Data Engineer, Data Scientist, Data Analyst: wer macht was
Kurz gesagt
Niveau: Einstieg
Ein Data Engineer baut die Pipelines, die deine Daten erfassen, bereinigen und an einem Ort zusammenführen. Ein Data Analyst erklärt mit diesen Daten, was passiert ist und warum. Ein Data Scientist sagt voraus, was als Nächstes passiert, und legt Experimente an, die zeigen, welcher Schritt sich auszahlt. Die Reihenfolge zählt: Ohne saubere Daten ist die Analyse falsch, und ohne Analyse hat ein Modell keinen Boden. In Österreich hat der Data Scientist laut AMS die höchste Obergrenze beim Einstiegsgehalt, die Engineer und die Analyst Seite starten gleichauf. Die meisten Unternehmen brauchen zuerst die Arbeit des Engineers und einen Analysten, einen Scientist erst, wenn Vorhersagen und Tests das Wachstum bremsen.
Data Engineer, Data Analyst und Data Scientist klingen wie drei Namen für denselben Job. Es sind drei verschiedene Jobs, und die falsche Rolle zuerst einzustellen ist ein teurer Fehler. Ich begleite ein erfundenes Kaffee Abo aus Graz durch alle drei Rollen, mit einem durchgerechneten Experiment, das zeigt, warum ein Gratissackerl Kaffee einen Rabatt schlägt, und zeige dir dann, was jede Rolle in Österreich kostet und in welcher Reihenfolge du sie holst.
Drei Jobtitel, drei verschiedene Jobs
Jedes Unternehmen zeichnet heute mehr auf, als es liest. Jeder Klick auf der Website, jeder geöffnete Newsletter, jeder abgebrochene Warenkorb, jede Supportanfrage und jede Zahlung landet in irgendeinem System. Ein Haufen Datensätze ist ungefähr so nützlich wie ein Haufen Ziegel. Wert bekommt er erst, wenn jemand eine Entscheidung daraus macht.
Die Verwirrung beginnt bei den Jobtiteln. Data Engineer, Data Analyst und Data Scientist klingen wie drei Namen für denselben Job. Es sind drei verschiedene Jobs, mit anderen Fähigkeiten, anderen Werkzeugen und jeweils einer anderen Frage im Mittelpunkt. Stellst du die falsche Rolle zuerst ein, zahlst du ein Seniorgehalt für jemanden, der monatelang Arbeit macht, für die er nicht eingestellt wurde.
Dieser Artikel begleitet ein erfundenes Unternehmen durch alle drei Rollen, damit du genau siehst, wer was anfasst. Danach zeige ich dir mit Quellen, was jede Rolle in Österreich kostet, in welcher Reihenfolge du sie holst und was schiefgeht, wenn ein Unternehmen sie auslässt. Wenn du die Rollen schon kennst und fünfzehn konkrete Projekte mit Zahlen suchst, lies den Begleitartikel Datenrollen in der Praxis: wie SaaS und eCommerce mit Daten wachsen.
Das Beispiel: ein Kaffee Abo aus Graz
Morning Ritual (morningritual.example) ist ein erfundenes Kaffee Abo aus Graz. Kundinnen und Kunden wählen eine Röstung und einen Rhythmus, und alle zwei Wochen kommt eine Box Bohnen für 18 € ins Haus. Das Unternehmen hat rund 4.000 Abonnenten, eine Website, eine App, einen Newsletter und ein paar bezahlte Kampagnen in sozialen Netzwerken.
Das Wachstum stagniert. Ungefähr so viele Abonnenten, wie jeden Monat dazukommen, kündigen auch wieder. Die Gründerin Verena ist sicher, dass irgendwo Geld im Geschäft versteckt ist, sie sieht nur nicht, wo. Ihre Frage ist leicht gestellt und schwer beantwortet: Welche Kunden stehen kurz vor der Kündigung, und was würde sie halten?
Diese eine Frage wandert durch alle drei Rollen. Jede Person fasst sie völlig anders an.
Der Data Engineer baut die Leitungen
Im Moment liegen die Daten von Morning Ritual verstreut, und niemand hat etwas falsch gemacht. Die Kundenliste steckt in der Shopsoftware. Die Zahlungshistorie liegt beim Zahlungsanbieter. Öffnungen und Klicks sind im Newsletter Tool. Die App Nutzung ist in einem weiteren System, das Verhalten auf der Website im Analytics Tool. Keines davon spricht mit dem anderen.
