Data Analyst
Der Agent schreibt das SQL, baut die Dashboards und führt die Queries aus. Ihr Tag besteht aus den Fragen, die nur ein Mensch stellen kann, und der Interpretation, die nur ein Mensch leisten kann. Das Handwerk verschiebt sich vom Query-Schreiben zum Frage-Formulieren.
Die Arbeit
Sie beantworten Fragen, die Entscheidungsträger interessieren: zu Kunden, Produkt, Operations, Umsatz. Der Agent erledigt erhebliche Teile dessen, was früher den Großteil Ihres Tages verbrauchte: SQL schreiben, Dashboards bauen, Ad-hoc-Queries fahren, Charts zusammenstellen, grundlegende Datenbereinigung. Sie übernehmen die Frage-Formulierung, die Interpretation, das Storytelling und das Urteil darüber, was tatsächlich wahr ist.
Im Alltag tun Sie folgendes:
- Die Frage korrekt formulieren. Wenn eine Führungskraft fragt „Nutzen Kunden Feature X?", meint sie oft etwas Spezifischeres. Ihr Job ist es, die Anfrage in eine präzise, beantwortbare Frage zu übersetzen. Das macht der Agent nicht gut, Sie schon.
- Spezifizieren, welche Daten zu ziehen sind und wie zu interpretieren ist. Was als „Nutzung" zählt, was als „Kunde", welches Zeitfenster, welche Segmentierung. Der Agent fährt die Query gegen Ihre Spezifikation.
- Vom Agenten produzierten Output kuratieren. Charts, Tabellen, Dashboards: der Agent baut, Sie wählen, verfeinern und entscheiden, was die Wahrheit erzählt, ohne irrezuführen.
- Die Geschichte erzählen. Befunde, Implikationen, Empfehlungen. Die Daten sprechen nicht für sich, Sie lassen sie sprechen.
- Anomalien und Überraschungen handhaben. Wenn die Daten etwas Unerwartetes zeigen, untersuchen Sie vor dem Melden. Schlechte Daten, falsch beschriftete Metriken, Randfälle: der Agent bemerkt es nicht, Sie schon.
- An risikoabgestuften Gates validieren. Routinemäßiges Reporting läuft über reine Agentenprüfung. Befunde, die größere Entscheidungen treiben, führungsgerichtete Analysen, kundengerichtete Daten und methodisch neuartige Analysen erfordern Ihre direkte Freigabe.
- Das Datenmodell und die Definitionen pflegen. Was bedeutet „aktiver Nutzer" in diesem Unternehmen? Was ist die offizielle Abwanderungsberechnung? Die Definitionen sind das Fundament, Sie pflegen sie.
- Über Funktionen hinweg partnern. Produkt, Vertrieb, CS, Marketing, Engineering, Finanzen: sie alle stellen Ihnen Fragen. Mit absorbierter Routine-Query-Arbeit können Sie substanziell mit jedem engagieren.
Wie Erfolg aussieht
Konkrete Ergebnisse auf dieser Ebene:
- Qualität der Entscheidungsunterstützung. Entscheidungen, die auf Ihren Analysen basieren, halten über die Zeit. Ihre Analysen informieren, was tatsächlich passiert, nicht nur, was diskutiert wird.
- Kohärenz der Definitionen. Unternehmensweite Metriken haben konsistente Definitionen. Menschen hören auf zu streiten, ob sie dieselbe Zahl anschauen.
- Zeit bis zur Erkenntnis. Fragen werden schnell beantwortet, in Stunden bis Tagen, nicht in Wochen. Der Agent erledigt das meiste, Ihr Urteil verwandelt Arbeit in Erkenntnis.
- Funktionsübergreifendes Vertrauen. Führungskräfte über Funktionen hinweg vertrauen Ihren Zahlen und Ihrer Interpretation. Ihre Arbeit informiert Strategie.
- Datenqualität. Probleme mit Datenqualität, Instrumentierung oder Labeling werden gefangen und adressiert. Das Datenfundament verbessert sich über die Zeit.
Was nicht als Erfolg zählt: gebaute Dashboards, gefahrene Queries, produzierte Slides, „Self-Service"-Berichte, die niemand liest.
Was diese Arbeit interessant macht
Der interessante Teil ist nicht das SQL. Es ist die Interpretation, das Storytelling und der strategische Sitz am Tisch.
