Gehalt von Data Scientist, Data Analyst und Data Engineer

Was verdienen eigentlich Data Analysts, Data Scientists und Data Engineers? Wir stellen die Gehälter der verschiedenen Daten-Rollen vor, definieren Einflussfaktoren und geben aber auch klare Richtwerte an, womit man in den jeweiligen Positionen rechnen kann. Dabei unterscheiden wir einerseits zwischen Senioritätslevel (z.B. Junior, Senior, Lead, Chief Data Scientist) und andererseits je nach Ort (Deutschland, München, Hamburg, Berlin) um eine möglichst Präzise Schätzung abzugeben, mit welchem Gehalt ein Data Analyst, Data Scientist oder Data Engineer rechnen kann.

Inhaltsverzeichnis

Die Rolle des Gehalts für Data Analyst, Scientist und Engineer

Niemand redet sonderlich gerne, aber es ist immer ein Thema: Das Gehalt. Da Geld doch meist einen zentralen Wert im Leben einnimmt, haben viele das Bedürfnis sich beim Thema Gehalt nicht unter Wert zu verkaufen. Sicherlich ist es richtig, mit einer selbstlosen Art an seine Arbeit zu gehen und zu argumentieren, dass die Arbeit Spaß machen soll – dies ist auch absolut fundamental. Dennoch heisst dies nicht, dass man nicht seinen Fähigkeiten entsprechend bezahlt werden soll. Vor allem in konservativen Unternehmen oder für Quereinsteiger ist es oft undurchsichtig, wie viel man verdienen sollte – oder kann. Daher ist es nur richtig zu versuchen, seinen eigenen „Wert“ im Vergleich zu ermitteln. 

Doch bei vielen neuen Rollen ist der Vergleich gar nicht so einfach. Schließlich gibt es bisher kaum „Chief Data Engineers“ oder ähnliche Rollen in Deutschland, die als Richtwert gelten können. Um dieses Wissen jedoch möglichst vereinfacht zur Verfügung zu stellen, haben wir in diesem Artikel mehrere Quellen zum Thema Gehalt im Bereich Data Science und darüber hinaus zusammengetragen, mit unserem eigenen Wissen angereicht und zur Diskussion gestellt. 

Dass diese Liste eine Sammlung von Schätz- und Näherungswerten darstellt sollte klar sein. Das Ziel ist auch nicht, diese Website auszudrucken und in die nächste Gehaltsverhandlung zu nehmen. Viel wichtiger ist, dass man ungefähr versteht welche (finanziellen) Entwicklungsmöglichkeiten die Arbeit im Bereich mit Daten bietet und man einen Ansatz hat, sich selbst einzuschätzen.

Einflussfaktoren auf das Gehalt 

Bevor wir zu den harten Zahlen zum Thema Gehalt kommen, möchten wir noch kurz einige der wichtigsten Einflussfaktoren vorstellen. Diese müssen beachtet werden, wenn man sich an den Vergleich vom eigenen Gehalt mit Stellenausschreibungen und/oder Kollegen macht. Denn das Gehalt kann innerhalb der gleichen Position sehr stark variieren – und darauf sollte man vorbereitet sein.

Seniorität als Faktor beim Gehalt

Die Seniorität oder zumindest die Fachexpertise spielt bekanntermaßen den größten Faktor in der Höhe des Gehalts. Wir versuchen hierbei in unserem Artikel auf verschieden Fachlevel einzugehen, genauer:

