Wie Sie einen Datenanalysten-Lebenslauf schreiben, der gelesen wird

Wonach ein Personalverantwortlicher zuerst sucht

Wer Datenanalysten-Lebensläufe sichtet, tut dies meist schnell, oft zwischen Meetings, und sucht vor allem nach zwei Dingen: den Tools, die Sie tatsächlich verwendet haben, und dem Nachweis, dass Sie Daten in eine Entscheidung verwandelt haben, die jemand anders getroffen hat. Nicht "Daten analysiert zur Unterstützung von Geschäftszielen" — dieser Satz sagt ihnen nichts und sie haben ihn hundertmal gelesen. Sie wollen SQL sehen, und welche Variante, falls das für sie wichtig ist (Postgres, T-SQL, Snowflake). Sie wollen Python oder R benannt sehen, nicht angedeutet. Sie wollen ein BI-Tool — Tableau, Power BI, Looker — weil die meisten Analystenstellen heute nachgelagert zu einem Dashboard angesiedelt sind, das jemand anders öffnen muss. Wenn nichts davon im ersten Drittel der Seite sichtbar ist, wird der Lebenslauf beiseitegelegt, nicht weil dem Kandidaten Kompetenz fehlt, sondern weil der Leser keine Zeit hatte, das herauszufinden.

Das Zweite, wonach sie suchen, ist Umfang und Tragweite: Wie groß war der Datensatz, wie viele Personen nutzten das, was Sie erstellt haben, was hat sich dadurch geändert. Ein Datenanalysten-Lebenslauf, der sich wie die Forschungszusammenfassung eines Data Scientists liest, nur Methode und kein Ergebnis, schneidet tendenziell schlecht ab, selbst wenn die zugrundeliegende Arbeit stark war.

Das Vokabular, das konkret vorhanden sein muss

Allgemeine Lebenslauf-Ratschläge sagen "verwenden Sie Schlüsselwörter aus der Stellenbeschreibung". Für diesen Beruf braucht dieser Ratschlag Biss. Die Wörter, die einen Analysten-Lebenslauf tatsächlich von einem angrenzenden unterscheiden — Data Scientist, BI-Entwickler, Data Engineer — sind Dinge wie: SQL-Joins und Window Functions, ETL oder ELT (und welche Tools — dbt, Airflow, SSIS), Data Cleaning und Wrangling (pandas oder dplyr bei R), A/B-Testing und Experiment Design, Kohorten- oder Funnel-Analyse, Dashboarding und Self-Service-Reporting sowie das spezifische Warehouse oder die Plattform (BigQuery, Redshift, Snowflake, Databricks). Wenn Sie Excel ernsthaft verwenden — Pivot-Tabellen, VLOOKUP/XLOOKUP, Power Query — sagen Sie es klar; manche Arbeitgeber, besonders außerhalb der reinen Tech-Branche, filtern noch danach, und es als unter der Würde des Lebenslaufs abzutun ist ein Fehler.

Vermeiden Sie Vokabular, das zu einer benachbarten Rolle gehört, es sei denn, Sie haben diese Arbeit tatsächlich gemacht. "Machine-Learning-Modelle erstellt und eingesetzt" ist eine Behauptung eines Data Scientists oder ML-Engineers; wenn Sie eine logistische Regression in einem Notebook erstellt haben, um einen Bericht zu informieren, sagen Sie das stattdessen. Personalverantwortliche in diesem Bereich können den Unterschied meist innerhalb eines Satzes erkennen, und eine aufgeblasene Behauptung kostet mehr Glaubwürdigkeit als eine bescheidene wahre einbringt.

Qualifikationen und Zertifikate: was tatsächlich Gewicht hat

Es gibt keine Lizenz für diesen Job und kein Berufsregister, dem man angehören müsste — anders als etwa bei einem Buchhalter oder Ingenieur beruht die Legitimität eines Datenanalysten vollständig auf nachgewiesener Arbeit, nicht auf Zeugnissen. Ein Abschluss in einem quantitativen Fach (Statistik, Wirtschaft, Mathematik, Informatik) ist üblich, aber nicht universell, und viele Analysten kommen aus anderen Bereichen mit einem Portfolio stattdessen. Wenn Sie einen haben, nennen Sie das Fach; "BSc" allein sagt dem Leser nichts.

Zertifikate sind umstrittenes Terrain. Googles Data Analytics Certificate, Microsofts PL-300 (Power BI) und herstellerspezifische Credentials von Tableau oder SQL-Anbietern werden in Stellenanzeigen erwähnt, besonders bei weniger leitenden Positionen, und eines im Lebenslauf zu haben signalisiert, dass Sie einen definierten Lehrplan durchlaufen haben. Was sie nicht tun, ist nachgewiesene Arbeit zu ersetzen — kein Personalverantwortlicher in diesem Bereich behandelt ein Zertifikat als gleichwertig zu einem Dashboard, das irgendwo noch produktiv genutzt wird. Wenn Sie begrenzte Erfahrung haben, führen Sie das Zertifikat kurz auf und verwenden Sie den eingesparten Platz für ein Projekt statt einer längeren Zertifikatsliste.

Wie Erfahrung in diesem Bereich tatsächlich nachgewiesen wird

Die Konvention in diesem Beruf ist, Erfahrung durch Ergebnisse nachzuweisen, die an ein bestimmtes Artefakt gebunden sind — einen Bericht, ein Dashboard, ein Modell, ein Experiment — nicht durch eine Liste von Aufgaben. "Verantwortlich für wöchentliches Verkaufsreporting" sagt nichts, das ein Personalverantwortlicher überprüfen oder sich vorstellen kann. "Wöchentliches Verkaufs-Dashboard in Power BI neu aufgebaut, manuelle Berichtszeit von zwei Tagen auf unter eine Stunde reduziert, von drei Regionalteams übernommen" ist überprüfbar, konkret und sagt ihnen, was Sie wieder tun können.

