Data Analyst:in – Interviewfragen & Gehalt
Als Data Analyst:in verdient man in Deutschland im Median 53.000 € brutto im Jahr; die mittlere Hälfte der Gehälter liegt zwischen 45.000 € und 68.000 €.
Auf einen Blick
- Mediangehalt53.000 €
- Einstellungsdauer45–75 Tage
- Erfahrung2–5 Jahre
Gehalt für Data Analyst:in
Festgehalt, brutto pro Jahr
- 25. Perzentil
- 45.000 €
- Median
- 53.000 €
- 75. Perzentil
- 68.000 €
| Level | 25. Perzentil | Median | 75. Perzentil |
|---|---|---|---|
| Einstieg | 38.000 € | 42.000 € | 47.000 € |
| Mittlere Erfahrung | 45.000 € | 53.000 € | 68.000 € |
| Senior | 58.000 € | 67.000 € | 82.000 € |
Zum Vergleich: Der gesetzliche Mindestlohn in Deutschland liegt seit 1. Januar 2026 bei 13,90 € brutto pro Stunde — bei einer Vollzeitstelle mit 40 Wochenstunden rund 2.410 € brutto im Monat. (BMAS: Mindestlohn steigt zum 1. Januar 2026 auf 13,90 Euro)
Bruttofixgehalt pro Jahr für eine:n Data Analyst:in auf Mid-Level (2 bis 5 Jahre Berufserfahrung) im deutschen KMU oder Mittelstand. Berlin, München und Hamburg im SaaS- und Scale-up-Umfeld ziehen die Spanne nach oben (60 bis 80 k€), klassischer Mittelstand und Provinzstandorte tendenziell nach unten (40 bis 50 k€). Profile mit SQL plus Python und nachgewiesener Geschäftsorientierung liegen über dem Median; reine Reporting-Rollen in BI-Tools (Tableau, Power BI) tendieren unter den Median. Eine variable Vergütung ist in dieser Rolle untypisch.
Quellen: Stepstone Gehaltsdaten Data Analyst Deutschland 2026; Stepstone Gehaltsreport 2026; kununu Gehaltscheck Data Analyst; Destatis Verdiensterhebung (April 2025), Berufsgruppe 43 IKT-Berufe
So stellen Sie eine:n Data Analyst:in für Ihr KMU ein
Bevor Sie die Stellenausschreibung schreiben, klären Sie drei Fragen. Sie entscheiden, welches Profil Sie tatsächlich suchen, und vermeiden die häufigsten Fehler bei Data-Einstellungen im deutschen KMU.
Frage 1: Data Analyst:in, Data Scientist:in oder BI-Analyst:in? Ein:e Data Analyst:in beantwortet Geschäftsfragen mit SQL und einem BI-Tool und unterstützt Entscheidungen. Ein:e Data Scientist:in baut prädiktive Modelle, arbeitet häufig mit Machine Learning in Python und bringt Modelle in Produktion. Ein:e BI-Analyst:in konzentriert sich auf Aufbau und Pflege von Dashboards. Im KMU mit unter 50 Personen brauchen Sie fast immer eine:n Analyst:in, nicht eine:n Scientist:in: Ihre teuersten Probleme sind unbeantwortete Geschäftsfragen, nicht fehlende ML-Modelle. Eine:n Scientist:in im Reporting-Kontext einzustellen führt in 6 bis 12 Monaten zur Kündigung, weil sie:er unterfordert ist und die Modellinfrastruktur fehlt. Wenn der Bedarf rein um Dashboard-Pflege kreist und keine analytischen Geschäftsfragen offen sind, prüfen Sie, ob eine BI-Analyst:in-Rolle (engerer Scope, niedrigere Vergütung, andere Skill-Mischung) nicht passender wäre.
Frage 2: Wie reif ist Ihre Dateninfrastruktur? Ein:e Analyst:in mit 3 Jahren Praxis in einem datenreifen Scale-up (Snowflake oder BigQuery, dbt-Modelle, Looker-Stack, dokumentierte Metrik-Definitionen) arbeitet anders als jemand, der in einer Early-Stage-Umgebung gestartet ist (rohe Produkt-Daten, kein Warehouse, Excel und Google Sheets als Hauptarbeitsplatz). Beide Profile sind wertvoll, passen aber unterschiedlich. In einer Early-Stage-Umgebung suchen Sie ein Profil, das ohne Infrastruktur produktiv ist, pragmatisch baut, was fehlt, und Geschäftsfragen mit dem beantwortet, was da ist. In einem reifen Scale-up suchen Sie ein Profil, das in einem strukturierten Layer arbeitet, dbt-Modelle weiterentwickelt und in einem etablierten BI-Tool tiefer geht. Die beiden Profile zu kreuzen führt in 6 bis 12 Monaten zur Frustration. Beschreiben Sie Ihre Dateninfrastruktur in der Anzeige offen; das filtert automatisch passende Profile.
