SQL lernen für den Data-Analyst-Job 2026

Du willst 2026 in einen Data-Analyst-Job rein, aber überall steht SQL in der Stellenanzeige und du denkst: „Okay, wie viel SQL muss ich wirklich können, ohne mich drei Monate in Datenbank-Theorie zu verlieren?“ Genau da hängen viele fest. Nicht, weil SQL unfassbar schwer ist, sondern weil sie falsch lernen: zu viel Syntax auswendig, zu wenig echte Analysten-Aufgaben.

SQL ist für Data Analysts immer noch eine der wichtigsten Fähigkeiten. Egal ob bei SAP, BMW, Siemens, N26, Trade Republic, Personio oder Delivery Hero: Wenn Daten irgendwo in Tabellen liegen, musst du sie abfragen, filtern, zusammenfassen und für Entscheidungen vorbereiten können.

Und ja, du kannst das lernen, auch wenn du nicht aus Informatik kommst.

Warum SQL 2026 für Data Analysts so wichtig bleibt#

Viele Tools kommen und gehen. Dashboards ändern sich. KI-Assistenten werden besser. Aber SQL bleibt die Sprache, mit der du direkt an die Daten kommst.

Als Data Analyst arbeitest du oft mit Fragen wie:

1. Wie viele Nutzer haben letzte Woche gekauft?
2. Welche Marketing-Kampagne bringt die besten Kunden?
3. Warum sinkt die Conversion Rate im Checkout?
4. Welche Produktkategorie wächst am stärksten?
5. Welche Kundengruppe churnt besonders oft?

All diese Fragen landen früher oder später in Tabellen.

Ein Hiring Manager will nicht sehen, dass du jede exotische SQL-Funktion kennst. Er will sehen, dass du Business-Fragen in Datenabfragen übersetzen kannst.

Das ist der Kern.

Was ein Data Analyst mit SQL wirklich macht#

SQL im Job ist selten glamourös. Es ist eher wie Detektivarbeit.

Du bekommst eine Frage, schaust dir die Daten an, prüfst Definitionen, baust Abfragen, findest Muster und erklärst das Ergebnis so, dass ein Team etwas damit anfangen kann.

Typische Aufgaben sind:

1. Daten aus mehreren Tabellen verbinden
2. Kennzahlen berechnen
3. Fehlerhafte oder fehlende Werte erkennen
4. Nutzergruppen vergleichen
5. Zeitverläufe analysieren
6. Daten für Dashboards vorbereiten
7. Ad-hoc-Fragen aus Fachabteilungen beantworten

Beispiel bei N26: Das Growth-Team will wissen, wie viele neue Nutzer innerhalb von 30 Tagen ihre Karte aktiviert haben.

Beispiel bei Delivery Hero: Das Operations-Team fragt, in welchen Städten die Lieferzeiten in den letzten vier Wochen gestiegen sind.

Beispiel bei BMW: Das Produktteam möchte vergleichen, welche Features in einer App von bestimmten Kundengruppen genutzt werden.

Das ist genau die Art SQL, die du 2026 lernen solltest.

Wie viel SQL brauchst du für den ersten Data-Analyst-Job?#

Für Junior-Rollen brauchst du kein Datenbank-Admin-Wissen. Du musst nicht wissen, wie Indizes tief im Speicher funktionieren oder wie ein Query Planner intern optimiert.

Du brauchst solides Arbeits-SQL.

Das heißt:

1. SELECT, FROM, WHERE sicher nutzen
2. GROUP BY und Aggregationen verstehen
3. JOINs ohne Panik schreiben
4. CASE WHEN verwenden
5. Datumsfunktionen anwenden
6. Window Functions grundsätzlich beherrschen
7. CTEs nutzen, um Abfragen lesbar zu halten
8. Ergebnisse prüfen und erklären

Wenn du das kannst, bist du für viele Junior-Stellen gut vorbereitet.

Bei Junior Data Analyst Jobs in Deutschland liegen Gehälter oft bei etwa €42k bis €55k. In Berlin, München oder Frankfurt können es bei Tech-Firmen auch €55k bis €65k sein.

Bei Firmen wie Personio, Trade Republic oder N26 hängen die Zahlen stark von Erfahrung, Standort und Team ab. Aber SQL ist fast immer ein Skill, der dich ernsthafter wirken lässt.

