Fachbereichen liegt auf der Hand. Des Weiteren ist das Coaching von Teamkollegen auch oft Bestandteil des Arbeitsspektrums von Data Analyst*innen.

Methoden und Konzepte

  • agile Entwicklung
  • Wartung und Neuentwicklung von Datensystemen
  • Anforderungsmanagement
  • Reviews, PIs
  • Reporting
  • Präsentation
  • Consulting
  • Coaching
  • Audience Measurement
  • Webanalyse

Was sollten Data Analyst*innen sonst noch mitbringen?

abgeschlossenes Hochschulstudium oder vergleichbare Ausbildung in den Bereichen Statistik, Mathematik, Informatik oder Wirtschaftswissenschaften Berufserfahrung ist von Vorteil, je nach Position auch Voraussetzung (z.B. in großen Rechenzentren) sehr gute Kenntnis gängiger Statistikprogramme (SPSS, SAS, R) große Vertrautheit mit Analysemethoden und -strategien analytisches Verständnis, Zahlenaffinität SQL-Kenntnisse Präsentationsgeschick

Seit kurzem gibt es Studiengänge im Bereich Data Science. Data Analyst*in kann aber jeder werden, der sich schon während des Studiums intensiv mit Zahlen beschäftigt hat und daher meist einen mathematischen, statistischen oder wirtschaftswissenschaftlichen Background aufweist. Dabei gibt es auch Quereinsteiger, die oftmals aus der IT, Mathematik, Physik oder verwandten Bereichen wie der Business Intelligence kommen. Zudem muss heute nicht jeder Data Analyst (d/m/w) zwangsläufig ein Studium abgeschlossen haben – die Expertise zählt. Grundvoraussetzung für den Job als Data Analyst*in ist eine große Affinität zu Zahlen. Dabei sollte Know-how eines breiten Spektrums an Analysemethoden sowie die Lust, sich stetig weiterzubilden, nicht fehlen. Auch kommunikativ sollte ein Data Analyst gut aufgestellt sein und über ein ausgeprägtes Präsentationsgeschick verfügen.

Darf’s ein bisschen mehr sein? – Berufliche Perspektiven

Je nach Unternehmenskontext eröffnen sich Data Analyst*innen interessante berufliche Perspektiven. Angrenzende Bereiche wie Data Science, Business Intelligence oder Data Engineering können eine reizvolle Fortführung des Themas darstellen. Wie bereits erwähnt, sind Programmierkenntnisse eine nette und oftmals geforderte Beigabe im Portfolio des Data Analysten (d/m/w). Nicht selten entwickeln diese sich im Laufe der Berufsjahre weiter. So entscheidet sich manch ein Data Analyst für eine aufbauende Karriere als Big Data Developer*in oder Architekt*in. In den kommenden Jahren wird die Bedeutung von Daten für die Erreichung der Geschäftsziele weiterhin stark zunehmen. Für den Nachrichtensender CNBC gilt Data Analyst schon jetzt als “the sexiest job of the 21st century”.

Und was verdient man als Data Analyst*in?

Ob es an der großen Nachfrage oder dem Wert seiner Arbeit für Unternehmen liegt: Schon als Berufseinsteiger kann man als Data Analyst*in ordentlich verdienen. Juniorgehälter von 40.000 € im Jahr sind keine Seltenheit, während ein Senior das Doppelte für sich verbuchen kann. Nach oben ist die Gehaltsrange relativ offen. Je nach Position und Unternehmen sind Gehälter von 90.000 € und mehr möglich. Für jeden, der Daten liebt, bietet sich hier also ein äußerst spannendes und häufig sehr lukratives Berufsfeld!

Verdienst

  • 40.000 € (Junior)
  • bis 80.000 € (Senior)
  • positionsabhängig auch 90.000 € und mehr möglich

Ihre Ansprechpartner für Positionen als Data Analyst (d/m/w):