Der Arbeitsmarkt für Datenprofis hat sich grundlegend verändert. SQL und Python sind nach wie vor wichtig und finden sich in nahezu jeder Stellenbeschreibung. Allerdings haben sie ihren Status als entscheidende Fähigkeiten verloren und sind nun eher als Grundvoraussetzungen zu betrachten.
Es ist wahrscheinlich, dass viele Bewerber weiterhin auf die Interviewfragen optimieren, die sie vor drei Jahren geübt haben. Doch diese Zeiten sind vorbei. Der folgende Artikel beleuchtet die Diskrepanz zwischen den Vorbereitungen der Kandidaten und den tatsächlichen Anforderungen der Unternehmen.
Was der Arbeitsmarkt tatsächlich verlangt
Eine Analyse von Future Proof Data Science aus Januar 2026, die über 700 Stellenangebote für Datenwissenschaftler untersucht hat, zeigt, dass Python und SQL nach wie vor zu den drei gefragtesten Fähigkeiten gehören. Maschinenlernen und KI-Kompetenzen rangieren jedoch auf den Plätzen zwei und vier.
Obwohl nicht alle Stellen im Bereich KI praktische Expertise erfordern, benötigen dennoch 1 von 3 Stellen Bewerber mit spezifischen KI-Kenntnissen, darunter:
- Große Sprachmodelle (LLMs)
- Retrieval-augmented Generation (RAG)
- Prompt Engineering
- Vektordatenbanken
Diese Entwicklung zeigt die steigende Nachfrage nach Datenprofis, die in der Lage sind, KI-Systeme zu entwickeln und zu implementieren.
Es ist wichtig, die Richtung und Geschwindigkeit dieser Veränderungen zu beachten. Dies erinnert an den Wandel, den das Maschinenlernen von einer Nischenanforderung im Jahr 2012 zu einer nahezu universellen Anforderung bis 2020 durchlaufen hat.
Ein weiterer, weniger sichtbarer, aber für die meisten Bewerber möglicherweise dringlicher Aspekt ist, dass die grundlegenden Anforderungen an Ingenieurfähigkeiten stark gestiegen sind. Fähigkeiten im Bereich Datenengineering – wie Pipelines, Orchestrierung, Cloud-Plattformen und Datenqualitätsprüfungen – sowie Maschinenlernen in der Produktion – einschließlich Modellüberwachung, Drift-Erkennung und Evaluierungsdesign – sind nun zentrale Erwartungen und keine zusätzlichen Qualifikationen mehr in den Stellenanzeigen für Datenwissenschaftler.
Ein Blick auf jede größere Jobbörse bestätigt dies: Neben KI-Kompetenzen werden in Stellenanzeigen für „Datenwissenschaftler“ häufig auch Kenntnisse in Snowflake, dbt, Airflow und ETL-Pipeline-Verantwortung gefordert.
Vier entscheidende Fähigkeiten, die Sie möglicherweise nicht haben
Es gibt vier Fähigkeiten, die in der aktuellen Arbeitsmarktsituation als neue Differenzierungsmerkmale gelten.
Fähigkeit #1: Datenmodellierung
Was es ist: Datenmodellierung bezieht sich auf die Fähigkeit, zu entwerfen, wie Daten strukturiert, miteinander verknüpft und gespeichert werden sollten. Man kann sich das wie die Entscheidung vorstellen, welche Tabellen erstellt werden, was sie repräsentieren und wie sie zueinander in Beziehung stehen.
Warum es zu einem Differenzierungsmerkmal wurde: Verbesserungen in den Werkzeugen haben die Landschaft verändert. Snowflake, dbt und BigQuery haben es relativ einfach gemacht, dass Datenwissenschaftler die Verantwortung für die Datenumwandlung übernehmen. Mit anderen Worten, Modellierungsentscheidungen, die früher den Dateningenieuren oblagen, werden nun an Datenwissenschaftler übertragen. Weitere Informationen dazu finden Sie in diesem Artikel.
Ein falsches Datenschema kann gefährliche Folgen haben. Diese Fehler sind oft nicht sofort offensichtlich. Wenn sie es werden, ist es zu spät. Ihre Arbeiten im Bereich Maschinenlernen wurden bereits durch eine fehlerhafte Merkmalsentwicklung beeinflusst, die auf Daten mit der falschen Granularität basierte – eine direkte Folge eines schlecht modellierten Fundaments.
