Das Wichtigste in Kürze
- Jedes Datenprojekt braucht vier Angaben: Datenquelle, Volumen, Methode und die Entscheidung, die daraus folgte – erst die vierte macht aus einer Auswertung ein Ergebnis.
- Der Stack gehört gestuft: vier bis sechs Technologien, in denen Sie produktiv arbeiten, dahinter eine klar getrennte Zeile „Grundkenntnisse". Eine Liste aus 30 Tools gewichtet nichts.
- Data Analyst, Data Scientist und Data Engineer sind drei Rollen mit unterschiedlichen Prüfungen im Fachgespräch – legen Sie im Kurzprofil fest, für welche Sie sich bewerben, und belegen Sie genau die.
- Ein Portfolio-Link (GitHub, Kaggle, Notebooks) wirkt nur mit aufgeräumten Repositories: Fragestellung und Ergebnis oben, Datenherkunft benannt, keine durchlaufenden Fehlerausgaben.
- Die Fachdomäne – Marketing, Finance, Supply Chain, Produktion – unterscheidet zwei sonst gleich aussehende Profile und gehört in die erste Zeile des Kurzprofils.
Ein Lebenslauf für Data Analysts und Data Scientists wird an einer Kette gemessen: Welche Frage haben Sie mit welchen Daten beantwortet, mit welcher Methode – und welche Entscheidung ist daraus gefolgt? Wer stattdessen Dashboards und Tools aufzählt, liest sich wie eine Stellenanzeige. Dieser Leitfaden zeigt, wie Datenprojekte mit Quelle, Volumen, Methode und Wirkung beschrieben werden, wie ein Kurzprofil für Analyst- und Scientist-Rollen klingt, wie Sie den Stack gestuft statt als Wolke darstellen und wohin Portfolio-Link, Abschlussarbeit und Zertifikate wie PL-300 gehören.
Worauf Recruiter beim Lebenslauf für Data Analysts und Data Scientists zuerst achten
Zuerst wird gelesen, welche Rolle Sie eigentlich anstreben: Analyse und Reporting, Modellierung und Vorhersage oder Pipelines und Infrastruktur. Danach kommt der Stack in seiner Tiefe – SQL täglich oder aus einem Kurs, Python produktiv oder im Notebook. Der dritte Blick gilt den Projekten: Datenquellen, Volumen, Methode und die Entscheidung, die auf Ihre Analyse folgte. Erst dann Studium und Zertifikate. Im Fachgespräch prüft das Datenteam anschließend genau das, was im Lebenslauf behauptet wurde: eine SQL-Aufgabe, eine Rückfrage zum Modell, manchmal eine Frage zur Fallzahlplanung im A/B-Test.
Aufbau: Die richtige Reihenfolge für Data Analysts und Data Scientists
Der Lebenslauf folgt dem tabellarischen Standardaufbau – entscheidend ist, was in dieser Rolle nach oben gehört und wie ausführlich die einzelnen Abschnitte ausfallen. Für Data Analysts und Data Scientists hat sich diese Reihenfolge bewährt:
- Kontaktdaten mit Portfolio-Link. GitHub, Kaggle oder eine eigene Projektseite als ausgeschriebene URL in die Kopfzeile, damit die Adresse auch im geparsten PDF ankommt.
- Kurzprofil. Drei bis fünf Zeilen mit Zielrolle (Analyst oder Scientist), Fachdomäne, Jahren, größter Datengrundlage und dem wichtigsten Zertifikat.
- Technische Kenntnisse. Bei Berufs- und Quereinsteigern vor die Berufserfahrung; nach Kategorien gegliedert – Abfrage und Modellierung, Programmierung, BI, Statistik und ML, Plattform.
- Berufserfahrung mit Datenprojekten. Pro Station drei bis fünf Projekte statt Aufgaben: Fragestellung, Datenumfang, Methode, Ergebnis und Adressat der Entscheidung.