Der wichtigste Denkwechsel: SQL ist kein Schulfach#

Viele lernen SQL so:

1. Tutorial öffnen
2. Syntax kopieren
3. 50 Übungsaufgaben lösen
4. Zwei Wochen später alles vergessen

Das Problem: Du lernst Befehle, aber keine Analyse.

Besser ist dieser Ansatz:

1. Nimm eine echte Business-Frage
2. Überlege, welche Tabellen du brauchst
3. Schreibe eine erste einfache Abfrage
4. Prüfe, ob das Ergebnis Sinn ergibt
5. Verbessere die Abfrage Schritt für Schritt
6. Erkläre dein Ergebnis in normalen Worten

Das fühlt sich am Anfang langsamer an. Aber genau so arbeitest du später im Job.

Wenn du im Interview sagen kannst: „Ich habe analysiert, welche Kundengruppe die höchste Wiederkaufsrate hat, dafür habe ich Orders, Customers und Campaigns gejoint und nach Kohorten gruppiert“, klingt das deutlich besser als: „Ich kenne SELECT und GROUP BY.“

SQL-Basics, die du wirklich sitzen haben musst#

Fangen wir mit den Grundlagen an. Nicht sexy, aber ohne die geht nichts.

1. SELECT, FROM, WHERE

Das ist dein tägliches Brot.

Du wählst Spalten aus, gibst die Tabelle an und filterst Zeilen.

Beispiel:

SELECT
  customer_id,
  order_date,
  revenue
FROM orders
WHERE country = 'Germany';

Das musst du blind verstehen.

Wichtig ist auch, dass du Filter sauber formulierst:

1. Textwerte mit Anführungszeichen
2. Zahlen ohne Anführungszeichen
3. Datumswerte je nach Datenbank korrekt formatieren
4. NULL nicht mit = NULL, sondern mit IS NULL prüfen

Viele Anfänger machen genau hier Fehler.

2. ORDER BY und LIMIT

Damit sortierst du Ergebnisse und begrenzt die Ausgabe.

SELECT
  customer_id,
  revenue
FROM orders
ORDER BY revenue DESC
LIMIT 10;

Klingt simpel, ist aber praktisch ständig im Einsatz.

Du willst die Top-10-Kunden sehen? ORDER BY.

Du willst prüfen, ob eine Tabelle überhaupt sinnvolle Daten enthält? LIMIT.

Du willst die neuesten Buchungen ansehen? ORDER BY date DESC.

3. Aggregationen mit COUNT, SUM, AVG, MIN, MAX

Als Analyst fasst du Daten zusammen.

SELECT
  country,
  COUNT(*) AS orders,
  SUM(revenue) AS total_revenue,
  AVG(revenue) AS avg_order_value
FROM orders
GROUP BY country;

Das ist schon echte Analyse.

Damit kannst du beantworten:

1. Welches Land bringt den meisten Umsatz?
2. Wie viele Bestellungen gibt es pro Monat?
3. Wie hoch ist der durchschnittliche Warenkorb?
4. Welche Kundengruppe ist besonders wertvoll?

Achte darauf, dass du Gruppierungen verstehst. Wenn du nach country gruppierst, bekommst du eine Zeile pro Land.

Wenn du nach country und month gruppierst, bekommst du eine Zeile pro Land und Monat.

Das klingt klein, entscheidet aber, ob deine Analyse stimmt.

JOINs: Der Punkt, an dem viele aussteigen#

JOINs sind der Klassiker im Interview. Nicht, weil sie gemein sind, sondern weil du sie im Job dauernd brauchst.

Daten liegen selten in einer einzigen Tabelle.

Du hast zum Beispiel:

1. customers, Kundendaten
2. orders, Bestellungen
3. products, Produkte
4. campaigns, Marketing-Kampagnen
5. events, Nutzerverhalten

Wenn du wissen willst, welche Kampagne wie viel Umsatz gebracht hat, musst du Tabellen verbinden.

INNER JOIN

Ein INNER JOIN zeigt nur Datensätze, die in beiden Tabellen passen.

SELECT
  c.customer_id,
  c.country,
  o.order_id,
  o.revenue
FROM customers c
INNER JOIN orders o
  ON c.customer_id = o.customer_id;

Du bekommst nur Kunden mit Bestellungen.

LEFT JOIN

Ein LEFT JOIN behält alle Zeilen aus der linken Tabelle und ergänzt passende Daten aus der rechten Tabelle.

