Google Data Scientist: Lebenslauf-Keywords und Interviewvorbereitung

Dein Lebenslauf ist gut, deine Erfahrung passt, und trotzdem kommt keine Rückmeldung von Google. Genau dieses Problem haben viele Data Scientists im deutschsprachigen Raum: die Bewerbung wird gestellt, dann passiert nichts. Meist liegt es nicht an fehlender Qualifikation, sondern daran, dass Lebenslauf und Anzeige nicht dieselbe Sprache sprechen.

Google ist kein Arbeitgeber wie jeder andere. Die Anforderungen sind hoch, die Konkurrenz ist groß, und die Filter laufen oft automatisiert, bevor ein Mensch überhaupt hinschaut. Wer sich darauf vorbereitet, spart sich mehrere frustrierende Runden.

Was Google wirklich sucht#

Google stellt Data Scientists selten als klassische Analysten ein. Gesucht werden Leute, die statistisch sauber arbeiten, experimentell denken und Ergebnisse erklären können, ohne hinter jedem Satz zu sagen „es kommt darauf an". Dazu kommt Produktverständnis: Wie misst man, ob eine Funktion funktioniert? Was sind die richtigen Metriken? Wann ist ein Test wirklich aussagekräftig?

Für Rollen im Bereich Machine Learning oder Research kommen noch Modellierung, Softwarequalität und die Fähigkeit dazu, Prototypen in produktionsfähigen Code zu überführen. Lies die Anzeige genau. Manchmal steht „Data Scientist", gesucht wird aber eher ein ML Engineer. Das sind unterschiedliche Profile.

So baust du deinen Lebenslauf um#

Der Fehler Nummer eins: ein allgemeiner Data-Science-Lebenslauf, der auf alle Stellen passt. Das klappt bei kleineren Firmen, bei Google nicht. Dein Dokument muss spiegeln, was in der Stellenanzeige steht. Nutze dafür einen kostenlosen Stellenanzeigen-Decoder, um die Anforderungen sauber herauszuarbeiten.

Konkret heißt das: Gleiche Begriffe verwenden. Wenn die Anzeige „A/B testing" und „causal inference" nennt, dann sollen diese Wörter in deinem Lebenslauf vorkommen, vorausgesetzt du kannst damit arbeiten. Nichts erfinden. Aber vorhandenes Wissen auch nicht hinter Synonymen verstecken, die kein ATS erkennt.

Ein zweiter Punkt: Ergebnisse vor Aufgaben. „Verantwortlich für Datenanalysen" sagt nichts. Sag lieber, was herauskam.

So sieht ein schwacher Punkt aus:

• Verantwortlich für Dashboards und Reporting im Marketingbereich

So wird daraus etwas Brauchbares:

• Baute ein Attribution-Modell für Marketingkanäle, das die Budgetverteilung steuerte und die Akquisekosten je Kanal um rund ein Fünftel senkte

Die Zahl muss stimmen. Wenn du keine belegbare Zahl hast, nenne die Größenordnung oder beschreibe die Wirkung qualitativ: „verkürzte die Reporting-Zeit von zwei Tagen auf zwei Stunden". Ehrlichkeit schlägt jede erfundene Prozentangabe, gerade wenn im Interview nachgefragt wird.

Welche Keywords zählen#

Die wichtigsten Begriffe variieren je nach Team. Einige tauchen in Google-Anzeigen für Data-Science-Rollen aber regelmäßig auf. Prüfe mit einem ATS-Check, ob dein Lebenslauf sie enthält und ob die Formatierung überhaupt maschinenlesbar ist.

• Python, SQL, R als Grundausstattung
• A/B-Testing, Experimentdesign, Hypothesentests
• Statistische Modellierung, Regression, Zeitreihen
• Machine Learning, Classification, Regression, Feature Engineering
• Causal Inference, Uplift Modeling, wenn relevant
• Big-Data-Tools wie BigQuery, Spark oder ähnliche
• Datenvisualisierung und Kommunikation von Ergebnissen
• Produktmetriken, KPI-Definition, Funnel-Analysen
• Cloud-Plattformen, je nach Anzeige

Nimm nur auf, was du im Interview verteidigen kannst. Ein Wort im Lebenslauf, das dich in der technischen Runde stolpern lässt, ist teurer als ein fehlendes Keyword.

Der deutsche Markt hat Besonderheiten#

Ein paar Dinge, die im DACH-Raum anders laufen als in den USA. Erstens: Google hat zwar Standorte in München, Hamburg und Zürich, aber die Zahl der Data-Science-Rollen dort ist begrenzt. Viele Teams sitzen in Dublin, London oder Mountain View. Wer nicht umziehen kann, sollte das früh klären.

Zweitens: Der Lebenslauf. Im deutschsprachigen Raum sind zwei Seiten üblich, mit Foto, mit Lücken, mit Zeugnissen. Für Google reicht meist ein kompakter, ein- bis zweiseitiger Lebenslauf ohne Foto. Anschreiben werden oft nicht gelesen, Zeugnisse interessieren erst später im Prozess. Deutsche Standard-CV-Layouts mit Tabellen und Grafiken sind für ATS-Systeme problematisch.

Drittens: Visa und Arbeitserlaubnis. Für Stellen in der EU gibt es klare Regeln, die sich ändern können. Informiere dich direkt bei den offiziellen Stellen oder über die Einwanderungsbehörden des Ziellandes, nicht über Blog-Beiträge. Wer schon eine EU-Arbeitserlaubnis hat, sollte das früh im Prozess erwähnen.

