Die Zukunft von Data Analytics: Warum AI die Stellenbeschreibung von Analysten neu schreibt

Die Rolle des Data Analysts wurde schon öfter für tot erklärt, als wir zählen können. AI wird Abfragen schreiben, Dashboards erstellen und Erkenntnisse generieren. Warum also überhaupt noch Analysten einstellen?

Weil dieses Argument die Aufgabe mit dem eigentlichen Beruf verwechselt.

Was tatsächlich automatisiert wird, ist die Arbeit, die die Zeit der Analysten in Anspruch genommen, aber nie einen geschäftlichen Mehrwert geliefert hat: Datenaufbereitung, das Neuerstellen von Dashboards für jeden neuen Stakeholder und das Schreiben von Ad-hoc-SQL für einmalige Anfragen. Der Analyst, der nur diese Aufgaben erledigt, wird automatisiert. Der Analyst, der geschäftliche Probleme formuliert und Entscheidungen vorantreibt, wird dagegen immer wertvoller.

Das ist keine Vorhersage. Es passiert bereits. Und in diesem Artikel erklären wir, warum AI die Rolle des Analysten nicht beendet, sondern sie wieder zu dem macht, was sie von Anfang an hätte sein sollen.

Zusammen haben wir mehr als 50 Analysten eingestellt, multidisziplinäre Delivery-Teams geleitet und AI-gestützte Entscheidungs-Frameworks in verschiedenen Branchen entwickelt. Als wir uns kürzlich ausgetauscht haben, zeigte sich immer wieder dasselbe Muster: Die erfolgreichsten Analysten sind nicht diejenigen, die das beste SQL schreiben. Es sind diejenigen, die die besten Fragen stellen.

Plattformen wie Databricks AI/BI entwickeln sich immer mehr in Richtung einer durch natürliche Sprache gesteuerten Analytik. Sie können in einfacher Sprache beschreiben, was Sie möchten, und erhalten ein Dashboard, eine Metrik oder eine Erkenntnis. Text-to-SQL-Tools lösen ein Problem, mit dem die Branche seit Jahrzehnten kämpft: die Zeit und das technische Know-how, die nötig sind, um von einer Frage zu einem Ergebnis zu gelangen. Das ist ein echter Gewinn. Doch das Schließen dieser Lücke hebt nur die Dimension hervor, die schon immer wichtiger war – die Qualität der Erkenntnis selbst. Es gab schon immer eine andere Lücke, und das wird auch so bleiben: überhaupt erst zu wissen, welche Frage man stellen muss. Der wichtigste Schritt auf dem Weg zu einem großartigen Data Analyst besteht nicht nur darin, das zu beantworten, wonach gefragt wird, sondern die Frage so zu präzisieren und zu formen, dass man versteht, was eigentlich beantwortet werden muss. Wie oft wurden Sie schon gebeten, Daten für einen bestimmten Datenpunkt zu beschaffen, nur um danach festzustellen, dass das Unternehmen eigentlich etwas ganz anderes bewerten wollte?

Wie wir hierher gekommen sind: Die BI-Tool-Falle

Dies war ein langsamer, schrittweiser Prozess. Anfangs fungierten Analysten als Bindeglied zwischen den Fachabteilungen und den IT-Teams, in deren Besitz sich die Data Warehouses befanden, und agierten manchmal eher wie Business Analysts. Doch mit dem Aufkommen von Tools wie QlikView, Power BI und Tableau waren diese geschäftsorientierten Analysten-Teams nicht mehr an veraltete Data Warehouses gebunden, um ihre Dashboards zu erstellen. Dies ermöglichte schnelle Iterationen, führte aber zu ganz anderen Problemen.

Analysten wurden zu Dashboard-Erstellern und Datenbereinigern und agierten manchmal wie eine Schatten-IT. Plötzlich verlangte die Rolle von ihnen nicht mehr nur, großartige Kommunikatoren zu sein, die den Wert der Unternehmensdaten verstanden. Ihre Zeit wurde beansprucht durch:

• Manuelle Datenaufbereitung und Brandbekämpfung bei Pipelines
• Neuerstellung von Dashboards für jeden neuen Stakeholder
• Schreiben von Ad-hoc-SQL für einmalige Anfragen
• Überbrückung von Lücken zwischen BI-Tools und vorgelagerten Daten

Die Fähigkeit, die Unternehmen eigentlich brauchten – das Formulieren geschäftlicher Probleme –, blieb auf der Strecke. Analysten waren ausgelastet und stark gefordert, taten sich aber oft schwer, ihren Wert unter Beweis zu stellen. Wir alle haben unzählige Umstrukturierungsrunden in Datenteams erlebt, weil es den Beteiligten schwerfiel, ihren Nutzen zu erkennen.