Sie stellen die Fragen, die nur ein Mensch stellen kann. „Was bedeutet das?" „Sollten wir besorgt sein?" „Was würden wir anders machen, wenn wir das wüssten?" Der Agent legt Muster vor, Sie legen Bedeutung vor.
Funktionsübergreifende Reichweite wächst substanziell. Vertrieb, Produkt, Marketing, CS, Operations, Finanzen: sie alle brauchen Sie. Mit absorbierter Query-Arbeit haben Sie Zeit für substanzielles Engagement mit jedem. Wenige Rollen sehen so viel vom Unternehmen.
Interpretation ist Handwerk. Die Daten haben viele mögliche Geschichten. Die richtige zu wählen, die wahr, umsetzbar und ehrlich über Unsicherheit ist, ist echte Fähigkeit. Menschen, die Datenarbeit mochten, weil sie das Sinngeben mochten, finden das konzentriert.
Sie sind strategischer Partner, kein Berichtsgenerator. Wenn Entscheidungsträger über große Entscheidungen nachdenken, sind Sie im Gespräch. Die Rolle auf T3 ist näher an internem Consulting als an alter Analytics.
Die Fragen werden härter. Mit absorbiertem Routine-Reporting ist die Arbeit, die bleibt, die wirklich interessanten Fragen. Warum wandert dieses Segment ab? Was ist der Frühindikator für Expansion? Welches Feature treibt Retention tatsächlich? Die Fragen belohnen Denken, nicht nur Querying.
Definitionsarbeit verstärkt sich. Ein sauberes Datenmodell mit kohärenten Definitionen ist eines der wertvollsten Assets, die ein Unternehmen hat. Es zu bauen und zu pflegen ist Handwerk, die Arbeit verstärkt sich über Jahre.
Sie sehen das Geschäft in Echtzeit. Mustererkennung über viele Analysen gibt Ihnen eine Perspektive, die die meisten Funktionsleiter nicht haben. Data Analysts auf T3 werden oft zu Beratern des Führungsteams, weit über ihren formalen Umfang hinaus.
Die Karrieremobilität ist real. Data Analysts, die sich auf T3 entwickeln, wechseln in Produkt, Operations, Strategie, Finanzen, Executive-Analytics-Rollen. Die übertragbaren Fähigkeiten (Frage-Formulierung, Interpretation, funktionsübergreifende Kommunikation) sind überall wertvoll.
Was unter Umständen nicht reizt. Wenn Ihre Handwerksidentität in SQL-Kunst verwurzelt war (die Befriedigung, eine schöne Query zu schreiben, ein cleveres Dashboard zu bauen, eine komplexe analytische Pipeline handzustimmen), wird diese Arbeit in den Agenten absorbiert. Analysten, die wegen des technischen Handwerks der Analyse in die Rolle kamen, finden die neue Rolle manchmal diffuser und weniger praktisch. Sie leben auch im Unbehagen partieller Information; die Fragen, die Sie beantworten, haben selten sauberen Abschluss, und Menschen werden manchmal ignorieren, was Ihre Analyse zeigt. Das alte Data-Analyst-Gefühl von „ich habe den Bericht geliefert, jetzt ist es ihr Problem" verschwindet weitgehend auf T3: Sie sind im Gespräch darüber, was zu tun ist, was schwerer und manchmal frustrierend ist.
Wer in dieser Rolle gedeiht
Die wichtigsten Eignungen auf T3 sind intellektuell, interpretativ und partnerschaftsbezogen, also andere als Stärken einer Query-Handwerkerin oder eines Query-Handwerkers.
Sie sind echt neugierig, was tatsächlich passiert. Nicht nur, was die Daten zeigen, sondern was wahr ist. Analysten, die dem Warum nachgehen, übertreffen Analysten, die das Was liefern.
Sie formulieren Fragen gut. Die meisten analytischen Anfragen sind beim ersten Mal mehrdeutig. Menschen, die vor dem Querying klären können, produzieren nützlichere Analysen als Menschen, die per Mustererkennung losstürzen.