Wie man es erwirbt: Nehmen Sie einen realen Datensatz, mit dem Sie arbeiten, und gestalten Sie dessen Schema von Grund auf neu. Stellen Sie sich folgende Fragen:
- Was sind die Entitäten?
- Wie stehen sie in Beziehung zueinander?
- Welche Granularität macht Sinn?
- Welche Abfragen werden am häufigsten ausgeführt?
Lesen Sie anschließend über dimensionale Modellierung. Kimballs Ansatz, der in seinem Buch „The Data Warehouse Toolkit“ detailliert beschrieben wird, bleibt ein nützlicher Referenzpunkt.
Fähigkeit #2: Leistungsoptimierung
Was es ist: Leistungsoptimierung bedeutet, zu verstehen, warum eine Abfrage so läuft, wie sie es tut, und wie man sie schneller, kostengünstiger oder in größerem Maßstab ausführen kann. Sie können SQL-Abfragen optimieren, aber auch Python-Pipelines und Daten-Workflows im Allgemeinen – Datenwissenschaftler übernehmen zunehmend die Verantwortung für den gesamten Prozess.
Warum es zu einem Differenzierungsmerkmal wurde: Erstens sind die Datenmengen so gewachsen, dass eine korrekte, aber ineffiziente Abfrage Hunderte von Dollar kosten und in der Produktion zeitlich begrenzt sein kann. Zweitens müssen Datenwissenschaftler nun viel mehr von der Pipeline selbst übernehmen als zuvor. Ihr Code muss produktionsbereit sein und nicht nur in Jupyter-Notebooks ausführbar.
Wie man es erwirbt: Wählen Sie mehrere komplexe SQL-Abfragen, die Sie geschrieben haben, führen Sie EXPLAIN ANALYZE darauf aus und lesen Sie, was der Abfrage-Planer tatsächlich gemacht hat. Nutzen Sie diese Informationen, um die Abfrage zu optimieren. Sie werden wahrscheinlich mindestens einen Index, eine Umstrukturierung oder eine Neuschreibung finden, die jede Abfrage verbessert.
Für eine langsame Python-Pipeline sollten Sie diese profilieren. Es gibt zwei Hauptwerkzeuge für die Zeitmessung:
- cProfile: Führen Sie es mit python -m cProfile -s cumulative your_script.py aus und schauen Sie sich die obersten Ergebnisse an, um die Funktionen zu sehen, die die meiste kumulierte Zeit verbrauchen.
- line_profiler: Geht tiefer, indem es die Ausführungszeit zeilenweise innerhalb einer bestimmten Funktion anzeigt. Verwenden Sie es, sobald cProfile Ihnen gesagt hat, welche Funktion langsam ist und Sie wissen müssen, warum.
Für die Speichernutzung verwenden Sie memory_profiler. Finden Sie den Engpass – ist es langsam, weil eine Python-Schleife vektorisiert werden sollte? Wird der gesamte Datensatz auf einmal in den Speicher geladen, anstatt in Teilen? – beheben Sie das Problem und messen Sie den Unterschied.
Fähigkeit #3: Infrastrukturverständnis
Was es ist: Diese Fähigkeit bedeutet, die Systeme zu verstehen, in denen Daten leben und durch die sie sich bewegen. Dazu gehören Cloud-Plattformen, verteilte Berechnungen, Datenpipelines, Speicherformate und Kostenmodelle.
Sie sollten genug über die Infrastruktur wissen, um Systeme zu entwerfen, die in diese integriert werden können.
Warum es zu einem Differenzierungsmerkmal wurde: Ein erheblicher Teil der Aufgaben eines Dateningenieurs ist auf die Schultern der Datenwissenschaftler gefallen. Wenn Sie für jede Infrastrukturentscheidung von Dateningenieuren abhängig sind, schaffen Sie effektiv einen Engpass – und das ist etwas, wonach Personalverantwortliche nicht suchen.
Das Verständnis der Infrastruktur umfasst diese Hauptbereiche:
- Cloud-Plattformen
- Verteilte Berechnungen
- Datenpipelines
- Speicherformate
- Kostenmodelle
Wie man es erwirbt: Organisieren Sie eine Sitzung mit Ihrem Datenengineering-Team. Setzen Sie sich mit ihnen zusammen und lassen Sie sich durch eine Pipeline von Anfang bis Ende führen. Verstehen Sie, wo die Daten gespeichert sind, wie sie partitioniert sind und was passiert, wenn etwas schiefgeht.
