Als Senior Analyst kennen Sie die Antwort wahrscheinlich bereits aus dem Bauch heraus. Sie haben sich am Montagmorgen hingesetzt, um eine Abwanderungsspitze zu untersuchen, und am Mittwoch waren Sie immer noch damit beschäftigt, drei Exporte zusammenzufügen, eine Spalte zu reparieren, die als Text importiert wurde, und einem Stakeholder zu erklären, warum die Zahlen dieses Quartals nicht mit denen des letzten Quartals übereinstimmten. Die eigentliche Analyse begann am Donnerstagnachmittag. Wenn sie überhaupt angefangen hat.
Es ist an der Zeit, glaubwürdige Zahlen darüber anzugeben, wie viel Zeit die Datenvorbereitung tatsächlich in Anspruch nimmt. Dann müssen Sie bewerten, wie die Teams diese Zeit verkürzen – welche Kompromisse sie jeweils eingehen, worauf bei einer Lösung zu achten ist und wie sie intern argumentieren –, damit Sie entscheiden können, was zu Ihrer Situation passt, anstatt das Problem einfach nur als gegeben hinzunehmen.
Wie viel Zeit Data Analysts wirklich mit der Datenvorbereitung verbringen
Vorbereitung und Bereinigung sind nach wie vor die zeitaufwendigsten Aufgaben in der Analyse, und aktuelle Untersuchungen bestätigen dies immer wieder. Sie haben wahrscheinlich die alte Aussage gehört, dass Datenfachleute 80 % ihrer Zeit mit der Vorbereitung von Daten und 20 % mit deren Analyse verbringen. Man muss sich jedoch darüber im Klaren sein: Diese Zahl geht auf eine Umfrage aus dem Jahr 2016 zurück, und verbesserte Tools haben sie seitdem wahrscheinlich reduziert. Betrachten Sie die 80 % daher eher als Mythos denn als aktuelle Tatsache (Informa TechTarget).
Das aktuelle Bild ist weniger eindeutig, aber glaubwürdiger. In der Studie „State of Analytics Engineering 2024“ von dbt Labs gaben mehr als die Hälfte der Befragten an, dass die Organisation von Daten für die Analyse die zeitaufwendigste Aufgabe sei, und 57 % nannten mangelhafte Datenqualität als ihr häufigstes Problem – ein Anstieg von 41 % im Vergleich zu vor zwei Jahren (dbt Labs, 2024). Die Ausgabe von 2025 bestätigte den Trend: 56 % nannten weiterhin mangelhafte Datenqualität als häufigste Herausforderung, obwohl KI-Tools in der Prioritätenliste weiter nach oben geklettert sind (dbt Labs, 2025).
Ein wichtiger Hinweis: Viele dieser Umfragen erfassen „Data Scientists“ und „Data Practitioners“, nicht speziell „Analysts“. Die Arbeit ähnelt sich jedoch. Ob Modellentwicklung oder monatlicher Varianzbericht – ohne saubere, verknüpfte und verlässliche Daten ist kein Start möglich. Die Anforderungen steigen stetig: Von Data Analysts wird zunehmend erwartet, dass sie neben der Analyse selbst auch die Datenqualität überprüfen und bestätigen (dbt Labs).
Wo man Stunden verliert
„Datenvorbereitung“ klingt nach einer einzigen Aufgabe. Tatsächlich sind es vier – und jede davon kostet Sie unbemerkt Zeit.
- Suchen und Verbinden der Daten: Die Umsatzzahlen befinden sich in einem System, die Marketingausgaben in einem anderen, und die endgültige Kundenliste ist eine Tabellenkalkulation, die jemand in „FINAL_v3“ umbenannt hat. Das Exportieren, Herunterladen und erneute Importieren ist der unrühmliche Auftakt fast jeder Analyse.
- Bereinigen, was gefunden wird: Nullwerte, nachfolgende Leerzeichen, uneinheitliche Groß- und Kleinschreibung, Datumsangaben in fünf verschiedenen Formaten und ein Feld, das „NY“, „New York“ und „N.Y.“ vermischt. Übersehen Sie eines dieser Felder und erstellen Sie eine Verknüpfung darauf, sind Ihre Summen unbemerkt falsch.
- Umformen und Zusammenführen: Rohdaten kommen selten in der Form an, die für Ihre Analyse erforderlich ist. Daher pivotieren, aggregieren, teilen Sie Spalten und führen Sie zwei Datenquellen anhand eines annähernd übereinstimmenden Schlüssels zusammen.
- Das Ganze nächste Woche wiederholen: Das sind die Kosten, die sich summieren. Sie bereiten dieselben Daten erneut für den wiederkehrenden Bericht auf, erneut bei einer Änderung des Quellschemas und erneut, wenn ein Kollege eine leicht abgewandelte Version benötigt. Die manuelle Vorbereitung ist keine einmalige Angelegenheit, sondern ein Abo, das sich nicht kündigen lässt.
