Vorlage für eine Karriereleiter

Karriereleiter für Data Analysts: Vorlage

Fünf Level vom Junior bis zum Principal Analyst und sieben Kompetenzen – von der Fragestellung bis zu veränderten Entscheidungen.

Kostenlos starten Als CSV herunterladen

Kostenloser Plan · Keine Kreditkarte nötig

Diese Karriereleiter ist für Unternehmen mit etwa 20 bis 200 Mitarbeitenden geschrieben, in denen Analysten nah am Geschäft arbeiten: Eine Handvoll Analysten, manchmal nur eine einzige Person, beantwortet Fragen aus Produkt, Marketing, Vertrieb und Geschäftsführung – oft auf einem Data Stack, den sie selbst mit aufbauen. Sie beschreibt fünf Level – von jemandem, der lernt, verlässliche Abfragen zu schreiben, bis zu jemandem, der entscheidet, wie das ganze Unternehmen sich selbst misst. Das oberste Level, Principal Data Analyst, ist ein Fach-Level; das Analytics-Team zu führen ist ein eigener Job.

Jedes Level ist darüber definiert, was ein Analyst tut und wie weit die eigene Arbeit reicht, nicht über bekannte Tools oder Berufsjahre. Lies eine Zeile der Kompetenzmatrix von links nach rechts, um zu sehen, wie eine Erwartung wächst; lies den Abschnitt eines Levels, um alles zu sehen, was auf diesem Level erwartet wird. Nutze sie, um zu erklären, was das nächste Level bedeutet, um Selbsteinschätzungen und Check-ins durchzuführen und um Beförderungsfälle vergleichbar zu machen.

Passe sie an, bevor du sie veröffentlichst. Ersetze die allgemeinen Formulierungen durch euren eigenen Stack und eure eigenen Metriken, lass die Level weg, die du noch nicht brauchst, und entscheide, wo in deinem Unternehmen Analytics Engineering endet und die Analyse beginnt.

Die Level im Überblick

Junior Data Analyst
Beantwortet klar umrissene Fragen mit verlässlichen Abfragen und klaren Charts, mit Review durch einen erfahreneren Analysten.
Verantwortungsbereich
Einzelne Anfragen und wiederkehrende Reports für ein Team, meist von jemand anderem eingegrenzt.
Data Analyst
Verantwortet Analysen von Anfang bis Ende – von einer vagen Frage bis zur Empfehlung – und ist die erste Anlaufstelle für einen Bereich.
Verantwortungsbereich
Ein Geschäftsbereich wie Onboarding, Pricing oder der Sales-Funnel samt Dashboards und wiederkehrenden Fragen.
Senior Data Analyst
Leitet die Analysen hinter wichtigen Entscheidungen und hebt die Qualität der Analysen im Umfeld.
Verantwortungsbereich
Mehrere Geschäftsbereiche oder eine große Unternehmensinitiative und die Metrikdefinitionen, auf denen sie beruhen.
Lead Data Analyst
Prägt, wie das Unternehmen Daten über Funktionen hinweg nutzt, und setzt die Standards, nach denen andere Analysten arbeiten.
Verantwortungsbereich
Analytics über mehrere Funktionen hinweg, einschließlich gemeinsamer Metriken, Datenmodelle und der Analytics-Roadmap.
Principal Data Analyst
Entscheidet, wie das Unternehmen sich selbst misst, und steht für das Vertrauen ein, das die Führungsebene in seine Zahlen setzt.
Verantwortungsbereich
Die zentralen Metriken des Unternehmens, sein Ansatz für Experimente und die Analytics-Strategie für die nächsten Jahre.

Kompetenzmatrix

Jede Zeile ist eine Kompetenz, jede Spalte ein Level. Lies eine Zeile von links nach rechts, um zu sehen, wie die Erwartung wächst.