- Ausbildung und Abschlussarbeit. Studium kompakt; die Abschlussarbeit wie ein Projekt beschreiben – Fragestellung, Datensatz mit Umfang, Methode, Ergebnis.
- Zertifikate und Weiterbildung. Mit Jahr, weil viele Prüfungen befristet sind; Kursnachweise ohne Prüfung getrennt von Zertifizierungen mit Aufsichtsprüfung führen.
Kurzprofil für Data Analysts und Data Scientists: Beispiele
Das Kurzprofil steht direkt unter den Kontaktdaten und beantwortet in drei bis fünf Zeilen, wer Sie sind, wie lange Sie was gemacht haben und wohin Sie wollen. Zwei Muster, die Sie an Ihre Zahlen anpassen:
- „Data Analyst mit 5 Jahren Erfahrung im Handel, Schwerpunkt Supply Chain und Vertrieb. Täglich produktiv in SQL (Snowflake) und Power BI, Auswertungen auf rund 40 Mio. Bewegungsdatensätzen pro Monat aus SAP, Webshop und Lieferantenportalen; Python (pandas, scikit-learn) für Prognose- und Testauswertungen. Microsoft Certified: Power BI Data Analyst Associate (PL-300, 2024). Ziel: Analytics-Rolle mit Verantwortung für das Bestands- und Absatzreporting."
- „Data Scientist mit 9 Jahren Erfahrung in Finanzdienstleistung und Versicherung, davon 3 Jahre fachliche Leitung eines vierköpfigen Analytics-Teams. Schwerpunkt Kreditrisiko- und Abwanderungsmodelle (Python, scikit-learn, PySpark) auf rund 1,2 Mrd. Transaktionszeilen; vier Modelle produktiv im Bestand, inklusive Monitoring und Modelldokumentation für die Revision. Promotion in Statistik, dbt Analytics Engineering Certification (2025). Fokus: Lead-Rolle mit Modellverantwortung im regulierten Umfeld."
Berufserfahrung formulieren: Muster-Station und Beispiele
Jede Station braucht Zeitraum, Titel, Arbeitgeber mit Größenordnung – und darunter drei bis fünf Ergebnisse statt einer Aufgabenliste. So kann eine Station im Lebenslauf für Data Analysts und Data Scientists aussehen:
10/2021 – heute · Data Analyst (Supply Chain & Vertrieb) – Handelsunternehmen, ca. 3.500 Mitarbeitende, 11 Distributionszentren
• Aufbau eines Bestands- und Verfügbarkeitsreportings in Power BI auf rund 40 Mio. Bewegungsdatensätzen pro Monat aus SAP, Webshop und zwei Lieferantenportalen; genutzt von etwa 120 Anwendenden in Einkauf und Logistik
• Absatzprognose je Artikel und Standort mit Gradient Boosting (Python, scikit-learn) für 8.000 A- und B-Artikel; Prognosefehler (MAPE) von 24 auf 15 Prozent gesenkt, Sicherheitsbestände daraufhin um 1,4 Mio. Euro reduziert
• Modellierung der Reporting-Schicht in dbt auf Snowflake: 46 Modelle mit Tests und Dokumentation; 17 gewachsene Excel-Auswertungen abgelöst, Laufzeit des Monatsreportings von 6 Stunden auf 25 Minuten
• Auswertung von neun A/B-Tests im Webshop (je 60.000 bis 180.000 Sessions) inklusive Fallzahlplanung; in drei Fällen gegen die Einführung der getesteten Variante empfohlen, weil der Effekt im Konfidenzintervall lag
• Monatliche Ergebnisvorlage für die Bereichsleitung Logistik; aus der Analyse der Lieferantentermintreue drei Maßnahmen zur Lieferantensteuerung abgeleitet
Der Unterschied zwischen einer schwachen und einer starken Formulierung liegt fast immer in Zahl, Umfang und Ergebnis:
| Schwach (Aufgabe) | Stark (Ergebnis) |
|---|---|
| Erstellung und Pflege von Dashboards | Aufbau von sechs Power-BI-Berichten für Einkauf und Logistik (rund 120 Anwendende); Ad-hoc-Anfragen an das Datenteam etwa halbiert |
| Analyse großer Datenmengen | Auswertung von rund 40 Mio. Bewegungsdatensätzen pro Monat aus SAP, Webshop und zwei Lieferantenportalen |
