Data Analyst:in
Häufige Fragen zum Einstellungsprozess für Data Analyst:in sowie die häufigsten Fehler dabei.
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.