Frage 3: Wo hängt die Rolle organisatorisch? Ein:e Data Analyst:in im KMU funktioniert am besten als Geschäftsfunktion mit technischer Tiefe, nicht als Tech-Funktion mit Geschäftsbezug. Die Berichtslinie an Geschäftsführung, CFO oder COO öffnet den direkten Zugang zu strategischen Fragen und positioniert die Rolle als Sparringspartner:in der Geschäftsfunktionen. Eine Einbettung im Engineering-Team mit Berichtslinie an die:den CTO funktioniert in den ersten Monaten, schränkt die Wirkung der Rolle aber mittelfristig ein: die:der Analyst:in landet zunehmend auf technischen Tickets statt auf Geschäftsfragen. Klären Sie die organisatorische Aufhängung vor der Einstellung, weil sie das Profil der:des passenden Kandidat:in mitbestimmt.
Wenn alle drei Antworten auf eine:n Data Analyst:in im klassischen Sinne deuten (Geschäftsanalysen, SQL-zentriert, mit Berichtslinie an Geschäftsführung oder Finance), finden Sie die passende Vorlage in der Stellenbeschreibung weiter unten.
Stellenbeschreibung Data Analyst:in als Vorlage
[Firmenname], B2B-KMU [Branche] mit Sitz in [Stadt], [X] Mitarbeitende, [X] Mio. € ARR, sucht eine:n Data Analyst:in zur Verstärkung des Geschäftsteams. Sie berichten an die [Geschäftsführung / CFO / COO / Head of Data].
Ihre Aufgabe
Sie beantworten die wichtigsten Geschäftsfragen mit Daten und unterstützen Geschäftsführung, Sales, Marketing und Produkt bei Entscheidungen. Sie sind die zentrale Ansprechperson für analytische Fragen im Unternehmen.
Hauptverantwortlichkeiten
- Geschäftsanalysen eigenständig führen: Eingrenzung der Frage, SQL-Abfragen, Auswertung in einem BI-Tool oder in Python, Empfehlung an die Stakeholder:innen.
- Wöchentliches oder zweiwöchentliches Geschäftsreview mit konsolidiertem Kennzahlen-Set moderieren und nachjustieren.
- Strukturelle Analysen liefern (Funnel-Analyse, Kohorten-Retention, Forecast, Segment-Analyse), die Geschäftsentscheidungen verändern.
- Dashboards in [Tool, z. B. Looker, Tableau, Power BI, Metabase] aufbauen, pflegen und dokumentieren.
- Datenqualität proaktiv prüfen, Anomalien untersuchen und Datenqualitätsprobleme mit dem Engineering-Team adressieren.
- Stakeholder:innen aus Sales, Marketing, Produkt und Geschäftsführung in 1:1 begleiten und Anfragen schärfen, statt mechanisch zu liefern.
- Datenkultur im Unternehmen aktiv tragen: SQL-Schulungen für interessierte Kolleg:innen, pädagogische Reviews, Dokumentation häufiger Pitfalls.
Profil
- Unverzichtbar: [2 bis 5] Jahre professionelle Erfahrung in einer Analyst:in-Rolle; sehr solide SQL-Praxis (CTEs, Window Functions, komplexe Joins); Beherrschung mindestens eines BI-Tools (Looker, Tableau, Power BI, Metabase); nachgewiesene Geschäftsorientierung (Analysen, die konkrete Entscheidungen verändert haben).
- Wünschenswert: Vertrautheit mit Python oder R für Ad-hoc-Analysen; Erfahrung mit dbt oder einem Äquivalent; Erfahrung im KMU oder Scale-up (hohe Autonomie und Stakeholder-Vielfalt); Branchenkontext nahe an [unserer Branche].
- Disqualifizierend: keine eigenständige SQL-Praxis; reine Reporting-Haltung ohne Geschäftsempfehlung; Ablehnung der Mitarbeit in Geschäftsfunktionen (Sales-Calls mithören, Marketing-Reviews begleiten); Wunsch nach ausschließlich modellier- oder ML-fokussierter Arbeit.
Was wir bieten
- Bruttojahresvergütung: [45 bis 68] k€ je nach Erfahrung. Keine strukturelle variable Komponente.
- Modell: [Vollzeit, hybrid 2 bis 3 Tage / Woche vor Ort, Basis in [Stadt] / remote-friendly].
- Benefits: [betriebliche Altersvorsorge, Fahrrad-Leasing, Urlaubstage, Homeoffice-Policy, Hardware-Budget, Weiterbildungs- und Konferenzbudget].
- Stack: [zu ergänzen: Data Warehouse (Snowflake, BigQuery, Postgres), BI-Tool (Looker, Tableau, Power BI, Metabase), Transformations-Layer (dbt), Analytics-Tools (Mixpanel, Amplitude, GA4), Python oder R für Ad-hoc-Analysen].
Sie besetzen diese Stelle? Job Studio macht aus der Vorlage eine fertige Stellenanzeige, mit Gehaltsvorschlag und Bewerbungsformular.
Interviewfragen für Data Analyst:in
15 strukturierte Fragen, nach Typ gruppiert. Jede nennt die Kompetenz, die sie prüft; aufgeklappt sehen Sie, woran Sie eine starke Antwort erkennen.
Verhaltensbezogen 3
Beschreiben Sie eine Analyse, die eine konkrete Geschäftsentscheidung verändert hat. Was war die Ausgangsfrage, was haben Sie gefunden, und was wurde am Ende entschieden?