Was jede Kompetenz bedeutet

Fragestellung: Aus der Frage eines Stakeholders eine Frage machen, die Daten beantworten können und aus der eine Entscheidung folgt.
Abfragen und Datenmodellierung: Korrekte Daten aus dem Warehouse holen und so aufbereiten, dass andere sie wiederverwenden können.
Statistische Sorgfalt und Experimente: Schlüsse ziehen, die standhalten, und wissen, wie sicher sich das Unternehmen bei ihnen sein kann.
Datenqualität und Metrikdefinitionen: Dafür sorgen, dass die Zahlen stimmen, überall dasselbe bedeuten und man ihnen vertraut.
Erkenntnisse vermitteln: Erklären, was die Daten sagen, sodass Menschen es verstehen und danach handeln.
Geschäftswirkung und Partnerschaft: Verstehen, wie das Geschäft funktioniert, und dafür sorgen, dass Analysen verändern, was Menschen tun.
Mentoring und Teamentwicklung: Anderen Analysten und Datennutzern helfen, besser zu werden, und das Team stärken.

Data Analyst: Erwartungen nach Kompetenz und Level
Kompetenz	Junior Data Analyst	Data Analyst	Senior Data Analyst	Lead Data Analyst	Principal Data Analyst
Fragestellung	Formuliert jede Anfrage vor dem Start schriftlich neu, bestätigt Zeitraum, Segment und Definition, um die es geht, und fragt, welche Entscheidung die Antwort stützen soll.	Macht aus vagen Fragen wie „Warum steigt der Churn?“ einen kurzen Analyseplan mit Hypothesen und widerspricht, wenn eine Anfrage keine Entscheidung verändern würde.	Richtet die Fragen von Stakeholdern auf die Entscheidung aus, die tatsächlich ansteht, und schlägt Analysen vor, nach denen niemand gefragt hat, wenn sie eine Priorität verändern würden.	Legt jedes Quartal mit den Leitungen der Funktionen die Analytics-Agenda fest, wählt die wenigen Fragen aus, deren Beantwortung sich am meisten lohnt, und erklärt, was nicht analysiert wird und warum.	Erkennt die Fragen, die sich das Führungsteam zum Geschäft stellen sollte, und sorgt dafür, dass das Unternehmen die Daten hat, um sie zu beantworten, bevor sie dringend werden.
Abfragen und Datenmodellierung	Schreibt lesbares SQL mit Joins, Aggregationen und Window Functions, prüft Zeilenzahlen und Duplikate, bevor einem Ergebnis vertraut wird, und bittet bei unbekannten Tabellen um Review.	Kennt die Tabellen des eigenen Bereichs und ihre Eigenheiten, baut wiederverwendbare Modelle oder Views, statt Abfragen zu kopieren, und dokumentiert die Logik hinter jedem eigenen Dashboard.	Entwirft die Datenmodelle für einen Geschäftsbereich so, dass häufige Fragen einfache Abfragen brauchen, reviewt die Logik anderer Analysten und behebt Tracking-Probleme mit den Engineers an der Quelle.	Legt Modellierungskonventionen für die gesamte Analytics-Codebasis fest, entscheidet, was in gemeinsame Modelle gehört und was in Einzelanalysen, und plant die Arbeit, um fragile Pipelines abzulösen.	Gestaltet mit der Engineering-Leitung die gesamte Datenarchitektur und entscheidet, wo Analytics investieren sollte, damit die wichtigsten Fragen günstig und schnell beantwortbar bleiben.
Statistische Sorgfalt und Experimente	Vergleicht Gleiches mit Gleichem, nennt bei jedem Ergebnis Stichprobengröße und Saisonalität und weist darauf hin, wenn ein Unterschied Rauschen sein könnte, statt ihn als Erkenntnis zu präsentieren.	Wertet A/B-Tests von Anfang bis Ende aus, einschließlich Stichprobengröße, Laufzeit und Guardrail-Metriken, und erklärt Konfidenz und Unsicherheit in einfachen Worten.	Wählt eine belastbare Methode, wenn ein randomisierter Test nicht möglich ist – Difference-in-Differences gegen ein vergleichbares Segment, eine unterbrochene Zeitreihe oder einen Matched-Vergleich – und legt ihre Annahmen und Grenzen offen.	Legt die Experimentierstandards des Unternehmens fest – wann getestet wird, wie lange ein Test läuft, wann ein Ergebnis feststeht – und prüft Analysen mit hoher Tragweite, bevor sie die Führungsebene erreichen.	Entscheidet, wie das Unternehmen bei seinen größten Entscheidungen mit Evidenz umgeht, wägt Sorgfalt gegen Geschwindigkeit ab und prüft als letzte Instanz Analysen, die die Strategie verändern.