SELECT
  c.customer_id,
  c.country,
  o.order_id
FROM customers c
LEFT JOIN orders o
  ON c.customer_id = o.customer_id;

Damit findest du zum Beispiel Kunden ohne Bestellung.

Das ist im Job extrem nützlich.

Beispiel: Personio will sehen, welche Testkunden sich registriert, aber nie ein kostenpflichtiges Abo gestartet haben.

Typische JOIN-Fallen

Hier passieren viele Fehler:

1. Du joinst auf die falsche ID
2. Du erzeugst versehentlich Duplikate
3. Du filterst nach einem LEFT JOIN falsch
4. Du verstehst nicht, welche Tabelle die Granularität bestimmt
5. Du prüfst nicht, ob die Zeilenanzahl nach dem JOIN explodiert

Merke dir dieses Wort: Granularität.

Es bedeutet: Was ist eine Zeile in deiner Tabelle?

Eine Zeile pro Kunde? Pro Bestellung? Pro Produkt in einer Bestellung? Pro App-Event?

Wenn du das nicht weißt, baust du schnell falsche Kennzahlen.

GROUP BY plus JOIN: Hier entsteht echte Analysten-Power#

Ein realistisches Beispiel:

Das Team will wissen, wie viel Umsatz pro Land entstanden ist.

Du brauchst Kundendaten für das Land und Bestelldaten für den Umsatz.

SELECT
  c.country,
  COUNT(o.order_id) AS orders,
  SUM(o.revenue) AS revenue
FROM customers c
JOIN orders o
  ON c.customer_id = o.customer_id
GROUP BY c.country
ORDER BY revenue DESC;

Das ist eine klassische Data-Analyst-Abfrage.

Wenn du solche Queries flüssig bauen kannst, bist du schon weiter als viele Bewerber.

Noch besser: Du erklärst danach kurz, was du getan hast.

Zum Beispiel:

„Ich habe Bestellungen mit Kunden verbunden, nach Land gruppiert und Umsatz sowie Bestellanzahl berechnet. Danach habe ich absteigend nach Umsatz sortiert, um die wichtigsten Märkte zu sehen.“

Genau so solltest du auch im Interview sprechen.

CASE WHEN: Deine Wenn-Dann-Logik in SQL#

Mit CASE WHEN baust du Kategorien.

Beispiel:

SELECT
  customer_id,
  revenue,
  CASE
    WHEN revenue ≥ 1000 THEN 'high_value'
    WHEN revenue ≥ 300 THEN 'mid_value'
    ELSE 'low_value'
  END AS customer_segment
FROM customers;

Damit kannst du Kunden segmentieren.

Typische Anwendungen:

1. Kundenwert einstufen
2. Bestellungen nach Größe gruppieren
3. Nutzer nach Aktivität sortieren
4. Länder in Regionen einteilen
5. Conversion-Stufen markieren

In Data-Analyst-Jobs kommt CASE WHEN ständig vor.

Bei Trade Republic könnte ein Analyst Nutzer nach Handelsaktivität gruppieren. Bei SAP könnte ein Analyst Firmenkunden nach Vertragsvolumen segmentieren. Bei Siemens könnte ein Analyst Servicefälle nach Dringlichkeit klassifizieren.

Das ist keine Theorie. Das ist Alltag.

Datumsfunktionen: Ohne Zeit keine Analyse#

Fast jede Business-Frage hat eine Zeitdimension.

1. Umsatz pro Monat
2. Nutzerwachstum pro Woche
3. Churn nach 30 Tagen
4. Conversion am selben Tag
5. Wiederkäufe innerhalb von 90 Tagen

Du musst Datumswerte gruppieren und vergleichen können.

Je nach SQL-Datenbank unterscheiden sich Funktionen etwas. In PostgreSQL nutzt du oft DATE_TRUNC.

SELECT
  DATE_TRUNC('month', order_date) AS month,
  SUM(revenue) AS revenue
FROM orders
GROUP BY month
ORDER BY month;

In BigQuery sieht es etwas anders aus:

SELECT
  DATE_TRUNC(order_date, MONTH) AS month,
  SUM(revenue) AS revenue
FROM orders
GROUP BY month
ORDER BY month;

Wichtig ist nicht, jede Variante auswendig zu kennen.

Wichtig ist, dass du verstehst:

1. Wie gruppiere ich nach Tag, Woche, Monat?
2. Wie filtere ich einen Zeitraum?
3. Wie berechne ich Abstände zwischen Daten?
4. Wie vermeide ich Fehler mit Zeitstempeln?

