Weg zum Data Analyst: Schulungen und Skills

Viele Stellenanzeigen für Data Analysts lesen sich wie Wunschlisten aus einem IT-Märchenbuch: SQL, Excel, Power BI, Python, R, Machine Learning, Statistikstudium und bitte 5 Jahre Erfahrung. Die Frage ist: Wo fängst du realistisch an, wenn du diesen Job wirklich machen willst, ohne dich zu verzetteln?

Was macht ein Data Analyst konkret?

Bevor du in Tools und Sprachen einsteigst, hilft ein klares Bild vom Job. Ein Data Analyst:

• sammelt Daten aus verschiedenen Quellen (z. B. Datenbanken, Excel-Dateien, CSV-Exports),
• bereinigt und strukturiert diese Daten,
• analysiert sie mit Abfragen, Kennzahlen und einfachen statistischen Verfahren,
• visualisiert Ergebnisse in Reports und Dashboards,
• erklärt die Erkenntnisse verständlich für Fachabteilungen.

Technisch dreht sich vieles um:

• SQL für Datenbanken,
• Excel oder Power BI für Auswertungen und Dashboards,
• ein Grundverständnis von Statistik,
• saubere Datenvisualisierung,
• optional Python für Automatisierung und komplexere Analysen.

Der Rest ist Kommunikation: Du musst Ergebnisse so aufbereiten, dass eine Kollegin im Vertrieb oder ein Manager in München sie versteht und nutzen kann.

Realistischer Lernpfad: Reihenfolge statt Tool-Zoo

Die wichtigste Entscheidung ist nicht, welches Tool du zuerst lernst, sondern dass du eine sinnvolle Reihenfolge hast und dranbleibst. Ein bewährter Pfad:

1. Excel oder eine andere Tabellenkalkulation sehr solide beherrschen
2. SQL lernen und regelmäßig auf echten Daten anwenden
3. Datenvisualisierung und Power BI (oder ein ähnliches BI-Tool) aufbauen
4. Statistik-Grundlagen verstehen und in Analysen nutzen
5. Optional Python für Automatisierung und fortgeschrittene Analysen ergänzen

Du kannst an verschiedenen Stellen einsteigen, je nach Vorwissen. Wenn du aber komplett neu im Thema bist, ist Excel der beste Start, weil du damit sofort im Alltag üben kannst.

Excel als Fundament: mehr als nur Tabellen

Viele unterschätzen, wie zentral Excel oder vergleichbare Tools im Alltag eines Data Analysts sind. Auch in Unternehmen mit Power BI und Data Warehouse läuft ein Großteil der Ad-hoc-Analysen immer noch in Excel.

Was du als Data-Analyst-Anwärter in Excel wirklich können solltest:

• Strukturierung:
• Tabellen sauber anlegen: eine Zeile pro Datensatz, eine Spalte pro Merkmal.
• Keine gemischten Inhalte in einer Spalte (z. B. Text und Zahlen wild gemischt).
• Formeln und Funktionen:
• Grundrechenarten und relative/absolute Bezüge.
• Wichtige Funktionen wie SVERWEIS bzw. XVERWEIS, INDEX/VERGLEICH, WENN, SUMMEWENN, ZÄHLENWENN, WENNS.
• Datenaufbereitung:
• Duplikate finden und entfernen.
• Textspalten aufteilen (z. B. „Stadt, PLZ“).
• Datumswerte korrekt handhaben.
• Pivot-Tabellen:
• Daten nach Kategorien gruppieren.
• Kennzahlen wie Summe, Mittelwert, Anzahl, Min/Max.
• Filtern und Segmentieren.
• Diagramme:
• Säulen-, Balken-, Linien- und Kreisdiagramme zielgerichtet einsetzen.
• Diagramme so formatieren, dass sie lesbar und nicht „bunt um der Farbe willen“ sind.

Wenn du hier sattelfest bist, hast du schon einen großen Teil der täglichen Arbeit eines Data Analysts abgedeckt, gerade in kleineren und mittleren Unternehmen.

SQL: Sprache der Datenbanken

SQL ist für Data Analysts kaum verzichtbar. In fast jedem professionellen Umfeld liegen Daten in relationalen Datenbanken, etwa für ERP, CRM oder Webtracking. SQL brauchst du, um diese Daten überhaupt herauszubekommen.

