Was ein Data Analyst wirklich macht - eine Woche im Detail

Ein Data Analyst beantwortet Fragen mit Daten. Diese Kurzfassung steht in jeder zweiten Stellenanzeige, und sie hilft niemandem weiter. Nützlicher ist der Blick auf eine gewöhnliche Arbeitswoche: darauf, wie viele Stunden tatsächlich in welche Tätigkeit fließen. Wer das kennt, kann einschätzen, ob ihm die Rolle liegt - und was er in den ersten Monaten wirklich tun wird.

Eine Woche, ehrlich aufgeschrieben

Die folgende Aufteilung ist ein Erfahrungswert aus Teams mittlerer Größe, in denen Berichtswesen und Analyse zusammenliegen. In Wochen mit Monats- oder Quartalsabschluss verschiebt sich alles in Richtung Berichte, in ruhigen Wochen bleibt mehr für Analyse. Die Größenordnung stimmt trotzdem meistens.

Zwei Dinge fallen auf. Erstens belegt genau die Tätigkeit, wegen der die meisten sich für den Beruf entscheiden - das Finden von Zusammenhängen - den kleinsten Block. Zweitens geht fast die Hälfte der Woche für Arbeit drauf, die vor der Analyse liegt und in keiner Stellenanzeige beschrieben wird.

Das ist kein Missstand einzelner Unternehmen. Es ist die Struktur des Berufs.

Warum die Datenaufbereitung so viel Zeit kostet

Die Daten, die du brauchst, liegen selten an einem Ort. Ein Teil steckt im Data Warehouse, ein Teil in einem operativen System, ein Teil in einer Tabelle, die jemand aus dem Vertrieb pflegt. Bevor du irgendetwas auswertest, musst du sie zusammenführen und verstehen.

Verstehen heißt konkret: Was bedeutet dieses Feld? Warum ist es in zwölf Prozent der Zeilen leer? Warum gibt es Bestellungen mit einem Datum in der Zukunft? Sind das Testdaten, ein Zeitzonenproblem oder ein echter Fehler im Bestellprozess?

Solche Fragen klärt man nicht durch Nachdenken, sondern durch Nachsehen und Nachfragen. Deshalb ist dieser Block so groß, und deshalb ist er auch nicht die lästige Vorstufe der eigentlichen Arbeit. Er ist die Arbeit. Wer die Daten kennt, findet später Fehler, die andere übersehen. Welche Grundlagen du dafür brauchst - SQL an erster Stelle, dazu etwas Statistik und sauberes Arbeiten mit Git - steht im Überblick zu den Voraussetzungen für ein KI-Praktikum.

Abstimmung: die Frage hinter der Frage

Die Anfrage, die dich erreicht, ist fast nie die Frage, die beantwortet werden muss. "Kannst du mir die Zahlen für die Region Nord schicken" heißt übersetzt oft: "Ich muss morgen im Termin begründen, warum wir dort weniger verkaufen als geplant."

Der Unterschied entscheidet über die halbe Woche. Schickst du nur die Zahlen, kommt die Rückfrage. Fragst du vorher nach, wofür die Zahlen gebraucht werden, lieferst du im ersten Anlauf etwas Brauchbares.

Diese Rückfrage ist die wichtigste Fähigkeit im Beruf, und sie ist keine technische. Ein Data Analyst sitzt zwischen einem Fachbereich, der die Frage hat, und Systemen, die die Antwort enthalten. Vermittelt wird in beide Richtungen: Du übersetzt die Geschäftsfrage in eine Abfrage und das Ergebnis zurück in einen Satz, den jemand ohne Datenhintergrund versteht.

Dashboards bauen ist leicht, Dashboards pflegen ist Arbeit

Ein Dashboard im BI-Werkzeug ist an zwei Tagen gebaut. Danach lebt es Jahre, und in dieser Zeit ändert sich alles: Ein Quellsystem bekommt ein neues Feld, eine Kennzahl wird anders definiert, ein Produktname ändert sich, ein Filter passt nicht mehr.

Deshalb besteht der Dashboard-Anteil der Woche zum kleineren Teil aus Neubau und zum größeren aus Pflege. Dazu gehört auch die unangenehme Aufgabe, Berichte abzuschalten, die niemand mehr ansieht. Ein Team, das das nie tut, pflegt irgendwann vierzig Dashboards und traut keinem davon.

Der häufigste Streitpunkt dabei ist nicht die Technik, sondern die Definition. Wenn Vertrieb und Controlling "aktiver Kunde" unterschiedlich verstehen, zeigen zwei korrekte Dashboards zwei verschiedene Zahlen. Diesen Konflikt aufzulösen, ist Teil der Rolle.

Die eigentliche Analyse

Bleiben vier bis acht Stunden. Was passiert darin?

Meistens: Vergleiche über die Zeit, Aufteilung nach Segmenten, Kohortenbetrachtungen, das Nachrechnen einer Vermutung aus dem Fachbereich, gelegentlich eine Regression oder ein einfacher Test auf Signifikanz. Selten bis nie: das Trainieren von Modellen. Das ist die Grenze zur nächsten Rolle.

