Portfolio Projects for Data Analyst

Dein Data-Analyst-Portfolio sieht aus wie eine Sammlung von Tutorial-Abhängen, und du fragst dich, warum niemand zurückruft. Die ehrliche Antwort: Ein Zertifikat zeigt, dass du einen Kurs abgeschlossen hast. Ein gutes Projekt zeigt, dass du ein Problem lösen kannst. Genau das wird bezahlt.

Recruiter und Hiring Manager blättern durch Dutzende Bewerbungen. Was hängen bleibt, ist ein Projekt, bei dem klar ist, welche Frage beantwortet wurde, welche Daten es gab und was dabei herauskam. Alles andere ist Rauschen.

Was Reviewer wirklich anschauen#

Niemand liest dein gesamtes Notebook Zeile für Zeile. In den ersten zwei Minuten wird geprüft, ob das Projekt eine echte Fragestellung hat oder ob du nur einem Tutorial gefolgt bist. Danach schaut jemand auf die Datenqualität: Hast du fehlende Werte behandelt, Ausreißer erklärt, die Quelle sauber dokumentiert?

Dann kommt der Output. Eine Grafik, die eine klare Aussage trifft, schlägt zehn generische Diagramme. Und zum Schluss wird geschaut, ob du die Ergebnisse in verständliche Sätze übersetzen kannst. Das ist die eigentliche Arbeit eines Data Analyst.

Drei Projekte, die sich lohnen#

Projekt 1: Eine echte Geschäftsfrage mit öffentlichen Daten

Nimm eine Frage, die ein Unternehmen tatsächlich hätte. Beispiel: Wie entwickeln sich Stornierungen in einem Onlineshop über zwölf Monate, und welche Faktoren hängen damit zusammen? Öffentliche Datensätze gibt es genug, etwa auf Kaggle oder bei Statistischen Ämtern.

Der Clou liegt in der Formulierung. Schreib nicht "Analyse von Verkaufsdaten". Schreib: "Identifikation der Haupttreiber für Stornierungen in einem fiktiven E-Commerce-Datensatz und Ableitung von drei Handlungsempfehlungen". Das liest sich wie eine Aufgabe aus einem echten Meeting.

Projekt 2: Datenbereinigung unter widrigen Bedingungen

Das langweiligste Projekt auf den ersten Blick ist oft das stärkste. Such dir einen absichtlich chaotischen Datensatz: doppelte Einträge, inkonsistente Datumsformate, Spaltennamen wie "Umsatz 2023 (brutto?)". Dokumentiere jeden Bereinigungsschritt in einem eigenen Notebook oder Markdown-File.

Warum das wirkt: In echten Jobs verbringst du einen großen Teil deiner Zeit mit Datenbereinigung. Wer zeigt, dass er das sauber und nachvollziehbar kann, hat einen klaren Vorteil gegenüber Bewerbern mit drei Dashboards über Iris-Daten.

Projekt 3: Ein Dashboard mit klarer Zielgruppe

Bau kein Dashboard für "alle". Bau eines für eine konkrete Person: etwa für einen Marketing-Manager, der in 30 Sekunden sehen will, welche Kanäle den niedrigsten Kosten pro Lead liefern. Beschreibe im README, für wen das Dashboard gedacht ist und welche Entscheidung es unterstützen soll.

Tools wie Power BI, Tableau oder ein einfaches Streamlit-Setup reichen völlig. Die Wahl des Tools ist Nebensache. Die Struktur der Informationen ist die eigentliche Leistung.

So präsentierst du Projekte auf GitHub#

Ein leeres Repo mit einer CSV-Datei und einem Notebook ist kein Portfolio. Jedes Projekt braucht ein README, das ohne Vorkenntnisse verständlich ist. Das README ist dein Anschreiben, das Notebook ist die Beweisführung.

Ein gutes README enthält diese Punkte in dieser Reihenfolge:

• Ein Satz zur Ausgangsfrage, in Klartext formuliert
• Die Datenquelle mit Link und Datum des Abrufs
• Eine kurze Beschreibung der Methodik, ohne Fachjargon
• Drei bis fünf Kernergebnisse als Stichpunkte
• Eine Grafik als Vorschau direkt im README
• Anleitung, wie man das Projekt lokal reproduziert
• Eine ehrliche Limitation, also was die Analyse nicht leisten kann

Der letzte Punkt überrascht viele. Wer Limitationen benennt, wirkt erfahrener als jemand, der sein Projekt als perfekt verkauft.

Ein konkretes Beispiel für den Lebenslauf#

Schwach: "Analyse von Verkaufsdaten mit Python und Pandas."

Stärker: "Analyse von 240.000 Transaktionen zur Identifikation saisonaler Muster; Ergebnis: drei Umsatzspitzen identifiziert, die durch gezielte Kampagnenplanung adressierbar sind. Python, Pandas, Matplotlib."