Wichtige SQL-Bausteine für den Einstieg:

• Daten auswählen:
• SELECT mit FROM, WHERE, ORDER BY, LIMIT.
• Spalten umbenennen mit AS.
• Filtern und sortieren:
• Vergleichsoperatoren (=, <>, >, <, BETWEEN).
• Textfilter mit LIKE.
• Logische Verknüpfungen mit AND und OR.
• Aggregationen:
• Funktionen wie COUNT, SUM, AVG, MIN, MAX.
• Gruppieren mit GROUP BY.
• Nach Aggregaten filtern mit HAVING.
• Joins:
• INNER JOIN, um zusammengehörige Daten aus mehreren Tabellen zu verbinden.
• LEFT JOIN, um auch Datensätze ohne passende Gegenstücke zu behalten.
• Unterabfragen:
• Subselects, um z. B. Top-Kunden oder Produkte zu finden.

Ein kleines Alltagsbeispiel: Du willst alle Kunden aus Bayern mit ihrem Umsatz im letzten Jahr, sortiert nach Umsatz:

SELECT
 k.kundenname,
 k.region,
 SUM(b.betrag) AS umsatz_letztes_jahr
FROM kunden k
JOIN bestellungen b
 ON k.kunden_id = b.kunden_id
WHERE
 k.region = 'Bayern'
 AND b.bestelldatum BETWEEN '2025-01-01' AND '2025-12-31'
GROUP BY
 k.kundenname,
 k.region
ORDER BY
 umsatz_letztes_jahr DESC;

Solche Abfragen sind der Alltag. Du musst keine Datenbanken administrieren, aber du solltest sicher Abfragen schreiben und verstehen können, was passiert.

Power BI und Datenvisualisierung: vom Excel-Report zum Dashboard

Sobald du regelmäßig wiederkehrende Reports baust oder mehrere Datenquellen kombinieren musst, kommst du mit Excel allein schnell an Grenzen. Hier setzen Business-Intelligence-Tools wie Power BI an, die in vielen Münchner Unternehmen Standard sind.

Power BI liefert dir:

• Datenanbindung an Datenbanken, Excel, CSV, Web-APIs,
• Datenmodellierung und Beziehungen zwischen Tabellen,
• Berechnete Spalten und Kennzahlen (DAX),
• interaktive Dashboards mit Filtern und Drill-down.

Wichtige Visualisierungsprinzipien, die unabhängig vom Tool gelten:

• Ziel definieren:
• Was soll der Report beantworten? Trend, Vergleich, Verteilung, Anteil?
• Diagramm passend wählen:
• Zeitverläufe: eher Linien- oder Säulendiagramm.
• Vergleiche: Balken- oder Säulendiagramm.
• Verteilungen: Histogramm oder Boxplot (in BI-Tools oder Statistikpaketen).
• Anteile: sparsam mit Kreisdiagrammen, eher gestapelte Balken nutzen.
• Klarheit vor „Wow-Effekt“:
• Wenig Farben, dafür konsistent.
• Achsen beschriften, sinnvolle Skalen.
• Gitterlinien dezent oder nur dort, wo sie wirklich helfen.

Als Data Analyst bist du nicht nur für „schöne“ Dashboards zuständig, sondern vor allem für verständliche. Ein gutes Testkriterium: Versteht eine Kollegin aus dem Vertrieb nach 30 Sekunden, was die wichtigsten Aussagen sind?

Statistik-Grundlagen: genug, um nicht in Fallen zu laufen

Du musst kein Statistik-Profi sein, aber bestimmte Grundlagen sind Pflicht, damit du Analysen nicht falsch interpretierst.

Zu den wichtigsten Konzepten gehören:

• Lage- und Streuungsmaße:
• Mittelwert, Median, Modus.
• Standardabweichung, Varianz.
• Verteilungen:
• Was bedeutet es, wenn Daten „schief“ verteilt sind?
• Warum der Mittelwert allein oft irreführend ist.
• Korrelation:
• Korrelation vs. Kausalität.
• Korrelationen erkennen und kritisch hinterfragen.
• Stichprobe vs. Grundgesamtheit:
• Warum es wichtig ist, wie Daten erhoben wurden.
• Stichprobengröße und Verzerrungen.
• Einfache Hypothesentests:
• Grundidee von Signifikanz und p-Wert, ohne Formelsalat.

Praktisches Beispiel: Du siehst, dass Kunden, die einen bestimmten Newsletter erhalten, mehr Umsatz machen. Ein Statistik-Grundverständnis hilft dir zu prüfen, ob das wirklich am Newsletter liegt oder ob zum Beispiel nur besonders aktive Kunden diesen Newsletter überhaupt abonniert haben.

Python: sinnvoll, aber nicht zwingend für den Einstieg

Python taucht in vielen Data-Analyst-Stellenprofilen auf, ist aber für den Start nicht immer nötig. Du kannst durchaus als Data Analyst arbeiten, wenn du:

• SQL gut beherrschst,
• in Excel und Power BI stark bist,
• solide Statistik- und Visualisierungs-Skills hast.