Datenqualität und Metrikdefinitionen	Gleicht neue Zahlen vor dem Teilen mit einer bestehenden Quelle ab und meldet fehlerhafte Daten oder verdächtige Einbrüche noch am selben Tag an die verantwortliche Person.	Verantwortet die Korrektheit der Dashboards im eigenen Bereich, baut einfache Checks ein, die fehlerhafte Daten erkennen, bevor Stakeholder es tun, und schreibt jede neu eingeführte Metrikdefinition auf.	Löst widersprüchliche Versionen derselben Metrik zwischen Teams auf, vereinbart eine Definition mit den Menschen, die sie nutzen, und schafft die Reports ab, die ihr widersprechen.	Führt den Metrikkatalog des Unternehmens und den Prozess, mit dem eine Definition geändert wird, und macht Datenvorfälle mit Verantwortlichen und Lösung sichtbar.	Steht für die Verlässlichkeit der Zahlen ein, die an Führungsebene, Investoren oder Board berichtet werden, und baut die Kontrollen auf, die sie konsistent halten, während das Unternehmen wächst.
Erkenntnisse vermitteln	Präsentiert Ergebnisse mit einem klaren Chart, einer Kernaussage in einem Satz und den Einschränkungen, die zählen, und beschriftet Dashboards so, dass andere sie ohne Hilfe lesen können.	Schreibt kurze Zusammenfassungen von Analysen, die mit Antwort und Empfehlung beginnen, passt die Detailtiefe an das Publikum an und baut Dashboards, die eine bestimmte Gruppe von Fragen beantworten.	Erzählt erfahrenen Stakeholdern die Geschichte hinter komplexen Analysen, bleibt ruhig, wenn die Zahlen infrage gestellt werden, und macht aus Erkenntnissen Vorschläge, nach denen das Team handeln kann.	Präsentiert regelmäßig vor der Führungsebene, setzt den Standard dafür, wie Analysen im Unternehmen aufbereitet werden, und sorgt dafür, dass wichtige Erkenntnisse alle erreichen, die sie betreffen.	Prägt, wie das Unternehmen über seine Leistung spricht – von Reviews der Führungsebene bis zu Investoren-Updates –, damit alle dieselben Zahlen auf dieselbe Weise lesen.
Geschäftswirkung und Partnerschaft	Lernt, wie das unterstützte Team Geld verdient oder Wert schafft, und fragt nach einer Anfrage nach, ob die Antwort genutzt wurde.	Ist ein vertrauter Partner für ein Team, nimmt an dessen Planung teil und kann Entscheidungen aus dem letzten Quartal nennen, die sich durch die eigene Arbeit verändert haben.	Beeinflusst Prioritäten über mehrere Teams hinweg, verknüpft Analysen mit Umsatz, Kosten oder Kundenbindung und stoppt Arbeit, die sich nicht mehr lohnt.	Arbeitet mit den Leitungen der Funktionen an Zielen und Vorgaben und sorgt dafür, dass die Analytics-Kapazität dorthin fließt, wo sie die wichtigsten Entscheidungen verändert.	Arbeitet mit dem Führungsteam an Strategie und Planung und kann unternehmensweite Entscheidungen aus dem letzten Jahr benennen – Pricing, Markteintritt, große Investitionen –, die sich durch Analytics-Arbeit verändert haben.
Mentoring und Teamentwicklung	Bittet um Feedback zu den eigenen Abfragen und Auswertungen, setzt es um und teilt nützliche Tricks und Fallstricke mit dem Team.	Reviewt die Arbeit anderer Analysten mit konkreten Kommentaren, hilft neuen Kolleginnen und Kollegen, die Daten des eigenen Bereichs kennenzulernen, und beantwortet Datenfragen geduldig.	Begleitet Junior-Analysten im Mentoring, führt Code- und Analyse-Reviews durch und bringt Nicht-Analysten bei, einfache Fragen mit Self-Service-Tools selbst zu beantworten.	Bringt mehrere Analysten zum nächsten Level, prägt Recruiting und Interviews für das Analytics-Team und baut das Onboarding und die Dokumentation auf, auf die sich neue Analysten verlassen.	Baut die Datenkultur des Unternehmens auf, entwickelt künftige Analytics-Führungskräfte und begründet, wie das Datenteam aufgestellt sein sollte, wenn das Unternehmen wächst.