Wenn du in Interviews sagst: „Die genaue Syntax hängt von PostgreSQL, BigQuery oder Snowflake ab, aber das Prinzip ist klar“, ist das absolut okay.

Window Functions: Dein Sprung von Basic zu stark#

Window Functions klingen erstmal wild. Aber sie sind einer der Skills, mit denen du dich von anderen Junior-Bewerbern abhebst.

Sie erlauben Berechnungen über Zeilengruppen, ohne die Zeilen zusammenzufassen.

Beispiel: Ranking der Kunden nach Umsatz pro Land.

SELECT
  country,
  customer_id,
  revenue,
  RANK() OVER (
    PARTITION BY country
    ORDER BY revenue DESC
  ) AS revenue_rank
FROM customer_revenue;

Das ist stark.

Typische Window Functions:

1. ROW_NUMBER()
2. RANK()
3. DENSE_RANK()
4. SUM() OVER
5. AVG() OVER
6. LAG()
7. LEAD()

Beispiel: Umsatzwachstum zum Vormonat

SELECT
  month,
  revenue,
  LAG(revenue) OVER (ORDER BY month) AS previous_month_revenue
FROM monthly_revenue;

Damit kannst du Monatswerte vergleichen.

In einem Interview für eine Data-Analyst-Rolle kann so eine Query richtig Eindruck machen, wenn du sie verständlich erklärst.

Du musst nicht jede Window Function perfekt können. Aber du solltest wissen, wann sie helfen.

CTEs: Schreib SQL so, dass Menschen es lesen können#

CTEs sind Common Table Expressions. Denk einfach an Zwischenschritte in deiner Query.

Statt eine riesige unlesbare Abfrage zu schreiben, teilst du sie auf.

WITH monthly_revenue AS (
  SELECT
    DATE_TRUNC('month', order_date) AS month,
    SUM(revenue) AS revenue
  FROM orders
  GROUP BY month
)

SELECT
  month,
  revenue
FROM monthly_revenue
ORDER BY month;

Das sieht sauber aus.

Im Job lesen andere deine Queries. Dein zukünftiges Team wird dich lieben, wenn deine SQL-Abfragen verständlich sind.

Gute CTEs helfen dir auch beim Denken:

1. Erst relevante Daten holen
2. Dann aggregieren
3. Dann berechnen
4. Dann filtern
5. Dann ausgeben

Für Take-Home-Challenges oder Portfolio-Projekte sind CTEs fast Pflicht, wenn du professionell wirken willst.

SQL für Bewerbungen: Was Recruiter wirklich sehen wollen#

Recruiter lesen Stellenanzeigen anders als du denkst. Sie suchen Signale.

Wenn in deinem Lebenslauf nur steht „SQL“, ist das okay, aber schwach.

Besser:

1. „SQL: JOINs, CTEs, Window Functions, KPI-Analysen“
2. „Analysierte E-Commerce-Daten mit SQL, berechnete Conversion Rate und Wiederkaufsrate“
3. „Baute ein Dashboard-Dataset mit SQL und visualisierte Umsatztrends in Power BI“
4. „Untersuchte Churn-Muster mit PostgreSQL und cohort analysis“

Das klingt nach echter Arbeit.

Auch wenn es ein Projekt war und kein bezahlter Job, darfst du es nennen. Sei nur ehrlich.

Beispiel für deinen Lebenslauf

Data Analytics Projekt, E-Commerce Sales Analyse

1. Analysierte 50.000 Bestellungen mit SQL in PostgreSQL
2. Berechnete Umsatz, Average Order Value, Wiederkaufsrate und monatliches Wachstum
3. Nutze JOINs, CTEs und Window Functions zur Segmentierung von Kunden
4. Visualisierte Ergebnisse in Tableau und formulierte drei Handlungsempfehlungen

Das ist viel besser als „SQL Grundkenntnisse“.

Welche SQL-Datenbank solltest du lernen?#

Für den Einstieg ist die genaue Datenbank nicht entscheidend.

Gute Optionen:

1. PostgreSQL
2. MySQL
3. BigQuery
4. Snowflake
5. SQL Server

Wenn du lokal üben willst, nimm PostgreSQL. Es ist beliebt, gut dokumentiert und nah an vielen Praxisfällen.

