Lebenslauf-Beispiele
Lebenslauf Datenanalyst: Beispiel & Ratgeber 2026
Hiring Manager für Datenanalyse-Rollen achten vor allem auf eines: den Beweis, dass Sie aus Zahlen Entscheidungen gemacht haben. Diese Anleitung zeigt genau, welche SQL-, Python- und Visualisierungskenntnisse Sie hervorheben sollten, mit quantifizierten Beispiel-Bullets und ATS-Keywords aus echten Stellenanzeigen für Datenanalysten.
Moderne Datenanalyst:innen fragen und bereinigen Daten (SQL, Python/pandas), bauen Dashboards (Tableau, Power BI, Looker), führen statistische Tests durch und übersetzen Erkenntnisse in Entscheidungen für nicht-technische Stakeholder. Recruiter und ATS-Filter scannen nach konkreter technischer Tiefe – Window Functions, Joins über mehrere Tabellen, A/B-Tests, Regression – nicht nur nach Tool-Namen, plus Belegen dafür, dass die Analyse eine Geschäftskennzahl beeinflusst hat. Ein Lebenslauf mit „Daten in Excel analysiert“ wird übersprungen; einer mit „Churn-Modell gebaut, das die Abwanderung um 9 % senkte“ bringt ein Vorstellungsgespräch.
Vollständiges Lebenslauf-Beispiel
Ein vollständiger Beispiel-Lebenslauf für diese Position, dargestellt mit der Vorlage Modern. Starten Sie mit derselben Vorlage und ersetzen Sie die Angaben durch Ihre eigenen.
Vorlage: Modern
Elif Demir
Data Analyst
- [email protected]
- +49 30 23125 017
- Berlin
Zusammenfassung
Data Analyst mit 5 Jahren Erfahrung darin, unstrukturierte Produkt- und Vertriebsdaten in fundierte Entscheidungen zu übersetzen. Versiert in SQL, Python und Tableau, mit nachweisbaren Erfolgen bei der Automatisierung von Reportings und bei Experimenten, die Umsatzkennzahlen spürbar bewegt haben.
Berufserfahrung
Senior Data Analyst · Umlauf Abo-Dienste GmbH
Berlin · 2022 – Heute
- Über 40 A/B-Tests zu Pricing und Onboarding konzipiert und ausgewertet; Optimierungen mit einem Umsatzpotenzial von 2,1 Mio. € pro Jahr identifiziert.
- Churn-Prognosemodell in Python entwickelt, das Kündigungen innerhalb von 30 Tagen mit 81 % Präzision vorhersagt und wöchentlich vom Retention-Team genutzt wird.
- Monatliche Präsentation der Analyseergebnisse vor dem VP Product und der Finanzleitung.
Data Analyst · Spreebogen Retail GmbH
Berlin · 2020 – 2022
- 15 manuelle Excel-Reports durch automatisierte Tableau-Dashboards ersetzt und dem Vertriebsteam 20 Stunden pro Woche eingespart.
- dbt-Modelle entwickelt, die zur zentralen Datenbasis (Single Source of Truth) für das Umsatzreporting wurden.
Junior Analystin · Havelblick Marktforschung GmbH
Potsdam · 2019 – 2020
- Umfragedatensätze mit über 50.000 Antworten bereinigt und zusammengeführt sowie das wöchentliche Reporting mit SQL automatisiert.
Ausbildung
B.Sc., Statistik · Ludwig-Maximilians-Universität München
München · 2015 – 2019
Zertifizierungen
- Google Data Analytics Professional Certificate · Google · 2020
- Tableau Desktop Specialist · Tableau · 2021
Fähigkeiten
- SQL
- Python (pandas, scikit-learn)
- Tableau
- Power BI
- dbt
- A/B-Tests
- Statistische Analyse
- Forecasting
- Data Storytelling
Sprachen
- Deutsch (Muttersprache)
- Türkisch (Muttersprache)
- Englisch (Verhandlungssicher)
Wichtige Kompetenzen
- SQL (Window Functions, CTEs, Query-Optimierung)
- Python (pandas, NumPy, scikit-learn)
- Datenvisualisierung (Tableau, Power BI, Looker)
- Statistische Analyse und Hypothesentests
- A/B-Testing und Experimentdesign
- ETL- und Data-Pipeline-Grundlagen
- Excel (Pivot-Tabellen, XVERWEIS, Makros)
- Dashboard-Design und KPI-Reporting
- Data Storytelling und Stakeholder-Kommunikation
- Datenbereinigung und -validierung
- Forecasting und Regressionsmodellierung
- Google Analytics / Produktanalyse-Tools
Beispielformulierungen für den Lebenslauf
- Berufseinstieg, Reporting-Automatisierung: Erstellte 12 automatisierte SQL-Abfragen, um manuelle wöchentliche Vertriebsberichte zu ersetzen, sparte dem Marketingteam rund 6 Stunden pro Woche und eliminierte Fehler durch manuelle Excel-Eingabe.