| Erfahrung mit Machine Learning | Absatzprognose mit Gradient Boosting für 8.000 Artikel; MAPE von 24 auf 15 Prozent gesenkt, Modell seit 14 Monaten produktiv im Einsatz |
| Sicherstellung der Datenqualität | 46 dbt-Modelle mit Tests und Dokumentation aufgebaut; Anteil fehlerhafter Datensätze im Monatsreporting von 3,2 auf 0,4 Prozent gesenkt |
| Enge Zusammenarbeit mit den Fachbereichen | Anforderungsklärung mit Einkauf, Logistik und Vertrieb; rund 20 Ad-hoc-Anfragen pro Monat auf vier priorisierte Fragestellungen gebündelt |
| Durchführung von A/B-Tests | Auswertung von neun A/B-Tests mit Fallzahlplanung; in drei Fällen gegen die Einführung entschieden, weil der Effekt nicht belastbar war |
Kenntnisse: Hard Skills und Soft Skills für Data Analysts und Data Scientists
Fachkenntnisse gehören als benannte Begriffe in den Lebenslauf – so, wie sie in Stellenanzeigen stehen, damit Recruiter und Bewerbermanagementsysteme sie finden. Soft Skills nur mit Beleg, nie als Adjektivliste.
| Hard Skills (benennen) | Soft Skills (belegen) |
|---|---|
| SQL – täglich produktiv: Window-Funktionen, CTEs, Query-Optimierung (Snowflake, BigQuery) | Übersetzungsarbeit – monatliche Ergebnisvorlage für die Bereichsleitung ohne Fachjargon |
| Python – pandas, NumPy, scikit-learn; Notebooks und produktive Skripte | Anforderungsklärung – 20 Ad-hoc-Anfragen pro Monat auf vier priorisierte Fragestellungen gebündelt |
| R – Regression und Zeitreihen aus dem Studium, seither punktuell | Kritische Prüfung – Abweichung im Umsatzreport auf einen Zeitzonenfehler zurückgeführt und vor Veröffentlichung korrigiert |
| BI: Power BI (Datenmodell, DAX, Row-Level Security), Tableau und Looker lesend | Befähigung der Fachbereiche – 40 Anwendende im Self-Service-Reporting geschult |
| Data Warehouse und Transformation: Snowflake, BigQuery, dbt (46 Modelle mit Tests) | Abstimmung mit Data Engineering – gemeinsames Datenmodell für drei Quellsysteme festgelegt |
| Statistik: deskriptive Analyse, Hypothesentests, Fallzahlplanung, lineare und logistische Regression | |
| Machine Learning: Gradient Boosting, Klassifikation, Absatzprognose – ein Modell produktiv | |
| Verarbeitung großer Datenmengen: PySpark (Projekterfahrung), Airflow-DAGs lesend und anpassend | |
| Fachdomäne: Handel und Supply Chain – Bestände, Absatz, Lieferantenperformance | |
| Englisch verhandlungssicher (C1) – Berichtssprache im Konzernreporting |
Ausbildung, Zertifikate und Weiterbildung
Verbreitet sind Studiengänge in Statistik, Mathematik, Informatik, Wirtschaftsinformatik oder Volkswirtschaft mit ökonometrischem Schwerpunkt; viele Data Scientists kommen aus Physik, Biologie oder Psychologie. Beschreiben Sie die Abschlussarbeit wie ein Projekt – Fragestellung, Datensatz mit Umfang, Methode, Ergebnis –, denn bei Berufseinsteigern ist sie oft die einzige belastbare Arbeitsprobe. Zertifikate immer mit Jahr: Microsoft Certified: Power BI Data Analyst Associate (PL-300), Google Data Analytics Professional Certificate, dbt Analytics Engineering Certification, SnowPro Core von Snowflake, AWS Certified Data Engineer – Associate. Trennen Sie Kursnachweise ohne Aufsichtsprüfung von echten Zertifizierungen. Eine Feinheit, die auffällt: Die Azure-Prüfung DP-203 wurde Ende März 2025 zurückgezogen, Nachfolger ist DP-700 (Fabric Data Engineer Associate).
