Data Engineer, Data Scientist, Data Analyst: Wer macht was, und warum dein Wachstum von ihnen abhängt

Wenn du heute ein Unternehmen führst, sitzt du auf einem Haufen Daten ob du willst oder nicht. Jeder Klick auf deiner Website, jede geöffnete E-Mail, jeder abgebrochene Warenkorb, jedes Support-Ticket, jede Zahlung. Das wird alles irgendwo aufgezeichnet. Das Problem ist dass ein Haufen Daten ungefähr so nützlich ist wie ein Haufen Ziegelsteine. Er wird erst wertvoll wenn die richtigen Leute ihn in etwas verwandeln worauf du tatsächlich handeln kannst.

Und hier werden die meisten Unternehmer verwirrt. Sie hören drei Jobtitel herumgeworfen, Data Engineer, Data Scientist und Data Analyst, und nehmen an das sind drei schicke Namen für dieselbe Sache. Sind sie nicht. Es sind drei komplett verschiedene Jobs, mit verschiedenen Skills, verschiedenen Tools und verschiedenen Verantwortlichkeiten. Den einen einzustellen wenn du den anderen gebraucht hättest ist ein sehr teurer Fehler, und ich sehe das ständig passieren.

Also lass mich das ein für alle Mal klären. Und statt dir trockene Definitionen zu geben, werde ich ein einziges Beispiel durch den gesamten Artikel verfolgen, damit du am Ende genau weißt wer was macht und warum du sie brauchst.

Das Beispiel dem wir folgen werden: ein Kaffee Abo Unternehmen

Stell dir ein Unternehmen namens Morning Ritual vor. Sie verkaufen Kaffee im Abo. Du meldest dich an, wählst wie oft du Bohnen geliefert haben willst, und eine Box kommt alle paar Wochen bei dir an. Einfaches Geschäft, tolles Produkt.

Morning Ritual läuft ganz okay. Sie haben ein paar tausend Kunden, eine Website, eine mobile App, einen E-Mail Newsletter, und sie schalten Werbung auf Social Media. Aber das Wachstum ist flach geworden. Neue Kunden kommen durch die Vordertür rein, und ungefähr dieselbe Anzahl geht leise durch die Hintertür wieder raus. Die Gründerin ist frustriert. Sie weiß dass irgendwo in ihrem Geschäft Geld versteckt ist, sie kann nur nicht sehen wo.

Die Frage die sie beantwortet haben will ist trügerisch einfach: Welche Kunden sind dabei zu kündigen, und was können wir tun um sie zu halten?

Diese eine Frage wird durch alle drei Rollen wandern. Schau wie jede Person sie auf komplett verschiedene Weise anfasst.

Der Data Engineer: die Person die die Rohrleitungen baut

Gerade ist Morning Rituals Datenlage ein Chaos, und nicht weil irgendjemand was falsch gemacht hat. Sie ist einfach verstreut. Die Kundenliste lebt in der E-Commerce Plattform. Zahlungshistorie sitzt im Zahlungsanbieter. E-Mail Öffnungen und Klicks sind im Newsletter Tool eingesperrt. App Aktivität ist in noch einem anderen System. Website Verhalten ist im Analytics Tool. Nichts davon redet miteinander.

Wenn du also fragen würdest "zeig mir jeden Kunden der unsere letzten drei E-Mails geöffnet hat aber seit sechs Wochen keine Bestellung aufgegeben hat", könnte das niemand beantworten. Die Information existiert, aber sie ist in fünf verschiedenen Boxen gefangen die nie dafür designed wurden kombiniert zu werden.