- Mittlere Erfahrungsstufe, BI-Dashboarding: Entwarf ein Power-BI-Dashboard, das Daten aus 4 Quellsystemen zusammenführte, um Kundenabwanderung in Echtzeit zu verfolgen, wodurch das Retention-Team die Abwanderung innerhalb von zwei Quartalen um 9 % senken konnte.
- Mittlere Erfahrungsstufe, Produktanalyse / A/B-Testing: Führte mit Python und SQL über 15 A/B-Tests im Checkout-Flow durch und identifizierte ein One-Click-Reorder-Feature, das die Conversion-Rate um 4,2 % steigerte und schätzungsweise $380K zusätzlichen Jahresumsatz brachte.
- Senior, Forecasting und Modellierung: Entwickelte ein Nachfrageprognosemodell in Python (scikit-learn), das den Lagerüberschuss über 180 SKUs um 22 % senkte und damit rund $1,1 Mio. jährliche Lagerkosten einsparte.
- Senior, Data-Pipeline-Verantwortung: Arbeitete mit Engineering zusammen an der Neugestaltung der ETL-Pipeline für das Executive-Dashboard, verkürzte die Datenaktualisierungszeit von 6 Stunden auf 45 Minuten und verbesserte die Datengenauigkeit von 91 % auf 99,5 %.
- Datenanalyst:in, Kommunikation mit der Geschäftsführung: Präsentierte der Geschäftsführung eine vierteljährliche Kohorten-Retention-Analyse und übersetzte die Erkenntnisse in 3 Produkt-Roadmap-Änderungen, die die 90-Tage-Nutzerbindung um 11 % verbesserten.
ATS-Schlüsselwörter
- SQL
- Python
- R
- Tableau
- Power BI
- Excel
- Datenvisualisierung
- statistische Analyse
- A/B-Testing
- ETL
- Datenbereinigung
- Dashboard
- KPI-Reporting
- Prognosemodellierung
- Regressionsanalyse
Häufige Fehler
- Tools ohne Ergebnisnachweis aufzuzählen, z. B. „Kenntnisse in SQL, Python, Excel“. — Zeigen Sie eine konkrete Analyse und ihr Geschäftsergebnis statt einer bloßen Tool-Liste.
- Keinen quantifizierten Business-Impact – nur Beschreibung erstellter Berichte. — Verknüpfen Sie jede Analyse mit einer Entscheidung oder einem Dollar-/Prozentergebnis, z. B. „...was zu einer Senkung der Kundenakquisekosten um 12 % führte.“
- Bullet Points mit akademischem statistischem Fachjargon zu überladen. — Übersetzen Sie technische Methoden in eine Geschäftssprache, die auch ein Hiring Manager versteht, nicht nur eine Kollegin oder ein Kollege aus der Analyse.
- SQL-/Python-Tiefe zu unterschätzen, indem nur „SQL“ ohne Kontext angegeben wird. — Präzisieren Sie die Komplexität – Window Functions, CTEs, Joins über 5+ Tabellen – da ATS-Systeme und technische Recruiter genau danach filtern.
- Stakeholder-Kommunikation oder Präsentationserfahrung wegzulassen. — Nehmen Sie mindestens einen Bullet Point auf, der zeigt, dass Ihre Analyse nicht-technischen Stakeholdern oder der Geschäftsführung präsentiert wurde und diese beeinflusst hat.
Formatierungstipps
- Trennen Sie einen Bereich „Technische Fähigkeiten“ in Sprachen/Tools (SQL, Python, R) versus BI-Plattformen (Tableau, Power BI, Looker), damit er schnell gescannt werden kann.
- Verlinken Sie ein Portfolio (GitHub, Tableau Public oder eine persönliche Analyse-Schreibarbeit), falls vorhanden – wird für Datenrollen zunehmend erwartet.
- Halten Sie den Lebenslauf am Karrierebeginn auf einer Seite; für 8+ Jahre Erfahrung oder auf dem Weg zur Analytics-Führung maximal zwei Seiten.
- Quantifizieren Sie die Datensatzgröße (Zeilen, Tabellen, Quellen), wenn relevant, um zu zeigen, dass Sie mit Produktionsdaten und nicht nur Kursprojekten gearbeitet haben.
- Betten Sie keine Dashboard-Screenshots in den Lebenslauf ein – verlinken Sie stattdessen auf ein Live-Portfolio-Stück.
- Nutzen Sie ein konsistentes Kennzahlenformat (%, $, eingesparte Stunden), damit der Impact in einem 6-Sekunden-Überflug erfassbar ist.