• Junior / Einstiegsgehalt: Diese Rolle hat noch keine oder kaum Berufserfahrung (0 – 2 Jahre) gesammelt und kommt meist direkt von der Uni oder als Quereinsteiger aus einem anderen Fachbereich.
• Mid-Level: Der „Data Engineer“ oder „Data Scientist“ ohne Abstufung ist meist ein berufserfahrener (1 – 5 Jahre) Mitarbeiter, der als Junior eingestiegen ist, als Quereinsteiger bereits ausreichend Berufserfahrung gesammelt hat oder in der Uni im Master sehr relevante Erfahrung sammeln konnte. Auch fachfremde Uni-Absolventen mit Promotion sind häufig am Anfang in dieser Kategorie zu finden.
• Senior: Nach mehreren Jahren Berufserfahrung in der Rolle (3 – 8 Jahre), einer passenden Promotion oder anderen Gründen für sehr guten „Fit“ auf die Rolle sind Mitarbeiter in der Senior-Rolle verankert. Sie haben höhere Expertise, mehr Erfahrung und oft auch zumindest eine fachliche Weisungsbefugnis. 
• Lead / Chief: Während die „Lead“-Rolle noch sehr fachlich verankert ist und die fachliche Teamführung betitelt, ist die „Chief“-Rolle bereits eher strategisch angelegt. Beide Rollen zeugen von fachlicher Exzellenz und (Teil-)Verantwortung für ihr jeweiliges Themengebiet.

Details zum Gehalt und dem Unterschied der Seniorität in den jeweiligen Rollen (Data Scientist, Data Engineer…) finden sich im jeweiligen Abschnitt.

Ort als Einflussfaktor auf das Gehalt

Der Arbeitsort spielt eine erhebliche Rolle bei der Höhe des Gehalts. Die Unterschiede im Gehalt zwischen einer Großstadt mit hohen Lebenshaltungskosten (z.B. München, Hamburg, Frankfurt) und anderen Orten beträgt bis zu X%. Daher ist es nicht verwunderlich, dass man in Gehaltsgesprächen manchmal über die Höhe des Angebots verwundert ist – sowohl im Positiven, als auch im Negativen.

Generell empfehlen wir, den Ort als Fixum definitiv mit ihn das angepeilte Gehalt einzubeziehen. Gibt es die Möglichkeit in Aussenstellen zu arbeiten, die bei niedrigeren Lebenshaltungskosten verankert sind, sollte man dies selbstverständlich auch in Betracht ziehen. 

Unternehmensgröße als Einfluss auf das Gehalt

Studien zeigen, dass umso größer das Unternehmen, umso höher auch das Gehalt ist. Dies macht absolut Sinn, denn etablierte (DAX-)Konzerne haben einen ganz anderen Ressourcenpool aus dem sie ziehen können als ein Startup oder eine frisch gegründete 5-Mann-Agentur.

Dabei empfehlen wir sich vorher zu informieren ob das Unternehmen – vor allem wenn es ein Konzern ist – gegebenenfalls in einem Gewerkschaftsvertrag steckt. Somit kann zumindest für Einstiegspositionen relativ gut bestimmt werden, wie das zukünftige Gehalt aussieht.

Die Branche bestimmt das Gehalt

Ein weiterer Faktor bei der Höhe des Gehalts im Datenbereich ist die Branche des Unternehmens. Die FANGs (Facebook-Amazon-Netflix-Google) dieser Welt haben aus ihrem Bedürfnis, die besten Data Engineers und Data Scientists zu rekrutieren, selbstverständlich eine ganz anderen Bezug zur Entlohnung als ein mittelständischer Industriebetrieb. 

Folglich sollte man sehr genau darauf achten in welcher Branche man tätig werden möchte und auch kann. Bei Technologiekonzernen ist man oft einer von sehr vielen (gut bezahlten) Mitarbeitern im Bereich Data Science, bei kleineren Unternehmen in der Industrie sticht vielleicht das Gehalt nicht so durch, aber man hat mehr Veränderungsmöglichkeiten.

Personalverantwortung als Faktor in der Höhe des Gehalts

Selbstverständlich spielt auch der Faktor, ob man eine Fachkraft ohne Personalverantwortung oder eben eine Führungskraftposition einnimmt eine große Rolle. Die gleiche Position – zum Beispiel Senior Data Scientist – kann mit Personalverantwortung kommen und eher strategisch aufgebaut sein oder eben sehr operativ und praktisch. 