Und viertens: Gehalt. Die Spannen für Data-Science-Rollen bei großen Tech-Firmen in Deutschland liegen laut verschiedenen Karriereportalen oft im Bereich von etwa 70.000 bis 110.000 Euro Grundgehalt, mit erheblichen Unterschieden nach Erfahrungsstufe, Standort und Verhandlung. Zahlen ändern sich, prüfe die aktuellen Angaben auf den offiziellen Karriereseiten und auf Gehaltsportalen, bevor du dich festlegst.

Interviewvorbereitung: die vier Bausteine#

Das Interview bei großen Tech-Firmen folgt, soweit öffentlich bekannt, einigen wiederkehrenden Bausteinen. Ich beschreibe hier, was Kandidaten typischerweise berichten, keine internen Abläufe aus verlässlicher Quelle.

Erstens: Coding und SQL. Erwarte Aufgaben, die du live lösen musst. Übe Window Functions, Joins, Aggregationen, und schreibe sauberen Code, nicht nur funktionierenden.

Zweitens: Statistik und Experimente. Fragen zu p-Werten, Power, Multiple Testing, Simpson's Paradox, Survivorship Bias. Übe, diese Konzepte in zwei Sätzen zu erklären, ohne Formeln.

Drittens: Produktfragen. „Wie misst du, ob die Suche besser geworden ist?" Hier geht es um Denkweise, nicht um die richtige Antwort. Definiere Metriken, nenne Trade-offs, sprich über Guardrails.

Viertens: Verhaltensinterview. „Erzähl mir von einem Projekt, das gescheitert ist." Google nennt das oft nach dem Leadership-Prinzip, das in der Öffentlichkeit als „Googleyness" bekannt ist. Konkret, ehrlich, mit deiner eigenen Rolle.

Ein Beispiel für eine gute Antwort auf „Erzähl mir von einer Zeit, in der du eine schwierige Entscheidung treffen musstest":

„Wir hatten zwei Modellvarianten, eine komplexere mit besserer Offline-Metrik, eine einfachere mit besserer Latenz. Ich habe den Produktmanager und den Engineering-Lead in einen 30-minütigen Termin geholt, beide Optionen mit geschätzten Auswirkungen auf die Nutzererfahrung dargestellt. Wir sind die einfachere Variante gefahren, weil die Latenz für unser Segment kritischer war als ein Prozentpunkt Genauigkeit. Im Nachhinein war das richtig, die Nutzerbindung blieb stabil."

Die Antwort ist konkret, zeigt Urteilskraft und endet mit einer überprüfbaren Wirkung.

Checkliste vor der Bewerbung#

• Stellenanzeige speichern und Kernanforderungen herausschreiben
• Lebenslauf auf diese Begriffe prüfen, ohne Lügen einzubauen
• Zahlen oder belegbare Wirkungen für jeden Erfolgs-Punkt sammeln
• LinkedIn-Profil an den Lebenslauf angleichen, Widersprüche fallen auf
• Portfolio oder GitHub aufräumen, wenn du eines hast
• Zeugnisse und Nachweise bereitlegen, auch wenn sie am Anfang niemand verlangt
• Einen Mock-Interview-Termin mit jemandem aus der Branche organisieren
• Offene Fragen zu Standort, Remote-Regeln und Visum notieren

Wo du passende Stellen findest#

Nicht jede Data-Science-Rolle bei großen Tech-Firmen wird auf der eigenen Karriereseite ausgeschrieben, manche laufen über Recruiting-Portale oder interne Empfehlungen. Ein Blick in aktuelle Data-Science-Stellenangebote zeigt dir, welche Begriffe gerade gefragt sind. Das hilft auch beim Feinschliff deines Lebenslaufs.

Für mehr Hintergrund zu Bewerbungsstrategie, Gehaltsverhandlung und Interviewtechnik lohnt sich ein Blick in unseren Karriere-Blog. Dort findest du Beiträge zu verwandten Themen, etwa zur Bewerbung als Machine Learning Engineer oder zur Vorbereitung auf technische Interviews.

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 lang sollte mein Lebenslauf für Google sein?

Ein bis zwei Seiten sind üblich, ohne Foto, ohne Grafik-Layouts. Schreib für Menschen und für ATS, das heißt klare Abschnittsnamen und normale Aufzählungen statt Tabellen.

Brauche ich einen Doktortitel für eine Data-Science-Rolle bei Google?

Nein, viele Kandidaten haben einen Master oder kommen aus der Praxis mit entsprechender Erfahrung. Für Research-nahe Rollen wird ein Doktor oft erwartet, für produktorientierte Data-Science-Stellen eher nicht.

Sollte ich ein Anschreiben mitschicken?

Bei großen Tech-Firmen ist das Anschreiben meist optional oder wird nicht gelesen. Investiere die Zeit lieber in die Anpassung des Lebenslaufs und in die Interviewvorbereitung.

Was, wenn ich keine Zahlen für meine Erfolge habe?

Dann beschreibe die Wirkung anders: Zeitersparnis, Größenordnung, was sich konkret verändert hat. Erfundene Prozentzahlen brechen im Interview zusammen, sobald jemand nach Details fragt.

Wie früh sollte ich mich auf das Interview vorbereiten?

Vier bis sechs Wochen sind realistisch, wenn du neben dem Job übst. Konzentriere dich auf SQL, Statistik und Produktfragen, das sind die Bausteine, die am meisten Übung brauchen.