Du suchst nach Data Analyst Jobs in Berlin und merkst gerade: Alle wollen SQL, fast alle wollen Tableau oder Power BI, und die Stellenanzeigen klingen, als müsstest du gleichzeitig Analyst, Data Engineer, Produktmensch und halber Consultant sein. Nervig, ich weiß. Vor allem, wenn du 2026 in Berlin einen guten Job willst, aber nicht genau weißt, was wirklich zählt und was nur Buzzword-Show ist.

Data Analyst Jobs Berlin 2026: SQL, Tableau

Berlin bleibt 2026 einer der spannendsten Orte für Data Analyst Jobs in Deutschland. Nicht, weil jede Firma plötzlich datengetrieben ist, sondern weil viele Firmen endlich merken: Ohne Leute, die Daten sauber lesen, erklären und in Entscheidungen übersetzen, wird Wachstum teuer.

Wenn du also SQL kannst, Dashboards bauen kannst und Business-Fragen verstehst, hast du gute Karten.

Aber es gibt Unterschiede.

Ein Data Analyst bei N26 arbeitet anders als ein Data Analyst bei Delivery Hero. Ein Analytics Job bei SAP oder Siemens hat andere Erwartungen als eine Rolle bei Trade Republic, Personio oder einem schnell wachsenden Climate-Tech-Startup in Kreuzberg.

In diesem Artikel schauen wir uns an:

1. Welche Data Analyst Jobs es 2026 in Berlin gibt
2. Welche Skills wirklich wichtig sind
3. Wie viel Gehalt realistisch ist
4. Wie du dich mit SQL und Tableau gut positionierst
5. Was in deinem CV stehen sollte
6. Wie du dich von anderen Bewerbern abhebst

Warum Berlin 2026 für Data Analysten stark bleibt#

Berlin hat eine spezielle Mischung: Fintechs, SaaS-Firmen, E-Commerce, Mobility, Health-Tech, Gaming, Food Delivery, große Konzerne mit Tech-Hubs und viele internationale Teams.

Das bedeutet: Viele Daten, viele Produkte, viele offene Fragen.

Typische Firmen, die in Berlin Data Analysten suchen oder ähnliche Rollen anbieten, sind zum Beispiel:

1. N26
2. Trade Republic
3. Delivery Hero
4. Zalando
5. HelloFresh
6. Personio
7. SAP
8. Siemens
9. BMW Tech Hubs oder Digital Units
10. Flix
11. Babbel
12. Scout24

Viele dieser Firmen brauchen Leute, die nicht nur Zahlen ausspucken, sondern klare Antworten liefern.

Zum Beispiel:

1. Warum sinkt die Aktivierung neuer Nutzer?
2. Welche Marketing-Kanäle bringen Kunden mit guter Retention?
3. Wo brechen Nutzer im Checkout ab?
4. Welche Kundensegmente haben den höchsten Lifetime Value?
5. Welche Features werden wirklich genutzt?
6. Wie gut funktionieren Pricing-Tests?
7. Welche operativen Prozesse kosten zu viel Zeit?

Genau hier kommst du rein.

Ein guter Data Analyst ist 2026 nicht einfach jemand, der Tabellen sortiert. Du bist die Person, die aus Daten eine Entscheidung macht.

Was macht ein Data Analyst in Berlin wirklich?#

Viele Stellenanzeigen sind lang, aber im Alltag wiederholen sich die Kernaufgaben ziemlich oft.

Typische Aufgaben

1. SQL-Abfragen schreiben
2. Daten aus Data Warehouses wie Snowflake, BigQuery, Redshift oder Databricks ziehen
3. Dashboards in Tableau, Power BI oder Looker bauen
4. KPI-Definitionen mit Teams abstimmen
5. Ad-hoc-Analysen für Product, Marketing, Finance oder Operations machen
6. A/B-Tests auswerten
7. Datenqualität prüfen
8. Ergebnisse präsentieren
9. Handlungsempfehlungen geben
10. Stakeholder nervenschonend managen

Das letzte klingt trocken, ist aber riesig wichtig.