GeschäftsorientierungWorauf eine starke Antwort hinweist
Fähigkeit, ein Analyse-Projekt entlang der Wirkungskette zu erzählen: Frage, Methode, Ergebnis, Entscheidung. Bonus: die:der Kandidat:in benennt die Stakeholder:innen, die Annahmen und die Unsicherheit der Daten. Wer nur die Methode beschreibt („Ich habe einen Funnel gebaut“), ohne die Entscheidung zu nennen, hat meist Reporting gemacht, nicht Analyse. Wer von „strategischen Insights“ ohne konkrete Zahl oder Aktion spricht, kompensiert oft fehlende Geschäftsorientierung mit Floskeln.
Erzählen Sie mir von einer Analyse, deren Ergebnis Sie ursprünglich für falsch gehalten haben. Was war das Symptom, und wie sind Sie zur Wahrheit gekommen?
Datenkritik und InvestigationWorauf eine starke Antwort hinweist
Strukturierte Investigationsmethode: Datenqualität prüfen, Hypothesen aufstellen, mit Stakeholder:innen sprechen, neue Quellen einbeziehen. Bonus: die:der Kandidat:in nennt die Lehre aus dem Fall (was sie:er heute beim ersten Versuch anders machen würde). Ehrlichkeit zur Zeit, die es gedauert hat (eine echte Daten-Anomalie ist selten in 30 Minuten geklärt). Wer noch nie an einem eigenen Ergebnis gezweifelt hat, prüft selten genug.
Beschreiben Sie eine Stakeholder-Anfrage, die Sie zurückgewiesen oder umformuliert haben. Was war die ursprüngliche Frage, und was haben Sie stattdessen geliefert?
Stakeholder-ManagementWorauf eine starke Antwort hinweist
Geschäftsurteil und Mut, eine Frage zu hinterfragen statt mechanisch zu liefern. Bonus: die:der Kandidat:in nennt den Dialog mit der:dem Stakeholder:in (gemeinsame Umformulierung der Frage). Wer jede Anfrage genauso liefert, wie sie kommt, baut viele Dashboards, die niemand nutzt. Wer pauschal verweigert („Das ist die falsche Frage“) ohne Vorschlag, zeigt eine arrogante Haltung, die im KMU schnell zu Konflikten führt.
Situativ 3
Ein:e Sales-Lead bittet Sie um eine Ad-hoc-Auswertung, die nach Ihrer Einschätzung 2 Tage dauert. Die Person will sie heute Nachmittag. Wie reagieren Sie?
Stakeholder-ManagementWorauf eine starke Antwort hinweist
Klärung des Bedarfs vor der Timeline-Verhandlung: für welche Entscheidung ist die Auswertung gedacht, welcher Detailgrad reicht. Optionen anbieten: einfache Version heute, vollständige Version in 2 Tagen; Scope-Cut; Verweis auf ein vorhandenes Dashboard. Wer einfach zusagt und am selben Tag halbgar liefert, baut Datenqualitätsprobleme ein. Wer pauschal ablehnt, zeigt schwaches Stakeholder-Management.
Sie entdecken in der Wochenanalyse eine plötzliche Veränderung einer Schlüsselmetrik (Conversion fällt um 20 % in einer Woche). Was tun Sie in den nächsten 24 Stunden?
Datenkritik und InvestigationWorauf eine starke Antwort hinweist
Strukturierte Investigation: (1) Datenqualität und Instrumentierung prüfen (häufigste Ursache), (2) segmentieren (neue vs. bestehende Nutzer:innen, Device, Quelle, Region), (3) mit den betroffenen Funktionen sprechen (gab es ein Release, eine Kampagnenänderung, einen Ausfall bei einem Drittanbieter), (4) priorisierte Hypothesen mit Stakeholder:innen teilen. Wer sofort die Geschäftsführung alarmiert, ohne zu prüfen, schafft falschen Alarm. Wer wartet und beobachtet, verpasst Reaktionsfenster.
Drei Funktionen (Sales, Marketing, Produkt) bitten Sie im selben Quartal um große Analyse-Projekte. Sie können nur zwei davon machen. Wie priorisieren Sie?
Priorisierung und Trade-offWorauf eine starke Antwort hinweist
Explizites Priorisierungs-Framework: Geschäftsimpact pro Stunde Aufwand, strategische Bedeutung des Themas, Vorhandensein anderer Quellen für die zurückgestellte Anfrage. Erwartete Methode: mit den drei Funktionen sprechen, um den realen Bedarf hinter der Anfrage zu verstehen, gemeinsam mit der:dem Vorgesetzten priorisieren, transparent zurückmelden. Wer einfach nach dem Auftraggeber-Rang priorisiert (Geschäftsführung first), zeigt schwaches Geschäftsurteil. Wer ohne Rücksprache zwei Projekte auswählt, baut Konflikte ein.
Case 3
Unser SaaS-Produkt hat eine 30-Tage-Aktivierungsquote von 35 %. Das Team möchte verstehen, was die Aktivierungswahrscheinlichkeit am stärksten beeinflusst. Wie gehen Sie analytisch vor?
Analytische MethodeWorauf eine starke Antwort hinweist
Strukturierte Herangehensweise: (1) Aktivierungsdefinition schärfen (welcher konkrete Schritt zählt als Aktivierung), (2) den Funnel instrumentieren und die teuersten Abbruchstellen identifizieren, (3) Kohorten bilden (nach Akquisitionsquelle, Onboarding-Variante, Segment), (4) deskriptive Analyse vor jeder Modellierung (Logistische Regression oder ähnliches kommt erst, wenn die Frage es verlangt). Bonus: die:der Kandidat:in unterscheidet Korrelation von Kausalität und schlägt ein Experiment vor, um eine identifizierte Hypothese zu validieren. Wer sofort von Machine Learning oder einem Random-Forest-Modell spricht, ohne den Funnel einzugrenzen, zeigt eine Methoden-Schwäche.