Die versteckten Kosten der manuellen Datenvorbereitung
Der Zeitverlust ist der offensichtlichste Kostenfaktor. Die anderen Kosten richten jedoch größeren Schaden an und müssen benannt werden, da sie später als Rechtfertigung für Änderungen dienen.
- Fehler: Die manuelle Bereinigung führt zu Fehlern – eine falsch platzierte Dezimalzahl, eine falsche Datumsumrechnung, ein Filter, der Zeilen unbemerkt verwirft. Ein kleiner Fehler bleibt nicht klein; er wirkt sich auf die darauf aufbauende Entscheidung aus.
- Inkonsistenz: Wenn drei Data Analysts dieselben Daten auf ihre eigene Weise bereinigen, erhalten Sie drei Versionen der Wahrheit und ein Meeting, um darüber zu diskutieren, welche Version richtig ist.
- Langsame Entscheidungen: Jede Stunde, die für die Vorbereitung aufgewendet wird, ist eine Stunde, die ein Stakeholder wartet. „Können wir das nach Regionen aufschlüsseln?“ ist eine Frage, die einen Nachmittag in Anspruch nehmen sollte, sich aber bis in die nächste Woche erstreckt.
- Opportunitätskosten: Sie sind nicht Senior Analyst geworden, um Vollzeit-Datenpfleger zu sein. Wenn sich die grundlegenden Aufgaben ständig stauen, ist es unmöglich, Zeit für die wertvolle, interpretative Arbeit zu finden, die man nicht automatisieren kann (und auch nicht will).
Vier Möglichkeiten, wie Teams die Zeit für die Datenvorbereitung reduzieren – und die jeweiligen Kompromisse
Hier gibt es nicht die eine richtige Antwort, und die meisten Teams kombinieren die vier unten beschriebenen Ansätze. Entscheidend ist, den Ansatz an die jeweilige Aufgabe anzupassen.
| Ansatz | Am besten geeignet für | Stärken | Zu berücksichtigende Nachteile |
|---|---|---|---|
| 1. Tabellenkalkulationen und manuelle Bereinigung | Einmalige, kleine Ad-hoc-Analyse | Jeder kennt sie, kein Einrichtungsaufwand, vollständig flexibel | Fehleranfällig bei großen Datenmengen, nicht wiederverwendbar, schwer zu steuern oder zu prüfen, stößt bei großen Datenmengen und wiederkehrenden Aufgaben an sein |
| 2. Benutzerdefinierter Code und SQL-Skripte | Technical Analyst oder Teams mit technischer Unterstützung und komplexer, maßgeschneiderter Logik | Leistungsstark, präzise, versionierbar | Erfordert Programmierkenntnisse, schafft Abhängigkeiten von einzelnen Personen, schwer zu übergeben, für Fachanwender:innen schwer zu überprüfen |
| 3. Funktionen zur Datenvorbereitung in einem BI-Tool | Einfache Datenaufbereitung im Zusammenhang mit Dashboards, die Sie bereits in diesem Tool erstellen | Praktisch, kein zusätzliches Tool, gut für die letzten Schritte der Vorbereitung | Oft an das jeweilige BI-Tool gebunden, eingeschränkt bei umfangreicher Datenzusammenführung oder der Automatisierung über viele Quellen hinweg, kann zu einer Fragmentierung der Logik führen |
| 4. Dedizierte Analytics-Automation-Plattform | Wiederkehrende Vorbereitung aus mehreren Quellen über Teams mit gemischten Fähigkeiten hinweg, die wiederverwendbar und steuerbar sein müssen | Einmal erstellen und planen, codefrei und codefreundlich, breite Konnektivität, Herkunft und Prüfbarkeit | Investition in eine Plattform erforderlich (Kosten, Einführung, gewisse Lernkurve); für eine einmalige Aufgabe möglicherweise überdimensioniert |
Eine Möglichkeit, diese Tabelle zu lesen: Tabellenkalkulationen und Skripte sind nicht „falsch“ – sie werden nur teuer, sobald die Arbeit regelmäßig anfällt und von mehreren Personen genutzt wird. Wenn der Großteil Ihrer Datenvorbereitung nur einmalig erfolgt, ist eine Plattform überdimensioniert. Wenn Sie dieselbe Vorbereitung dagegen jede Woche über mehrere Quellen hinweg wiederholen müssen und andere Personen darauf vertrauen und sie wiederverwenden sollen, ist genau das der Bereich, in dem eine dedizierte Plattform ihre Stärken ausspielt.
Worauf Sie bei der Bewertung einer Lösung achten sollten
Wenn Sie entscheiden, dass sich die Lösung des wiederkehrenden, gemeinsam genutzten Aufbereitungsproblems mithilfe von Tools lohnt, bewerten Sie diese Kriterien. Verwenden Sie sie als Checkliste, wenn Sie Anbieter vergleichen.
- Wiederverwendbarkeit und Planung: Können Sie die Vorbereitungslogik einmal erstellen und automatisch erneut ausführen, oder erstellen Sie sie in jedem Zyklus neu? In Alteryx One wird die Vorbereitung als visueller Workflow erfasst, den Sie wiederverwenden und planen können, sodass der Bericht für Montag bereits vor Ihrem Aufwachen erstellt werden kann.