Data Analyst, Data Scientist oder Data Engineer – die Rolle festlegen
Die drei Rollen werden im Alltag vermischt, im Auswahlverfahren aber getrennt geprüft. Der Data Analyst beantwortet Fragen aus dem Fachbereich mit SQL, BI und Statistik und liefert eine Entscheidungsgrundlage. Der Data Scientist formuliert die Fragestellung selbst und baut Modelle, die etwas vorhersagen – mit allem, was dazugehört: Validierung, Monitoring, Nachtrainieren. Der Data Engineer verantwortet Pipelines, Datenmodelle und Betrieb, damit die anderen beiden überhaupt arbeiten können. Wer sich als Data Scientist bewirbt, aber ausschließlich Reporting-Projekte belegt, scheitert im Fachgespräch an der ersten Modellfrage. Nennen Sie deshalb den offiziellen Titel Ihrer bisherigen Stelle und ergänzen Sie in einer Zeile den tatsächlichen Zuschnitt, etwa „Business Intelligence Analyst (Reporting und Datenmodellierung für vier Fachbereiche)". Für die Suche in Bewerbermanagementsystemen hilft es, die Bezeichnung aus der Ausschreibung im Kurzprofil aufzunehmen – „Data Analyst", „BI-Analyst", „Datenanalyst" werden nicht automatisch als dasselbe erkannt.
Datenprojekte beschreiben: Quelle, Umfang, Methode, Entscheidung
Vier Angaben machen aus einer Tätigkeit ein nachprüfbares Projekt. Woher kamen die Daten (SAP, CRM, Webtracking, Sensorik, externe Marktdaten)? Wie groß war der Bestand – Zeilen, Zeitraum, Anzahl Artikel oder Kunden? Welche Methode kam zum Einsatz, von der Kohortenanalyse bis zum Gradient-Boosting-Modell? Und was ist daraus gefolgt: ein abgeschaffter Report, ein geänderter Sicherheitsbestand, eine gestoppte Kampagne? Beim vierten Punkt lohnt Zurückhaltung. „Umsatz um 12 Prozent gesteigert" nimmt Ihnen niemand ab, wenn Sie die Analyse geliefert und der Vertrieb entschieden hat. Formulieren Sie den eigenen Anteil präzise: „Analyse der Kundenabwanderung als Grundlage für ein Rückgewinnungsprogramm, das die Kündigungsquote im Pilotsegment von 9 auf 6 Prozent senkte." Das ist ehrlich und trotzdem stark.
Portfolio, GitHub und Kaggle: was der Link zeigen muss
Der Link wird angeklickt – deshalb entscheidet der Zustand der Projekte, nicht ihre Anzahl. Zwei bis vier Repositories reichen, jedes mit einem README, das mit Fragestellung und Ergebnis beginnt, nicht mit der Installationsanleitung. Notebooks vorher aufräumen: durchlaufende Zellnummern, keine Fehlerausgaben, kurze Begründung der Methodenwahl, Datenherkunft und Lizenz benannt. Kaggle-Platzierungen ordnen Sie ein („Top 8 Prozent von 3.400 Teams"), sonst sagt die Zahl nichts. Ein Notebook, das eine bekannte Übungsdatenbank durchrechnet, ist kein Projekt, sondern ein Kursergebnis – als solches gehört es in die Weiterbildung. Wenn Sie mit Unternehmensdaten gearbeitet haben, gehört nichts davon ins öffentliche Repository; beschreiben Sie das Projekt stattdessen im Lebenslauf und legen Sie Nachweise in die Anlagen. Bewerben Sie sich international oder auf eine englische Ausschreibung, führen Sie die Projektbeschreibungen im englischen CV mit denselben Zahlen – Methodenbegriffe bleiben ohnehin englisch.