Das ist der Job des Data Engineers. Der Data Engineer baut die Rohre die all diese Informationen aus diesen separaten Systemen ziehen, sie bereinigen, und sie an einen zentralen Ort gießen, normalerweise Data Warehouse genannt. Sie stellen sicher dass wenn eine neue Bestellung um 3 Uhr nachts reinkommt, sie automatisch in dieses Warehouse fließt ohne dass jemand einen Finger rührt. Sie stellen sicher dass der Kunde im E-Mail Tool und der Kunde im Zahlungssystem korrekt zur selben Person gematcht werden. Sie handlen die langweiligen aber kritischen Probleme: doppelte Datensätze, fehlende Felder, Daten die in drei verschiedenen Formaten gespeichert sind, ein System das um Mitternacht zusammenbricht.

Denk an den Data Engineer als die Person die die Rohrleitungen und Elektrik für ein Restaurant führt. Sie kochen nicht, und sie entscheiden nicht über die Speisekarte. Aber ohne sauberes Wasser und funktionierenden Strom kann niemand in dieser Küche irgendwas machen. Wenn der Engineer seinen Job gut gemacht hat, denkst du nie an ihn. Wenn nicht, funktioniert absolut nichts anderes.

Für Morning Ritual baut der Engineer ein zuverlässiges System wo die gesamte Geschichte jedes Kunden, seine Bestellungen, seine Zahlungen, seine E-Mails, seine App-Taps, seine Lieferhistorie, zusammen an einem ordentlichen Ort sitzt, automatisch aktualisiert und vertrauenswürdig. Noch ist nichts Cleveres passiert. Aber jetzt, zum ersten Mal, werden die cleveren Dinge möglich.

Der Data Analyst: die Person die dir sagt was los ist

Jetzt wo die Daten sauber sind und an einem Ort sitzen, kommt der Data Analyst ins Spiel. Der Job des Analysts ist Geschäftsfragen mit den Daten zu beantworten die bereits existieren, und die Antwort so zu präsentieren dass ein Mensch sie verstehen und darauf handeln kann.

Der Analyst bei Morning Ritual beginnt in die Abwanderungsfrage einzutauchen. Sie ziehen die Zahlen, bauen ein paar Charts, und innerhalb von ein paar Tagen kommen sie mit etwas wirklich Nützlichem zurück. Sie haben ein Muster entdeckt. Kunden die ihre zweite Lieferung nicht innerhalb von dreißig Tagen nach der Anmeldung bekommen kündigen mit fast dreimal so hoher Rate wie alle anderen. Sie bemerken auch dass Leute die jemals den Support wegen einer verspäteten Lieferung kontaktiert haben viel wahrscheinlicher gehen, selbst wenn das Problem gelöst wurde.

Der Analyst hat hier nicht die Zukunft vorhergesagt. Sie haben geschaut was bereits passiert ist und die Geschichte gefunden die darin versteckt ist. Das ist der Kern der Analyst Rolle: Realität klar beschreiben. Was passiert ist, wann, bei wem, und wie es sich zum letzten Monat verhält.

Der Analyst baut auch das Dashboard das die Gründerin jetzt jeden Montagmorgen checkt: neue Abonnenten, Kündigungen, durchschnittlicher Umsatz pro Kunde, beliebteste Mischungen. Vorher hat die Gründerin ihr Geschäft auf Bauchgefühl und einem vagen Gefühl geführt wie die Dinge laufen. Jetzt hat sie ein klares, ehrliches Bild das jeden Tag aktualisiert wird.

Zurück zur Restaurant Analogie. Wenn der Engineer die Rohrleitungen ist, ist der Analyst die Person die am Ende der Nacht die Kassenbelege liest und dir die Wahrheit sagt: die Specials haben sich brillant verkauft, niemand bestellt den Fisch, und Dienstage sind tot. Unbezahlbare Information, und alles davon über das was bereits passiert ist.

Für die meisten kleinen und mittleren Unternehmen, ehrlich gesagt, ist ein guter Analyst der auf sauberen Daten sitzt die einzelne Einstellung mit dem höchsten Return die du machen kannst. Du wärst erstaunt wie viele Unternehmen enorme Entscheidungen treffen während sie komplett blind sind, einfach weil niemand ihre Daten in verständliches Deutsch übersetzt.

