Überblick
Der Unterschied zwischen einem guten und einem durchschnittlichen Datenanalyst-Lebenslauf liegt nicht in der Tool-Liste. Python und SQL hat jeder. Was zählt: Welche Fragen hast du mit Daten beantwortet? Welche Entscheidungen wurden auf Basis deiner Analyse getroffen? Und wie gross waren die Datenmengen, mit denen du gearbeitet hast?
Dieser Lebenslauf gehört Leonie Hartvig, Datenanalystin mit vier Jahren Erfahrung aus Frankfurt. Sie arbeitet bei der Deutschen Bank im Risiko- und Vertriebscontrolling, vorher bei der Allianz in der Sachversicherung.
Die Zusammenfassung: Datenvolumen und Sektor
Datenanalystin mit vier Jahren Erfahrung in der Auswertung und Visualisierung von Geschäftsdaten im Finanz- und Versicherungssektor. Aktuell verantwortlich für Reporting und Prognosemodelle bei einer Großbank mit Datenbeständen von über 18 Millionen Kundendatensätzen.
18 Millionen Kundendatensätze. Das zeigt die Grössenordnung und macht klar: Das ist kein kleines Startup-Projekt.
Berufserfahrung: Analysen, die zu Entscheidungen führen
Deutsche Bank
Automatisierte Dashboards in Power BI für 14 Filialdirektionen erstellt - ersetzt 22 manuelle Excel-Reports
Prognosemodell für Kundenabwanderung entwickelt mit einer Trefferquote von 84 %
Datenqualitätsinitiative geleitet - Duplikate in 18 Millionen Datensätzen um 91 % reduziert
22 manuelle Reports durch automatisierte Dashboards ersetzt. 84 % Trefferquote bei der Churn-Prognose. 91 % weniger Duplikate. Jeder Punkt zeigt ein konkretes Vorher-Nachher.
Allianz SE
Schadensdatenanalyse für 480.000 Policen durchgeführt - Einsparpotenzial von 3,8 Millionen Euro identifiziert
ETL-Prozesse in Python und SQL aufgebaut, die täglich 2,4 Millionen Datensätze verarbeiten
3,8 Millionen Euro Einsparpotenzial aus einer Datenanalyse. Das ist die Art von Ergebnis, die zeigt, dass Datenanalyse nicht nur hübsche Charts produziert, sondern echten Business-Wert schafft.
Skills: Tools mit Kontext
- Python (Pandas, NumPy, Scikit-learn)
- SQL (PostgreSQL, MS SQL Server)
- Power BI & Tableau
- ETL-Prozesse
- SAP BW
Die Kombination aus Python für die Analyse, SQL für die Datenextraktion und Power BI / Tableau für die Visualisierung deckt den typischen Workflow ab. SAP BW zeigt Erfahrung mit Enterprise-Datenquellen.
Zertifizierungen: Microsoft und Google
- Microsoft Certified: Data Analyst Associate
- Google Data Analytics Professional Certificate
Beide Zertifizierungen sind weit verbreitet und zeigen, dass die Grundlagen nicht nur durch Berufserfahrung, sondern auch durch formale Prüfungen belegt sind.
Das Projekt: Churn-Prognose
Modell auf Basis von 18 Millionen Kundendatensätzen trainiert. Trefferquote von 84 % bei der Identifikation abwanderungsgefährdeter Kunden. Gezielte Bindungsmaßnahmen führten zu 12 % weniger Kündigungen im Testzeitraum.
12 % weniger Kündigungen ist ein Ergebnis, das direkt in Euro umgerechnet werden kann. Das ist der Unterschied zwischen "Modell gebaut" und "Modell hat gewirkt".
Bildung: Wirtschaftsinformatik mit Daten-Fokus
Bachelorarbeit über Prädiktive Modelle zur Kundensegmentierung im Retail Banking. Note: 1,5.
Die Bachelorarbeit an der Goethe-Universität Frankfurt passt direkt zum aktuellen Job. Wenn dein Studienthema eine Verbindung zum Beruf hat, hebe es hervor.
Warum das Cobalt-Template für Datenanalysten passt
Professionell, strukturiert und ATS-freundlich. Für Positionen im Finanzsektor ist ein seriöses Layout Pflicht. Das Cobalt-Template liefert genau das, ohne langweilig zu wirken.
Ehrenamt: Daten für den guten Zweck
Leonie macht ehrenamtliche Datenanalyse für die Frankfurter Tafel und hat dabei die Lebensmittelverschwendung um 18 % reduziert. Sie ist ausserdem Mentorin bei Women in Data Science Frankfurt. Solche Engagements zeigen, dass Datenanalyse für sie mehr ist als ein Job.