Debug: Ihr Wochenreport zeigt seit 3 Wochen seltsam stabile Conversion-Zahlen, obwohl Marketing-Spend und Produktrelease sich stark verändert haben. Wie gehen Sie vor?
Datenkritik und InvestigationWorauf eine starke Antwort hinweist
Strukturierte Datenkritik: (1) Datenquellen prüfen (läuft das Tracking, hat eine API-Änderung das Event-Volumen verzerrt), (2) Stichproben manuell prüfen (passt eine einzelne Konversion zu dem, was in CRM oder Logs steht), (3) mit den Entwickler:innen sprechen (gab es einen stillen Bug im Tracking-Layer), (4) historische Vergleichswerte aus alternativen Quellen ziehen. Wer einfach die Zahlen meldet ohne zu hinterfragen, baut blindes Vertrauen in fehlerhafte Daten ein. Bonus: die:der Kandidat:in erkennt, dass zu stabile Zahlen oft ein stärkeres Warnsignal sind als chaotische.
Aufgabe: Sie sollen dem CFO einen Forecast für den ARR-Verlauf der nächsten 6 Monate liefern. Was brauchen Sie an Daten, welche Methode wählen Sie, und welche Unsicherheit kommunizieren Sie?
Analytische MethodeWorauf eine starke Antwort hinweist
Klärung vor der Methode: welche Annahmen zu Akquisition, Churn, Expansion; welcher Detailgrad pro Segment. Methode: einfache Kohorten-Projektion mit Churn- und Expansionsraten, plausibilisiert mit historischen Daten; nicht zwingend ein ML-Modell. Bonus: die:der Kandidat:in liefert Szenarien (Best, Base, Worst Case) statt einer Punktschätzung und benennt die Sensitivität auf 1 bis 2 Schlüsselannahmen. Wer ohne Klärung in eine komplexe Zeitreihenanalyse springt, zeigt fehlendes Gespür für den Bedarf der:des Stakeholder:in.
Fachlich 3
SQL: Sie haben eine Tabelle events(user_id, event_name, occurred_at). Wie schreiben Sie eine Abfrage, die für jede:n Nutzer:in die Zeit zwischen Sign-up und erstem Kauf liefert?
SQL- und Tooling-SoliditätWorauf eine starke Antwort hinweist
Beherrschung von Window Functions oder Self-Joins, CTEs zur Lesbarkeit, korrekte Handhabung von Nutzer:innen ohne Kauf (LEFT Join, NULL-Behandlung), Aggregation auf der richtigen Granularität. Bonus: die:der Kandidat:in fragt nach, ob Sign-up und Kauf in derselben Tabelle stehen, ob Mehrfachkäufe vorkommen, welche Zeitzonenkonvention gilt. Wer ohne Klärung sofort eine Abfrage schreibt, die auf einer typischen Datenstruktur nicht läuft, zeigt schwache Praxis. Wer kein CTE oder Window Function einsetzt und mit verschachtelten Subqueries arbeitet, ist meist auf einem niedrigeren SQL-Niveau.
Welche Kennzahlen empfehlen Sie einem B2B-SaaS-KMU für das wöchentliche Geschäftsreview? Warum diese und nicht andere?
GeschäftsorientierungWorauf eine starke Antwort hinweist
Gesunde Kadenz-Logik: Frühindikatoren (qualifizierte Pipeline, Aktivierungsquote, Trial-zu-Paid-Conversion) für laufende Steuerung, Spätindikatoren (MRR, ARR, Net Revenue Retention, Churn) für strategische Bewertung. Bonus: die:der Kandidat:in unterscheidet operative von strategischen Metriken und passt das Set an die Phase des Unternehmens an (ein Seed-KMU schaut auf andere Kennzahlen als ein Series-B-Scale-up). Wer 15 Kennzahlen ohne Hierarchie aufzählt, hat noch nie eine echte Steuerung verantwortet.
Erklären Sie den Unterschied zwischen Korrelation und Kausalität an einem konkreten Geschäftsbeispiel. Wie würden Sie eine vermutete Kausalität validieren?
Analytische MethodeWorauf eine starke Antwort hinweist
Klares konzeptionelles Verständnis: Korrelation lässt sich beobachten, Kausalität nur in einem kontrollierten Experiment oder über quasi-experimentelle Methoden (Differenz-in-Differenzen, Regression Discontinuity, Instrumentvariablen) plausibel etablieren. Bonus: die:der Kandidat:in nennt ein konkretes Geschäftsbeispiel (z. B. „Nutzer:innen, die unsere Anleitung lesen, kündigen seltener“ heißt nicht, dass die Anleitung die Kündigung verhindert; vielleicht sind engagierte Nutzer:innen ohnehin treuer). Wer den Unterschied nicht klar formulieren kann, wird in Analysen häufig Schein-Effekte als kausal verkaufen.
