Data Scientist finden und einstellen

Was ein Data Scientist im Team leistet

Der Data Scientist ist die Rolle, die aus vorhandenen Daten belastbare Aussagen macht. Er nimmt eine unscharfe Fragestellung aus dem Geschäft, prüft, welche Daten sie beantworten können, und liefert am Ende eine Empfehlung, die eine Entscheidung trägt.

Im Alltag heißt das: Datenquellen erschließen, Hypothesen formulieren, Modelle bauen und bewerten, Ergebnisse gegen Verzerrungen prüfen und sie so darstellen, dass ein Fachbereich sie versteht. Der Wertbeitrag liegt in der Wirkung der Empfehlung, nicht in der Modellgüte.

In einer Festanstellung wächst dieser Wert über die Zeit. Ein Data Scientist, der Ihr Geschäft und Ihre Datenlandschaft kennt, braucht für die zweite und dritte Fragestellung einen Bruchteil der Zeit der ersten.

Anforderungsprofil: was wirklich Pflicht ist

Ein zu langes Pflichtprofil kostet Reichweite. Diese fünf Punkte tragen die Rolle:

Statistik und Methodik. Die Basis. Ein guter Data Scientist erkennt, wann ein Ergebnis belastbar ist und wann die Datenlage keine Aussage zulässt.

Python und SQL. Python für Analyse und Modellierung, SQL für den Zugriff auf die Datenbasis. Sauberer, nachvollziehbarer Code ist Pflicht, produktionsreifer Code nicht.

Machine-Learning-Verfahren. Kenntnis der gängigen Verfahren und das Urteil, welches Verfahren zu welcher Frage passt. Verfahrenstreue ist kein Qualitätsmerkmal.

Visualisierung und Storytelling. Ergebnisse müssen ohne Erklärung verständlich sein. Diese Fähigkeit trennt wirksame von unbeachteten Analysen.

Geschäftsverständnis. Die am häufigsten unterschätzte Kompetenz. Wer die Frage nicht versteht, optimiert die falsche Metrik.

Gehalt und Seniorität 2026

Die folgenden Bänder sind Marktschätzungen für die DACH-Region, Stand 2026, auf Basis von Vermittlungsmandaten, Angebotsdaten und öffentlichen Gehaltsvergleichen. Sie gelten für Vollzeit ohne variable Bestandteile.

Der Markt hat sich seit 2024 zweigeteilt. Klassische Analyse-Profile sind gut verfügbar, Data Scientists mit Produkt- und LLM-Erfahrung sind knapp und werden deutlich über Band bezahlt.

Regional liegen München und Zürich rund zehn bis zwanzig Prozent über dem Durchschnitt. Remote-Angebote nivellieren diese Unterschiede, weil Kandidaten Vergleichsgehälter aus dem gesamten Sprachraum kennen.

Wechselgründe sind 2026 überwiegend inhaltlich: Zugang zu Daten, Nähe zur Entscheidung und Rechenbudget. Gehalt öffnet das Gespräch, hält aber niemanden.

So läuft eine belastbare Besetzung ab

1. Profil und Betriebsanteil schriftlich festlegen, bevor die Suche startet.
2. Aktive Direktansprache statt Ausschreibung: der relevante Markt bewirbt sich nicht.
3. Erste Auswahl über Arbeitsproben oder Systemgespräch statt über Zertifikate.
4. Fachgespräch mit einem realen Fall aus Ihrem Unternehmen, maximal 90 Minuten.
5. Entscheidung innerhalb von fünf Arbeitstagen nach dem letzten Gespräch.

Sechs bis zehn Wochen von Briefing bis Unterschrift sind bei aktiver Ansprache realistisch, dazu ein bis drei Monate Kündigungsfrist. Verzögerungen entstehen fast immer intern, nicht am Markt.

Die drei häufigsten Fehler

Rollenmix. Analyse, Data Engineering und Betrieb in einer Stelle führt zu Absagen oder zu einer Person, die alles halb erledigt.

Kein Datenzugang. Kandidaten fragen im Gespräch nach Datenqualität und Zugriffswegen. Fehlende Antworten kosten die Endphase.

Zu viele Runden. Mehr als drei Gespräche senken die Annahmequote messbar.

Festanstellung oder freiberuflich?

Für eine einzelne, klar umrissene Fragestellung ist ein Freelancer schneller und günstiger. Sobald mehrere Fachbereiche dauerhaft Analysen brauchen, rechnet sich die Festanstellung innerhalb eines Jahres.