Data Analysts untersuchen Daten, um konkrete Fragen zu beantworten und Entscheidungen zu unterstützen. Data Scientists bearbeiten oft zusätzlich statistische Modelle und maschinelles Lernen. Data Engineers sorgen für verlässliche Datenwege. Die Aufgaben überschneiden sich; die Stellenbeschreibung ist aussagekräftiger als der Titel.
Drei Perspektiven auf verspätete Lieferungen
Ein Händler stellt fest, dass sich Kunden häufiger über Lieferzeiten beschweren. Bevor jemand ein Modell entwickelt, braucht das Team eine gemeinsame Definition: Ist eine Lieferung verspätet, wenn sie nach dem zugesagten Tag ankommt oder erst nach dem vereinbarten Zeitfenster? Diese Frage beeinflusst jede spätere Zahl.
Ein Data Analyst kann untersuchen, wann und wo sich Verspätungen häufen. Ein Data Scientist könnte prüfen, ob sich das Risiko einer Verspätung vorab schätzen lässt. Ein Data Engineer stellt sicher, dass Bestell-, Lager- und Versanddaten zuverlässig verbunden werden. Nicht jedes Unternehmen braucht dafür drei getrennte Stellen.
Die Aufgaben im Vergleich
Weitere Spalten: Tabelle seitlich scrollen →
| Rolle | Typische Frage | Arbeitsergebnis |
|---|---|---|
| Data Analyst | Welche Lieferungen waren letzten Monat verspätet? | Geprüfte Auswertung, Visualisierung und Einordnung |
| Data Scientist | Lässt sich ein erhöhtes Verspätungsrisiko erkennen? | Bewertetes Modell mit dokumentierten Grenzen |
| Data Engineer | Wie kommen vollständige, verständliche Daten zusammen? | Nachvollziehbare Datenverarbeitung mit Qualitätsprüfungen |
Welche Fähigkeiten brauchst du?
Für Datenanalyse sind Tabellen, Abfragen, Visualisierung und grundlegende Statistik hilfreich. SQL hilft beim gezielten Auswählen und Verknüpfen von Daten. Ob du zusätzlich Python oder ein bestimmtes Berichtswerkzeug brauchst, hängt von der Aufgabe ab. Ein übersichtlicher Bericht kann fachlich anspruchsvoll sein, auch wenn kein Lernmodell darin vorkommt.
Bei Data Science gewinnen mathematische Modellierung, Programmierung und die Bewertung von Vorhersagen an Bedeutung. IBM beschreibt Data Science als Verbindung aus Mathematik, Statistik, Programmierung und Fachwissen. Entscheidend ist dabei nicht die Komplexität eines Modells, sondern ob es für die konkrete Frage zuverlässig genug arbeitet.
Eine kleine Datenfalle
In einer Tabelle steht für jede Lieferung auch das tatsächliche Ankunftsdatum. Für den Rückblick ist das nützlich. Für eine Vorhersage zum Zeitpunkt der Bestellung wäre diese Information noch nicht bekannt. Wenn ein Modell sie trotzdem verwendet, kann der Test beeindruckend aussehen und im Alltag wertlos sein.
Notiere deshalb für jede Information, wann sie verfügbar wird. Prüfe außerdem fehlende Werte, doppelte Zeilen und wechselnde Definitionen. Die fachliche Erklärung der Daten gehört zur Arbeit und ist keine lästige Vorbereitung vor dem eigentlichen „KI-Teil“.
Welche Arbeitsprobe reizt dich?
Erstelle 30 erfundene Bestellungen mit zugesagtem und tatsächlichem Liefertag. Aufgabe A: Zeige den Anteil verspäteter Lieferungen und erkläre, wie du ihn berechnest. Aufgabe B: Überlege, welche Informationen bei der Bestellung bekannt wären und eine Vorhersage unterstützen könnten.
Beide Aufgaben beginnen mit sauberem Denken. Frag dich anschließend, ob dich das verständliche Erklären der Vergangenheit oder das methodische Prüfen einer Vorhersage mehr interessiert. Aus 30 erfundenen Zeilen lässt sich selbstverständlich kein brauchbares Modell für einen echten Händler ableiten.
So vergleichst du den nächsten Bildungsweg
Achte auf Statistik, Programmierung, Datenbanken und Projekte, in denen Ergebnisse geprüft werden. Ein Berufsname allein sagt wenig über die fachliche Tiefe eines Angebots. Der ausführliche Artikel Was macht ein Data Scientist? vertieft die Modellarbeit. Unter IT-Portfolio findest du eine Struktur für deine erste dokumentierte Arbeitsprobe.