Werte 3
Wie reagieren Sie, wenn ein:e Stakeholder:in von Ihnen eine Auswertung verlangt, die nach Ihrer Einschätzung eine bereits getroffene Entscheidung im Nachhinein rechtfertigen soll?
Stakeholder-ManagementWorauf eine starke Antwort hinweist
Integrität und Geschäftsurteil. Bonus: die:der Kandidat:in beschreibt einen konkreten Fall, in dem sie:er die Frage umformuliert hat, um eine ehrliche Auswertung zu liefern (statt entweder mechanisch zu liefern oder konfrontativ zu verweigern). Wer pauschal „Ich liefere, was bestellt wird“ sagt, zeigt eine Auftragsausführer-Haltung ohne Geschäftspartnerschaft. Wer pauschal verweigert, zeigt Schwäche in der Stakeholder-Beziehung. Die gesunde Antwort liegt im Dialog.
Welche Rolle spielen Sie bei der Datenkultur eines Teams? Beschreiben Sie eine Situation, in der Sie eine:n Kolleg:in im Umgang mit Daten weitergebildet haben.
Mentoring und WeitergabeWorauf eine starke Antwort hinweist
Aktive Mentorenhaltung: Schulung in SQL oder im Lesen von Dashboards, Dokumentation häufiger Pitfalls, pädagogische Reviews von Anfragen. Wer „Ich helfe, wenn ich gefragt werde“ sagt, ohne mehr Konkretes, zeigt eine passive Haltung. Im KMU mit kleinem Datenteam ist die Fähigkeit, die Datenkultur breiter zu tragen, entscheidend für die Nachhaltigkeit der Analytics-Funktion.
Welche Kritik an einer eigenen Analyse haben Sie zuletzt erhalten, die Sie zunächst für falsch gehalten haben, und was hat Sie umgestimmt?
CoachbarkeitWorauf eine starke Antwort hinweist
Offenheit für Kritik und Lernfähigkeit. Bonus: die:der Kandidat:in nennt den konkreten Auslöser des Umdenkens (eine alternative Datenquelle, eine Stichprobenprüfung, ein methodisches Argument). Wer beschreibt, der:dem Kritiker:in die eigene Logik erklärt zu haben statt zuzuhören, zeigt eine Schwäche in der Coachbarkeit. In einem KMU, in dem die:der Analyst:in oft alleine arbeitet, ist die Fähigkeit, Kritik aktiv zu suchen, ein hartes Qualitätssignal.
Gehalt und Einstellung nach Level
Dieselbe Rolle auf jedem Level: was sie kostet, wie viel Erfahrung Sie erwarten können und wie lange die Suche meist dauert.
Junior Data Analyst:in
- Festgehalt, brutto pro Jahr
- 42.000 €38.000 € – 47.000 €
- Erfahrung
- 0–2 Jahre
- Einstellungsdauer
- 35–60 Tage
Data Analyst:in (Mittlere Erfahrung)
- Festgehalt, brutto pro Jahr
- 53.000 €45.000 € – 68.000 €
- Erfahrung
- 2–5 Jahre
- Einstellungsdauer
- 45–75 Tage
Senior Data Analyst:in
- Festgehalt, brutto pro Jahr
- 67.000 €58.000 € – 82.000 €
- Erfahrung
- 5–12 Jahre
- Einstellungsdauer
- 55–90 Tage
Gehalt für Data Analyst:in im Ländervergleich
Dieselbe Rolle auf demselben Level in jedem Markt, den wir abdecken, jeweils nach Quellen aus dem Land selbst.
| Land | Untergrenze | Üblich | Obergrenze |
|---|---|---|---|
| DeutschlandDiese SeiteFestgehalt, brutto pro Jahr | 45.000 € | 53.000 € | 68.000 € |
| FrankreichFrançaisFestgehalt, brutto pro Jahr | 38.000 € | 46.000 € | 58.000 € |
| SpanienEspañolFestgehalt, brutto pro Jahr | 32.000 € | 40.000 € | 52.000 € |
| NiederlandeNederlandsFestgehalt, brutto pro Monat | 2.768 € | 4.059 € | 5.953 € |
| ItalienItalianoFestgehalt, brutto pro JahrMilano · dati e analisi avanzata · Data Analyst · 2–5 anni di esperienza | 33.000 € | — | 38.000 € |
Monatswerte sind so angegeben, wie die Quelle sie veröffentlicht, und nicht aufs Jahr hochgerechnet: In den Niederlanden kommt meist ein Urlaubsgeld von mindestens 8 % hinzu.