Eine Frage wie "Zeig mir alle Abonnenten, die die letzten drei Newsletter geöffnet, aber seit sechs Wochen keine Box bekommen haben" hat deshalb keine Antwort. Die Information gibt es, aber sie steckt in fünf Kisten, die nie zum Zusammenführen gedacht waren.
Genau das ist die Aufgabe des Data Engineers. Er baut die Datenpipelines, die die Daten aus jedem System holen, bereinigen und an einen zentralen Ort laden, meist ein Data Warehouse. Kommt um drei Uhr nachts eine Bestellung herein, fließt sie ins Warehouse, ohne dass jemand etwas anfasst. Der Abonnent im Newsletter Tool und der Abonnent beim Zahlungsanbieter werden derselben Person zugeordnet. Die langweiligen, aber entscheidenden Probleme gehören dem Engineer: doppelte Datensätze, fehlende Felder, Datumsangaben in drei Formaten, ein Abgleich, der um Mitternacht abbricht. Er entscheidet auch, was überhaupt erfasst wird, damit die Pipelines nur die Daten tragen, die das Consent Banner erlaubt. Wie das geht, steht in Event Tracking und Consent Mode.
Denk an ein Restaurant. Der Engineer kümmert sich um Wasser und Strom. Er kocht nicht und schreibt nicht die Speisekarte, aber ohne sauberes Wasser und funktionierenden Strom kann in der Küche niemand arbeiten. Macht er seinen Job gut, denkst du nie an ihn. Macht er ihn schlecht, funktioniert nichts anderes.
Für Morning Ritual baut der Engineer einen Ort, an dem die ganze Geschichte jedes Abonnenten zusammenliegt: Bestellungen, Zahlungen, Newsletter, App Klicks und Liefertermine, automatisch aktualisiert und verlässlich. Noch ist nichts Kluges passiert. Aber zum ersten Mal ist das Kluge möglich. Wie so ein Warehouse Schritt für Schritt entsteht, steht in Data Warehousing für smarte Marketing Automation.
Der Data Analyst sagt dir, was los ist
Sind die Daten sauber und an einem Ort, kommt der Analyst. Er beantwortet geschäftliche Fragen mit den Daten, die es schon gibt, und präsentiert die Antwort so, dass ein Mensch danach handeln kann.
Bei Morning Ritual nimmt sich der Analyst die Kündigungsfrage vor und kommt nach ein paar Tagen mit einem Muster zurück. Von den Abonnenten, deren zweite Box mehr als 30 Tage nach der Anmeldung ankam, kündigten 17 % innerhalb von 90 Tagen. Von denen, deren zweite Box pünktlich kam, waren es 6 %. Das ist fast das Dreifache. Wer sich jemals wegen einer verspäteten Lieferung beim Support gemeldet hatte, ging ebenfalls deutlich häufiger, auch wenn das Problem gelöst wurde.
Achte darauf, was der Analyst nicht getan hat. Er hat nichts vorhergesagt. Er hat sich angesehen, was schon passiert ist, und die Geschichte darin gefunden. So ein Muster ist eine Korrelation, noch kein Beweis für eine Ursache: Vielleicht verursacht die späte zweite Box die Kündigungen, vielleicht waren aber die Leute, die sich in zwei besonders vollen Wochen angemeldet haben, von Anfang an weniger überzeugt. Den Unterschied erklärt der Grundlagen Abschnitt zur Korrelation. Ein guter Analyst sagt, was davon zutrifft, oder sagt ehrlich, dass es noch niemand weiß.
Der Analyst baut auch das Dashboard, das Verena jetzt jeden Montag öffnet: neue Abonnenten, Kündigungen, Umsatz pro Abonnent, die beliebtesten Röstungen. Vorher führte sie das Geschäft aus dem Bauch heraus. Jetzt hat sie ein ehrliches Bild, jeden Tag aktualisiert.
Zurück ins Restaurant: Der Analyst liest am Ende des Abends die Kassazettel und sagt dir die Wahrheit. Die Tagesgerichte waren ausverkauft, den Fisch bestellt niemand, und dienstags ist nix los. Unbezahlbar, und alles über die Vergangenheit.
Für die meisten kleinen und mittleren Unternehmen ist ein guter Analyst auf sauberen Daten die Einstellung mit dem höchsten Ertrag. Viele Firmen treffen große Entscheidungen, ohne dass jemand ihre Daten in klare Sprache übersetzt, und ein Analyst schließt diese Lücke schneller als jede andere Rolle.
