Lebenslauf Datenanalyst: SQL, Python und Projekte mit messbarem Impact

Stellen in der Datenanalyse ziehen enorme Bewerbungszahlen an, und die meisten Unterlagen sehen gleich aus: eine Tool-Liste, ein Bootcamp-Zertifikat und ein Dashboard auf einem öffentlichen Datensatz. Was einen Lebenslauf auf die Shortlist bringt, sind nicht mehr Tools — sondern der Beleg, dass deine Analyse eine Entscheidung verändert hat.

Aufbau

1. Kopfbereich: Name, Ort, Kontakt, dazu Links zu GitHub, Portfolio oder einem veröffentlichten Dashboard.
2. Profil: 3–4 Zeilen zu deiner Domäne, deinem Hauptstack und der wertvollsten Entscheidung, die deine Arbeit beeinflusst hat.
3. Technische Kenntnisse: gruppiert — Sprachen, Datenbanken, BI-Tools, Statistik und Methoden.
4. Erfahrung: Unternehmen, Titel, Zeitraum, Datenvolumen und 3–5 Impact-Punkte.
5. Projekte: zwei oder drei, nur wenn sie etwas zeigen, das die Jobs nicht hergeben.
6. Ausbildung und Zertifikate.

Musterprofil

Datenanalyst mit 4 Jahren im E-Commerce, täglich in SQL und Python auf einem Warehouse mit über 40 Mio. Bestellzeilen. Hat das Churn-Reporting aufgebaut, das ein sechsstelliges Retentionsbudget umverteilt hat, und ein Reporting-Paket automatisiert, das dem Vertrieb zwei Tage im Monat spart.

Impact statt Werkzeugliste

• Kohorten-Retentionsmodell in SQL und Python gebaut, das nach einer Preisänderung 19 % Rückgang in der Zweitmonats-Retention zeigte — die Änderung wurde zurückgenommen.
• 14 manuelle Excel-Reports durch ein Power-BI-Modell ersetzt, Reporting-Zeit von zwei Tagen auf 20 Minuten gesenkt.
• A/B-Test für den Checkout mit 60.000 Sessions pro Arm konzipiert und die Abbruchregel mit dem Produktteam definiert.
• Umsatzdatenmodell in dbt neu gebaut, Abweichungen zwischen Finance- und Produktreporting auf unter 1 % reduziert.
• Datenqualitätsprüfungen automatisiert, die ein fehlerhaftes Tracking-Release in Stunden statt Wochen aufdeckten.

Der technische Block

• Sprachen: SQL (Window Functions, CTEs), Python (pandas, NumPy), R nur bei echter Nutzung.
• Datenbanken und Warehouses: PostgreSQL, MySQL, BigQuery, Snowflake, Redshift.
• BI und Visualisierung: Power BI, Tableau, Looker, Metabase, Excel auf fortgeschrittenem Niveau.
• Pipelines und Versionierung: dbt, Airflow, Git — starke Unterscheidungsmerkmale.
• Methoden: A/B-Tests, Regression, Kohorten- und Funnel-Analyse, Forecasting, Signifikanz.

Liste nur, wozu du befragt werden kannst. Vorgetäuschte SQL-Tiefe fällt im ersten Fachgespräch auf, meist bei einer Frage zu Joins oder Window Functions.

Noch keine Berufserfahrung?

1. Zwei oder drei Projekte mit echten, unsauberen Daten statt eines bereinigten Tutorial-Datensatzes.
2. Zuerst die Frage nennen: Welche Entscheidung würde diese Analyse stützen?
3. SQL und Denkweise zeigen, nicht nur das fertige Diagramm.
4. Code veröffentlichen und verlinken. Ein erreichbares Repository wiegt mehr als ein Zertifikat.
5. Analytische Arbeit aus dem vorherigen Job — Reporting, Pricing, Prozessanalyse — als Erfahrung zählen.

Niemand stellt einen Analysten wegen der Abfrage ein, sondern wegen der Entscheidung, die sie ermöglicht hat.