Was macht eigentlich ein Data-Analyst?

Wir geben einen Einblick in einen Beruf, der das Rückgrat moderner Unternehmenssteuerung ist und der viel mehr bedeutet, als nur Daten auswerten.

Zwischen Code und Kontext

Dashboards, Datenpipelines, Power BI. Wer mit einem Data-Analyst spricht, taucht schnell in eine Welt voller Fachbegriffe ein. Hinter genau diesen Begriffen steckt eine Arbeit, die einen massiven Einfluss darauf hat, wie gut ein Unternehmen Entscheidungen treffen kann. Es ist eine Arbeit, die im Alltag selten geradlinig verläuft.
Ein typischer Tag im Leben eines Data-Analysten ist eine Mischung aus technischer Arbeit, konzeptionellem Denken und dem Austausch mit Projektteams und Kunden. Daten aufbereiten, Prozesse automatisieren, Anforderungen klären, alles im Wechsel. Das zentrale Werkzeug für die Datenverarbeitung bei FMS ist eine bestimmte Kombination aus Datenbankmodellen und Programmiersprachen. Diese Kombi ist essenziell für Transformationen, Validierungen und Automatisierungen. Die Ergebnisse landen dann als interaktive Dashboards auf Power BI. Dort können sie von Kunden, Außendienstmitarbeitenden und internen Teams jederzeit selbst abgerufen werden.

„Ein Teil des Tages entfällt auf die Weiterentwicklung unserer Datenplattform und unserer Standard-Analytics-Lösung, zum Beispiel durch die Definition von Datenmodellen, Standards oder neuen Anforderungen. Gleichzeitig bin ich auch selbst operativ tätig: Ich entwickle Datenprozesse, schreibe Codes, erstelle und warte Datenpipelines und arbeite an der Integration neuer Datenquellen.“
Bernhard Kohler, Lead Data Architect bei FMS

Mehr als Zahlen auswerten

Was viele unterschätzen: Ein Großteil der Arbeit besteht nicht im Analysieren, sondern im Ermöglichen von Analysen. Datenmodelle definieren, Standards festlegen, Pipelines stabil halten. Das ist die Grundlage, auf der verlässliche Auswertungen überhaupt entstehen können. Hinzu kommt die Schnittstellenarbeit: Anforderungen aus dem Business verstehen, in technische Lösungen übersetzen und sicherstellen, dass das Ergebnis tatsächlich genutzt wird. Wer nur coden kann, aber nicht versteht, was wirklich gebraucht wird, der landet schnell bei Lösungen, die am Bedarf vorbeigehen.

Wie viel Zeit verbringt ein Lead Data Architect mit Datenaufbereitung vs. eigentlicher Analyse?

Als Lead Data Architect liegt der Fokus weniger auf klassischer Analyse, sondern auf der Schaffung von Rahmenbedingungen: Plattformbetrieb, Technologieentscheidungen, Standards und Datenqualität. Das Ziel ist, dass alle Beteiligten, also Kunden, Außendienst sowie interne Teams, jederzeit zuverlässige Informationen zur Verfügung haben.

An welchen Projekten arbeitet der Lead Data Architect Bernhard Kohler bei FMS gerade?

„Momentan bin ich mit der Weiterentwicklung unserer Standard-Analytics-Lösung beschäftigt. Diese Lösung ist so weit abstrahiert und standardisiert, dass sie in kurzer Zeit an die individuellen Anforderungen unserer Kunden angepasst werden kann, ohne dass jedes Mal eine komplette Neuentwicklung notwendig ist.
Gerade in einem dynamischen Umfeld wie dem Field Marketing ermöglicht uns das, flexibel auf unterschiedliche, sich schnell ändernde Anforderungen zu reagieren und gleichzeitig eine durchgehend hohe Datenqualität sicherzustellen.“

Was sollte man mitbringen, wenn man als Data-Analyst arbeiten möchte?

Der Einstieg gelingt am leichtesten mit soliden Kenntnissen in Datenbanken, SQL und mindestens einer Programmiersprache. Statistikwissen ist hilfreich, aber nicht der entscheidende Faktor. Wichtiger ist das Verständnis dafür, wie Daten strukturiert, verarbeitet und sinnvoll nutzbar gemacht werden. Entscheidend ist die Kombination. Technisches Verständnis, ein gutes Gespür für Daten und die Fähigkeit, daraus Lösungen zu entwickeln, die für das Geschäft einen echten Mehrwert liefern. Dieses Zusammenspiel ist eine optimale Voraussetzung, um als Data-Analyst zu arbeiten.

Aufgaben eines Data-Analysten auf einen Blick

• Datenaufbereitung und -verarbeitung mittels Datenbankmodellen und Programmiersprachen (Transformationen, Validierungen, Automatisierungen)
• Erstellung und Pflege standardisierter Reports sowie ad-hoc Auswertungen in Power BI
• Entwicklung und Wartung von Datenpipelines sowie Integration neuer Datenquellen
• Abstimmung mit Projektteams, Fachbereichen und Kunden zur Klärung von Anforderungen
• Sicherstellung von Datenqualität und Konsistenz der Datenbasis