Der Data Scientist sagt voraus und testet
Der Analyst hat gezeigt, dass späte zweite Boxen und Supportbeschwerden mit Kündigungen einhergehen. Verena will den nächsten Schritt. Sie will nicht nur wissen, wer letzten Monat gekündigt hat. Sie will wissen, wer nächsten Monat kündigen wird, solange noch Zeit zum Handeln ist.
Das ist der Job des Data Scientists. Er baut ein Modell, das aus den Abonnenten lernt, die in der Vergangenheit gegangen sind, und gibt jedem aktuellen Abonnenten eine Wahrscheinlichkeit zu kündigen. Statt erst nach einer Kündigung zu reagieren, bekommt Morning Ritual jeden Morgen eine Liste der Abonnenten mit dem höchsten Risiko in dieser Woche, sortiert. Die Methoden dahinter, von Überlebenskurven bis zum Kundenwert, stehen in Survival Analyse, Churn und Customer Lifetime Value.
Die Vorhersage ist nur die halbe Arbeit. Die andere Hälfte ist herauszufinden, was Leute tatsächlich hält, und dafür braucht es ein Experiment. Der Scientist nimmt 600 gefährdete Abonnenten und teilt sie zufällig in drei Gruppen zu je 200. Eine Gruppe bekommt 20 % Rabatt auf die nächsten drei Boxen. Eine Gruppe bekommt ein Gratissackerl einer neuen Röstung. Eine Gruppe bekommt nichts, sie ist der Vergleich. Nach acht Wochen zählt der Scientist, wer noch abonniert ist.
Die einzige Zahl, die zählt, ist der Unterschied zwischen einer Gruppe mit Angebot und der Gruppe ohne:
ist die zusätzliche Haltequote, der Anteil der Testgruppe, der am Ende noch abonniert ist, und der entsprechende Anteil der Kontrollgruppe. Ob ein Unterschied echt ist oder Zufall, klärt ein Hypothesentest, und wie viele Kunden du dafür brauchst, steht unter Stichprobengröße.
Ein Angebot lohnt sich nur, wenn die zusätzlich gehaltenen Abonnenten mehr einbringen, als das Angebot über alle Empfänger hinweg kostet:
ist der Nettowert des Angebots, die Zahl der Abonnenten, die es bekommen haben, der Deckungsbeitrag, den ein gehaltener Abonnent im betrachteten Zeitraum bringt, und die Kosten des Angebots pro Empfänger. Die Logik des Deckungsbeitrags steht im Grundlagen Abschnitt zum Kundenwert.
Ein Rechenbeispiel: Der Rabatt verliert gegen das Gratissackerl
Nach acht Wochen sind in der Kontrollgruppe 60 % noch dabei, in der Rabattgruppe 72 % und in der Gruppe mit Gratissackerl 70 %. Ein gehaltener Abonnent bringt 7 € Deckungsbeitrag pro Box, 13 Boxen in sechs Monaten, also ist gleich 91 €. Der Rabatt kostet 10 € pro Empfänger, das Gratissackerl 6 € inklusive Versand.
Beim Rabatt ist gleich 0,72 minus 0,60, also 0,12, und das Angebot bringt in sechs Monaten 184 €. Beim Gratissackerl ist gleich 0,70 minus 0,60, also 0,10:
ist also 620 € für das Sackerl gegen 184 € für den Rabatt. Der Rabatt hat zwei Leute pro hundert mehr gehalten, trotzdem bringt das Sackerl mehr als das Dreifache. Der Grund sind die 120 Abonnenten in jeder Gruppe von 200, die ohnehin geblieben wären. Der Rabatt hat jedem von ihnen 10 € geschenkt. Das Sackerl kostet weniger, wenn es bei Leuten landet, die sie nicht gebraucht hätten.
Mit 200 pro Gruppe schlagen beide Angebote das Nichtstun deutlich. Der Abstand von zwei Punkten zwischen Rabatt und Sackerl liegt dagegen klar im Rauschen. Der Scientist behauptet also nicht, dass eines der beiden mehr Leute gehalten hat, nur dass das Sackerl das Geld besser einsetzt. Wie viele Daten so ein Test braucht, rechnet Wie viele Daten brauchst du wirklich? vor.
Der Scientist baut vielleicht auch die Empfehlung, die einem Abonnenten seine nächste Röstung vorschlägt, oder sagt voraus, wie viel Rohkaffee im nächsten Quartal einzukaufen ist, damit die Rösterei weder leer noch überfüllt ist. Im Restaurant ist er derjenige, der Jahre an Reservierungen, Wetter und Spielplänen auswertet und dir sagt: Bestell für Samstag 40 % mehr Steak, da ist ein Heimspiel in Liebenau. Nicht was passiert ist, sondern was wahrscheinlich passiert, und was du dagegen tust.