Wenn du Cloud-Daten analysieren willst, ist BigQuery super, weil du schnell mit öffentlichen Datensätzen arbeiten kannst.

In Unternehmen findest du oft:

1. SAP: SAP HANA, SQL-basierte Datenabfragen, Data-Warehouse-Systeme
2. BMW: SQL Server, Snowflake, interne Plattformen
3. Siemens: SQL, Data Lakes, BI-Systeme
4. N26: BigQuery, Snowflake, moderne Analytics-Stacks
5. Trade Republic: BigQuery, Python, BI-Tools
6. Personio: PostgreSQL, Snowflake, BI-Tools
7. Delivery Hero: BigQuery, PostgreSQL, Analytics-Plattformen

Du musst nicht alle kennen. Lern SQL so, dass du Konzepte übertragen kannst.

Der beste Lernplan für 30 Tage#

Wenn du SQL für einen Data-Analyst-Job 2026 lernen willst, brauchst du keinen perfekten Kurs. Du brauchst einen klaren Plan.

Woche 1: Grundlagen sicher machen

Ziel: Du kannst einfache Tabellen abfragen.

Lerne:

1. SELECT
2. WHERE
3. ORDER BY
4. LIMIT
5. COUNT, SUM, AVG
6. GROUP BY

Übe täglich 45 bis 60 Minuten.

Mini-Projekt: Analysiere eine Bestelltabelle und beantworte fünf Fragen:

1. Wie viele Bestellungen gibt es?
2. Wie hoch ist der Gesamtumsatz?
3. Welches Land hat den höchsten Umsatz?
4. Wie hoch ist der durchschnittliche Bestellwert?
5. Welche zehn Bestellungen waren am größten?

Woche 2: JOINs und echte Datenmodelle

Ziel: Du verstehst mehrere Tabellen.

Lerne:

1. INNER JOIN
2. LEFT JOIN
3. Join Keys
4. Duplikate prüfen
5. Granularität verstehen

Mini-Projekt: Nutze Kunden und Bestellungen.

Beantworte:

1. Wie viele Kunden haben nie bestellt?
2. Wie viel Umsatz pro Kundensegment?
3. Welche Länder haben hohe Registrierungen, aber niedrige Bestellungen?
4. Welche Kunden sind besonders wertvoll?
5. Wie verändert sich Umsatz pro Monat und Land?

Woche 3: CASE WHEN, Dates und CTEs

Ziel: Du baust bessere Analysen.

Lerne:

1. CASE WHEN
2. Datumsfilter
3. Monatliche Gruppierung
4. CTEs
5. saubere Query-Struktur

Mini-Projekt: Baue eine Cohort-Analyse light.

Frage: Wie viele Kunden kaufen im ersten, zweiten und dritten Monat nach Registrierung?

Das ist schon ziemlich nah an echten Aufgaben.

Woche 4: Window Functions und Portfolio

Ziel: Du wirkst jobready.

Lerne:

1. ROW_NUMBER
2. RANK
3. LAG
4. LEAD
5. Moving Average
6. kumulative Summen

Portfolio-Projekt:

Analysiere einen E-Commerce-Datensatz und erstelle eine kurze Fallstudie.

Struktur:

1. Business-Frage
2. Datensatz
3. SQL-Ansatz
4. wichtigste Queries
5. Erkenntnisse
6. Empfehlungen

Pack das auf GitHub oder in ein sauberes PDF.

Welche Projekte bringen dich in Interviews?#

Dein Projekt muss nicht riesig sein. Es muss glaubwürdig sein.

Gute Projektideen:

1. E-Commerce Umsatzanalyse

Fragen:

1. Welche Produkte bringen den meisten Umsatz?
2. Welche Kunden kaufen wieder?
3. Welche Monate sind besonders stark?
4. Welche Kategorien wachsen?
5. Wo gibt es Rückgänge?

Skills:

1. JOINs
2. GROUP BY
3. CTEs
4. Datumsfunktionen
5. Window Functions

2. Fintech Nutzeranalyse

Passend, wenn du zu N26 oder Trade Republic willst.

Fragen:

1. Wie viele Nutzer aktivieren ihr Konto?
2. Wie viele tätigen innerhalb von 30 Tagen eine Transaktion?
3. Welche Nutzergruppen bleiben aktiv?
4. Welche Länder haben hohe Aktivierung?
5. Wie entwickelt sich die Retention?