Du kannst die beste SQL-Query der Welt schreiben. Wenn Product, Marketing oder Finance danach nicht verstehen, was sie tun sollen, bringt sie wenig.

Ein Beispiel aus der Praxis

Stell dir vor, du arbeitest bei einem Fintech wie Trade Republic oder N26.

Das Product-Team fragt:

„Warum schließen weniger Nutzer ihr Onboarding ab?“

Du schaust dir an:

1. Wo Nutzer aussteigen
2. Ob bestimmte Länder stärker betroffen sind
3. Ob Android und iOS unterschiedlich performen
4. Ob ein neues Feature oder eine neue Compliance-Prüfung den Drop verursacht
5. Ob es Unterschiede nach Akquisitionskanal gibt

Am Ende sagst du nicht: „Die Conversion ist um 7,3 Prozentpunkte gefallen.“

Du sagst:

„Der Drop kommt fast komplett aus Android in Deutschland und Österreich. Er beginnt im Schritt Identitätsprüfung. Der Effekt startete nach Release 6.18. Ich würde das Rollout stoppen, das neue Dokumenten-Upload-Modul prüfen und die alte Version als Kontrollgruppe behalten.“

Das ist wertvoll.

Und genau dafür zahlen Firmen gutes Geld.

SQL: Der Skill, der fast immer Pflicht ist#

Wenn du 2026 Data Analyst in Berlin werden willst, kommst du an SQL nicht vorbei.

Klar, manche Leute sagen, Python sei wichtiger. Andere sagen, AI macht bald alles. Schön und gut. In echten Teams ist SQL trotzdem jeden Tag da.

Warum?

Weil Daten meist in Tabellen liegen. Und weil du mit SQL schnell selbst Antworten findest, ohne ständig Data Engineers zu fragen.

Was du in SQL wirklich können musst

Du musst nicht jede exotische Funktion kennen. Aber diese Dinge sollten sitzen:

1. SELECT, WHERE, GROUP BY, ORDER BY
2. JOINs, vor allem LEFT JOIN und INNER JOIN
3. Aggregationen wie SUM, COUNT, AVG
4. CASE WHEN
5. CTEs mit WITH
6. Window Functions
7. Datumslogik
8. Subqueries
9. Daten bereinigen
10. Performance-Grundlagen

Wenn du bei Interviews glänzen willst, übe besonders Window Functions.

Zum Beispiel:

1. ROW_NUMBER
2. RANK
3. LAG
4. LEAD
5. SUM OVER
6. AVG OVER

Die kommen oft vor, wenn du Nutzerverhalten, Kohorten, Funnel oder wiederkehrende Events analysierst.

SQL-Interviewfragen, die in Berlin realistisch sind

Bei Firmen wie Delivery Hero, Zalando, N26 oder Personio kann es gut sein, dass du einen SQL-Test bekommst.

Typische Aufgaben:

1. Berechne monatlich aktive Nutzer
2. Finde Kunden, die in zwei aufeinanderfolgenden Monaten bestellt haben
3. Berechne Conversion Rates entlang eines Funnels
4. Ermittle den durchschnittlichen Warenkorbwert pro Land
5. Finde die Top 10 Produkte nach Umsatz
6. Baue eine Retention-Kohorte
7. Entferne Duplikate aus Event-Daten
8. Vergleiche Testgruppe und Kontrollgruppe

Wichtig: Schreib nicht nur eine Query. Erkläre auch deine Annahmen.

Beispiel:

„Ich definiere aktive Nutzer als Nutzer mit mindestens einem Login oder einer Transaktion im Monat. Falls die Firma eine andere KPI-Definition nutzt, würde ich diese vorher abstimmen.“

Das klingt simpel, aber zeigt Seniorität.

Tableau: Warum Visualisierung noch immer zählt#

Tableau ist 2026 in vielen Berliner Firmen weiterhin beliebt, besonders in größeren Teams und bei Firmen mit etabliertem Reporting.

Power BI ist stark bei Konzernen und Microsoft-lastigen Firmen. Looker ist oft bei modernen Tech-Firmen zu finden. Tableau bleibt aber ein sehr guter Skill, weil viele Hiring Manager ihn kennen und direkt einordnen können.