Work-Life-Balance und andere Faktoren beim Gehalt im Data Science Bereich

Als letzten Faktor möchten wir noch die Work-Life-Balance und andere Einflüsse auf das Gesamtpaket inklusive Gehalt aufführen. Diese Faktoren sind selbstverständlich hochindividuell, sollten jedoch immer als Gesamtpaket betrachtet werden. Das Gehalt ist wichtig – ja. Aber auch die Anzahl an geleisteten Stunden, die Möglichkeit zum Homeoffice oder mobilen Arbeiten kann einen großen Stellenwert einnehmen.

Daher empfehlen wir immer, nicht nur das Gehalt als einzige Metrik bei der Evaluierung neuer Stellen zu nehmen, sondern eben das Gesamtpaket. Dies gilt es dann auch im Gespräch zu schnüren oder bei Jahresgesprächen gegebenenfalls neu festzulegen.

Informationsquellen für die gelisteten Gehälter

Um möglichst repräsentative Aussagen zum Gehalt des Data Engineers, Data Scientists und Data Analysts zu machen, stützen wir uns in diesem Artikel auf mehrere Quellen. Zum einen nutzen wir einfach Webportale die für jeden zugänglich sind und sich auf das Thema Gehalt und Gehaltsvergleich spezialisiert haben. Als zweites extrahieren wir Informationen – falls vorhanden – von Jobbören und Jobportalen. Drittens nutzen wir soziale Netzwerke wie LinkedIn und XING, um dort die Gehaltsspannen auszulesen. Und als viertes runden wir diese gesammelten Zahlen mit unserer persönlichen Erfahrung im Recruiting im Bereich Data Science ab, vervollständigen nicht vorhandene Daten und deuten auch an, wie sich die Gehälter im Bereich Data Science entwickeln werden. Für einen Detailüberblick der gesammelten Gehälter, siehe den Abschnitt „Datengrundlage“ am Ende des Artikels.

Aufgaben und Gehalt eines Data Analysts

Als Data Analyst, auf Deutsch auch Datenanalyst, nutzt man Daten um Information zu extrahieren. Data Analysts beschäftigen sich daher vor allem mit der Aufbereitung, deskriptiven Analyse und Visualisierung von Daten.

Um diese Daten nicht an den Bedürfnissen der Stakeholder vorbei zu analysieren, arbeitet ein Data Analyst sehr eng mit dem Business, also Domänenexperten, zusammen. Entweder ist er hierzu selbst im entsprechenden Fachbereich tätig oder er bildet im Optimalfall ein Tandem mit mit dem Fachexperten. Mittels Workshops und iterativen Vorgehen schafft er es somit, seine Analysen, Reports und Dashboards möglichst passgenau auf die Herausforderungen im Unternehmen anzupassen.

Die Tools die ein Data Analyst dabei einsetzt sind sehr vielfältig und je nach Seniorität auch sehr technisch. Von klassischer Visualisierungssoftware wie PowerBI oder Tableau über Analyseprogramme wie Excel oder SPSS liegt die Stärke von erfahrenen Data Analysts vor allem in der Beherrschung von SQL, um direkt aus Datenbanken die notwendigen Daten zu extrahieren. 

Aber auch die Verwendung von Programmierbasierten Analysen wie R oder python oder die Erstellung von rudimentären Machine Learning Modellen kann in das Aufgabengebiet eines Data Analysts fallen – obwohl das eher der Schwerpunkt von der Rolle des Data Scientists ist.

Nachfolgend unsere gesammelten Daten zum Gehalt eines (Senior) Data Analysts:

Gehalt eines Data Analysts nach Seniorität

Gehalt eines Data Analysts nach Ort

Besonderheiten bei Lead Data Analysts und Chief Data Analysts

Um ehrlich zu sein sind mir bisher keine Chief Data Analysts begegnet. Normalerweise steigert sich die Rolle durch den geringeren technisch-fachlichen Fokus dann nicht mehr durch Titel, sondern eher mittels strategischer Verantwortung. Daher ist eher ein „Head of Data Analytics“ oder „Head of Business Intelligence“ zu finden, als Chief Data Analysts. Analytics als solches ist meist auch einer anderen Einheit – zum Beispiel IT oder Controlling – unterstellt, weshalb ein Chief selten seine Daseinsberechtigung findet, sondern die Analytics-Abteilung eher einem CIO oder CDO unterstellt ist.