Quellen
- Frankreich (abgerufen im Mai 2026): APEC, Baromètre 2025 de la rémunération des cadres · INSEE, DADS 2024 (PCS 388a et 388b, Ingénieurs et cadres techniques) · Welcome to the Jungle, Salaire Data Analyst France 2025
- Spanien (abgerufen im Mai 2026): INE, Encuesta de Estructura Salarial 2024 (CNO 271, Analistas y diseñadores de software) · InfoJobs, Estado del Mercado Laboral en España 2025 · Spain Tech Salary Report 2025, Manfred
- Niederlande (abgerufen im August 2026): Indeed — salaris Data Analist in Nederland
- Italien (abgerufen im Oktober 2026): Hays Italia Salary Guide 2026, Technology, Digital & New Media — Data & Advanced Analytics: Data Analyst, p. 67 (PDF Hays ospitato da QualEnergia) · Hays Italia Salary Guide 2026 (pagina ufficiale dell’edizione)
Wo Sie diese Rolle finden
LinkedIn
Recruiter Lite ab 170 € / Monat, plus 200 bis 400 € / Monat für Job SlotsDer wichtigste aktive Sourcing-Kanal für Data-Profile in Deutschland. Aktives Sourcing über Recruiter Lite mit personalisierten InMails schlägt reine Job Posts deutlich; gute Analyst:innen prüfen den Jobs-Feed kaum aktiv. Filtern Sie präzise nach Tooling (SQL plus Python oder R, dbt, Looker oder Tableau) und nach Branche (B2B SaaS, E-Commerce, klassischer Mittelstand), bevor Sie anschreiben. Eine InMail, die konkret auf ein Projekt oder einen Beitrag der:des Kandidat:in eingeht, erreicht Antwortquoten von 20 bis 30 %; generische Outreach-Sequenzen liegen unter 5 %.
XING
ProJobs ab 195 € / MonatFür Profile im klassischen Mittelstand außerhalb der Berliner Startup-Szene weiterhin relevant, vor allem in NRW, Bayern und Baden-Württemberg. Besonders für Data-Profile zwischen 30 und 45 Jahren mit BI-Hintergrund (Power BI, SAP, Cognos) eine gute Ergänzung. In klassischen Branchen (Maschinenbau, Versicherung, Handel) oft pari mit LinkedIn. Für reine Tech-Scale-up-Profile mit Python und dbt schwächeres Signal als LinkedIn.
Stepstone
Premium Ad ab 1.200 € pro Anzeige (30 Tage), Job Slot Bundles für mehrere parallele Rollen günstigerSolide Volumenquelle für Data-Rollen im Mittelstand und in größeren KMUs. Funktioniert besonders, wenn Sie auch passive Bewerber:innen erreichen wollen, die nicht primär auf LinkedIn unterwegs sind. Eine sorgfältig formulierte Stellenausschreibung mit klarer Stack-Angabe (SQL plus Python plus konkretes BI-Tool) und konkretem Branchenkontext filtert deutlich besser als generische Data-Analyst-Anzeigen. Kombinieren Sie mit Stepstone-Gehaltsdaten in der Anzeige (die Plattform belohnt Transparenz im Ranking).
Evaluations-Playbook
Die Rolle der Data Analyst:in zeigt sich über fünf Evaluations-Stufen. Die SQL-Praxisaufgabe (Stufe 3) ist die aussagekräftigste Stufe: hier trennt sich die:der Analyst:in mit echter Praxis von der:dem, die:der nur über Dashboards gesprochen hat. Halten Sie die Aufgabe realistisch und unter 2 Stunden, sonst filtern Sie die besten Profile aus.
Stufe 1: CV-Lektüre
Suchen Sie nach konkreten Geschäftswirkungen, nicht nur nach Tools. Ein:e Analyst:in, die:der „SQL, Python, Tableau“ schreibt, ohne ein konkretes Ergebnis zu nennen (Conversion-Funnel um X Punkte verbessert, monatliches Forecasting im Sales-Team eingeführt, Churn-Treiber identifiziert), hat meist Dashboards gepflegt, nicht Entscheidungen unterstützt. Stack-Konsistenz (mindestens 12 bis 18 Monate auf einem ähnlichen Stack) zählt mehr als eine lange Tool-Liste. Studienhintergrund (Statistik, Wirtschaft, Informatik) ist hilfreich, aber nicht zwingend; gute autodidaktische Profile mit Bootcamp-Hintergrund (Le Wagon Data, Spiced, neue fische) liefern oft stärkere Geschäftsorientierung als reine Quant-Absolvent:innen.
Stufe 2: Phone Screen (30 Min.)
Nur drei Fragen: (1) Beschreiben Sie eine Analyse, die eine konkrete Geschäftsentscheidung verändert hat. Was war die Frage, was haben Sie gefunden, was wurde entschieden? (2) Welche Stakeholder-Anfrage haben Sie zuletzt zurückgewiesen oder umformuliert? (Geschäftsurteil und Mut), (3) Warum jetzt ein Wechsel? Ergebnis: Go/No-Go in 5 Min. Debrief. Vermeiden Sie auf dieser Stufe technische Gotcha-Fragen zu SQL-Syntax oder Statistik-Begriffen; suchen Sie das Geschäftsdenken.
Stufe 3: SQL-Praxisaufgabe (90 Min.)
Eine begrenzte, realistische Aufgabe an einem Beispieldatensatz: 3 bis 5 Geschäftsfragen, die mit SQL beantwortet werden müssen (z. B. Conversion-Funnel-Analyse, Kohorten-Retention, Aufdeckung eines Anomalie-Patterns). Wichtig: die:der Kandidat:in darf Dokumentation und Internet nutzen; bewerten Sie die Qualität der Abfragen (CTEs, Window Functions, Joins), die Klarheit der Begründung und die Übersetzung in Geschäftsempfehlungen. Vermeiden Sie reine Algorithmus-Aufgaben ohne Geschäftsbezug. Bonus: die:der Kandidat:in hinterfragt die Datenqualität oder die Fragestellung, bevor sie:er rechnet.
Stufe 4: Stakeholder-Simulation (60 Min.)