So merkst du dir den Unterschied
Der Data Engineer baut und betreibt die Systeme, die Daten erfassen, bereinigen und speichern. Seine Frage: Kommen wir verlässlich an diese Information?
Der Data Analyst erklärt mit diesen Daten, was passiert ist und was gerade passiert. Seine Frage: Was ist los, und warum?
Der Data Scientist sagt mit diesen Daten voraus, was als Nächstes passiert, und testet, was dagegen hilft. Seine Frage: Was passiert wahrscheinlich, und welcher Schritt zahlt sich aus?
Der Engineer baut die Straße. Der Analyst liest die Karte und sagt dir, wo du bist. Der Scientist schaut nach vorn und sagt dir, wohin du fahren sollst. Ohne Straße nützt die Karte nichts, und ohne Karte bedeutet die Prognose nichts. Die Reihenfolge zählt.
In einem kleinen Unternehmen verschwimmen die Grenzen. Eine Person baut vormittags eine Pipeline und nachmittags ein Dashboard, und ein guter Data Scientist kann von beidem etwas. Die Titel bleiben trotzdem wichtig, weil sie dir sagen, welche der drei Fragen jemand am besten beantwortet.
Was jede Rolle in Österreich kostet
Für Österreich ist das AMS Berufslexikon die verlässlichste öffentliche Quelle. Es nennt Bruttoeinstiegsgehälter pro Monat auf Basis der Mindestgehälter in den Kollektivverträgen, Stand 2025. Für Data Scientists sind das 2.800 € bis 4.350 € im Monat.1 Eigene Einträge für Data Engineer und Data Analyst hat das Berufslexikon nicht. Die nächstverwandten Berufe sind die Data Warehouse Managerin oder der Data Warehouse Manager, also die Engineer Seite, und die Business Analystin oder der Business Analyst, also die Analyst Seite, beide mit 3.010 € bis 3.950 € im Monat.23
Mal 14, wie in Österreich üblich, ergibt das für Data Scientists zum Einstieg rund 39.200 € bis 60.900 € brutto im Jahr, für die beiden verwandten Berufe rund 42.100 € bis 55.300 €. Lies diese Zahlen richtig: Es sind Einstiegswerte, abgeleitet aus kollektivvertraglichen Mindestgehältern, und das AMS weist selbst darauf hin, dass sie meist für ein Bündel von Berufen gelten. Mit Erfahrung und in Wien liegen die tatsächlich bezahlten Gehälter deutlich darüber.
Das Muster passt zu anderen Märkten: Der Scientist hat die größte Spanne und die höchste Obergrenze, die Engineer Seite und die Analyst Seite starten gleichauf. Rechne die Dienstgeberbeiträge zur Sozialversicherung und die Lohnnebenkosten auf das Gehalt, bevor du eine Einstellung mit Hilfe von außen vergleichst.
Warum das für Wachstum zählt
Wachstumsarbeit ist eine Schleife. Du hast eine Idee, testest sie schnell, misst ehrlich, behältst, was funktioniert, und lässt, was nicht funktioniert. Diese Schleife läuft auf Daten. Nimm die Daten weg, und du rätst mit großer Überzeugung.
Die meisten Ideen überleben das Messen nicht. Als Microsoft Ideen in kontrollierten Experimenten prüfte, verbesserte nur etwa ein Drittel die Kennzahl, für die sie gedacht waren. Etwa ein Drittel machte keinen messbaren Unterschied, und etwa ein Drittel machte es schlechter.4 Wer jede Idee ungetestet ausrollt, rollt das schädliche Drittel mit dem guten aus und erfährt nie, welches welches war.
Jede Rolle hält die Schleife ehrlich. Der Engineer sorgt dafür, dass ein Experiment messbar ist, ohne eine Woche Tabellenarbeit. Der Analyst sagt, ob es die Zahl bewegt hat, und findet die Nebenwirkungen. Der Scientist legt den Test so an, dass der Zufall dich nicht täuscht, wie im Rabattbeispiel oben. Ohne sie wird ein Wachstumsprogramm zur Meinungssache: Wer am lautesten ist, gewinnt, und drei Monate später kann niemand sagen, ob irgendetwas gewirkt hat.