Der Data Scientist: die Person die vorhersagt und experimentiert

Bisher wissen wir was passiert ist und warum. Der Analyst hat uns gesagt dass verspätete zweite Lieferungen und Support-Beschwerden zu Kündigungen führen. Das ist mächtig. Aber die Gründerin will einen Schritt weiter gehen. Sie will nicht nur wissen wer letzten Monat gekündigt hat. Sie will wissen wer dabei ist nächsten Monat zu kündigen, während noch Zeit ist etwas dagegen zu tun.

Hier kommt der Data Scientist ins Spiel. Der Scientist nimmt all diese sauberen, kombinierten Daten und baut ein Modell das die Muster von Leuten lernt die in der Vergangenheit gegangen sind, dann nutzt diese Muster um jeden aktuellen Kunden mit einer Wahrscheinlichkeit zu gehen zu bewerten. Statt zu reagieren nachdem jemand kündigt, kann Morning Ritual jetzt jeden Morgen eine Liste der zweihundert Kunden sehen die diese Woche am meisten gefährdet sind, gerankt danach wie wahrscheinlich sie gehen werden.

Aber der Scientist hört bei Vorhersage nicht auf. Sie helfen dem Unternehmen auch herauszufinden was tatsächlich funktioniert um diese Leute zu halten. Sie designen ein ordentliches Experiment. Nimm die gefährdeten Kunden, teile sie in Gruppen, und probiere verschiedene Dinge. Eine Gruppe bekommt eine freundliche "wir vermissen dich" E-Mail mit einem Rabatt. Eine Gruppe bekommt einen kostenlosen Beutel einer neuen Mischung. Eine Gruppe bekommt nichts, als Vergleich. Ein paar Wochen später misst der Scientist welcher Ansatz wirklich mehr Leute gehalten hat, und wichtig, ob das Geld das für Rabatte ausgegeben wurde es tatsächlich wert war oder ob sie Geld an Leute verschenkt haben die sowieso geblieben wären.

Der Scientist könnte auch die Empfehlungsmaschine bauen die die nächste Mischung vorschlägt die ein Kunde wahrscheinlich lieben wird, oder vorhersagen wie viel Kaffee nächstes Quartal zu kaufen ist damit das Lager weder leer noch überfüllt ist.

In Restaurant-Begriffen ist der Data Scientist die Person die Jahre an Verkäufen, Wetter und lokalen Events studiert und dir sagt "bestell nächstes Wochenende vierzig Prozent mehr Steak weil ein Rugbyspiel ist und die Historie sagt die Nachfrage wird hochschießen". Sie beschäftigen sich mit Vorhersage, Wahrscheinlichkeit und Experiment. Nicht was passiert ist, sondern was wahrscheinlich passieren wird, und was wir dagegen tun sollten.

Ein Wort der Ehrlichkeit hier, weil es wichtig ist. Ein Data Scientist ist der Teuerste der drei, und sie sind am einfachsten zu früh einzustellen. Wenn deine Daten ein Chaos sind und noch niemand selbst grundlegende Analyse macht, wird ein brillanter Scientist seine ersten sechs Monate damit verbringen die Jobs von Engineer und Analyst zu machen, unglücklich sein, und sehr wenig liefern. Mächtig, aber nur wenn die Fundamente an Ort und Stelle sind.

Die einfache Art sich den Unterschied zu merken

Hier ist die sauberste Zusammenfassung die ich dir geben kann.

Der Data Engineer baut und wartet die Systeme die deine Daten sammeln, bereinigen und speichern. Sie machen die Daten vertrauenswürdig und verfügbar. Sie beantworten die Frage "können wir überhaupt zuverlässig an diese Information kommen?"

Der Data Analyst nutzt diese Daten um zu erklären was passiert ist und was gerade passiert. Sie verwandeln Zahlen in klare Insights und Dashboards. Sie beantworten die Frage "was passiert in unserem Geschäft, und warum?"