Zahlen sind hier wichtiger als in den meisten Bereichen, weil die ganze Disziplin darum geht, Dinge zu quantifizieren, also wirkt ein Lebenslauf, der analytische Arbeit ohne eine einzige Zahl beschreibt, wie ein Widerspruch. Aber die Zahl muss Ihre sein, um sie zu beanspruchen — wenn die Übernahme des Dashboards oder der Umsatzanstieg ein Teamergebnis war, sagen Sie ehrlich "beigetragen zu" statt alleinige Urheberschaft anzudeuten; in einem so kleinen Feld ist Übertreibung bei einem bestimmten Projekt oft überprüfbar durch einen Personalverantwortlichen, der jemanden kennt, der dabei war.

Wo formale Metriken nicht verfügbar sind — viel interne Analysearbeit bekommt nie eine saubere Vorher-Nachher-Zahl — beschreiben Sie die Entscheidung, in die die Analyse einfloss, und wer darauf reagierte. "Analyse wurde vom Pricing-Team genutzt, um die März-Promotion anzupassen" ist schwächer als eine Prozentzahl, aber weit stärker als nichts, und es ist ehrlich über das, was Sie tatsächlich verifizieren können.

Ein Link zu einem Portfolio, GitHub oder ein paar anonymisierte Dashboard-Screenshots bewirken für diesen Beruf mehr als für fast jeden anderen, weil das Ergebnis visuell und inspizierbar ist. Wenn Sie eines haben, platzieren Sie den Link oben, nicht unten unter "Referenzen auf Anfrage verfügbar" vergraben.

Was Kandidaten mit diesem Hintergrund routinemäßig weglassen

Drei Dinge fehlen immer wieder auf Datenanalysten-Lebensläufen.

Erstens die Data-Cleaning- und Wrangling-Arbeit selbst. Analysten springen oft direkt zum Ergebnis, weil das Cleaning sich wie unspektakuläre Grundlagenarbeit anfühlte, aber ein Personalverantwortlicher weiß, dass die meiste echte Analystenzeit darauf verwendet wird, unordentliche, inkonsistente oder unvollständige Daten in einen nutzbaren Zustand zu bringen, und sie wollen wissen, dass Sie das können, nicht nur eine saubere Tabelle abfragen. Eine Zeile wie "Daten aus vier unverbundenen CRM-Exporten mit inkonsistenter Feldbezeichnung konsolidiert" sagt ihnen mehr über Ihre praktische Kompetenz als ein weiterer Dashboard-Stichpunkt.

Zweitens Stakeholder-Kommunikation. Diese Rolle sitzt zwischen Rohdaten und Menschen, die Entscheidungen ohne technischen Hintergrund treffen, und die Fähigkeit, ein Ergebnis jemandem im Marketing oder Operations ohne Fachjargon zu erklären, ist eine distinkte, überprüfbare Fähigkeit, die Kandidaten selten erwähnen, weil es sich nicht wie "Analyse" anfühlt. Wenn Sie Ergebnisse nicht-technischen Stakeholdern präsentiert, einen Bericht geschrieben haben, den ein Direktor tatsächlich gelesen hat, oder geändert haben, wie ein Team etwas misst, sagen Sie es direkt.

Drittens der Domänenkontext. "Datenanalyst" umfasst Menschen, die im Marketing, Finanzwesen, Produkt, Gesundheitswesen, Logistik und mehr arbeiten, und die spezifischen Geschäftsfragen, die jede Domäne stellt, sind unterschiedlich — Churn und Lifetime Value in einem Abo-Geschäft, Conversion und Attribution im E-Commerce, Claims und Risiko in der Versicherung. Den Domänenkontext im Lebenslauf wegzulassen lässt alle Analysten austauschbar erscheinen, während in der Praxis ein Personalverantwortlicher in Fintech meist sehen will, dass Sie zuvor mit Finanz- oder Transaktionsdaten gearbeitet haben, nicht nur mit Daten im Allgemeinen.

Was als nächstes zu tun ist

Gehen Sie Ihren Lebenslauf durch und prüfen Sie, dass das erste Drittel der Seite Ihre Kern-Tools mit ihren tatsächlichen Namen nennt — SQL, das spezifische BI-Tool, Python oder R — nicht eine Umschreibung davon. Dann prüfen Sie jeden Stichpunkt unter Erfahrung: Nennt er ein Artefakt (ein Dashboard, einen Bericht, ein Modell, ein Experiment) und ein Ergebnis, auf das jemand anders reagiert hat? Wenn ein Stichpunkt nur eine Aktivität beschreibt, schreiben Sie ihn um oder streichen Sie ihn. Fügen Sie eine Zeile über Data Cleaning oder Wrangling hinzu, falls sie fehlt, und eine über ein nicht-technisches Publikum, dem Sie berichtet haben, da beides üblicherweise angenommen statt ausgesagt wird. Wenn Sie ein Portfolio oder Dashboard-Beispiele haben, verlinken Sie diese oben.

Wenn Sie sich auf mehr als eine Handvoll Stellen bewerben und jede den Lebenslauf etwas anders gerahmt haben will — verschiedene Tools in den Vordergrund gestellt, unterschiedliche Domänenerfahrung hervorgehoben — dann ist dieses Umschreiben der Punkt, an dem den meisten die Zeit ausgeht, bevor ihnen die Bewerbungen ausgehen. jobmarket.pro liest jede Anzeige und erstellt die Bewerbung aus einem Profil, in das es keine Erfahrung erfinden kann, was genau das Problem ist, das dieser Artikel beschrieben hat.