Es gibt ein ständiges Spannungsfeld im Kern dieser Rolle: Technische Experten verstehen oft das Geschäft nicht, während geschäftsorientierte Personen meist weniger technisch versiert sind. Unternehmen haben versucht, dies zu lösen, indem sie Mitarbeiter einstellten, die beides können – doch solche Talente sind selten. Das haben wir in unserer Laufbahn immer wieder erlebt. Meist einigen sich Führungskräfte auf einen Kompetenzmix im gesamten Team statt auf individuelle Fähigkeiten, d. h. sie haben einige sehr technische Mitarbeiter, die den geschäftlichen Kontext nicht gut verstehen, und weniger technische Mitarbeiter, die dafür kommunikationsstärker sind. In kleineren Teams führt dies jedoch meist dazu, dass diese Personen in ihren Rollen unzufrieden sind, da beide Gruppen beide Arten von Arbeit übernehmen müssen. Die eher geschäftsorientierten Mitarbeiter sind frustriert über technische Herausforderungen, und die technischen Mitarbeiter sind frustriert darüber, mit den Fachabteilungen sprechen zu müssen. Vieles davon hat dazu geführt, dass sich Analyseteams eher darauf konzentrieren, Daten bereitzustellen, anstatt Fragen zu beantworten. Das eigentliche Wertversprechen der Analyse – Informationen in Entscheidungen umzuwandeln – wurde durch die reine Mechanik des Datentransports von A nach B verwässert.

Das Ergebnis ist eine Generation von Analysten, die Ihnen zwar sagen kann, was passiert ist, aber nicht, warum es wichtig ist oder was man dagegen tun sollte.

AI vereinfacht die Dinge wieder

Jede neue Tool-Generation versprach, Analysten von der reinen Umsetzung zu befreien. In der Praxis hat sie sie nur noch tiefer vergraben. AI ändert das – nicht, indem sie Analysten ersetzt, sondern indem sie die Arbeit automatisiert, unter der sie begraben waren.

Plattformen wie AI/BI Dashboards mit Genie Code ermöglichen es Benutzern, ihre Wünsche in einfacher Sprache zu beschreiben und in wenigen Minuten ein funktionierendes, einheitlich gestaltetes Dashboard zu erhalten. Dank Schnittstellen für natürliche Sprache wie Genie One können Stakeholder Ad-hoc-Fragen direkt stellen, ohne eine Anfrage einzureichen oder in einer Warteschlange zu warten. Metrikdefinitionen können automatisch generiert und verfeinert werden, wobei die AI als Coach fungiert, um sie an den tatsächlichen geschäftlichen Anforderungen auszurichten. Dies sind keine schrittweisen Verbesserungen. Sie beseitigen ganze Kategorien von Reibungspunkten, die die Rolle des Analysten im Laufe der Zeit bis zur Unkenntlichkeit verzerrt haben. Die technischen Aufgaben sind zu Standardaufgaben geworden.

Wir haben das in der Praxis erlebt. Ein Analyst in einer Organisation des öffentlichen Sektors musste ein Kundensegmentierungsmodell erstellen – ein Vorhaben, das früher zwei Monate dauerte und SQL-Entwicklung, Datenaufbereitung und iterative Abstimmungen mit der Technik erforderte. Mit Genie Code erstellte er es an einem halben Tag. Die AI übernahm die technische Ausführung, während sich der Analyst darauf konzentrierte, die Segmente zu definieren, die für das Unternehmen wirklich von Bedeutung waren. Das ist der Wandel: nicht weniger Analysten, sondern Analysten, die ihre Zeit mit der Arbeit verbringen, die wirklich etwas bewirkt.

Doch Schnelligkeit allein ist nicht der entscheidende Wert. Eine AI, die die falsche Frage perfekt beantwortet, liegt immer noch falsch. Was diese neue Tool-Generation deutlich macht, ist, dass der Engpass in der Analytik nie SQL oder Dashboards waren. Es war schon immer das Urteilsvermögen. Jemand muss immer noch:

• Definieren, was das Unternehmen tatsächlich messen sollte und warum
• Die richtige Frage formulieren, bevor überhaupt jemand die Daten anfasst
• Validieren, ob das Ergebnis im jeweiligen Kontext sinnvoll ist
• Die Datenpunkte interpretieren und in eine Handlungsempfehlung übersetzen

Nichts davon übernimmt die AI. Das ist die Aufgabe des Analysten. Das war sie schon immer – wir haben ihnen nur nie die Zeit dafür gegeben.

AI vereinfacht die Ausführung. Sie übernimmt weder die Absicht noch die Verantwortung oder die Konsequenzen. Diese Verantwortung bleibt ganz klar beim Menschen.