Scrolle die Tabelle seitwärts, um alle Level zu sehen.

Als CSV herunterladen Lässt sich in Excel, Google Sheets oder Numbers öffnen.

Junior Data Analyst: Was erwartet wird

Beantwortet klar umrissene Fragen mit verlässlichen Abfragen und klaren Charts, mit Review durch einen erfahreneren Analysten. Einzelne Anfragen und wiederkehrende Reports für ein Team, meist von jemand anderem eingegrenzt.

Fragestellung: Formuliert jede Anfrage vor dem Start schriftlich neu, bestätigt Zeitraum, Segment und Definition, um die es geht, und fragt, welche Entscheidung die Antwort stützen soll.
Abfragen und Datenmodellierung: Schreibt lesbares SQL mit Joins, Aggregationen und Window Functions, prüft Zeilenzahlen und Duplikate, bevor einem Ergebnis vertraut wird, und bittet bei unbekannten Tabellen um Review.
Statistische Sorgfalt und Experimente: Vergleicht Gleiches mit Gleichem, nennt bei jedem Ergebnis Stichprobengröße und Saisonalität und weist darauf hin, wenn ein Unterschied Rauschen sein könnte, statt ihn als Erkenntnis zu präsentieren.
Datenqualität und Metrikdefinitionen: Gleicht neue Zahlen vor dem Teilen mit einer bestehenden Quelle ab und meldet fehlerhafte Daten oder verdächtige Einbrüche noch am selben Tag an die verantwortliche Person.
Erkenntnisse vermitteln: Präsentiert Ergebnisse mit einem klaren Chart, einer Kernaussage in einem Satz und den Einschränkungen, die zählen, und beschriftet Dashboards so, dass andere sie ohne Hilfe lesen können.
Geschäftswirkung und Partnerschaft: Lernt, wie das unterstützte Team Geld verdient oder Wert schafft, und fragt nach einer Anfrage nach, ob die Antwort genutzt wurde.
Mentoring und Teamentwicklung: Bittet um Feedback zu den eigenen Abfragen und Auswertungen, setzt es um und teilt nützliche Tricks und Fallstricke mit dem Team.

Data Analyst: Was erwartet wird

Verantwortet Analysen von Anfang bis Ende – von einer vagen Frage bis zur Empfehlung – und ist die erste Anlaufstelle für einen Bereich. Ein Geschäftsbereich wie Onboarding, Pricing oder der Sales-Funnel samt Dashboards und wiederkehrenden Fragen.