Gehaltsentwicklung im Bereich Data Analytics

Durch die Normalisierung von Datenanalyse und immer zugänglicheren Datenquellen, Analysemethoden und Tools ist die Entwicklung des Gehalts von Data Analysts relativ konstant. Einerseits steigt der Bedarf, allerdings drängen auch sehr viele Menschen in diesen Beruf, da er wesentlich weniger fachliche Expertise als ein Data Scientist oder Data Engineer benötigt und somit viel zugänglicher ist.

In den zukünftigen Jahren ist zu erwarten, dass Data Analytics als solches oft als „Self Service“ etabliert wird. Dazu wird nachhaltige, einfach zugängliche und standardisierte Infrastruktur geschaffen, mit der sich auch Domänenexperten an den Daten bedienen können. Daher ist gegebenenfalls sogar zu erwarten, dass die Anzahl an reinen Data Analysts abnimmt und eher Mischformen aus Domänenexpertise und Datenanalyseexpertise der Standard werden.

Was ist Kobold AI?

Kobold AI bietet den Einsatz künstlicher Intelligenz ohne technisches Vorwissen. Einfach, schnell und günstig KI anwenden, um Mehrwert durch Daten zu generieren.

Wie es funktioniert erklärt unser interaktives Video:

Der Data Scientist – Aufgaben und Gehalt

Der Data Scientist, zu Deutsch Datenwissenschaftler, ist mitunter die begehrteste Rolle im Zuge der digitalen Transformation und vor allem auf dem Weg zur Data Driven Company. Er wird als Wundermittel rund um die Themen Big Data, Advanced Analytics, Machine Learning und datenbasierte Innovation gesehen.

Folglich kann die Rolle des Data Scientists sehr stark variieren. Vom Generalisten, der auch die Aufgaben von Data Analyst und Data Engineer mit übernimmt, bis zum Spezialisten der sich auf künstliche Intelligenz (z.B. Neuronale Netze und Deep Learning) konzentriert kann es viele Ausprägungen des Datenwissenschaftlers geben. Doch eins haben sie gemeinsam: Sie benötigen eine weitreichende Kombination zwischen Business-Expertise, Statistik-Wissen und Programmier-Kenntnissen. Nur dann kann Data Science fruchten: Als Schnittstelle zwischen kundenzentrierten Business-Problemen und der Auswertung und dem Einsatz von Daten als Lösung.

Technologisch arbeiten Data Scientists vor allem mit Tools aus dem Bereich Big Data Analytics und Programmiersprachen wie python und R, um Daten auszuwerten. Auch die Nutzung von Cloud Computing wie Microsoft Azure, AWS oder Google Cloud und Data Lakes gehören in den Werkzeugkasten. Die Aufgaben sind also nicht zu knapp – deshalb ist das Gehalt für einen Data Scientist auch im oberen Feld angesiedelt. 

Für weitere Informationen zu den Aufgaben und Skills eines Data Scientists, besucht unseren Artikel “Data Scientist: Beschreibung, Aufgaben, Tools und Gehalt”.

Nachfolgend unsere gesammelten Daten zum Gehalt eines (Senior) Data Scientists:

Gehalt eines Data Scientists nach Seniorität

Gehalt eines Data Scientists nach Ort

Besonderheiten bei Lead Data Scientists und Chief Data Scientists

Data Scientists sind von den dargestellten Rollen tatsächlich diejenige, die sich am stärksten in „Lead“ und „Chief“ Positionen aufgliedern. Dabei ist bei Lead Data Scientists die Funktion noch sehr klar und deutlich technisch geprägt, während ein „Chief Data Scientist“ eher strategisch agiert.

Auch wenn sie die häufigste der Lead-Rollen darstellen, ist auch für die Data Scientists kaum Information vorhanden bzgl. der Gehälter in dem Bereich, da sie massiv von den genannten Einflussfaktoren wie Ort, Unternehmensgröße, Fachgebiet, Personalverantwortung etc. beeinflusst werden.