Warum das für die Produktentwicklung zählt
Wenn ein Entwickler ein Feature ausliefert, ist die eigentliche Frage, ob es jemand nutzt und ob es dem Geschäft hilft. Ohne Datenrollen bekommt diese Frage nie eine saubere Antwort, und ein Team baut weiter Dinge, die niemand will.
Der Engineer sorgt dafür, dass Features instrumentiert sind, also dass das Produkt aufzeichnet, was Leute damit tun. Der Analyst meldet, ob der neue Checkout die Conversions gehoben oder still gesenkt hat. Der Scientist führt einen kontrollierten Rollout durch, zeigt die neue Version einem Teil der Nutzer und die alte dem Rest, damit du weißt, dass die Änderung die Verbesserung verursacht hat und nicht bloß mit einer sonnigen Woche zusammenfiel.
Warum das für digitales Marketing zählt
Im Marketing zeigen sich die Kosten des Ratens am schnellsten, weil das Geld jeden Tag rausgeht.
Stell dir vor, Morning Ritual wirbt auf drei Plattformen. Das Dashboard jeder Plattform rechnet sich dieselben Verkäufe zu, und Verena kann nicht sagen, welcher Kanal Geld verdient und welcher es verbrennt. Der Engineer bringt Werbeausgaben und Umsatz an einen Ort, damit die Kanäle nach denselben Regeln vergleichbar sind. Der Analyst rechnet aus, was ein Abonnent pro Kanal in der Gewinnung kostet und was er über die ganze Kundenbeziehung wert ist, nicht nur mit seiner ersten Box. Der Scientist sagt voraus, welche neuen Besucher wahrscheinlich langfristige Abonnenten werden, damit das Budget den Leuten folgt, die bleiben, und nicht den Klicks mit den niedrigsten Kosten. Die ganze Methode, Kanal für Kanal, steht in Biete auf den Kundenwert, nicht auf die Kosten pro Klick.
Was ohne sie schiefgeht
Die Kosten sind konkret. Entscheidungen fallen auf Zahlen, die schlicht falsch sind, weil niemand die Leitungen gebaut hat und Bestellungen doppelt gezählt wurden. Geld fließt weiter in Kampagnen, die nicht funktionieren, weil das wahre Bild auf fünf Tools verteilt ist. Abonnenten, die man hätte halten können, sind weg, bevor es jemand merkt. Features, die niemand nutzt, werden weiter gebaut. Ein Mitbewerber, der die Schleife aus Messen und Lernen fährt, zieht davon, während in Meetings Meinungen gegeneinander stehen.
Die subtilere Gefahr ist, die falsche Rolle einzustellen. Ein Unternehmen ohne saubere Daten und ohne Gewohnheit zur Analyse holt sich einen Data Scientist, die teuerste der drei Rollen. Der Scientist verbringt die ersten Monate mit der Arbeit des Engineers und des Analysten, liefert wenig von dem, wofür er geholt wurde, und geht wieder. Das Unternehmen schließt daraus, dass Daten für eine Firma wie ihre nicht funktionieren. Es lag nie an den Daten. Es lag an der Reihenfolge. Diesen und weitere Wege, wie Datenprojekte scheitern, bevor sie anfangen, findest du in 16 Wege, wie Datenprojekte scheitern, bevor sie beginnen.
Die Reihenfolge beim Einstellen
Die meisten Unternehmen brauchen am ersten Tag kein Team aus drei Leuten. Sie brauchen saubere Daten, denen sie trauen, und jemanden, der daraus klare Antworten macht.
Fang beim Fundament an. Ein Engineer, oder die Arbeit eines Engineers einmal von außen erledigt, damit die Daten verlässlich an einem Ort landen. Dann ein Analyst, damit jede wichtige Entscheidung auf einer Zahl steht, der du glaubst. Den Scientist holst du, wenn Vorhersagen und Experimente das sind, was zwischen dir und der nächsten Wachstumsstufe steht, zum Beispiel wenn du genug Abonnenten hast, dass sich ein Kündigungsmodell und ein sauberer Test wie oben selbst bezahlen.
Wie der erste Monat solcher Arbeit in der Praxis aussieht, noch bevor es ein Modell gibt, steht in Der erste Data Science Monat. Wenn du nicht drei Leute einstellen willst, um herauszufinden, was deine Daten können, mache ich das als Data Science Arbeit: die Leitungen, die Analyse und die Modelle, so lange du sie brauchst. Deine Rohdaten bleiben deine, und die Bedingungen für Code und Modelle stehen in den Bedingungen für Analytics und Data Science.