Fragestellung: Macht aus vagen Fragen wie „Warum steigt der Churn?“ einen kurzen Analyseplan mit Hypothesen und widerspricht, wenn eine Anfrage keine Entscheidung verändern würde.
Abfragen und Datenmodellierung: Kennt die Tabellen des eigenen Bereichs und ihre Eigenheiten, baut wiederverwendbare Modelle oder Views, statt Abfragen zu kopieren, und dokumentiert die Logik hinter jedem eigenen Dashboard.
Statistische Sorgfalt und Experimente: Wertet A/B-Tests von Anfang bis Ende aus, einschließlich Stichprobengröße, Laufzeit und Guardrail-Metriken, und erklärt Konfidenz und Unsicherheit in einfachen Worten.
Datenqualität und Metrikdefinitionen: Verantwortet die Korrektheit der Dashboards im eigenen Bereich, baut einfache Checks ein, die fehlerhafte Daten erkennen, bevor Stakeholder es tun, und schreibt jede neu eingeführte Metrikdefinition auf.
Erkenntnisse vermitteln: Schreibt kurze Zusammenfassungen von Analysen, die mit Antwort und Empfehlung beginnen, passt die Detailtiefe an das Publikum an und baut Dashboards, die eine bestimmte Gruppe von Fragen beantworten.
Geschäftswirkung und Partnerschaft: Ist ein vertrauter Partner für ein Team, nimmt an dessen Planung teil und kann Entscheidungen aus dem letzten Quartal nennen, die sich durch die eigene Arbeit verändert haben.
Mentoring und Teamentwicklung: Reviewt die Arbeit anderer Analysten mit konkreten Kommentaren, hilft neuen Kolleginnen und Kollegen, die Daten des eigenen Bereichs kennenzulernen, und beantwortet Datenfragen geduldig.

Senior Data Analyst: Was erwartet wird

Leitet die Analysen hinter wichtigen Entscheidungen und hebt die Qualität der Analysen im Umfeld. Mehrere Geschäftsbereiche oder eine große Unternehmensinitiative und die Metrikdefinitionen, auf denen sie beruhen.

Fragestellung: Richtet die Fragen von Stakeholdern auf die Entscheidung aus, die tatsächlich ansteht, und schlägt Analysen vor, nach denen niemand gefragt hat, wenn sie eine Priorität verändern würden.
Abfragen und Datenmodellierung: Entwirft die Datenmodelle für einen Geschäftsbereich so, dass häufige Fragen einfache Abfragen brauchen, reviewt die Logik anderer Analysten und behebt Tracking-Probleme mit den Engineers an der Quelle.
Statistische Sorgfalt und Experimente: Wählt eine belastbare Methode, wenn ein randomisierter Test nicht möglich ist – Difference-in-Differences gegen ein vergleichbares Segment, eine unterbrochene Zeitreihe oder einen Matched-Vergleich – und legt ihre Annahmen und Grenzen offen.
Datenqualität und Metrikdefinitionen: Löst widersprüchliche Versionen derselben Metrik zwischen Teams auf, vereinbart eine Definition mit den Menschen, die sie nutzen, und schafft die Reports ab, die ihr widersprechen.
Erkenntnisse vermitteln: Erzählt erfahrenen Stakeholdern die Geschichte hinter komplexen Analysen, bleibt ruhig, wenn die Zahlen infrage gestellt werden, und macht aus Erkenntnissen Vorschläge, nach denen das Team handeln kann.
Geschäftswirkung und Partnerschaft: Beeinflusst Prioritäten über mehrere Teams hinweg, verknüpft Analysen mit Umsatz, Kosten oder Kundenbindung und stoppt Arbeit, die sich nicht mehr lohnt.
Mentoring und Teamentwicklung: Begleitet Junior-Analysten im Mentoring, führt Code- und Analyse-Reviews durch und bringt Nicht-Analysten bei, einfache Fragen mit Self-Service-Tools selbst zu beantworten.

Lead Data Analyst: Was erwartet wird

Prägt, wie das Unternehmen Daten über Funktionen hinweg nutzt, und setzt die Standards, nach denen andere Analysten arbeiten. Analytics über mehrere Funktionen hinweg, einschließlich gemeinsamer Metriken, Datenmodelle und der Analytics-Roadmap.