Skills:

1. Funnels
2. Cohorts
3. Conversion Rates
4. LAG
5. Segmentierung

3. HR Analytics Projekt

Passend für Personio oder HR-Tech-Rollen.

Fragen:

1. Wie lange dauert die Einstellung?
2. Welche Kanäle bringen gute Kandidaten?
3. Wo brechen Bewerber ab?
4. Welche Rollen bleiben lange offen?
5. Wie unterscheiden sich Standorte?

Skills:

1. Datumsdifferenzen
2. Status-Tracking
3. Funnel-Analyse
4. GROUP BY
5. CASE WHEN

4. Operations Analyse

Passend für Delivery Hero, Logistik oder Mobility.

Fragen:

1. Welche Städte haben lange Lieferzeiten?
2. Welche Tageszeiten sind kritisch?
3. Wie oft kommen Verspätungen vor?
4. Welche Restaurants haben hohe Stornoquoten?
5. Wie entwickelt sich die Servicequalität?

Skills:

1. Zeitreihen
2. Aggregationen
3. Segmentierung
4. Ranking
5. Ausreißerprüfung

SQL im Vorstellungsgespräch: Was kommt dran?#

Viele SQL-Interviews sind einfacher als du denkst, aber unter Druck fühlt sich alles schwerer an.

Typische Aufgaben:

1. Finde die Top-5-Kunden nach Umsatz
2. Berechne Umsatz pro Monat
3. Finde Nutzer ohne Bestellung
4. Berechne Conversion Rate pro Kampagne
5. Ermittle die zweite Bestellung jedes Kunden
6. Vergleiche aktuellen Monat mit Vormonat
7. Finde doppelte Einträge

Wichtig: Sprich laut mit.

Sag zum Beispiel:

„Ich würde zuerst die relevante Granularität klären. Geht es um eine Zeile pro Bestellung oder pro Bestellposition? Dann würde ich die Orders-Tabelle mit Customers joinen und nach Monat aggregieren.“

Das zeigt Senior-Denken, auch wenn du Junior bist.

Fragen, die du stellen solltest

Wenn du eine Aufgabe bekommst, frag kurz:

1. Welche Datenbank nutzen wir?
2. Gibt es NULL-Werte?
3. Ist eine Bestellung eindeutig pro order_id?
4. Soll storniertes Geschäft ausgeschlossen werden?
5. Zählen wir Umsatz brutto oder netto?
6. Welche Zeitzone gilt?
7. Wie definieren wir aktive Nutzer?

Diese Fragen wirken nicht nervig. Sie wirken professionell.

Häufige Fehler beim SQL-Lernen#

Bitte spar dir diese Umwege.

Fehler 1: Nur Syntax pauken

Syntax ist wichtig, aber sie reicht nicht.

Du musst Business-Fragen lösen.

Fehler 2: Zu früh Python lernen wollen

Python ist stark. Aber wenn du Data Analyst werden willst, bringt dir solides SQL oft schneller Interviews.

Viele Junior-Rollen verlangen SQL plus Excel oder BI-Tool. Python ist ein Bonus.

Fehler 3: Keine Ergebnisse interpretieren

Eine Query ist nicht das Ende.

Du musst sagen können, was das Ergebnis bedeutet.

Beispiel:

„Der Umsatz ist im März um 18 Prozent gestiegen, aber die Anzahl der Bestellungen nur um 5 Prozent. Das deutet auf einen höheren Warenkorb hin.“

Das ist Analystenarbeit.

Fehler 4: Keine Projekte zeigen

„Ich lerne SQL“ klingt nett.

„Ich habe mit SQL 100.000 Zeilen E-Commerce-Daten analysiert und drei Umsatztreiber gefunden“ klingt nach Bewerbungsgespräch.

Fehler 5: Blind KI nutzen

KI kann dir SQL erklären und Fehler finden. Super.

Aber wenn du jede Query generieren lässt, lernst du nicht genug.

Nutz KI so:

1. Lass dir Fehler erklären
2. Frag nach alternativen Lösungen
3. Bitte um Interviewaufgaben
4. Lass deine Query reviewen
5. Erkläre danach selbst, was passiert

Welche Tools passen zu SQL?#

Für Data Analyst Jobs ist SQL selten allein. Kombiniere es mit Tools, die Firmen kennen.

