Day in the Life of a Data Analyst

Du sitzt vor einer Anfrage aus dem Vertrieb und fragst dich, wie ein Arbeitstag als Data Analyst wirklich aussieht. Nicht die Version von der Karriereseite, sondern der echte. Hier ist ein realistischer Ablauf, mit allem, was dazugehört: Meetings, Konzentration, Frust und die Dinge, die niemand vorher sagt.

Der Morgen: erst Aufräumen, dann arbeiten#

Der Tag startet selten mit Analysen. Zuerst klickst du Posteingang und Ticketsystem durch. Vielleicht ist ein Dashboard über Nacht fehlgeschlagen, weil eine Quelltabelle ein Feld umbenannt hat. Dann hast du ein Problem, das vor dem ersten Meeting gelöst sein will.

Bei mir ist der Vormittag oft Blockaden-Kette. Zwischen 9 und 12 liegen meist zwei bis drei Meetings. Das Daily des Data-Teams, ein Abstimmungstermin mit Marketing, vielleicht ein Review mit dem Produktmanager. Bleiben vielleicht 60 bis 90 Minuten für konzentrierte Arbeit.

Die meisten Data Analysts berichten ähnliches. Meetings fressen einen großen Teil des Tages. Wie groß genau, hängt stark von der Firma ab. In kleineren Unternehmen arbeitest du oft allein und wirst von allen Seiten gefragt. In größeren gibt es klare Prozesse, aber auch mehr Abstimmung.

Die Kernarbeit: was du wirklich tust#

Deep Work heißt bei mir meist SQL und Python. Du schreibst Abfragen, baust Datenmodelle, prüfst Zahlen. Vielleicht erstellst du ein neues Dashboard in Power BI oder Tableau. Vielleicht korrigierst du ein bestehendes, das jemand nicht mehr versteht.

Ein Beispiel aus dem Alltag: Der Vertriebsleiter will wissen, warum die Abschlussquote im Q2 gefallen ist. Das ist keine einfache Frage. Du musst erst klären, was Abschlussquote in diesem Kontext heißt, welche Datenquelle gilt und ob die Zahlen überhaupt vergleichbar sind. Danach beginnt die eigentliche Arbeit: Daten abfragen, aufteilen nach Segmenten, Ausreißer suchen, Muster erkennen.

Erst danach kommt die Präsentation. Und die ist wichtiger, als die meisten denken.

Was dich überraschen wird#

Der größte Schock für Neueinsteiger: Der Job ist selten reine Datenanalyse. Vielleicht ein Drittel der Zeit geht für Kommunikation drauf. Du erklärst Ergebnisse, verteidigst Annahmen, holst fehlende Informationen nach.

Ein zweiter Überraschungsmoment: Die Daten sind fast nie sauber. Du wirst dauernd Duplikate, Lücken und widersprüchliche Definitionen finden. Das ist kein Zeichen für eine schlechte Firma. Das ist normal.

Und ein dritter: Manchmal weißt du am Ende nicht, ob deine Analyse etwas gebracht hat. Projekte werden verschoben, Prioritäten ändern sich, dein Bericht landet in einem Ordner. Das musst du aushalten können.

Die Werkzeuge, die du täglich brauchst#

Was du wirklich nutzt, hängt vom Unternehmen ab. Aber ein Kernset kehrt fast überall wieder:

• SQL für die tägliche Datenarbeit
• Python oder R für Auswertungen und Automatisierung
• Ein BI-Tool wie Power BI, Tableau oder Looker
• Git für Versionierung, auch wenn es manchmal lächerlich wirkt
• Excel, ja wirklich, es stirbt nicht
• Ein Ticketsystem wie Jira oder Linear
• Slack oder Teams für den ganzen Rest

Dazu kommen firmenspezifische Dinge: ein Data Warehouse wie Snowflake oder BigQuery, Airflow für Pipelines, vielleicht dbt. Wichtig ist nicht die genaue Liste. Wichtig ist, dass du Werkzeuge schnell lernst und verstehst, was darunter passiert.

Wo der Druck herkommt#

Der Druck im Job kommt selten von der Technik. Er kommt von Erwartungen und Deadlines.

Ein typischer Fall: Das Quartalsende steht vor der Tür, der CFO braucht eine Zahl für den Report, und die Definition dieses Werts ist umstritten. Zwei Abteilungen nutzen unterschiedliche Berechnungen. Du musst dich entscheiden, die Entscheidung erklären und die Zahl trotzdem liefern.

Dazu kommen die ständigen Ad-hoc-Anfragen. Jemand braucht schnell eine Auswertung. Dann noch eine. Irgendwann merkst du, dass dein geplanter Deep-Work-Block weg ist. Wer das nicht managt, läuft dauerhaft im Reaktivmodus.

Überstunden sind keine Seltenheit, besonders in Phasen mit Reporting-Zyklen. Wie oft das vorkommt, variiert stark. Frag im Bewerbungsgespräch konkret nach, wie die Last um Quartalsende aussieht.

Junior versus Senior: was sich ändert#

Als Junior bekommst du klar umrissene Aufgaben. Jemand sagt dir, welche Frage zu beantworten ist, und du lieferst das Ergebnis. Du lernst die Datenmodelle und die Tools.