Was du in Tableau können solltest

1. Datenquellen verbinden
2. berechnete Felder erstellen
3. Filter und Parameter nutzen
4. Dashboards sauber strukturieren
5. KPI-Karten bauen
6. Zeitreihen visualisieren
7. Drilldowns anbieten
8. Farben sinnvoll verwenden
9. Dashboard-Performance beachten
10. Nutzerfreundliche Ansichten erstellen

Ein gutes Dashboard ist nicht hübsch. Es ist nützlich.

Es beantwortet eine Frage schnell.

Zum Beispiel:

„Welche Märkte verlieren diese Woche Conversion?“

Oder:

„Welche Kampagnen bringen Umsatz, aber schlechte Retention?“

Typische Dashboard-Fehler

Viele Bewerber bauen Dashboards, die aussehen wie ein Weihnachtsbaum.

Bitte nicht.

Vermeide:

1. Zu viele Farben
2. Zu viele Charts
3. Unklare KPI-Namen
4. Keine Definitionen
5. Zu kleine Schrift
6. Keine Vergleichswerte
7. Keine Handlungsidee
8. Filterchaos
9. Langsame Ladezeiten
10. Schönes Design ohne Aussage

Wenn du im Portfolio ein Tableau-Dashboard zeigst, mach es simpel.

Eine gute Struktur:

1. Oben: 3 bis 5 Kern-KPIs
2. Mitte: Entwicklung über Zeit
3. Unten: Details nach Segment, Land, Kanal oder Produkt
4. Rechts oder oben: wenige sinnvolle Filter
5. Kurze Notiz: „Was bedeutet das?“

Das zeigt, dass du nicht nur visualisierst, sondern denkst.

Welche Jobtitel du 2026 suchen solltest#

Nicht jede Data Analyst Stelle heißt auch Data Analyst. Gerade in Berlin nutzen Firmen viele Titel.

Suche nach diesen Begriffen:

1. Data Analyst
2. Product Analyst
3. Business Analyst
4. Marketing Analyst
5. Operations Analyst
6. BI Analyst
7. Business Intelligence Analyst
8. Analytics Engineer
9. Revenue Analyst
10. Customer Insights Analyst
11. Growth Analyst
12. Financial Data Analyst

Wenn du SQL und Tableau kannst, sind besonders diese Rollen spannend:

Product Analyst

Hier analysierst du Nutzerverhalten, Feature-Nutzung, Funnels, Retention und Experimente.

Passt gut bei:

1. N26
2. Trade Republic
3. Personio
4. Babbel
5. Zalando
6. HelloFresh

Gehalt in Berlin 2026 ungefähr:

1. Junior: €45k bis €58k
2. Mid-Level: €60k bis €78k
3. Senior: €80k bis €100k

BI Analyst

Hier geht es stärker um Reporting, KPI-Definitionen, Dashboards und Datenmodelle.

Passt gut bei:

1. SAP
2. Siemens
3. BMW
4. Delivery Hero
5. Scout24
6. Zalando

Gehalt ungefähr:

1. Junior: €44k bis €56k
2. Mid-Level: €58k bis €75k
3. Senior: €78k bis €95k

Marketing Analyst

Hier analysierst du Kampagnen, CAC, ROAS, Attribution, Retention und LTV.

Passt gut bei:

1. Delivery Hero
2. HelloFresh
3. Zalando
4. Flix
5. N26
6. Trade Republic

Gehalt ungefähr:

1. Junior: €43k bis €55k
2. Mid-Level: €57k bis €73k
3. Senior: €75k bis €92k

Analytics Engineer

Das ist etwas technischer. Du arbeitest näher an Datenmodellen, dbt, Data Warehouse und sauberen Metriken.

Gehalt ungefähr:

1. Junior: €50k bis €62k
2. Mid-Level: €65k bis €85k
3. Senior: €88k bis €110k

Wenn du SQL richtig gut kannst und Lust auf Datenmodelle hast, ist das ein sehr attraktiver Weg.