- Unterstützt verschiedene Kenntnisstände: Das Tool sollte für No-Code-, Low-Code- und Code-freundliche Benutzer:innen geeignet sein, damit Data Analysts nicht gezwungen sind, Programmieren zu erlernen, nur um Daten zu bereinigen – und Ihre Python- und SQL-Mitarbeiter bleiben flexibel.
- Konnektivität zu Ihren realen Quellen: Stellen Sie sicher, dass die Verbindung zu Ihren Datenquellen hergestellt wird. Alteryx One bietet mehr als 100 vorgefertigte Konnektoren für Quellen wie Snowflake, Databricks und Salesforce und macht das manuelle Exportieren und erneute Importieren überflüssig.
- Governance, Herkunft und Überprüfbarkeit: Kann ein Teammitglied die Logik überprüfen und nachvollziehen, wie eine Zahl zustande kam? Ein visueller Workflow lässt sich deutlich einfacher weitergeben und prüfen als ein Skript, das nur eine Person versteht.
- KI-Unterstützung, die Sie überprüfen können: KI sollte die Entwicklung beschleunigen, ohne die Steuerung vollständig zu übernehmen. Ask Alteryx ist ein Chat-Assistent in Alteryx One Designer, der Tools vorschlägt und platziert, Workflows zusammenfasst und dokumentiert sowie die Ergebnisse vor der Produktivsetzung überprüft. Dieser Hinweis ist ein Feature, kein Fehler.
- Passend zu Ihrem Team: Achten Sie auf Editionen und Preise, die zu Ihrem Team passen. Für einen Senior Analyst, der End-to-End-Analysen und -Berichte erstellt, ist die Professional Edition der ideale Einstieg; die Enterprise Edition eignet sich, wenn Automatisierung und Governance unternehmensweit skaliert werden müssen.
So überzeugen Sie intern
Die meisten Entscheidungen bezüglich Analysetools betreffen mehr als nur den Analysten, der von Problemen direkt betroffen ist. Um Unterstützung zu gewinnen, sprechen Sie mit jedem Stakeholder in dessen eigener Sprache.
- Führungskräfte legen Wert darauf, Zeit zurückzugewinnen und schnellere, konsistentere Entscheidungen zu treffen. Stellen Sie es so dar, dass Analystenstunden von der Bereinigung zur Analyse umgeleitet werden, und weniger Debatten darüber geführt werden, welche Zahl richtig ist.
- IT und Data Governance legen großen Wert auf Kontrolle. Wiederverwendbare, visuelle Workflows sind überprüfbar und auditierbar, was die Kommunikation über Governance in der Regel vereinfacht – im Gegensatz zu einer Vielzahl persönlicher Tabellen und Skripte.
- Ihre Kolleg:innen möchten wissen, wie die Tools ihren Arbeitsalltag erleichtern. Ein kurzes Pilotprojekt zu einem einzelnen, lästigen wiederkehrenden Bericht ist meist überzeugender als jede Präsentation.
Eine kurze Selbsteinschätzung
Sie benötigen keine formale Studie, um Ihren eigenen Zeitaufwand zu ermitteln. Wenn diese Fragen Sie innerlich zusammenzucken lassen, ist die Zeit, die Sie verlieren, eine Prozesslücke. Und Prozesslücken können behoben werden.
- Wie viele Stunden pro Woche verbringen Sie mit der Vorbereitung, bevor die Analyse überhaupt beginnt?
- Wie viel davon ist Arbeit, die Sie bereits auf ähnliche Weise erledigt haben?
- Stimmen die Zahlen auf Anhieb überein, wenn zwei Personen denselben Bericht erstellen?
- Würden die wiederkehrenden Berichte auch dann noch erstellt, wenn Sie eine Woche Urlaub hätten?
Intelligenter arbeiten
Die Datenvorbereitung wird nie ganz verschwinden, und das ist auch nicht das Ziel. Sorgfältige Vorbereitung ist die Grundlage für verlässliche Analysen. Es gibt jedoch einen wesentlichen Unterschied zwischen einer Vorbereitung, die etwas Wiederverwendbares schafft, und einer Vorbereitung, die Sie am nächsten Montag wieder von vorne beginnen müssen. Für einmalige Aufgaben reichen eine Tabellenkalkulation oder ein kurzes Skript aus. Bei wiederkehrenden, auf mehreren Quellen basierenden Aufgaben, auf die andere angewiesen sind, sparen Sie in der Regel Zeit mit einer Plattform, die es Ihnen ermöglicht, einmalig zu erstellen und wiederzuverwenden. Wählen Sie das passende Tool für Ihre Aufgabe und konzentrieren Sie sich auf die Fragen, die nur Sie beantworten können.
Möchten Sie Alteryx ausprobieren? Melden Sie sich für eine kostenlose Testversion an.