„Da AI Prozesse ergänzt und Routineaufgaben automatisiert, bleiben das menschliche Urteilsvermögen, die Verantwortlichkeit und die Entscheidungshoheit von zentraler Bedeutung“ – Capgemini Research Institute, The multi-year AI advantage: Building the enterprise of tomorrow, S. 6

Und genau hier verschwindet die Rolle des Analysten nicht, sondern ersteht neu.

Die Wiedergeburt des Analysten: Weniger SQL, mehr Relevanz

Da technische Aufgaben automatisiert sind, verlagert sich der Wert des Analysten auf Arbeiten, die nur Menschen erledigen können:

Problemstrukturierung

Das Wertvollste, was ein Analyst tun kann, ist, einem Stakeholder dabei zu helfen, die richtige Frage zu formulieren, bevor überhaupt jemand Daten anfasst. Das ist schwieriger, als es klingt: das Capgemini Research Institute fand heraus, dass „nur 33 % der Führungskräfte ihre Bedürfnisse gegenüber einem Gen-AI-System klar formulieren können“. Wenn Sie eine Marketingkampagne messen müssen, klingt die Messung der Klickrate vielleicht hervorragend. Sie könnten die AI bitten, dies für Sie zu messen, und glauben, eine erfolgreiche Kampagne zu haben. Wenn Sie die Kampagne entwickelt haben, hinterfragen Sie dies vielleicht nicht weiter. Aber möglicherweise haben Sie nicht die richtige Frage gestellt. Was ist, wenn die E-Mail einen Rabatt von 90 % anbot? In diesem Fall müssten Sie auch das Gesamtbild des Umsatzes betrachten. Der Analyst wird benötigt, um das Problem einzugrenzen und die Rolle des Advocatus Diaboli einzunehmen. Ohne SQL-Kenntnisse besitzen zu müssen, kann sich der Analyst ganz darauf konzentrieren, das Geschäft zu verstehen und als Übersetzer zu fungieren.

Kontext und Urteilsvermögen

Eine Zahl ohne Kontext ist einfach nur eine Zahl. Ein Analyst, der das Geschäft versteht, kann Ihnen sagen, dass ein Rückgang der Kundenbindung um 5 % alarmierend ist. Ein Rückgang um 5 % bei einer Metrik, deren Definition Sie gerade erst geändert haben, ist dagegen bedeutungslos. KI verfügt nicht über dieses Kontextbewusstsein. Ein guter Analyst schon.

Das ist es, was Domänenwissen in der Praxis bedeutet. Nicht nur die Vertrautheit mit der Branche, sondern das Wissen, dass der Umsatzanstieg im letzten Quartal eine einmalige Werbeaktion war. Oder dass die Migration eines Großkunden die Daten verzerrt. Oder dass ein bestimmtes Feld im CRM seit Jahren manuell korrigiert wird, weil das vorgelagerte System nie repariert wurde. Die KI hat keinerlei Erinnerung an all das.

Da KI das Volumen und die Geschwindigkeit der Erkenntnisgenerierung skaliert, schließt sich diese Lücke nicht, sondern sie vergrößert sich. Je mehr Ergebnisse die KI liefert, desto dringender benötigen Sie jemanden, der jedes einzelne mit der Realität des Unternehmens abgleicht und hinterfragt, ob es tatsächlich Sinn ergibt. Die menschliche Interpretation gleicht die beiden größten Schwachstellen der KI aus:

• Halluzinationen, die oft in übermäßigen Optimismus und eine scheinbar hohe Zuversicht bei den Antworten der KI verpackt sind.
• Probabilistische Natur – was die Zuverlässigkeit der KI beeinträchtigen kann.

Der Analyst mit tiefem Domänenwissen ist derjenige, der auf ein perfekt formatiertes Dashboard blickt und sagt: „Diese Zahl ist falsch, und ich weiß genau, warum.“ Diese Fähigkeit lässt sich nicht über einen Prompt abrufen. Sie basiert auf jahrelanger Vertrautheit mit dem Unternehmen.

Storytelling und Einflussnahme

Daten treffen keine Entscheidungen, Geschichten schon. Die Aufgabe eines Analysten besteht nicht darin, eine Tabelle voller Zahlen zu präsentieren. Sie besteht darin, in einen Raum zu gehen und zu sagen: „Das ist los, das ist der Grund dafür und das sollten wir meiner Meinung nach tun.“ Untersuchungen zeigen, dass die Kombination aus qualitativen und quantitativen Daten immer überzeugender ist als Zahlen allein. Menschen erinnern sich an Geschichten, nicht an Statistiken (Heath & Heath, Made to Stick). Um die richtige geschäftliche Entscheidung zu treffen, sind ausgeprägte Überzeugungskraft und ein Verständnis für die Zielgruppe erforderlich (HBR: Data Science and the art of persuasion). Kein LLM wird dies in einer Vorstandssitzung ersetzen.