Gehalt: Was du 2026 in Berlin erwarten kannst#

Gehalt hängt stark ab von Firma, Erfahrung, Branche, Tech-Stack und Verhandlung.

Aber grob kannst du in Berlin 2026 mit diesen Spannen rechnen:

1. Entry-Level Data Analyst: €42k bis €55k
2. Junior Data Analyst mit 1 bis 2 Jahren Erfahrung: €48k bis €60k
3. Mid-Level Data Analyst: €60k bis €78k
4. Senior Data Analyst: €80k bis €100k
5. Lead Analyst oder Analytics Manager: €95k bis €125k

Fintechs wie N26 oder Trade Republic können gut zahlen, erwarten aber oft starke technische Skills und klares Produktdenken.

Konzerne wie SAP, Siemens oder BMW bieten oft stabile Pakete, gute Benefits und klare Gehaltsbänder. Dafür können Prozesse langsamer sein.

Scale-ups wie Personio, Delivery Hero oder Zalando liegen oft dazwischen, mit viel Verantwortung und manchmal hoher Geschwindigkeit.

Was beeinflusst dein Gehalt?

1. SQL-Level
2. Erfahrung mit Tableau, Power BI oder Looker
3. Produktverständnis
4. Experiment-Analyse und A/B-Testing
5. Python oder R
6. dbt und Datenmodellierung
7. Stakeholder-Kommunikation
8. Branche, zum Beispiel Fintech zahlt oft stärker als Non-Profit
9. Deutschkenntnisse
10. Seniorität im Interview

Ein wichtiger Punkt: Deutsch ist in Berlin nicht immer Pflicht, aber oft ein Bonus.

Wenn du Englisch sehr gut kannst und Deutsch mindestens B1 oder B2 hast, öffnet dir das mehr Türen, besonders bei Konzernen und Mittelstand.

Der ideale Skill-Mix für 2026#

Du brauchst nicht alles. Aber du brauchst ein klares Profil.

Pflicht-Skills

1. SQL
2. Dashboarding mit Tableau, Power BI oder Looker
3. Excel oder Google Sheets
4. KPI-Verständnis
5. Statistik-Grundlagen
6. Datenvisualisierung
7. Präsentation von Ergebnissen
8. Saubere Kommunikation

Sehr wertvolle Zusatzskills

1. Python
2. dbt
3. BigQuery, Snowflake oder Redshift
4. Git
5. A/B-Testing
6. Product Analytics Tools wie Amplitude oder Mixpanel
7. Segment oder ähnliche Tracking-Tools
8. Grundwissen zu Data Privacy und GDPR
9. Forecasting
10. Cohort Analysis

Was du nicht überbewerten solltest

Viele Bewerber verlieren Monate, weil sie glauben, sie müssten erst Machine Learning meistern.

Für die meisten Data Analyst Jobs in Berlin brauchst du kein Deep Learning.

Viel wichtiger ist:

1. Kannst du eine Business-Frage klären?
2. Kannst du die richtigen Daten finden?
3. Kannst du saubere SQL-Queries schreiben?
4. Kannst du ein Dashboard bauen, das Teams wirklich nutzen?
5. Kannst du deine Empfehlung klar erklären?

Wenn ja, bist du für viele Jobs interessant.

Wie dein Lebenslauf aussehen sollte#

Dein CV muss schnell zeigen: Du kannst Daten in Entscheidungen übersetzen.

Recruiter scannen oft in Sekunden. Mach es ihnen leicht.

Gute CV-Struktur

1. Name, Standort Berlin oder Umzugsbereitschaft
2. Titel, zum Beispiel Data Analyst, Product Analyst oder BI Analyst
3. Kurzprofil mit 3 bis 4 Zeilen
4. Skills nach Kategorien
5. Berufserfahrung mit messbaren Ergebnissen
6. Projekte
7. Ausbildung
8. Zertifikate, falls relevant
9. Sprachen

Beispiel für ein starkes Kurzprofil

„Data Analyst mit 3 Jahren Erfahrung in SQL, Tableau und Product Analytics. Fokus auf Funnel-Analysen, KPI-Dashboards und A/B-Test-Auswertung. Erfahrung mit BigQuery, dbt und Stakeholdern aus Product, Marketing und Finance. Suche Data Analyst oder Product Analyst Rolle in Berlin.“

Das ist klar. Kein Blabla.