Sie sind misstrauisch gegenüber sauberen Geschichten. Wenn die Daten ein ordentliches Narrativ erzählen, untersuchen Sie. Wenn die Zahlen zu konsistent oder zu dramatisch erscheinen, prüfen Sie die Instrumentierung. Gesunde Skepsis ist der Schutz der Analystin oder des Analysten vor Falschliegen.
Sie kommunizieren, ohne Nuance zu verlieren. Komplexe Befunde in klare Empfehlungen übersetzen, ohne Unsicherheit zu flachen. Analysten, die „das sehen wir, das ist robust, das ist es nicht" halten können, produzieren Vertrauen.
Sie sind geduldig mit Definitionsarbeit. Kohärente Definitionen von Metriken zu bauen ist unsexy, aber sich verstärkende Arbeit. Analysten, die diese Arbeit nicht tolerieren, produzieren inkonsistente Unternehmen; Analysten, die es können, bauen die Fundamente, auf denen alle anderen stehen.
Sie partnern über Funktionen hinweg, ohne von einer eingefangen zu werden. Starke Analysten halten Perspektive, auch wenn sie eng mit einer einzelnen Funktion arbeiten. Analysten, die zu einer Verlängerung von Produkt oder Vertrieb werden, verlieren den Wert unabhängigen Urteils, den sie sonst hätten liefern können.
Sie schreiben klar. Befunde, Memos, Dashboards mit erklärendem Text. Analysten, die klar schreiben, werden gehört; Analysten, die nur Zahlen ohne Narrativ liefern, werden umgangen.
Sie kommen mit Falschliegen gut zurecht. Analyse ist manchmal falsch: schlechte Daten, falsch formulierte Frage, übersehene Variable. Analysten, die souverän aktualisieren können, wenn sie sich als falsch erweisen, bauen Vertrauen auf; Analysten, die schlechte Analysen verteidigen, verlieren Glaubwürdigkeit.
Weniger essenziell als zuvor: Tiefe in einem bestimmten SQL-Dialekt, Beherrschung eines bestimmten BI-Tools, die Fähigkeit, komplexe Queries per Hand zu optimieren, Geschwindigkeit der Dashboard-Produktion. Der Agent absorbiert das. Ihr Wert liegt in Frage-Formulierung, Interpretation und Urteil.
Fähigkeiten, die Sie entwickeln sollten
Die Eignungen beschreiben die Disposition. Die folgenden Fähigkeiten bauen Sie aktiv auf.
Frage-Formulierung. Mehrdeutige Anfragen in präzise, beantwortbare Fragen verwandeln. Wie üben: Vor jeder Analyse die Frage schreiben, die Sie beantworten werden. Die anfragende Person prüfen lassen. Wo sie sagt „das ist nicht ganz, was ich meinte", muss Ihre Formulierung besser werden.
Spezifikation der Analyse. Schreiben, was zu ziehen ist, wie zu segmentieren ist, wie zu interpretieren ist, was als Erfolg zählt. Wie üben: Für jede Analyse die Spec schreiben, bevor der Agent fährt. Verfolgen, wann die Spec etwas übersehen hat, verfeinern.
Handwerk der Skepsis. Schlechte Daten, irreführende Visualisierungen, Scheinkorrelationen erkennen. Wie üben: Vor dem Melden eines Befunds drei alternative Erklärungen erzeugen. Jede testen. Die disziplinierte Version davon verhindert schlechte Entscheidungen.
Storytelling mit Daten. Befunde, Implikationen, Empfehlungen: so geschrieben, dass Nicht-Analysten handeln können. Wie üben: Für jeden größeren Befund ein einseitiges Memo schreiben. Eine Nicht-Analystin oder einen Nicht-Analysten lesen lassen, verfeinern, bis sie handeln können.
Pflege der Definitionen. Kohärente Metrikdefinitionen im ganzen Unternehmen pflegen. Wie üben: Eine Metrik wählen, über die Menschen streiten. Die maßgebliche Spezifikation schreiben. Funktionsübergreifende Zustimmung einholen. Die Disziplin verstärkt sich.
Funktionsübergreifende Kommunikation. Für Produkt, Vertrieb, Marketing, CS, Finanzen, Engineering gleichzeitig schreiben. Wie üben: Einen Befund entwerfen. Einer Person aus jeder Funktion zeigen. Wo sie verwirrt sind oder verschiedene Interpretationen haben, muss das Schreiben besser werden.