Der Data Scientist nutzt diese Daten um vorherzusagen was als nächstes passieren wird und zu testen was man dagegen tun sollte. Sie beantworten die Frage "was wird wahrscheinlich passieren, und was ist der klügste Zug?"

Engineer baut die Straße. Analyst liest die Karte und sagt dir wo du bist. Scientist schaut voraus und sagt dir wohin du fahren sollst. Du brauchst die Straße bevor die Karte irgendeinen Nutzen hat, und du brauchst die Karte bevor die Prognose irgendetwas bedeutet. Die Reihenfolge zählt.

Warum das für Growth Hacking wichtig ist

Growth Hacking wird oft als ein Beutel voller cleverer Tricks missverstanden. Ist es nicht. Echtes Growth Hacking ist eine Schleife: du kommst mit einer Idee, du testest sie schnell, du misst ehrlich, du behältst was funktioniert, und du schmeißt weg was nicht funktioniert. Diese gesamte Schleife läuft auf Daten. Nimm die Daten weg und du machst kein Growth Hacking, du rätst nur mit Selbstvertrauen.

Schau was jede Rolle dieser Schleife gibt. Der Engineer stellt sicher dass du die Ergebnisse eines Experiments tatsächlich messen kannst ohne eine Woche manuelles Spreadsheet-Gewürge. Der Analyst sagt dir ob das Experiment die Nadel bewegt hat und entdeckt die überraschenden Nebeneffekte. Der Scientist hilft dir Experimente zu designen die statistisch solide sind, damit du nicht von zufälligem Glück getäuscht wirst, und findet die nicht offensichtlichen Möglichkeiten die in den Zahlen vergraben sind die kein Mensch jemals mit dem Auge entdecken würde.

Ohne sie kollabiert Growth Hacking in Meinung. Die lauteste Person im Raum gewinnt das Argument, das Unternehmen steckt Aufwand in eine Idee die sich clever anfühlte, und drei Monate später kann niemand ehrlich sagen ob es funktioniert hat. Ich bin in Unternehmen gegangen die zwanzig "Growth Experimente" in einem Jahr durchgeführt haben und mir das Ergebnis von keinem einzigen sagen konnten, weil niemand und kein System da war um sie zu messen. Das ist kein Growth Programm. Das ist teures Theater.

Warum das für Entwicklung wichtig ist

Es gibt eine stille Verbindung zwischen guten Datenleuten und guter Software. Wenn Entwickler ein neues Feature bauen, ist die echte Frage ob irgendjemand es nutzt und ob es dem Geschäft hilft. Ohne Datenrollen wird diese Frage nie ordentlich beantwortet, und Teams bauen weiter Dinge die niemand will, was einer der häufigsten und teuersten Fehler in Software ist.

Der Engineer stellt sicher dass neue Features ordentlich instrumentiert sind, was bedeutet dass das Produkt tatsächlich aufzeichnet was Nutzer mit ihnen machen. Der Analyst berichtet zurück ob der schicke neue Checkout Flow Conversions erhöht oder leise gesenkt hat. Der Scientist kann einen ordentlichen kontrollierten Rollout durchführen, die neue Version manchen Nutzern zeigen und die alte anderen, damit du weißt dass die Änderung die Verbesserung verursacht hat statt nur zur selben Zeit wie gutes Wetter zu passieren.

Entwicklung ohne Daten ist ein Team das im Dunkeln baut, stolz auf Features die vielleicht nichts tun, oder schlimmer, Schaden anrichten den niemand bemerkt bis Kunden anfangen zu gehen.

Warum das für Digital Marketing wichtig ist

Hier zeigt sich der Schmerz es falsch zu machen am schnellsten, weil im Digital Marketing jeden einzelnen Tag echtes Geld ausgegeben wird. Ad Budgets, E-Mail Kampagnen, Landing Pages, Suche, Social. Jeder Euro hat ein Ergebnis, und dieses Ergebnis ist messbar, wenn jemand eingerichtet ist es zu messen.