Gehaltsentwicklung im Bereich Data Science

Dadurch, dass der Markt erkannt hat, dass es viel zu wenig Data Scientists gibt um dem Hype gerecht zu werden, produzieren Universitäten und Websites inzwischen viel Nachwuchs. Doch dieser Nachwuchs kann nicht direkt die Anforderungen von Unternehmen erfüllen, da die mangelnde praktische Erfahrung mit dem Thema – sowohl strategisch als auch operativ – einen fundamentalen Unterschied darstellt. Daher ist die Gehaltsentwicklung im Bereich der Einsteigsgehälter von (Junior) Data Scientists als abnehmen, die im Bereich der erfahrenen Data Scientists als massiv ansteigend zu betrachten.

Der Data Engineer – Aufgaben und Gehalt

Der Data Engineer hat zur Aufgabe, Dateninfrastruktur aufzusetzen, zu betreiben und Data Pipelines um Daten zu transferieren zu erstellen. Folglich ist er fundamental wichtig im ersten Schritt zum Aufbau einer Data Driven Company: Die Akquise, Konsolidierung und Bereitstellung von Daten fällt in sein Aufgabengebiet.

Da viele Unternehmen gerade merken, dass die Bereitstellung von Daten einer ihrer Schwachpunkte ist, sind Data Engineers momentan auch sehr gefragt. Vor allem Senior Data Engineers, die bereits weitreichende Erfahrung mit Cloudsystemen, Data Pipelines, Data Lakes, ETL-Tools etc sammeln konnten, spüren diesen Bedarf auch sehr deutlich im Gehalt.

Über den Entwicklungsverlauf eines Data Engineers kann man sagen, dass er üblicherweise entweder nahe am Solution Architect (z.B. Beherrschung eines ETL-Tools) oder am Softwareentwickler (z.B. manuelles erstellen von Tools) startet. Mit zunehmender Erfahrung kommen beim Senior Data Engineer dann schließlich auch Kenntnisse in Cloud-Technologie, Big Data Infrastruktur oder dem Aufbau einer IT-Architektur zusammen.

Für weitere Information zu den Aufgaben des Data Engineers, besucht unseren Artikel “Data Engineer: Beschreibung, Aufgaben, Tools und Gehalt”. 

Nachfolgend unsere gesammelten Daten zum Gehalt eines (Senior) Data Engineers:

Gehalt eines Data Engineers nach Seniorität

Gehalt eines Data Engineers nach Ort

Besonderheiten bei Lead Data Engineers und Chief Data Engineers

Ab der Erfahrungsstufe „Lead Data Engineer“ wird es sehr schnell schwammig, vor allem an Informationen die man im Internet findet. Zudem treffen die oben genannten Einflussfaktoren sehr stark zu, das heisst ob man Personalverantwortung hat und in welcher Unternehmensgröße man arbeitet.

Wenige Unternehmen haben einen Chief Data Engineer auf der Gehaltsliste. Dies liegt vor allem daran, dass eine sehr hohe kritische Masse erreicht werden muss, um einen „Chief“ zu besetzen. Zudem übernimmt diese Rolle üblicherweise der Chief Data Officer oder Head of Data Engineering.

Gehaltsentwicklung im Bereich Data Engineering

Wie bereits erwähnt entwickeln sich die Gehälter im Bereich Data Engineering positiv. Viele Unternehmen stellen fest, dass sie Dateningenieure benötigen, um überhaupt datengetrieben zu arbeiten – aber an erfahrenen Personen mangelt es. Entsprechend sind bereits Einstiegsgehälter für Data Engineers sehr hoch. 

Ein weiterer Faktor ist, dass zwar massenhaft Softwareanbieter auf den Markt drängen, um solche Prozesse zu automatisieren, aber einerseits sind sie noch meist weit von einer Vollautomatisierung entfernt und zweitens müssen diese Tools auch eingesetzt und bedient werden – was wiederum eine Aufgabe des Data Engineers ist.