Steigen Sie dann selbst ein, indem Sie eine kleine Pipeline erstellen: Nutzen Sie eine kostenlose Cloud-Stufe, verstehen Sie die Kosten und Ausführungsmetriken, und brechen Sie die Pipeline absichtlich, um zu verstehen, wie sie ausfällt.
Fähigkeit #4: Entwurf von RAG-Systemen, Evaluierung von LLM-Ausgaben und Durchführung von KI-Experimenten
Was es ist: Diese Gruppe von Fähigkeiten bezieht sich auf praktische KI-Arbeiten. Sie müssen wissen, wie man Retrieval-augmented Generation (RAG)-Systeme entwirft (Verbindung von LLMs mit realen Datenquellen), Evaluierungsrahmen aufbaut (Messung, ob eine LLM-gestützte Funktion tatsächlich funktioniert) und Experimente zu KI-Funktionen durchführt.
Warum es zu einem Differenzierungsmerkmal wurde: KI-Tools haben es ermöglicht, eine RAG-Pipeline ohne umfangreiche Forschungskenntnisse zu erstellen. Frameworks wie LangChain und LlamaIndex, kombiniert mit cloud-nativen Vektordatenbanken, haben die Hürden erheblich gesenkt. Informationen zu den entscheidenden Marktplätzen für Agentenfähigkeiten finden Sie in diesem Artikel.
Die Frage ist also nicht mehr, ob es gebaut werden kann – ja, das kann es. Aber kann es gut gebaut, evaluiert und in der Produktion vertrauenswürdig sein? Diese Frage müssen Sie beantworten können: Metriken definieren, Experimente entwerfen und Ergebnisse messen.
Wie man es erwirbt: Finden Sie einige Interviewfragen, um Ihr Denken über KI zu verfeinern. Hier sind einige Beispiele aus den Fragen zu KI-Produkten und GenAI auf StrataScratch:
- Beispiel #1: Messung der Einführung einer KI-Funktion in Einzelhandelsgeschäften: Wie würden Sie die Auswirkungen eines KI-gestützten Inventarempfehlungssystems messen, das in einer Stichprobe von Einzelhandelsgeschäften eingeführt wird? Wie würden Sie das Experiment gestalten und die Variation auf Filialebene berücksichtigen?
- Beispiel #2: Architektur eines RAG-Systems: Beschreiben Sie, wie Sie ein RAG-System von Grund auf entwerfen würden. Welche Komponenten sind erforderlich und wie würden Sie die Abrufqualität optimieren?
Nachdem Sie Ihr Denken klar formuliert haben, erstellen Sie eine kleine RAG-Anwendung: Wählen Sie ein Thema, betten Sie einen Dokumentenkorpus ein, stellen Sie die Abrufung her und bewerten Sie die Ausgaben anhand einer strukturierten Metrik.
Gestalten Sie auch ein Experiment: Formulieren Sie eine Hypothese, definieren Sie die Metriken und denken Sie sich einen gültigen Test aus, um diese zu bewerten.
Fazit
Die vier Fähigkeiten – Datenmodellierung, Leistungsoptimierung, Infrastrukturverständnis und praktische KI-Fähigkeiten – bilden die Kluft zwischen Ihnen und dem Arbeitsmarkt. Es wird gehofft, dass Sie nicht in diese Kluft fallen. Um sicherzustellen, dass dies nicht geschieht, enthält dieser Artikel praktische Ratschläge, wie Sie jede dieser Fähigkeiten erwerben können. Weitere nützliche Informationen finden Sie im Leitfaden für Einsteiger in die Datenwissenschaft 2026.
Nate Rosidi ist Datenwissenschaftler und in der Produktstrategie tätig. Er ist zudem Dozent für Analytik und Gründer von StrataScratch, einer Plattform, die Datenwissenschaftlern hilft, sich mit echten Interviewfragen auf ihre Vorstellungsgespräche vorzubereiten. Nate schreibt über die neuesten Trends auf dem Arbeitsmarkt, gibt Interviewtipps, teilt Projekte im Bereich Datenwissenschaft und behandelt alles rund um SQL.
„`
Quellen: kdnuggets
Bildquelle: KI generiert
