„Wir brauchen einen Data Scientist“ ist eines der häufigsten Briefings, das eine Personalvermittlung erhält, und eines der unpräzisesten. Manchmal braucht das Unternehmen tatsächlich einen Data Engineer für Pipelines, manchmal eine Analystin für Dashboards, manchmal einen ML Engineer, der ein Modell in Produktion bringt. Stimmt das Briefing nicht, scheitert die Besetzung, egal wie gut die Kandidatin ist. Dieser Guide zeigt, was ein Data Scientist tatsächlich tut, wie der deutsche Markt für die Rolle ehrlich betrachtet aussieht und wie man Kandidat:innen, die Geschäftswirkung erzeugen, von solchen unterscheidet, die Notebooks erzeugen.
Was ein Data Scientist wirklich tut, und womit die Rolle verwechselt wird
Ein Data Scientist übersetzt eine Geschäftsfrage in ein statistisches oder Machine-Learning-Problem, beantwortet es mit Daten und übersetzt die Antwort zurück in eine Entscheidung oder ein Produktfeature. Die Rolle sitzt in der Mitte einer Rollenfamilie, die sich bei den Werkzeugen überschneidet, im Output aber völlig unterscheidet, und deutsche Stellenausschreibungen vermischen sie ständig.
| Rolle | Primärer Output | Stattdessen einstellen, wenn Sie … brauchen |
|---|---|---|
| Data Scientist | Beantwortete Geschäftsfragen: Modelle, Experimente, Kausalanalysen, die Entscheidungen verändern | — |
| Data Analyst / BI-Analyst | Dashboards, Reporting, deskriptive Analyse des bereits Geschehenen | wiederkehrendes Reporting und KPI-Transparenz |
| Data Engineer | Verlässliche Pipelines, Warehouses und Dateninfrastruktur | Daten, die aktuell verstreut, langsam oder unzuverlässig sind |
| ML Engineer | Modelle in Produktion unter Latenz- und Zuverlässigkeitsanforderungen | einen Prototyp, der ein Produkt werden muss |
| „KI-Spezialist:in“ (undefiniert) | Höchst unterschiedlich; im Briefing oft ein Warnsignal | zuerst eine schärfere Rollendefinition |
Der deutsche Markt: unten voll, oben knapp
Der Data-Science-Markt in Deutschland und der DACH-Region hat sich geteilt. Hochschulen und Bootcamps produzieren einen stetigen Strom an Einstiegskandidat:innen, Junior-Stellen erhalten entsprechend hohe Bewerbungszahlen. Senior Data Scientists, die ein Problem von der Frage bis zum messbaren Ergebnis verantwortet haben und mit Stakeholdern in deutschsprachigen Organisationen arbeiten können, bleiben wirklich schwer zu finden, und die GenAI-Welle hat einen Teil dieses Senior-Pools in LLM-fokussierte Rollen gezogen. Die folgenden Zahlen sind breite Spannen, die wir am Markt beobachten, keine Garantien; einzelne Angebote variieren nach Branche, Region und Unternehmensphase.
| Level | Festanstellung (Bruttojahresgehalt) | Freelance (Tagessatz) |
|---|---|---|
| Junior (0-2 Jahre) | ca. 45-58 T€ | Auf diesem Level selten Freelance |
| Mid-Level (2-5 Jahre) | ca. 55-75 T€ | ca. 600-850 € |
| Senior (5+ Jahre, nachgewiesene Wirkung) | ca. 75-100 T€ | ca. 700-1.100 € |
| Lead / Principal | ca. 95-130 T€ | ca. 900-1.300 € |
Wie gute Kandidat:innen aussehen: Signale, die sich zu prüfen lohnen
Data Science ist ein Feld, in dem das Vokabular leicht zu lernen ist und das Urteilsvermögen nicht. Portfolios voller Kaggle-Notebooks und Tutorial-Projekte sagen wenig darüber aus, ob jemand mit unordentlichen Unternehmensdaten und skeptischen Stakeholdern umgehen kann. Diese Signale trennen beides, und so prüft man sie.
