Data Analyst oder Data Scientist: Welche Rolle passt zu mir?

Das Problem

Sie lesen Stelleninserate oder Weiterbildungsangebote und stossen auf zwei Titel, die fast gleich klingen: «Data Analyst» und «Data Scientist». Beide arbeiten mit Daten, beide gelten als gefragt. Doch was genau unterscheidet sie? Und welche Rolle würde zu Ihnen passen?

Das Durcheinander ist verständlich. Firmen verwenden die Titel nicht einheitlich. Manche Stelle heisst «Data Scientist» und besteht überwiegend aus Tabellen und Berichten. Andere heisst «Analyst» und verlangt Programmierkenntnisse. Wer nur nach dem Titel geht, bewirbt sich oder bildet sich möglicherweise in die falsche Richtung weiter.

Dazu kommt die KI. Sie übernimmt heute einen Teil der Routinearbeit, etwa das Erklären einer Formel oder das Entwerfen einer Abfrage. Das verändert die Aufgaben, macht Daten-Kompetenz aber nicht überflüssig. Im Gegenteil: Jemand muss die Ergebnisse beurteilen können.

So lösen Sie es mit KI – Schritt für Schritt

1. Notieren Sie, was Sie gerne tun. Schreiben Sie auf, welche Tätigkeiten Ihnen im Alltag Freude machen: Zahlen ordnen, Zusammenhänge erklären, Berichte gestalten, tüfteln, programmieren, mit Menschen sprechen.

1. Sammeln Sie drei bis fünf Stelleninserate. Suchen Sie auf Schweizer Jobportalen nach beiden Titeln. Kopieren Sie die Aufgabenlisten in ein Dokument, ohne persönliche Angaben.

1. Lassen Sie die KI die Inserate vergleichen. Verwenden Sie die Vorlage weiter unten. Die KI sortiert die Aufgaben nach «auswerten und erklären» und «Modelle bauen und programmieren».

1. Schauen Sie sich die Ergebnisse kritisch an. Stimmt die Einteilung mit Ihrem Eindruck überein? Fragen Sie nach, wenn etwas unklar ist.

1. Gleichen Sie die Aufgaben mit Ihren Stärken ab. Markieren Sie, was Sie heute schon können, was Sie sich zutrauen und was Sie nicht reizt. Die Lücken sind Ihr Lernplan.

1. Machen Sie einen kleinen Praxistest. Nehmen Sie eine harmlose Tabelle, zum Beispiel Ihre Haushaltsausgaben oder anonymisierte Verkaufszahlen. Bitten Sie die KI, Fragen dazu zu beantworten, und prüfen Sie jede Zahl selbst nach. Mehr dazu in Excel-Pivot-Tabellen einfach erklärt.

1. Holen Sie eine strukturierte Einschätzung. Ein Fachassessment vergleicht Ihr Profil systematisch mit Rollen. Wie das geht, steht in Welche IT-Rolle passt zu meinen vorhandenen Kenntnissen?.

1. Planen Sie den ersten Lernschritt. Wählen Sie nur einen: etwa eine Excel-Auswertung oder eine Einführung in Abfragen. Weitere Wege zeigt Quereinstieg in die IT ohne Studium.

Vorlage zum Kopieren

Du bist Berufsberaterin für Datenberufe in der Schweiz. Ich füge unten drei Stelleninserate ein. Ordne jede Aufgabe aus den Inseraten einer der beiden Gruppen zu:
A) Daten auswerten, erklären und darstellen (typisch Data Analyst)
B) Modelle entwickeln, vorhersagen, programmieren (typisch Data Scientist)

Erstelle danach:
1. Eine Tabelle mit den Aufgaben und der Zuordnung
2. Eine kurze Einschätzung, ob die Stelle eher Analyst oder Scientist verlangt, unabhängig vom Titel
3. Eine Liste der Kenntnisse, die in den Inseraten genannt werden
4. Drei Fragen, die ich im Vorstellungsgespräch stellen sollte, um die Stelle zu klären

Meine Stärken: [z. B. Excel, Statistik aus der Ausbildung, Freude an Berichten]
Meine Lernbereitschaft: [z. B. 3 Stunden pro Woche]
Erfinde keine Anforderungen, die nicht in den Inseraten stehen.

Inserate:
[Text der Inserate ohne persönliche Daten]

Ersetzen Sie die Platzhalter durch Ihre Angaben und fügen Sie die Inserate ein. Die Antwort ist eine Orientierung, keine Beurteilung Ihrer Eignung.

