Data Analyst:in

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 im Tab Stellenausschreibung.