Starke Bullet Points

Schreibe nicht:

„Erstellung von Reports und Dashboards.“

Schreibe lieber:

„Baute ein Tableau-Dashboard für Marketing-KPIs, das wöchentliche manuelle Reports um 6 Stunden reduzierte und CAC, ROAS und Retention pro Kanal sichtbar machte.“

Oder:

„Analysierte Onboarding-Funnel mit SQL in BigQuery und identifizierte einen Drop-off im KYC-Schritt, was nach Produktanpassung zu plus 8 Prozent höherer Completion Rate führte.“

Oder:

„Definierte gemeinsam mit Product und Finance einheitliche MRR-KPIs und reduzierte widersprüchliche Reporting-Zahlen zwischen Teams.“

Zahlen helfen. Auch kleine Zahlen.

Wenn du keine perfekten Zahlen hast, nutze ehrliche Näherungen:

1. „ca. 15 Prozent“
2. „rund 20 Stunden pro Monat“
3. „für 5 Stakeholder-Teams“
4. „mehr als 50.000 Nutzer-Events analysiert“

Portfolio: Brauchst du eins?#

Ja, wenn du wenig Erfahrung hast. Und auch bei Mid-Level kann es helfen.

Ein gutes Portfolio muss nicht riesig sein. Zwei bis drei starke Projekte reichen.

Gute Portfolio-Projekte für Data Analyst Jobs

1. E-Commerce Funnel Analyse mit SQL und Tableau
2. Fintech User Retention Analyse
3. Marketing Campaign Performance Dashboard
4. Cohort Analysis für eine Subscription App
5. Delivery Data Analyse mit Bestellzeiten, Regionen und Umsatz
6. HR Analytics Dashboard für Fluktuation und Hiring Funnel

Nutze öffentliche Datensätze, aber verpacke sie wie echte Business-Probleme.

Nicht:

„Ich habe einen Datensatz analysiert.“

Sondern:

„Ich habe untersucht, warum die Conversion im Checkout sinkt und welche Kundensegmente den stärksten Umsatzverlust verursachen.“

Was in jedes Projekt gehört

1. Business-Frage
2. Datenquelle
3. Vorgehen
4. SQL-Beispiele
5. Dashboard-Screenshot oder Link
6. Erkenntnisse
7. Empfehlung
8. Grenzen der Analyse

Der letzte Punkt ist wichtig. Wenn du sagst, was deine Analyse nicht zeigen kann, wirkst du professioneller.

Bewerbung: So findest du bessere Data Analyst Jobs in Berlin#

Viele bewerben sich nur über LinkedIn Easy Apply und wundern sich, warum nichts passiert.

Mach das nicht als einzige Strategie.

Bessere Suchstrategie

1. Erstelle eine Liste mit 30 Zielfirmen
2. Prüfe deren Karriereseiten direkt
3. Suche nach mehreren Jobtiteln
4. Richte Alerts auf LinkedIn, Indeed, Otta, Wellfound und StepStone ein
5. Folge Hiring Managern und Data Leads
6. Schreib kurze, gute Direktnachrichten
7. Bewirb dich innerhalb der ersten 7 Tage nach Veröffentlichung
8. Passe deinen CV pro Rolle leicht an
9. Tracke deine Bewerbungen in einer Tabelle
10. Analysiere deine Antwortquote

Ja, das klingt nach Arbeit. Aber Jobsuche ist ein Funnel.

Wenn du deinen Funnel nicht misst, machst du als angehender Data Analyst genau das Gegenteil von dem, was du beruflich verkaufen willst.

Mini-Tracking für deine Jobsuche

Baue dir eine Tabelle mit:

1. Firma
2. Rolle
3. Quelle
4. Datum Bewerbung
5. CV-Version
6. Antwort
7. Interview ja oder nein
8. Absagegrund
9. nächste Aktion
10. Notizen

Nach 30 Bewerbungen siehst du Muster.

