Was macht ein Analytics Engineer?
Analytics Engineers arbeiten an der Schnittstelle zwischen Data Engineering und Datenanalyse. Data Engineers sorgen dafür, dass Rohdaten aus Quellsystemen in ein Data Warehouse gelangen. Analytics Engineers formen daraus saubere, dokumentierte und getestete Tabellen, mit denen Dashboards, Berichte und Analysen arbeiten. Im Handel geht es etwa um Abverkäufe je Filiale, Retourenquoten im Onlineshop, Lagerbestände oder Kundensegmente.
Der Alltag besteht zu einem großen Teil aus SQL. Transformationen werden in Werkzeugen wie dbt geschrieben, in Git versioniert, über Code-Reviews abgestimmt und mit automatisierten Tests abgesichert. Dazu kommen Gespräche mit Fachabteilungen: Was genau ist ein aktiver Kunde? Zählt eine Stornierung als Umsatz? Solche Definitionen festzulegen und einheitlich umzusetzen, ist ein Kern der Arbeit. Hinzu kommen Fehlersuche, wenn Zahlen in zwei Berichten nicht übereinstimmen, die Pflege der Dokumentation und gelegentlich der Aufbau von Dashboards in Tools wie Power BI, Tableau oder Looker.
Wie wird man Analytics Engineer?
Einen geregelten Ausbildungsweg gibt es nicht. Viele kommen über ein Studium in Informatik, Wirtschaftsinformatik, Statistik, Mathematik oder Wirtschaftswissenschaften mit quantitativem Schwerpunkt. Häufig ist der Beruf ein zweiter Schritt: Datenanalysten, BI-Entwickler oder Controller, die tiefer in die Datenmodellierung einsteigen, wechseln in diese Rolle. Auch eine Ausbildung als Fachinformatiker für Daten- und Prozessanalyse ist ein möglicher Einstieg. Quereinsteiger ohne Studium haben Chancen, wenn sie sichere SQL-Kenntnisse und eigene Projekte vorweisen können. Zertifikate von Anbietern wie dbt Labs, Snowflake oder den großen Cloud-Plattformen helfen bei der Bewerbung, ersetzen aber keine Praxis.
Was der Beruf verlangt
Die Arbeit verlangt Genauigkeit über lange Strecken. Ein falsch gesetzter Join kann Umsatzzahlen verdoppeln, und solche Fehler fallen oft erst auf, wenn die Geschäftsführung nachfragt. Die Verantwortung für Kennzahlen, auf deren Grundlage Einkauf, Preise oder Personalplanung entschieden werden, kann belasten. Im Handel entsteht Termindruck rund um Saisongeschäft, Aktionswochen oder Monatsabschlüsse. Die Arbeitszeiten sind meist regulär, Bereitschaftsdienste sind seltener als im Data Engineering, aber nicht ausgeschlossen, wenn nächtliche Datenläufe fehlschlagen.
Schwer fällt vielen der Spagat zwischen Technik und Fachseite: Anforderungen sind oft unklar, Abteilungen definieren dieselbe Kennzahl unterschiedlich, und es braucht Geduld, das auszuhandeln. Werkzeuge und Plattformen ändern sich schnell, ständiges Weiterlernen gehört dazu.
Aussichten
Die Bezeichnung ist jung und hat sich erst in den letzten Jahren in Stellenanzeigen durchgesetzt, die Tätigkeit selbst ist gefragt. Handel, E-Commerce, Banken, Versicherungen und Softwarefirmen bauen ihre Datenplattformen aus und brauchen Leute, die Daten nutzbar machen. Die Nachfrage schwankt mit der Konjunktur in der Tech-Branche; in Phasen von Sparrunden werden Datenteams auch verkleinert. Entwicklungswege führen zum Senior oder Lead Analytics Engineer, in die Datenarchitektur, ins Data Engineering oder in die Leitung eines Daten- oder BI-Teams. Wer die Fachseite gut kennt, kann auch in Rollen wie Data Product Manager wechseln.