Als Senior definierst du die Frage mit. Du sitzt in strategischen Meetings, bevor die Analyse überhaupt beauftragt wird. Du entscheidest, welche Datenquellen gelten, und du stehst für die Ergebnisse gerade.

Ein weiterer Unterschied: Als Junior machst du die Arbeit. Als Senior erklärst du anderen, wie sie die Arbeit machen. Mentoring, Reviews, Standards setzen. Das ist weniger analytisch, und genau das überrascht viele.

Gehalt: was realistisch ist#

Über Gehälter wird viel geschrieben, wenig Belastbares. In Deutschland liegen Einstiegsgehälter für Data Analysts laut verschiedenen Portalen oft im Bereich von etwa 45.000 bis 55.000 Euro brutto im Jahr. Mit mehreren Jahren Erfahrung und Spezialisierung sind 60.000 bis 75.000 Euro möglich, in teuren Städten oder Konzernen auch mehr.

Die Spannen sind groß und ändern sich. Standort, Branche, Unternehmensgröße und Verhandlung spielen eine große Rolle. Prüfe immer die aktuellen Angaben auf den einschlägigen Gehaltsportalen und im Gespräch selbst. Zahlen aus zweiter Hand sind schnell veraltet.

So kommst du rein#

Der klassische Weg führt über Statistik, Mathematik, Informatik oder Wirtschaft. Aber auch Quereinstieg passiert, etwa aus dem Controlling oder der Biologie. Was zählt, sind nachweisbare Fähigkeiten: SQL, eine Programmiersprache, ein BI-Tool, und ein paar eigene Projekte.

Für den Einstieg helfen öffentliche Datensätze. Bau ein Dashboard zu einem Thema, das dich interessiert, und dokumentiere den Weg. Das wirkt überzeugender als ein Zertifikat ohne Anwendung.

Wenn du gezielt suchst, findest du auf unserer Jobbörse offene Stellen mit Filtern nach Ort und Erfahrungslevel. Wer sich bewirbt, sollte vorher die Stellenanzeigen genau lesen. Ein Decoder für Stellenausschreibungen hilft, hinter die Standardfloskeln zu schauen. Und wenn dein Lebenslauf durch Bewerbermanagement-Systeme soll, lohnt ein Blick auf einen kostenlosen ATS-Checker, bevor du abschickst.

Checkliste: worauf du im Alltag achten solltest#

• Blocke morgens mindestens 90 Minuten für konzentrierte Arbeit
• Sag bei Ad-hoc-Anfragen, was dafür wegfällt
• Dokumentiere deine Annahmen direkt in der Auswertung
• Kläre Definitionen, bevor du mit der Analyse startest
• Halte dein SQL und deine Skripte versioniert
• Bau dir eine Sammlung wiederverwendbarer Abfragen auf
• Frag regelmäßig, ob deine Arbeit überhaupt genutzt wird
• Lerne, Nein zu sagen, wenn die Frage nicht beantwortbar ist

Was der Job wirklich verlangt#

Der Data Analyst ist kein Job für Menschen, die nur in Ruhe rechnen wollen. Du musst erklären, verhandeln, manchmal auch widersprechen. Die Technik ist das Handwerk, die Kommunikation ist der Rest.

Wer das akzeptiert, findet einen Job mit Substanz. Wer denkt, es sei nur Zahlenarbeit, wird enttäuscht. Beides ist wertvolle Information, bevor du dich bewirbst.

Wenn du mehr zum Einstieg und zur Weiterentwicklung lesen willst, findest du auf unserem Blog vertiefende Beiträge zu Bewerbung, Gehalt und Karrierewechsel.

Kostenlose Tools#

• jobrise.io/de/free-ats-checker/
• jobrise.io/de/free-jd-decoder/
• jobrise.io/de/jobs/
• jobrise.io/de/blog/

Häufige Fragen#

Wie viel eines Arbeitstags besteht wirklich aus Meetings?

Erfahrungsgemäß gehen 30 bis 50 Prozent der Zeit für Abstimmung drauf, in manchen Firmen mehr. Frag im Bewerbungsgespräch direkt nach dem typischen Meeting-Anteil. Die Antwort verrät viel über die Kultur.

Brauche ich einen Master, um Data Analyst zu werden?

Nein. Ein Bachelor reicht für viele Stellen, wenn du praktische Fähigkeiten zeigst. Mit einem Master hast du bessere Chancen bei Analyse-lastigen Rollen in Forschung oder Finance.

Wie unterscheidet sich der Job von Data Scientist?

Ein Data Analyst beschreibt, was passiert ist, und liefert Entscheidungsgrundlagen. Ein Data Scientist baut Modelle, die vorhersagen oder klassifizieren. Die Grenzen verschwimmen je nach Unternehmen.

Welche Programmiersprache sollte ich zuerst lernen?

Python. Es deckt Datenarbeit, Automatisierung und Visualisierung ab und ist am weitesten verbreitet. Danach folgt SQL, das ist im Alltag sogar noch wichtiger.

Wie lange dauert der Einstieg vom Quereinstieg aus?

Mit strukturiertem Lernen sind sechs bis zwölf Monate bis zur ersten Junior-Stelle realistisch. Es hängt davon ab, wie viel Zeit du investierst und ob du eigene Projekte vorweisen kannst. Garantien gibt es nicht.