Der Wert entsteht am Ende nicht durch das Verfahren, sondern durch die Interpretation. Eine Auswertung, die zeigt, dass die Abwanderung in einem Segment doppelt so hoch ist wie im Rest, ist erst dann etwas wert, wenn jemand daraus eine Entscheidung ableiten kann. Deshalb gehört zu jeder Analyse ein kurzer Text, der sagt, was zu sehen ist und was daraus folgt - und was ausdrücklich nicht daraus folgt.

Abgrenzung zu Data Scientist und Data Engineer

Die drei Rollen liegen nebeneinander, und in kleinen Unternehmen macht sie eine Person. Trotzdem lassen sie sich klar unterscheiden.

Der Data Analyst erklärt Vergangenheit und Gegenwart. Sein Ergebnis ist eine Aussage über das, was passiert ist, adressiert an Menschen, die entscheiden.

Der Data Scientist beschäftigt sich mit dem, was passieren wird oder was passieren würde. Sein Ergebnis ist ein Modell, ein Experiment oder eine Schätzung - und damit auch die Frage, wie gut diese Schätzung ist.

Der Data Engineer sorgt dafür, dass die Daten überhaupt da sind: Pipelines, Zeitpläne, Qualitätsprüfungen, Zugriffsrechte. Ohne ihn arbeiten die anderen beiden mit Exporten aus dem letzten Monat.

Wer sich die benachbarten Rollen im Zusammenhang ansehen will, findet sie im Berufsfeld Daten und Analytics. In der Praxis überlappen sich die Aufgaben stark, und viele Stellenanzeigen mischen sie. Das ist einer der Gründe, warum man Ausschreibungen genau lesen sollte statt nur den Titel.

Die Werkzeuge, in der Reihenfolge ihrer Wichtigkeit

SQL. Mit Abstand das wichtigste Werkzeug. Wer Joins, Gruppierungen und Fensterfunktionen sicher beherrscht, ist im Alltag arbeitsfähig. Alles andere lässt sich nachziehen.

Tabellenkalkulation. Wird gern belächelt und ist trotzdem täglich im Einsatz - für schnelle Gegenrechnungen, für den Austausch mit Fachbereichen, für Daten, die es nie in ein System geschafft haben.

Ein BI-Werkzeug. Welches, hängt vom Haus ab. Die Konzepte sind ähnlich genug, dass der Wechsel in ein bis zwei Wochen erledigt ist.

Etwas Python. Für alles, was in SQL umständlich wird: Datenbereinigung mit pandas, wiederkehrende Auswertungen als Skript, gelegentlich eine Grafik, die das BI-Werkzeug nicht hergibt.

Statistikgrundlagen. Mittelwert, Median, Streuung, Verteilung, der Unterschied zwischen Korrelation und Ursache. Kein Hochschulniveau, aber sicher.

Was ein Praktikant konkret übertragen bekommt

Realistisch sind in den ersten Wochen: eine Kennzahl neu berechnen und mit dem alten Wert vergleichen, ein bestehendes Dashboard um eine Dimension erweitern, eine wiederkehrende Auswertung übernehmen, die bisher jemand von Hand gemacht hat, Datenqualitätsprüfungen schreiben, Felder dokumentieren, kleinere Ad-hoc-Anfragen aus dem Fachbereich beantworten.

Was du in den ersten Wochen nicht bekommst: die Neudefinition zentraler Kennzahlen, Zugriff auf besonders schutzbedürftige Daten, die Verantwortung für einen Bericht, den die Geschäftsführung liest. Das ist keine Geringschätzung, sondern eine Frage von Haftung und Einarbeitung.

Genau diese Aufgaben eignen sich aber gut, um sie später zu zeigen. Wie man aus solchen Arbeiten etwas Vorzeigbares macht, steht im Leitfaden für Portfolio und Projekte; worauf es bei den Unterlagen ankommt, sammeln die Beiträge zur Bewerbung. Welche Stellen gerade offen sind, siehst du in der Übersicht der KI-Praktika.

Warum die Rolle ein guter erster Schritt in ein KI-Team ist

Weil du dort lernst, wo die Daten herkommen und was sie bedeuten. Das ist die Voraussetzung für jede spätere Modellarbeit und der Punkt, an dem Quereinsteiger am häufigsten scheitern: Sie können ein Modell trainieren, aber nicht beurteilen, ob die Zielvariable überhaupt misst, was sie messen soll.

Dazu kommt die Nähe zum Fachbereich. Wer ein Jahr lang erklärt hat, warum eine Zahl so aussieht, wie sie aussieht, kann später auch ein Modellergebnis erklären. Der Wechsel vom Analysten zum Data Scientist innerhalb desselben Unternehmens ist einer der häufigsten Karrierewege im Feld - deutlich häufiger als der Direkteinstieg von außen.

Wenn du überlegst, ob du diesen Einstieg über ein Praktikum, eine Werkstudentenstelle oder eine Abschlussarbeit suchst, hilft der Vergleich der drei Wege.

Woran du merkst, ob die Rolle zu dir passt

Wenn dich die Frage, warum zwei Systeme unterschiedliche Umsätze melden, eher neugierig macht als ärgert, bist du richtig. Der Rest ist Handwerk und lässt sich lernen.