Gute Kombis:

1. SQL plus Excel
2. SQL plus Power BI
3. SQL plus Tableau
4. SQL plus Looker Studio
5. SQL plus Python Grundlagen
6. SQL plus dbt Grundlagen

Wenn du dich bei Siemens, BMW oder SAP bewirbst, ist Power BI oft hilfreich.

Bei Tech-Firmen wie N26, Trade Republic, Personio oder Delivery Hero siehst du häufiger Looker, Tableau, BigQuery, Snowflake und manchmal dbt.

Für Junior-Bewerbungen reicht oft:

1. SQL gut
2. Excel gut
3. Ein BI-Tool solide
4. Business-Verständnis sichtbar
5. ein Projekt mit klarer Story

Wie du SQL im Lebenslauf platzierst#

Dein Skill-Abschnitt sollte konkret sein.

Schwach:

1. SQL
2. Excel
3. Tableau

Besser:

1. SQL: JOINs, CTEs, Window Functions, Aggregationen, Cohort-Analysen
2. BI: Tableau, Power BI, KPI-Dashboards
3. Analytics: Conversion Rate, Retention, Churn, Umsatzanalyse
4. Excel: Pivot-Tabellen, XLOOKUP, Datenbereinigung

In Projekten oder Berufserfahrung solltest du SQL ebenfalls nennen.

Beispiel:

„Erstellte SQL-Abfragen zur Analyse von Verkaufsdaten, identifizierte Produkte mit überdurchschnittlicher Marge und bereitete Daten für ein Power-BI-Dashboard auf.“

Das wirkt deutlich stärker.

Welche Gehälter sind realistisch?#

Gehälter schwanken stark nach Stadt, Firma und Erfahrung. Aber grob für Deutschland und EU-Tech-Märkte 2026:

1. Junior Data Analyst: €42k bis €58k
2. Data Analyst mit 2 bis 4 Jahren Erfahrung: €58k bis €75k
3. Senior Data Analyst: €75k bis €95k
4. Analytics Engineer: €70k bis €100k
5. Product Analyst in Tech: €60k bis €90k

In München bei BMW oder Siemens können Rollen mit viel Industriebezug stabil gut bezahlt sein.

In Berlin bei N26, Trade Republic, Personio oder Delivery Hero hängt es stärker von Team, Level und Funding-Situation ab.

Bei SAP in Walldorf oder Berlin können Datenrollen ebenfalls attraktiv sein, besonders wenn du SQL mit BI, Cloud oder SAP HANA kombinierst.

SQL allein macht dich nicht automatisch teuer. Aber SQL plus Business-Verständnis plus gute Kommunikation ist eine starke Mischung.

Dein realistischer Weg in den Job#

Wenn du heute startest, würde ich so vorgehen:

1. 30 Tage SQL lernen
2. ein sauberes Projekt bauen
3. Lebenslauf auf Data Analyst optimieren
4. LinkedIn-Profil anpassen
5. 30 passende Stellen sammeln
6. pro Woche 10 Bewerbungen schicken
7. SQL-Interviewaufgaben üben
8. Absagen tracken und Lebenslauf verbessern

Mach es nicht komplizierter.

Du brauchst keine zehn Zertifikate. Du brauchst Beweise, dass du mit Daten arbeiten kannst.

Ein gutes Projekt, klare SQL-Skills und ein Lebenslauf, der zu den Stellenanzeigen passt, bringen dich weiter als noch ein Kurs ohne Ergebnis.

Kurzfazit: SQL lernen lohnt sich 2026 richtig#

SQL ist 2026 kein alter Skill. Es ist einer der schnellsten Wege in Data-Analyst-Jobs.

Wenn du SELECT, JOINs, GROUP BY, CASE WHEN, Datumsfunktionen, CTEs und Window Functions solide kannst, bist du für viele Junior-Rollen gut vorbereitet.

Der Trick ist: Lern nicht nur Syntax. Lern, echte Fragen zu beantworten.

Zeig in deinem Lebenslauf und Portfolio, dass du Umsatz, Conversion, Retention, Churn oder Operations-KPIs analysieren kannst. Genau das suchen Teams bei SAP, BMW, Siemens, N26, Trade Republic, Personio und Delivery Hero.

Und bevor du dich bewirbst, prüf bitte deinen Lebenslauf gegen ATS-Systeme. Viele gute Kandidaten fliegen raus, bevor ein Mensch sie sieht. Nutz dafür den kostenlosen ATS-Check von JobRise: https://jobrise.io/de/free-ats-checker/