Rollenspiel mit einer:einem PM, Sales-Lead oder Geschäftsführer:in: die:der Kandidat:in präsentiert die Ergebnisse der SQL-Aufgabe an eine:n Stakeholder:in, der:die unter Zeitdruck steht und nur die wichtigsten Erkenntnisse hören will. Bewerten Sie: Strukturierung der Botschaft (zuerst die Antwort, dann die Methode), Anpassung an das Vokabular der:des Stakeholder:in, Umgang mit kritischen Rückfragen, Anerkennung der Unsicherheitszonen. Dies ist die prädiktivste Stufe für Geschäftsorientierung und übergreifende Kommunikation, die im KMU mehr wiegen als reine Tool-Beherrschung.
Stufe 5: Referenzen (strukturierte Überprüfung)
Rufen Sie zwei Referenzen an: eine:n ehemalige:n Vorgesetzte:n (Head of Data, CFO, COO) und eine:n ehemalige:n Stakeholder:in aus einer Geschäftsfunktion (Sales, Marketing, Produkt). Stellen Sie beiden dieselben 4 Fragen: Worin ist sie:er am stärksten? Worin würden Sie eine ergänzende Person einstellen? Würden Sie sie:ihn morgen wieder einstellen, warum? Ein konkretes Beispiel einer Analyse, die eine Entscheidung verändert hat? Die Stakeholder-Referenz liefert das eigentliche Geschäftsimpact-Signal, das ein:e Vorgesetzte:r oft glättet.
Woran Sie eine hervorragende Besetzung erkennen
| Kompetenz | Unter Anforderung | Auf Niveau | Über Anforderung |
|---|---|---|---|
| Geschäftsorientierung | Liefert mechanisch, was bestellt wird, ohne den dahinterliegenden Bedarf zu hinterfragen. Beschreibt Projekte über Tools und Methoden, nicht über getroffene Entscheidungen. Verwechselt Reporting mit Analyse. | Klärt vor der Analyse, für welche Entscheidung sie gedacht ist. Strukturiert die Antwort entlang der Geschäftsfrage. Kann eigene Analysen einer:einem nicht-technischen Stakeholder:in in 5 Minuten erklären. | Treibt die Geschäftsfrage aktiv mit: schlägt Analysen vor, die Stakeholder:innen nicht angefragt haben, identifiziert blinde Flecken in der Steuerung, übersetzt Datenbefunde in Entscheidungsempfehlungen. Wird von Geschäftsfunktionen als Sparringspartner:in, nicht als Lieferant:in gesehen. |
| SQL- und Tooling-Solidität | Stolpert über fortgeschrittenes SQL (Window Functions, CTEs, korrekte Joins). Baut langsame oder unleserliche Abfragen. Beherrscht ein BI-Tool nur oberflächlich (drag-and-drop, keine Custom-Metriken). | Schreibt sauberes, lesbares SQL mit CTEs und Window Functions. Beherrscht mindestens ein BI-Tool (Looker, Tableau, Power BI, Metabase) auf Custom-Metriken-Niveau. Kann Python oder R für Ad-hoc-Analysen einsetzen, wo SQL an Grenzen stößt. | Referenz im Team für SQL- und Tool-Qualität: dokumentiert wiederverwendbare Patterns, automatisiert wiederkehrende Auswertungen über dbt oder ein Äquivalent, bildet Kolleg:innen im Tool-Einsatz weiter. Erkennt, wann eine Frage SQL übersteigt und Python oder ein Statistik-Modell verlangt. |
| Analytische Methode | Springt von der Frage direkt in eine komplexe Methode (Machine Learning, Zeitreihenmodell), ohne deskriptive Grundlagen zu schaffen. Verwechselt Korrelation mit Kausalität. Hinterfragt eigene Annahmen selten. | Grenzt die Frage vor der Methode ein. Beginnt mit deskriptiver Analyse, bevor sie:er modelliert. Trennt Korrelation von Kausalität explizit. Erkennt eigene Annahmen und benennt sie in der Kommunikation. | Wählt die einfachste Methode, die die Frage beantwortet, und begründet die Wahl. Schlägt Experimente oder quasi-experimentelle Designs vor, um vermutete Kausalitäten zu validieren. Liefert Szenarien und Sensitivitäten statt Punktschätzungen, wenn die Unsicherheit es verlangt. |
| Datenkritik und Investigation | Vertraut den Daten blind. Erkennt Anomalien nicht oder meldet sie ohne eigene Investigation weiter. Reagiert auf seltsam stabile Zahlen mit Erleichterung statt mit Misstrauen. | Prüft die Datenqualität vor jeder Analyse. Erkennt Anomalien und untersucht sie strukturiert (Segmentierung, Quellenprüfung, Stichproben). Spricht aktiv mit Entwickler:innen und betroffenen Funktionen, um Datenfehler aufzuklären. | Etabliert eine Datenqualitätskultur im Team: dokumentiert bekannte Pitfalls, baut automatische Konsistenzchecks, schult Kolleg:innen im kritischen Lesen von Dashboards. Erkennt systemische Datenqualitätsprobleme und priorisiert deren Behebung in der Infrastruktur. |