Der Unterschied liegt in der Zahl, in der Handlung und in der konkreten Aussage. Formuliere jeden Projektpunkt nach diesem Muster: Umfang, Handlung, Ergebnis, Tools. Wenn du Hilfe beim Formulieren braust, wirf einen Blick in unsere Tipps für den Data-Analyst-Lebenslauf.

Auf dem Lebenslauf reichen drei bis vier Projekte. Nenne eins davon im Anschreiben explizit und verknüpfe es mit der Stellenanzeige. Die aktuelle Stellenbörse zeigt dir, welche Formulierungen in Ausschreibungen gerade üblich sind.

Fehler, die Projekte nach Tutorial aussehen lassen#

Der häufigste Fehler: Titanic- oder Iris-Datensatz ohne eigene Fragestellung. Jeder kennt diese Daten, und niemand wird davon beeindruckt. Der zweite Fehler: ein Notebook voller Ausgaben ohne erklärende Sätze dazwischen.

Weitere Fallstricke:

• Kopierte Notebook-Struktur aus einem YouTube-Video, inklusive gleicher Reihenfolge
• Keine Angabe, woher die Daten stammen oder wie aktuell sie sind
• Fünfzehn Diagramme, von denen keines eine Aussage trifft
• Fehlende Behandlung von fehlenden Werten oder Ausreißern
• README, das nur aus einem Satz und einem Screenshot besteht
• Ergebnisse ohne jede Einordnung, etwa "Umsatz ist gestiegen" ohne Kontext

Prüfe dein Projekt mit dem kostenlosen ATS-Check, wenn du parallel deinen Lebenslauf optimierst. Und wenn du in einer Stellenanzeige nicht verstehst, welche Kompetenzen wirklich verlangt sind, hilft der kostenlose JD-Decoder, um die Anforderungen zu entwirren.

So redest du im Interview über deine Projekte#

Die Frage "Erzählen Sie mir von einem Projekt" ist keine Einladung zum Werkzeugkatalog. Fang mit dem Problem an, nicht mit der Bibliothek. Ein bewährtes Schema: Situation, Aufgabe, Handlung, Ergebnis. Bleib bei zwei bis drei Minuten pro Projekt.

Beispielantwort: "Ich wollte verstehen, warum ein fiktiver Onlineshop über das Jahr hinweg unterschiedliche Stornierungsraten hatte. Ich habe einen öffentlichen Datensatz mit rund 240.000 Transaktionen genommen, die Daten bereinigt und saisonale Muster untersucht. Dabei sind drei Zeiträume mit auffällig hohen Stornierungen aufgefallen, die sich mit der Kampagnenplanung erklären lassen. Als Nächstes würde ich das mit echten Kundendaten validieren."

Diese Antwort funktioniert, weil sie eine Grenze zieht und den nächsten Schritt benennt. Das signalisiert, dass du weißt, was eine Analyse leisten kann und was nicht.

Rechne damit, dass jemand nachfragt, warum du eine bestimmte Methode gewählt hast. Bereite für jedes Projekt eine kurze Begründung vor und eine ehrliche Aussage darüber, was du beim nächsten Mal anders machen würdest. Diese Antwort wird seltener vorbereitet und genau deshalb oft besser bewertet.

Häufige Fragen#

Wie viele Projekte brauche ich für den Einstieg als Data Analyst?

Drei durchdachte Projekte reichen für den Junior-Bereich völlig aus. Lieber drei Projekte mit klarer Fragestellung und sauberem README als zehn halbfertige Notebooks. Qualität schlägt bei Portfolio-Bewertungen fast immer Menge.

Lohnen sich Zertifikate neben den Projekten?

Zertifikate helfen, wenn sie eine konkrete Lücke schließen, etwa ein neues Tool. Sie ersetzen aber kein Projekt, das zeigt, wie du ein Problem bearbeitest. Setze die Priorität auf Projekte und nutze Zertifikate gezielt als Ergänzung.

Sollte ich meine Projekte auf einer eigenen Website zeigen?

Eine einfache Website ist nett, aber kein Muss. Ein gepflegtes GitHub-Profil mit aussagekräftigen READMEs reicht für die meisten Bewerbungen. Wenn du eine Website baust, halte sie schlank und verlinke direkt zu den Repositories.

Was mache ich, wenn ich keine eigenen Daten finde?

Öffentliche Datensätze gibt es mehr als genug, etwa über Kaggle, data.gov oder Statistische Ämter. Du kannst auch synthetische Daten erstellen, wenn du die Erstellung sauber dokumentierst. Entscheidend ist, dass die Fragestellung nachvollziehbar bleibt.

Wie aktuell müssen meine Projekte sein?

Ein Projekt von vor zwei Jahren ist kein Problem, wenn die Methodik stimmt und das README vollständig ist. Achte darauf, dass die verwendeten Tools nicht völlig veraltet sind. Ein kurzes Update alle ein bis zwei Jahre reicht, um das Portfolio frisch zu halten.