Der Unterschied auf einen Blick

Die Tabelle zeigt typische Unterschiede. Im Einzelfall verschwimmen sie, besonders in kleinen Firmen, wo eine Person beides macht.

Worauf Sie achten müssen

• Titel sind nicht genormt. Derselbe Titel kann je nach Firma sehr Unterschiedliches bedeuten. Fragen Sie nach den Aufgaben.
• KI rechnet nicht zuverlässig. Sprachmodelle können Zahlen falsch wiedergeben oder Zusammenhänge erfinden. Prüfen Sie jedes Resultat mit einer zweiten Methode, zum Beispiel einer Kontrollrechnung in Excel.
• Keine vertraulichen Daten eingeben. Geschäftsdaten, Kundenlisten oder Personendaten gehören nicht in ein frei verfügbares KI-Werkzeug. Nutzen Sie Übungsdaten oder anonymisierte Daten.
• Keine Garantie für Stellen oder Löhne. Wie gefragt eine Rolle ist, ändert sich. Prüfen Sie den aktuellen Markt selbst, etwa auf Jobportalen, statt Prognosen zu glauben.
• Der Titel «Data Scientist» ist kein geschützter Beruf. Sie sollten sich deshalb auf Kompetenzen und Nachweise stützen, nicht auf Versprechen.

Ein Beispiel aus der Praxis

Ein Beispiel: Silvia, 48, arbeitet in der Administration eines Baugeschäfts in Olten. Sie erstellt seit Jahren die Monatsauswertungen in Excel und merkt, dass sie das gerne macht. Sie liest von «Data Scientists» und fragt sich, ob sie dafür umlernen müsste.

Vorher: Sie weiss nicht, welche Rolle gemeint ist, und überlegt, ein teures Programmierstudium zu beginnen.

Nachher: Sie sammelt vier Inserate und lässt die KI die Aufgaben vergleichen. Zwei davon sind in Wahrheit Analysestellen. Sie erkennt, dass ihr Weg eher über Datenauswertung, Abfragen und Darstellung führt. Ihr erster Schritt: ein Einführungskurs zu Datenabfragen, danach eine kleine Auswertung für ihren Betrieb. Die Programmierung nimmt sie als späteres Ziel in den Plan auf, falls sie Lust darauf bekommt.

So hilft Ihnen Alpasana

Wenn Sie wissen möchten, welche Rolle zu Ihrem Profil passt, hilft das ICT-Fachassessment. Es besteht aus 120 Fragen und gleicht Ihre Antworten mit 45 ICT-Rollen ab. Acht Dimensionen werden betrachtet, darunter «Daten/KI». Nach der Registrierung erhalten Sie kostenlos die drei passendsten Rollen, ein Soll/Ist-Spinnendiagramm sowie Stärken und Entwicklungsfelder.

In der Pro-Version gibt es zusätzlich eine Lückenanalyse für eine Zielrolle, Zertifizierungsempfehlungen und einen Entwicklungsplan. Die persönliche KI-Einschätzung stammt von Claude. Der Informationskatalog beschreibt auch Zertifizierungen anderer Anbieter. Das Assessment ersetzt keine Berufsberatung, bietet aber eine sachliche Grundlage dafür.

Häufige Fragen

Braucht ein Data Analyst Programmierkenntnisse?

Nicht unbedingt am Anfang. Viele Analystinnen und Analysten arbeiten viel mit Excel und Datenabfragen. Mit der Zeit helfen Programmierkenntnisse, ersetzen aber nicht das Verständnis für die Fachfrage. Eine Einführung bietet SQL-Abfragen mit KI erklären lassen.

Kann KI die Arbeit eines Data Analyst übernehmen?

Teile davon, etwa das Entwerfen von Abfragen oder das Beschreiben von Grafiken. Die Fragestellung, die Prüfung der Daten und die Verantwortung für das Ergebnis bleiben beim Menschen. Wer KI sorgfältig einsetzt, arbeitet schneller, muss aber umso genauer prüfen.

Was ist der Unterschied zu einem Machine Learning Engineer?

Ein Data Scientist entwickelt und testet Modelle, ein Machine Learning Engineer sorgt dafür, dass diese Modelle zuverlässig im Betrieb laufen. Die Rollen überschneiden sich. Eine Beschreibung finden Sie unter Was macht ein Machine Learning Engineer?.

Lohnt sich der Wechsel mit über 50?

Das lässt sich nicht pauschal beantworten. Wer bereits mit Zahlen arbeitet, hat oft einen guten Ausgangspunkt. Starten Sie klein, mit einer Auswertung im eigenen Betrieb, und prüfen Sie, ob die Arbeit Ihnen liegt, bevor Sie viel investieren.