Stell dir vor Morning Ritual schaltet Werbung auf drei Plattformen. Ohne Datenrollen sehen sie drei separate Dashboards, von denen jedes fröhlich die Credits für dieselben Verkäufe nimmt, und die Gründerin hat wirklich keine Ahnung welcher Kanal tatsächlich Geld macht und welcher es leise verbrennt. Der Engineer bringt all diese Werbe- und Umsatzdaten an einen Ort damit sie fair verglichen werden können. Der Analyst arbeitet die wahren Kosten heraus einen Kunden von jedem Kanal zu bekommen und wie viel dieser Kunde über seine Lebenszeit wert ist, nicht nur seine erste Bestellung. Der Scientist kann vorhersagen welcher Typ neuer Besucher wahrscheinlich ein hochwerttiger langfristiger Abonnent wird, damit das Marketingbudget die richtigen Leute jagt statt der billigsten Klicks.

Der Unterschied den das macht ist enorm. Marketing das auf ordentlichen Daten läuft findet routinemäßig dass ein Drittel des Budgets verschwendet ist, verschiebt es zu dem was funktioniert, und steigert Umsatz ohne einen Cent mehr auszugeben. Marketing das auf Raten läuft behält die Verschwendung, weil niemand sie sehen kann.

Die Gefahren sie nicht an Bord zu haben

Lass mich unverblümt sein über das was tatsächlich mit Unternehmen passiert die das überspringen, weil die Kosten real sind und ich sie ständig sehe.

Du triffst selbstbewusste Entscheidungen basierend auf Zahlen die schlicht falsch sind, weil niemand die Rohrleitungen gebaut hat und die Daten doppelt gezählt oder veraltet waren. Du gibst weiter Geld für Marketing aus das nicht funktioniert, weil das wahre Bild über fünf nicht verbundene Tools verteilt versteckt ist. Du verlierst Kunden die du einfach hättest retten können, weil wenn du bemerkst dass jemand gegangen ist, es viel zu spät ist sie zurückzugewinnen. Du baust Produkt-Features die niemand nutzt, Monat für Monat, weil niemand Adoption ehrlich misst. Du wirst von einem Wettbewerber überholt der leise die Schleife von messen, lernen, verbessern durchläuft während du immer noch in Meetings über Meinungen streitest.

Und es gibt eine subtilere Gefahr. Wenn du endlich einstellst, stellst du die falsche Rolle ein. Du holst einen teuren Data Scientist in ein Unternehmen ohne saubere Daten und ohne Analysekultur, sie können den Job nicht machen für den sie eingestellt wurden, sie gehen innerhalb eines Jahres, und du schließt dass "Daten für ein Geschäft wie unseres nicht wirklich funktionieren". Es waren nie die Daten. Es war die Reihenfolge der Operationen.

Die Wahrheit ist dass die meisten Unternehmen am ersten Tag kein großes Team brauchen. Sie brauchen saubere Daten denen sie vertrauen können, und jemanden der sie in verständliche Antworten verwandelt. Fang mit dem Fundament an, dem Engineer und dem Analyst, komm zu dem Punkt wo jede wichtige Entscheidung durch eine Zahl gestützt ist der du glaubst, und hol den Scientist wenn Vorhersage und Experimente das werden was zwischen dir und deiner nächsten Wachstumsstufe steht.

Deine Wettbewerber machen das bereits. Der Haufen Daten der gerade in deinem Unternehmen sitzt ist entweder dein größtes ungenutztes Asset oder ein Haufen Ziegelsteine der Staub sammelt. Der einzige Unterschied ist ob du die richtigen Leute hast die das eine in das andere verwandeln.

Brauchst du Hilfe herauszufinden welche Datenrolle dein Unternehmen zuerst braucht, oder wie du deine Datenfundamente strukturieren solltest bevor du anfängst einzustellen? Meld dich. Ich habe jede Version dieses Fehlers gesehen und kann dir helfen die teuren zu vermeiden.