Quereinstieg aus Controlling, BWL oder Naturwissenschaften
Der Weg über eine Fachdomäne ist im Datenbereich eher Normalfall als Ausnahme, und er hat einen Vorteil: Sie kennen die Fragen, die das Unternehmen tatsächlich stellt. Aus dem Controlling bringen Sie Kennzahlenlogik, Datenmodellverständnis und Erfahrung mit Planungs- und Abweichungsanalysen mit – benennen Sie diese Anteile im Lebenslauf explizit, statt sie unter der alten Stellenbezeichnung zu verstecken. Aus den Naturwissenschaften zählen Versuchsplanung, Statistik und der Umgang mit unsauberen Messdaten; die Promotion ist dann ein Datenprojekt mit Umfang und Methode, kein Titelzusatz. Der Kenntnisblock rückt vor die Berufserfahrung, danach folgen zwei bis drei eigene Projekte mit Datensatz, Methode und Ergebnis. Weiterbildungen nennen Sie mit Anbieter, Dauer, Vollzeit oder berufsbegleitend und Abschlussprojekt. Wie die Chronologie dabei sauber bleibt, steht im Ratgeber für Quereinsteiger.
In den Bewerbungen, die wir seit 2013 für Fach- und Führungskräfte aus dem Datenbereich erstellt haben, fehlte fast immer derselbe Satz: der letzte. Die Analyse stand da, die Methode auch – aber nicht, was danach anders gemacht wurde. Eine Analystin aus dem E-Commerce hatte unter drei Stationen ausschließlich „Erstellung und Pflege von Dashboards" stehen, obwohl sie ein Sortiment von 12.000 Artikeln durchleuchtet und damit eine Auslistungsrunde ausgelöst hatte. Wir haben pro Station drei Projekte mit Datenquelle, Umfang, Methode und Folgeentscheidung ausformuliert und die Toolliste von 31 auf 12 Begriffe in fünf Kategorien gekürzt. Der zweite wiederkehrende Fall: Bewerber, die sich Data Scientist nennen, weil der Titel besser klingt, und im Fachgespräch bei der ersten Frage zur Modellvalidierung ins Rutschen kommen.
Häufige Fehler im Lebenslauf für Data Analysts und Data Scientists
Die meisten Schwächen sind keine Rechtschreibfehler, sondern Gewichtungsfehler – zu viel Aufgabe, zu wenig Ergebnis, zu wenig Rollenbezug. Diese Punkte fallen in dieser Berufsgruppe besonders häufig auf:
- Toolwolke statt Tiefe – „SQL, Python, R, Tableau, Power BI, Spark, TensorFlow, Hadoop" in einer Zeile zeigt vor allem, dass nichts davon gewichtet ist.
- Analyse ohne Folge – „Erstellung von Auswertungen und Dashboards" beschreibt die Stellenanzeige, nicht Ihre Leistung; die Entscheidung dahinter fehlt.
- Kein Datenumfang – ohne Quellen, Zeilen oder Zeitraum ist nicht erkennbar, ob Sie mit einer Excel-Tabelle oder einem Data Warehouse gearbeitet haben.
- Machine Learning behaupten, Reporting belegen – der Scientist-Titel ohne ein Modell, das validiert wurde und produktiv lief, fällt im Fachgespräch auf.
- Portfolio-Link auf Tutorial-Notebooks – die durchgerechnete Übungsdatenbank aus dem Onlinekurs ersetzt kein eigenes Projekt.
- Fremde Ergebnisse übernehmen – „Umsatz um 12 Prozent gesteigert" gehört dem Bereich, der entschieden hat; beschreiben Sie Ihren Anteil daran.
Verwandte Berufe und Situationen
- Lebenslauf für Softwareentwickler
- Lebenslauf für Controller
- Lebenslauf für Fachinformatiker
- Lebenslauf für Marketing-Manager