Governance und Vertrauen

Da KI immer mehr Erkenntnisse generiert, muss jemand sicherstellen, dass diese fundiert, überprüfbar und korrekt sind. Neben einem guten Katalogisierungstool wie Unity Catalog wird der Analyst zur Qualitätssicherungsinstanz. Er kuratiert die KI-Ergebnisse, validiert sie anhand seines Domänenwissens und schlägt Alarm, wenn das Modell halluziniert oder die Daten fehlerhaft sind. Letzteres ist ein sehr häufiges Problem. Viele Daten sind nicht fehlerfrei. Manuelle Dateneingaben, neue Nachschlagewerte, Ereignisse außerhalb des Systems – all das führt zu Rauschen, von dem die KI nichts weiß. Ein starker Analyst weiß das und geht entsprechend mit den Daten um.

Orchestrierung

Der moderne Analyst schreibt kein SQL mehr, sondern steuert die KI-Agenten, die dies tun. Sie kuratieren die Genie-Bereiche, definieren die richtigen Metriken, strukturieren die Wissensdatenbanken und entwerfen die Analyse-Workflows. Stellen Sie sich das wie den Wechsel vom Spieler zum Trainer vor – eine Rolle, die sie eigentlich schon immer hätten einnehmen sollen.

Was das für Unternehmen bedeutet

Die Auswirkungen sind praktisch und unmittelbar spürbar:

• Einstellung von Mitarbeitern: Hören Sie auf, Analysten nur auf ihre SQL-Kenntnisse hin zu prüfen. Achten Sie stattdessen auf Neugier, Geschäftssinn und Kommunikationsfähigkeit. Technische Fähigkeiten sind nicht mehr das A und O. Erwägen Sie, Ihre bestehenden Analysten in kritischem Denken zu schulen.
• Time-to-Value: Mit dem Einzug der KI sollten Unternehmen Verbesserungen bei der Time-to-Value feststellen. Sie müssen sich jedoch bewusst sein, dass dies mit dem Risiko von Fehlinterpretationen aufgrund von Halluzinationen oder fehlendem Kontext einhergeht. Unternehmen müssen sicherstellen, dass sie sich bei wichtigen geschäftlichen Entscheidungen nicht ausschließlich auf die KI verlassen. Ein Mensch im Prozess (Human-in-the-Loop) ist von entscheidender Bedeutung.
• Tooling: Investieren Sie in Plattformen, die die technische Ebene automatisieren, damit sich Ihre Analysten auf das Wesentliche konzentrieren können. Wenn Ihr Team immer noch die meiste Zeit mit der Datenaufbereitung und dem Erstellen von Dashboards verbringt, befreien Sie Ihre Analysten von diesen technischen Altlasten.
• Struktur: Binden Sie Analysten näher an die Entscheidungsträger an, anstatt sie tiefer in Datenteams zu integrieren. Der Mehrwert entsteht an der Schnittstelle zwischen Daten und Geschäft, nicht in der Pipeline.
• Erfolgsmessung: Hören Sie auf, Analysten an der Anzahl der bereitgestellten Dashboards oder geschriebenen Abfragen zu messen. Messen Sie sie an den beeinflussten Entscheidungen, neu formulierten Fragen und ergriffenen Maßnahmen.

Der ROI von KI in der Analytik bedeutet nicht zwangsläufig weniger Analysten, sondern Analysten, die tatsächlich die richtigen Entscheidungen herbeiführen.

Was sollte ich jetzt tun?

Wenn Ihre Analysten mehr Zeit mit dem Erstellen von Dashboards verbringen als mit der Beantwortung geschäftlicher Fragen, geben Sie ihnen die richtigen Tools an die Hand, um diese Aufgaben zu automatisieren, und schulen Sie sie in der Sprache des Unternehmens.

Der Analyst der Zukunft schreibt weniger SQL und stellt bessere Fragen. Er verbringt weniger Zeit im Query-Editor und mehr Zeit im Sitzungssaal. Er bereitet nicht mehr nur Daten auf, sondern gestaltet Entscheidungen mit. Für viele Analysten ist das genau das, was sie schon immer tun wollten. Und für diejenigen, die das technische Handwerk bevorzugen, ist das wachsende Feld des Analytics Engineering genau der Ort, an dem sie sich entfalten können.

Sind Sie bereit, Ihre Analysten aus dem Dashboard-Hamsterrad zu befreien? Testen Sie Databricks AI/BI und Genie noch heute.

(Dieser Blogbeitrag wurde mit KI-gestützten Tools übersetzt.) Originalbeitrag