Fragestellung: Legt jedes Quartal mit den Leitungen der Funktionen die Analytics-Agenda fest, wählt die wenigen Fragen aus, deren Beantwortung sich am meisten lohnt, und erklärt, was nicht analysiert wird und warum.
Abfragen und Datenmodellierung: Legt Modellierungskonventionen für die gesamte Analytics-Codebasis fest, entscheidet, was in gemeinsame Modelle gehört und was in Einzelanalysen, und plant die Arbeit, um fragile Pipelines abzulösen.
Statistische Sorgfalt und Experimente: Legt die Experimentierstandards des Unternehmens fest – wann getestet wird, wie lange ein Test läuft, wann ein Ergebnis feststeht – und prüft Analysen mit hoher Tragweite, bevor sie die Führungsebene erreichen.
Datenqualität und Metrikdefinitionen: Führt den Metrikkatalog des Unternehmens und den Prozess, mit dem eine Definition geändert wird, und macht Datenvorfälle mit Verantwortlichen und Lösung sichtbar.
Erkenntnisse vermitteln: Präsentiert regelmäßig vor der Führungsebene, setzt den Standard dafür, wie Analysen im Unternehmen aufbereitet werden, und sorgt dafür, dass wichtige Erkenntnisse alle erreichen, die sie betreffen.
Geschäftswirkung und Partnerschaft: Arbeitet mit den Leitungen der Funktionen an Zielen und Vorgaben und sorgt dafür, dass die Analytics-Kapazität dorthin fließt, wo sie die wichtigsten Entscheidungen verändert.
Mentoring und Teamentwicklung: Bringt mehrere Analysten zum nächsten Level, prägt Recruiting und Interviews für das Analytics-Team und baut das Onboarding und die Dokumentation auf, auf die sich neue Analysten verlassen.

Principal Data Analyst: Was erwartet wird

Entscheidet, wie das Unternehmen sich selbst misst, und steht für das Vertrauen ein, das die Führungsebene in seine Zahlen setzt. Die zentralen Metriken des Unternehmens, sein Ansatz für Experimente und die Analytics-Strategie für die nächsten Jahre.

Fragestellung: Erkennt die Fragen, die sich das Führungsteam zum Geschäft stellen sollte, und sorgt dafür, dass das Unternehmen die Daten hat, um sie zu beantworten, bevor sie dringend werden.
Abfragen und Datenmodellierung: Gestaltet mit der Engineering-Leitung die gesamte Datenarchitektur und entscheidet, wo Analytics investieren sollte, damit die wichtigsten Fragen günstig und schnell beantwortbar bleiben.
Statistische Sorgfalt und Experimente: Entscheidet, wie das Unternehmen bei seinen größten Entscheidungen mit Evidenz umgeht, wägt Sorgfalt gegen Geschwindigkeit ab und prüft als letzte Instanz Analysen, die die Strategie verändern.
Datenqualität und Metrikdefinitionen: Steht für die Verlässlichkeit der Zahlen ein, die an Führungsebene, Investoren oder Board berichtet werden, und baut die Kontrollen auf, die sie konsistent halten, während das Unternehmen wächst.
Erkenntnisse vermitteln: Prägt, wie das Unternehmen über seine Leistung spricht – von Reviews der Führungsebene bis zu Investoren-Updates –, damit alle dieselben Zahlen auf dieselbe Weise lesen.
Geschäftswirkung und Partnerschaft: Arbeitet mit dem Führungsteam an Strategie und Planung und kann unternehmensweite Entscheidungen aus dem letzten Jahr benennen – Pricing, Markteintritt, große Investitionen –, die sich durch Analytics-Arbeit verändert haben.
Mentoring und Teamentwicklung: Baut die Datenkultur des Unternehmens auf, entwickelt künftige Analytics-Führungskräfte und begründet, wie das Datenteam aufgestellt sein sollte, wenn das Unternehmen wächst.