Wenn du viele Absagen ohne Interview bekommst, ist wahrscheinlich dein CV das Problem.

Wenn du Interviews bekommst, aber im Case rausfliegst, musst du SQL, Analytics Thinking oder Präsentation üben.

Wenn du im Final scheiterst, geht es oft um Fit, Seniorität oder Gehaltsrahmen.

Interviewprozess: Was dich erwartet#

In Berlin sieht der Prozess oft so aus:

1. Recruiter Call, 20 bis 30 Minuten
2. Hiring Manager Interview
3. SQL-Test oder Case Study
4. Stakeholder Interview
5. Final Interview oder Culture Gespräch
6. Angebot

Bei großen Firmen wie SAP, Siemens oder BMW kann es strukturierter und etwas langsamer sein.

Bei Scale-ups wie Personio, N26, Trade Republic oder Delivery Hero kann es schneller gehen, aber die Cases sind oft fordernd.

Typische Fragen

1. Erzähl mir von einer Analyse, die eine Entscheidung verändert hat.
2. Wie würdest du Retention messen?
3. Was ist der Unterschied zwischen Korrelation und Kausalität?
4. Wie würdest du einen Funnel analysieren?
5. Welche KPIs würdest du für ein neues Feature tracken?
6. Wie gehst du mit schlechter Datenqualität um?
7. Erkläre einem nicht-technischen Stakeholder dein Ergebnis.
8. Wie priorisierst du Ad-hoc-Anfragen?
9. Wann ist ein Dashboard erfolgreich?
10. Wie würdest du einen A/B-Test auswerten?

Gute Antwortstruktur

Nutze eine einfache Struktur:

1. Kontext
2. Ziel
3. Daten
4. Analyse
5. Ergebnis
6. Entscheidung
7. Impact

Beispiel:

„Das Marketing-Team wollte wissen, warum Paid Social viel Traffic bringt, aber wenig Umsatz. Ich habe Nutzer nach Kanal, Kampagne und Erstkauf segmentiert, dann CAC, Conversion und 30-Tage-Retention verglichen. Die Analyse zeigte, dass zwei Kampagnen zwar günstige Leads brachten, aber 40 Prozent niedrigeren Erstkaufwert hatten. Wir haben Budget in Search und Referral verschoben. Dadurch sank CAC um ca. 12 Prozent bei stabilem Umsatz.“

Das ist stark, weil es nicht bei der Analyse stehen bleibt.

SQL und Tableau Lernplan für 8 Wochen#

Wenn du gerade noch nicht job-ready bist, kein Stress. Mit 8 fokussierten Wochen kannst du viel schaffen.

Woche 1 und 2: SQL Basics

1. SELECT, WHERE, GROUP BY
2. JOINs
3. CASE WHEN
4. Aggregationen
5. kleine Aufgaben täglich

Ziel: Du kannst einfache Business-Fragen beantworten.

Woche 3 und 4: Fortgeschrittenes SQL

1. CTEs
2. Window Functions
3. Datumslogik
4. Funnel Queries
5. Retention Queries

Ziel: Du kannst typische Interviewaufgaben lösen.

Woche 5: Tableau Basics

1. Daten verbinden
2. Charts bauen
3. Filter nutzen
4. berechnete Felder
5. Dashboard-Layout

Ziel: Du baust ein klares KPI-Dashboard.

Woche 6: Business Analytics

1. KPI-Definitionen
2. Conversion
3. Retention
4. LTV und CAC
5. A/B-Test-Grundlagen

Ziel: Du denkst wie ein Analyst, nicht wie ein Tool-Nutzer.

Woche 7: Portfolio-Projekt

Baue ein Projekt mit:

1. SQL-Analyse
2. Tableau-Dashboard
3. kurzer Case Study
4. klarer Empfehlung

Ziel: Du hast etwas Vorzeigbares.

Woche 8: Bewerbungssetup

1. CV optimieren
2. LinkedIn Profil anpassen
3. 30 Zielfirmen sammeln
4. Interviewfragen üben
5. SQL-Test simulieren

Ziel: Du bewirbst dich nicht blind, sondern mit System.