Der Vergleich des Gehalts von Data Analyst, Data Scientist und Data Engineer

Zusammenfassend sind alle dargestellten Gehälter in der gleichen Branche, jedoch mit unterschiedlichem Fokus in der Wertschöpfungskette von Daten. Die nicht unerheblichen Gehaltsunterschiede vor allem zwischen Data Analysten und Data Scientists ist oft ein Anstoß zur Diskussion. So verdienen Data Scientists im Schnitt gerne über alle Senioritätslevel vom Einstiegsgehalt bis zum Manager ca. 20% mehr als Data Analysts.

Aber auch Data Engineers sind schwer gefragt. So haben sie ein noch stärkeres Potential zum Wachstum als Data Scientists, weil der Aufbau der Dateninfrastruktur momentan ein sehr stark fokussiertes Thema ist. Zudem ist die fachliche Expertise – der Aufbau von Big Data Infrastruktur, Data Pipelines, Cloud Infrastruktur und mehr – sehr anspruchsvoll. 

Ist der Unterschied gerechtfertigt?

Sind diese Unterschiede im Gehalt zwischen Data Analyst, Data Scientist und Data Engineer gerechtfertigt? Darauf gibt es wie üblich eine Bandbreite an Antworten. Wir betrachten gerne mehr als nur einen Faktor wenn wir das Gehalt betrachten. Zum Beispiel muss ein guter Senior Data Scientist eine umfangreiche Kombination an Business-Wissen, statistischer Expertise und hohen Programmierkenntnissen mit in die Rolle bringen, um ein solches Gehaltslevel zu erreichen. Diese Vielzahl an notwendigen Skills ist nicht einfach zu bekommen, geschweige denn einfach zu erlernen.

Nebst dem notwendigen Skillset finden sich auch die gesamtgesellschaftliche Entwicklung und der Ausbildungsrückstand im Gehalt wieder: Während Rollen wie der Data Analyst inzwischen gut abgedeckt ist, sind der Scientist und Engineer noch nicht in einem Reifegrad, die mit der Entwicklung der Unternehmen mithalten können. Zwar gibt es nach und nach immer mehr Onlinekurse und Studiengänge die diese Lücke zu füllen versuchen, aber es ist ein immenser Unterschied zwischen einem Junior Data Scientist und Senior Data Scientist was Erfahrung und somit Effekt betrifft.

Kurzum: Wir denken, dass die Unterschiede im Jahr 2020 definitiv noch gerechtfertigt sind, aber mit den kommenden Jahren werden auch Data Scientists und Data Engineers eine Demokratisierung erfahren, so dass sie besser verfügbar sind und somit die Gehälter entsprechend langfristig sich an den Markt anpassen.

Die Rolle vom Gehalt in einer Data Driven Company

Was bedeuten nun die Gehälter der Rollen Data Analyst, Data Scientist und Data Engineer für die Data Driven Company? Alle drei Rollen sind relativ zentral in den operativen Analytics und Advanced Analytics Bereichen einer Data Driven Company und sollten daher auch im Fokus von Recruiting und Retainment stehen. Die Personalknappheit, der geringe Erfahrungsstand der meisten Data Rollen und die hohen Kosten schlagen natürlich vor allem bei Unternehmen zu Buche, die sich im Aufbau ihrer Datenexpertise befinden.

Doch gilt es auch hier wie in vielen Themen langfristig zu denken: Die Arbeit mit Daten wird uns in den nächsten Jahrzehnten begleiten, deshalb müssen sich Unternehmen vorbereiten den AI Chasm zu überbrücken und datenbasierte Arbeit als Teil ihrer Organisation zu sehen. 

Zusammen genommen lohnt es sich also, lieber jetzt zu investieren um fähiges Personal zu rekrutieren und die Grundsteine für nachhaltige Arbeit im Bereich Data zu legen, statt zu zögern und langfristig viel höhere Kosten durch fehlende Insights, Legacy Systeme, schlechte Datenqualität und mangelnde Innovation zu zahlen. 

Was ist Kobold AI?

Kobold AI bietet den Einsatz künstlicher Intelligenz ohne technisches Vorwissen. Einfach, schnell und günstig KI anwenden, um Mehrwert durch Daten zu generieren.

Wie es funktioniert erklärt unser interaktives Video:

Datengrundlage