| Stakeholder-Management | Liefert mechanisch, was bestellt wird, oder verweigert konfrontativ. Kommuniziert technisch ohne Anpassung an die:den Stakeholder:in. Konflikte mit Geschäftsfunktionen wiederholen sich. | Klärt Anfragen vor der Ausführung. Passt Sprache und Detailgrad an die:den Stakeholder:in an. Kann eine Anfrage umformulieren, ohne die Beziehung zu beschädigen. | Wird von Geschäftsfunktionen schon bei der Fragestellung einbezogen, nicht erst zur Ausführung. Moderiert datenbasierte Entscheidungsmeetings, hält den Fokus auf der Geschäftsfrage und übersetzt zwischen analytischem und operativem Vokabular. |
| Coachbarkeit | Verteidigt die eigene Analyse, statt Kritik zu prüfen. Sucht selten aktiv Feedback. Wiederholt dieselben Fehler über mehrere Projekte. | Nimmt Kritik strukturiert auf, prüft sie an Daten und passt die Analyse an, wenn die Kritik trifft. Sucht aktiv Reviews bei komplexen Projekten. | Sucht systematisch Reviews und kritische Gegenstimmen, bevor eine Analyse veröffentlicht wird. Dokumentiert Lehren aus früheren Fehlern für das Team. Bildet jüngere Profile aktiv in der Aufnahme von Kritik aus. |
Häufige Fehler bei der Besetzung dieser Rolle
Data Scientist und Data Analyst verwechseln
Ein:e Data Scientist:in baut prädiktive Modelle, arbeitet mit Machine Learning, oft in Python, und bringt Modelle in Produktion. Ein:e Data Analyst:in beantwortet Geschäftsfragen, hauptsächlich in SQL und einem BI-Tool, und unterstützt Entscheidungen. Im KMU mit unter 50 Personen brauchen Sie fast immer eine:n Analyst:in, nicht eine:n Scientist:in: die teuersten Probleme sind unbeantwortete Geschäftsfragen, nicht fehlende ML-Modelle. Eine:n Scientist:in im Reporting-Kontext einzustellen führt in 6 bis 12 Monaten zur Kündigung (Unterforderung, Frustration über fehlende Modellinfrastruktur). Klären Sie den Bedarf explizit, bevor Sie die Anzeige schreiben.
Geschäftsurteil unterbewerten
Viele Anzeigen und Interviews konzentrieren sich auf Tools (SQL, Python, Tableau) und Methoden (Funnel, Kohorten, Statistik). Diese sind notwendig, aber nicht hinreichend. Im KMU entscheidet das Geschäftsurteil die Wirkung der Rolle: kann die:der Analyst:in erkennen, welche Frage es wert ist, beantwortet zu werden, oder liefert sie:er nur, was bestellt wird? Bewerten Sie das Geschäftsurteil explizit (Beschreiben Sie eine Anfrage, die Sie umformuliert haben), nicht nur die Tool-Beherrschung. Profile mit reiner Quant- oder Statistik-Ausbildung sind hier oft schwächer als Profile mit gemischtem Hintergrund (Wirtschaft plus Data, Bootcamp plus operative Erfahrung).
ML- oder Modellier-Ambitionen statt Reporting-Realität ansetzen
Viele KMUs schreiben in der Anzeige Predictive Modeling, Machine Learning und ähnliche Begriffe, obwohl die reale Arbeit zu 80 % aus SQL-Auswertungen, Dashboard-Pflege und Stakeholder-Kommunikation besteht. Das zieht ambitionierte Profile an, die in der Praxis schnell frustriert sind, und schreckt pragmatische Profile ab, die genau das liefern könnten, was Sie brauchen. Schreiben Sie ehrlich: 70 % Geschäftsanalysen und Reporting, 20 % Aufbau und Pflege von Dashboards, 10 % explorative Analysen oder Modellierung. Profile, die diese Mischung suchen, sind seltener und passen besser.
Übergreifende Kommunikation unterschätzen
Ein:e Data Analyst:in im KMU spricht täglich mit Sales, Marketing, Produkt, Geschäftsführung und gelegentlich mit Kund:innen. Wer technisch stark ist, aber in der übergreifenden Kommunikation schwach, produziert Reibung: missverstandene Anfragen, Dashboards, die niemand nutzt, Konflikte mit Geschäftsfunktionen. Bewerten Sie die Kommunikation explizit im Interview (Stakeholder-Simulation in Stufe 4 des Playbooks, situative Fragen mit Geschäftsfunktions-Bezug, Erklärung eines technischen Befunds in Alltagssprache). Profile mit reiner Tech-Sozialisation ohne Geschäftserfahrung scheitern hier am häufigsten.
Daten als reine Tech-Funktion behandeln
Manche Unternehmen betten die Data-Analyst:in-Rolle im Engineering-Team ein und behandeln sie wie eine Tech-Funktion: Tickets, Sprint-Planning, Code-Reviews. Das verfehlt den Kern der Rolle, die im Kreuzungspunkt zwischen Geschäft und Daten arbeitet. Die:der Analyst:in braucht direkten Zugang zu den Geschäftsfunktionen (1:1 mit Sales-Lead, Produkt-Lead, Geschäftsführung), nicht nur zu Engineering. Im KMU funktioniert die Rolle am besten als Geschäftsfunktion mit technischer Tiefe, nicht als Tech-Funktion mit Geschäftsbezug. Die organisatorische Aufhängung (Berichtsweg an Geschäftsführung, CFO oder COO) macht oft den Unterschied zwischen Wirkung und Reibung.