Anomalie-Untersuchung. Wenn die Daten etwas Überraschendes zeigen, vor dem Melden untersuchen. Wie üben: Überraschungen verfolgen. Für jede einen Brief schreiben, ob es real war, ein Instrumentierungsproblem oder ein Definitionsdrift. Das Muster ist Ihr Training.
Disziplin der Entscheidungsrelevanz. Keine Analysen fahren, auf die niemand handeln wird. Wie üben: Vor jeder neuen Analyse schreiben, welche Entscheidung sie informieren wird. Wenn Sie die Entscheidung nicht benennen können, fahren Sie sie nicht.
Wählen Sie die Fähigkeit, die zu Ihrer jüngsten analytischen Enttäuschung passt. Üben Sie sie einen Monat lang.
Wie sich das von der alten Data-Analyst-Rolle unterscheidet
| Alter Data Analyst (vor KI) | Data Analyst (KI-nativ) |
|---|---|
| Erhebliche Zeit für SQL-Schreiben, Dashboard-Bauen, Bearbeiten von Ad-hoc-Anfragen | SQL, Dashboard-Bau und Ad-hoc-Queries werden in den Agenten absorbiert; Zeit fließt in Frage-Formulierung und Interpretation |
| Die meiste Arbeit ist reaktiv: jemand fragt, Sie liefern | Die meiste Arbeit ist proaktiv: Sie formulieren und priorisieren, was untersucht werden sollte |
| Dashboards vermehren sich; wenige werden konsistent gelesen | Dashboards werden kuratiert; die existierenden werden genutzt |
| Definitionen sind über Berichte hinweg inkonsistent | Definitionen werden gepflegt; Kohärenz ist real |
| Die besten Analysten sind technisch am flüssigsten | Die besten Analysten sind die schärfsten Frage-Formulierer und klarsten Schreibenden |
| Stakeholder behandeln Analysten als Berichtsgeneratoren | Stakeholder behandeln Analysten als strategische Partner |
| Karrierepfad: Analyst zu Senior Analyst zu Manager of Analytics | Karrierepfad: derselbe, plus lateral zu Produkt, Operations, Strategie, Executive-Rollen |
Die Rolle ist kein schnellerer Data Analyst. Es ist eine andere Rolle: das technische Handwerk wird absorbiert, das interpretative Handwerk weitet sich.
Welche Rollenentwicklungsmuster wirken
- Elevation (primär, drastisch). Das ist eine der am stärksten transformierten Rollen im Katalog. Wert wandert vom Query-Handwerk zu Frage-Formulierung, Interpretation und Storytelling.
- Spezialisierung (sekundär). Die Rolle verengt sich auf ihren unreduzierbar menschlichen Kern: die interpretative und partnerschaftliche Arbeit, die der Agent schlecht macht.
- Konvergenz (teilweise). Grenzen zu Produkt (Analytics), Operations (Business Intelligence) und Spezifikationsverantwortlichem (Definitionsarbeit) verschwimmen, da die Analystenrolle Zeit für substanzielles funktionsübergreifendes Engagement hat.
Absorption wirkt stark auf spezifische Aufgaben (SQL-Schreiben, Dashboard-Produktion, manuelle Datenbereinigung). Emergenz wirkt auf manche neue Verantwortungen (Pflege von Definitionen auf Unternehmensebene, Kuratieren von Agent-Output).
Verwandte Rollen im Katalog
häufige Partnerschaft; Produktanalytik-Arbeit überlappt mit der Ergebnismessung des PM
angrenzende aufkommende Rolle; manche Analysten entwickeln sich darauf hin
Partner beim Design des Datenpipeline-Workflows auf KI-nativem Maßstab
Quellen und weiterführende Literatur
- Patel, N. (2026). From Tasks to Roles: How Agentic AI Reconfigures Occupational Structures. Datenanalyse wird als Rolle mit starkem Elevation-Druck zitiert.
- Jain, R. et al. (2026). Agentic Generative AI in Enterprise Contexts. Organisatorische und analytische Implikationen.
- Aus diesem Rahmenwerk: Referenzrahmenwerk und Spezifikations-Leitfaden.
← Zurück zu Rollen · Rollenentwicklungsmuster · Referenzrahmenwerk · Ihre Rolle transformieren