So passt du diese Karriereleiter an

Richte sie an der Größe deines Analytics-Teams aus
Mit ein oder zwei Analysten brauchst du wahrscheinlich drei Level, nicht fünf. Lass Lead und Principal weg, bis jemand tatsächlich Standards über Funktionen hinweg setzt, und füge sie hinzu, wenn es diese Arbeit gibt – nicht als Belohnung. In den meisten Unternehmen dieser Größe gehört der Principal-Verantwortungsbereich zu einem Head of Data oder Head of Analytics; nutze das Level nur, wenn du neben dieser Person eine erfahrene Fachkraft auf Fach-Level haben willst.
Entscheide, wo Analytics Engineering angesiedelt ist
Wenn ihr Analytics Engineers oder Data Engineers habt, die die Modelle verantworten, mach die Zeile „Abfragen und Datenmodellierung“ leichter und die Zeile „Fragestellung“ gewichtiger. Wenn eure Analysten den ganzen Stack verantworten, lass die Zeile, wie sie ist, und nenne darin eure Tools.
Bilde ab, ob Analysten eingebettet oder zentral arbeiten
Eingebettete Analysten werden vor allem an den Entscheidungen des Teams gemessen, in dem sie sitzen; ein zentrales Team eher an gemeinsamen Metriken und Standards. Gewichte die Zeilen „Geschäftswirkung“ und „Datenqualität“ so, wie euer Team tatsächlich organisiert ist.
Sammle Belege aus echten Analysen
Bitte Analysten, in ihrer Selbsteinschätzung zu jeder Aussage die Auswertungen, Dashboards und Modelle zu verlinken, plus die Entscheidung, die jeweils darauf beruhte. So werden Check-ins zu einem Gespräch über echte Arbeit statt zu einer Liste gelernter Tools.

FAQ

Fragen zu dieser Karriereleiter

Was unterscheidet Data Analyst und Data Scientist auf einer Karriereleiter?

Ein Data Analyst hilft Menschen, Entscheidungen zu treffen, indem er oder sie findet, prüft und erklärt, was die Daten sagen. Ein Data Scientist baut vor allem statistische oder Machine-Learning-Modelle, die Teil des Produkts oder des Betriebs werden. In kleineren Unternehmen überschneiden sich die Rollen, aber sie entwickeln sich in verschiedene Richtungen – gib ihnen also getrennte Karriereleitern oder getrennte Laufbahnen. In manchen Unternehmen ist „Data Scientist“ einfach der Titel für Analysten, die sich auf Experimente konzentrieren.

Wie viele Level sollte eine Karriereleiter für Data Analysts haben?

Für ein Unternehmen mit 20 bis 200 Mitarbeitenden drei bis fünf. Die meisten kleinen Teams brauchen Junior, Data Analyst und Senior; Lead und Principal ergeben erst Sinn, wenn Analytics mehrere Funktionen bedient und jemand für alle Standards setzt.

Braucht ein Senior Data Analyst Python, oder reicht SQL?

Diese Karriereleiter knüpft Level bewusst nicht an Sprachen. Viele hervorragende Senior-Analysten arbeiten vor allem mit SQL und einem BI-Tool. Was die Level unterscheidet, sind die Qualität der Fragen, die Sorgfalt der Analyse und die Entscheidungen, die sie verändert – ergänze eine Tool-Anforderung nur, wenn euer Team wirklich nicht ohne sie arbeiten kann.

Wie zeigt man die Wirkung eines Data Analysts in einem Beförderungsfall?

Verweise auf Entscheidungen, nicht auf Dashboards. Liste für jede Kompetenz des Ziel-Levels zwei oder drei Analysen auf – mit Fragestellung, Methode, Empfehlung und dem, was danach passiert ist. Ein Stakeholder, der bestätigt, dass sich eine Entscheidung verändert hat, ist ein stärkerer Beleg als die Zahl gebauter Reports.

Kann ein Data Analyst weiter wachsen, ohne Head of Analytics zu werden?

Ja. Lead und Principal sind Fach-Level: Auf ihnen wächst man an Verantwortungsbereich und an Einfluss darauf, wie das Unternehmen Daten nutzt, ohne Menschen zu führen. Das Analytics-Team zu führen ist ein eigener Job mit eigener Karriereleiter, und der Wechsel dorthin sollte ein Wechsel der Laufbahn sein und nicht der einzige Weg nach oben.

Baue diese Karriereleiter in LadderKit – kostenlos

Richte ihre Level und Skills für dein Team ein, bewerte Personen in Check-ins daran und triff Beförderungsentscheidungen nach einheitlichem Maßstab.

Kostenlos starten Live-Demo ansehen Ohne Registrierung