| Signal | Was es aussagt | Wie man es verifiziert |
|---|---|---|
| End-to-End-Projektverantwortung | Kommt von der vagen Frage zum genutzten Ergebnis, nicht nur zu Modellmetriken | Ein Projekt komplett durchgehen lassen, inklusive der gescheiterten Teile |
| Statistisches Urteilsvermögen | Weiß, wann eine einfache Baseline ein komplexes Modell schlägt | Fragen, wann sie sich gegen ML entschieden hat, und warum |
| Kommunikation mit Fachbereichen | Ergebnisse verändern tatsächlich Entscheidungen | Fallgespräch: eine echte Analyse für ein Business-Publikum erklären |
| Sauberer Code und Datenhygiene | Analysen sind reproduzierbar, keine Einweg-Notebooks | Kurzes Code-Review an einer realistischen Probe, keine Algorithmus-Rätsel |
| Wirkungsorientierung | Spricht über Ergebnisse (Umsatz, Churn, Kosten), nicht nur über AUC-Werte | Fragen, was sich im Geschäft durch ihre Arbeit verändert hat |
Wo Recruiting bei dieser Rolle schiefgeht
Data-Scientist-Suchen scheitern auf vorhersehbare Weise, und der größte Teil des Scheiterns ist eingebaut, bevor das erste Interview stattfindet.
| Versagensmuster | Warum es passiert | Was es kostet |
|---|---|---|
| Falsche Rolle im Briefing | „Data Scientist“ als Sammelbegriff für jede Datenarbeit | Eine Fehlbesetzung ab Tag eins, die binnen eines Jahres geht |
| Stichwort-Screening | Recruiter matchen Python-/TensorFlow-Keywords statt Urteilsvermögen | Interviewslots für Kandidat:innen, die kein Problem scopen können |
| Rein akademische Bewertung | Promotion und Publikationen als Proxy für Geschäftswirkung | Starke Forscherin, ringender Praktiker |
| Keine Datenbasis vorhanden | Der Scientist wird eingestellt, bevor die Daten nutzbar sind | Eine teure Einstellung, die monatelang Data Engineering macht |
| Langsamer Prozess | 4-6-Wochen-Pipelines, während Kandidat:innen parallele Angebote halten | Die besten Shortlist-Kandidat:innen sagen woanders zu |
Festanstellung vs. Freelance-Data-Scientist
Das richtige Vertragsmodell hängt davon ab, ob die Arbeit eine dauerhafte Fähigkeit oder eine abgegrenzte Fragestellung ist. Viele Unternehmen fahren mit einer Sequenz am besten: ein:e Freelancer:in, um zu validieren, dass Daten und Fragestellung reif sind, dann eine Festanstellung, die die Fähigkeit dauerhaft trägt.
| Dimension | Festanstellung | Freelance / Embedded |
|---|---|---|
| Passt am besten zu | Laufende Produktanalytik, Experimentierkultur, Modellverantwortung | Abgegrenzte Analysen, PoCs, Machbarkeitsstudien, Elternzeit-Vertretung |
| Zeit bis zum Start | Oft 3+ Monate inklusive Kündigungsfristen | Tage bis Wochen |
| Kostenstruktur | Gehalt + Arbeitgeberkosten + Vermittlungsprovision, langfristig | Höhere Tageskosten, keine langfristige Bindung |
| Wissensaufbau | Verzinst sich im Team | Geht mit dem Freelancer, wenn Übergabe nicht vertraglich geregelt ist |
| Risikoprofil | Fehlbesetzung ist teuer und langsam zu korrigieren | Fehl-Fit ist binnen Wochen sichtbar und korrigierbar |
Wie ein spezialisierter Vermittler oder ein Netzwerk das Bild verändert
Eine generalistische Personalvermittlung kann Data-Scientist-Lebensläufe beschaffen; was sie nicht kann, ist sagen, wer davon eine Geschäftsfrage bis zum Ergebnis tragen kann. Ein spezialisiertes, technisch geprüftes Netzwerk verändert drei Dinge: Das Briefing wird korrigiert, bevor die Suche startet, Kandidat:innen kommen anhand echter Arbeit vorgeprüft an statt anhand von Stichworten, und der Prozess bewegt sich im Tempo, das der Senior-Markt verlangt. Aiporates Modell ist genau darum gebaut: Rollen-Scoping mit dem Kunden, nachweisbasierte technische Prüfung durch Menschen, die die Arbeit selbst gemacht haben, und eine geprüfte Shortlist innerhalb von 72 Stunden nach abgeschlossenem Briefing.
| Schritt | Generalistische Agentur | Spezialisiertes Netzwerk |
|---|---|---|
| Briefing | Nimmt die Stellenbeschreibung wie sie ist | Hinterfragt das Briefing: Scientist, Analystin oder Engineer? |
| Screening | Stichwortabgleich auf CVs | Strukturierte technische Bewertung an realistischen Problemen |
| Shortlist | 8-10 lose passende CVs in Wochen | 2-3 geprüfte Kandidat:innen, Benchmark: 72 Stunden |
| Nach der Besetzung | Garantieklausel | Fit-Feedbackschleife, Option auf Embedded-Start vor Übernahme |