Berlin-spezifische Tipps#

Berlin ist international, aber auch kompetitiv. Viele gute Leute aus ganz Europa bewerben sich auf dieselben Rollen.

Du brauchst also klare Signale.

Was besonders hilft

1. Standort Berlin oder klare Umzugsbereitschaft
2. Englisch fließend
3. Deutsch mindestens B1 als Bonus
4. Erfahrung mit europäischen Märkten
5. GDPR-Verständnis
6. Produktdenken
7. Portfolio mit realistischen Business-Cases
8. SQL-Proof, nicht nur „SQL“ im Skill-Block
9. Dashboard-Beispiele
10. klare Gehaltsvorstellung

Gehaltsangabe im Gespräch

Wenn du gefragt wirst, sag nicht zu früh eine zu niedrige Zahl.

Gute Formulierung:

„Für Rollen auf diesem Level in Berlin sehe ich je nach Gesamtpaket und Verantwortung einen Rahmen von €70k bis €80k. Ich bin offen, wenn Rolle, Team und Entwicklung gut passen.“

Für Senior:

„Für Senior Data Analyst Rollen mit Product- und Stakeholder-Verantwortung sehe ich in Berlin eher €85k bis €100k, abhängig von Bonus, Equity und Benefits.“

Bleib ruhig. Gehalt ist kein Schulreferat. Du musst dich nicht entschuldigen.

Häufige Fehler, die dich Jobs kosten#

1. Du bewirbst dich mit einem generischen CV

Wenn in der Anzeige SQL, Tableau und Funnel Analysis stehen, dann sollten SQL, Tableau und Funnel Analysis im CV sichtbar sein.

Nicht versteckt. Sichtbar.

2. Du zeigst Aufgaben statt Wirkung

„Reports erstellt“ ist schwach.

„Dashboard reduzierte manuelle Reporting-Zeit um 8 Stunden pro Woche“ ist stark.

3. Du unterschätzt Kommunikation

Data Analysten werden nicht nur für Queries bezahlt. Sie werden bezahlt, damit Teams bessere Entscheidungen treffen.

4. Du lernst zu breit

Ein bisschen Python, ein bisschen ML, ein bisschen Cloud, ein bisschen Statistik, aber kein starkes SQL.

Lieber erst SQL stark, Tableau solide, Business Thinking klar.

5. Du kannst dein Projekt nicht erklären

Wenn du ein Portfolio-Projekt hast, musst du es in 2 Minuten erklären können.

Kurz:

1. Frage
2. Daten
3. Methode
4. Ergebnis
5. Empfehlung

Fazit: SQL plus Tableau ist 2026 immer noch ein starker Einstieg#

Data Analyst Jobs in Berlin bleiben 2026 attraktiv, aber die Messlatte steigt.

Nur „ich kann Excel“ reicht selten. Nur ein Zertifikat reicht auch nicht.

Was zählt, ist diese Kombination:

1. Du kannst mit SQL Daten ziehen und prüfen
2. Du kannst mit Tableau klare Dashboards bauen
3. Du verstehst KPIs und Business-Fragen
4. Du erklärst Ergebnisse so, dass Teams handeln
5. Du zeigst Wirkung im CV und im Interview

Wenn du das sauber hinbekommst, kannst du in Berlin realistisch Rollen zwischen €50k und €80k anpeilen, mit Senior-Erfahrung auch €90k bis €100k und mehr.

Und ja, der Markt ist kompetitiv. Aber viele Bewerbungen sind schwach, generisch oder tool-lastig. Wenn du konkret wirst, echte Ergebnisse zeigst und deinen CV sauber auf Data Analyst Rollen ausrichtest, hebst du dich schnell ab.

Wenn du willst, dass dein Lebenslauf nicht schon am ATS oder am ersten Recruiter-Scan scheitert, prüf ihn vor der Bewerbung. Nutze den kostenlosen ATS-Check von JobRise und sieh, ob dein CV für Data Analyst Jobs in Berlin wirklich stark genug ist: https://jobrise.io/de/free-ats-checker/