Python wird dann interessant, wenn du:

• wiederkehrende Analysen automatisieren willst,
• sehr große Datenmengen außerhalb von Excel verarbeiten musst,
• mit Data Scientists zusammenarbeitest,
• Machine-Learning-Modelle verstehen oder prototypisch nutzen willst.

Für Data Analytics sind vor allem diese Pakete relevant:

• pandas für Datenmanipulation in Tabellenform,
• numpy für numerische Berechnungen,
• matplotlib und seaborn für Visualisierung,
• optional scikit-learn für klassische Machine-Learning-Verfahren.

Wenn du einsteigst, reicht es, mit pandas Daten aus CSV oder Datenbanken zu laden, zu bereinigen, zu gruppieren und erste Auswertungen zu machen. Das ist konzeptionell sehr ähnlich zu dem, was du in SQL oder Power BI tust, nur mit mehr Flexibilität und Automatisierung.

Wie du das alles lernst, ohne dich zu überfordern

Die größte Gefahr beim Einstieg in Data Analytics ist, zu viele Themen gleichzeitig anzufangen. Besser ist ein modularer Ansatz mit klaren Lernzielen:

1. Phase Excel:

• Ziel: Du kannst typische Business-Datensätze bereinigen, mit Pivot-Tabellen auswerten und sinnvolle Diagramme erstellen.
• Praxis: Nimm echte Daten, z. B. Export aus einem Onlineshop, CRM oder Open-Data-Portale deiner Stadt.

2. Phase SQL:

• Ziel: Du schreibst sicher SELECT-Abfragen mit Filtern, Aggregationen und Joins.
• Praxis: Nutze Übungsdatenbanken oder Testsysteme, nicht gleich produktive Systeme.

3. Phase Power BI und Visualisierung:

• Ziel: Du baust ein kleines, aber vollständiges Dashboard mit mehreren Seiten, Filtern und Kennzahlen.
• Praxis: Verbinde dich mit einer Datenquelle, die du schon kennst, etwa deine Excel-Dateien oder eine Testdatenbank.

4. Phase Statistik:

• Ziel: Du verstehst die wichtigsten Kennzahlen deiner Reports und kannst sie erklären.
• Praxis: Analysiere Daten, die dich interessieren, z. B. Web-Analytics, Verkaufszahlen, Umfragedaten.

5. Phase Python (optional):

• Ziel: Du kannst einfache Datenpipelines und Analysen in Skripten automatisieren.
• Praxis: Baue ausgewählte Excel- oder SQL-Auswertungen in Python nach.

Wenn du lieber strukturiert mit Trainerin oder Trainer lernst, sind Präsenz- oder Online-Schulungen eine gute Abkürzung, gerade für komplexere Themen wie SQL oder Power BI. Aktuelle Termine und passende Kurse findest du bei cmt.de.

Praxisbezug: Welche Skills werden wirklich gefragt?

Die Anforderungen variieren je nach Branche und Unternehmensgröße. Grob kannst du mit folgendem Profil planen:

Unternehmensart	Must-have	Nice-to-have
Kleines Unternehmen	Excel, grundlegende SQL	Power BI, einfache Statistik
Mittelständisches Unternehmen	SQL, Excel, Power BI	Python, fortgeschrittene Statistik
Konzern / Data-Team	SQL, BI-Tool, Statistikgrundlagen	Python, Cloud-Kenntnisse

Wichtiger als eine lange Tool-Liste ist, dass du mit Daten tatsächlich Probleme löst. Sammle kleine Praxisprojekte:

• Auswertung von Verkaufszahlen mit Pivot-Tabellen und Dashboard.
• Kundensegmentierung anhand von Bestellverhalten.
• Analyse von Website-Daten mit SQL und Visualisierung.
• Report, der einer Fachabteilung monatlich Entscheidungen erleichtert.

Solche Beispiele zählen in Bewerbungsgesprächen oft mehr als ein Zertifikat.

Fazit: Schritt für Schritt zum Data Analyst

Der Weg zum Data Analyst ist anspruchsvoll, aber gut planbar. Du brauchst keine perfekte „All-in-one“-Ausbildung, sondern einen soliden Kern aus:

• Excel oder vergleichbare Tabellenkalkulation,
• SQL als Abfragesprache für Datenbanken,
• Power BI oder ein anderes BI-Tool für Dashboards,
• Statistik-Grundlagen, um Ergebnisse richtig einzuordnen,
• optional Python, wenn du weiter Richtung Automatisierung und Data Science gehen willst.

Wenn du diese Bausteine strukturiert lernst und konsequent an echten Datensätzen übst, bist du auf einem sehr realistischen Weg in den Job.