Data Analyst Portfolio: Dein erstes Projekt in 5 Schritten

Ein einziges echtes Projekt, von der ersten Frage bis zur fertigen Empfehlung, bringt Dich weiter als fünf abgeschlossene Tutorials. Wer Data Analysts einstellt, überfliegt den Lebenslauf und schaut sich das Portfolio an. Hier ist der Aufbau, der diesem Blick standhält: fünf Schritte an einem durchgehenden Beispiel, mit öffentlichen Daten, die Du Dir kostenlos herunterladen kannst.

Als Praxis-Ergänzung zeigt Tom Gadsby, Senior Data Scientist bei CareerFoundry (heute Teil von StackFuel), Schritt für Schritt, wie ein überzeugendes Data-Analyst-Portfolio entsteht und worauf Recruiter wirklich achten. Das Video ist auf Englisch, Du kannst im Player aber jederzeit die Untertitel einschalten und bei Bedarf automatisch ins Deutsche übersetzen lassen.

Was gehört in ein Data-Analyst-Portfolio?

Ein überzeugendes Data-Analyst-Portfolio besteht aus einem durchgehenden Projekt mit fünf Teilen: einer konkreten Frage, einer nachvollziehbar dokumentierten Datenbereinigung, einem Dashboard, das eine Aussage trifft, einer einseitigen Empfehlung und einem auffindbaren Ort, an dem alles liegt. Ein einziges vollständiges Projekt schlägt mehrere angefangene.

Schritt 1: Starte mit der Frage, nicht mit dem Datensatz

Der häufigste Fehler beim ersten Projekt: Man fängt mit dem Datensatz an und sucht dann nach etwas Interessantem. Mach es umgekehrt.

Eine gute Portfolio-Frage ist konkret, sie betrifft echte Menschen, und sie führt zu einer Empfehlung. Nicht „ich analysiere mal Wohnungsdaten“, sondern „wo in der Stadt bekomme ich für mein Geld die meisten Quadratmeter, und wie hat sich das über die Jahre verändert?“

Die Frage sollte so formuliert sein, dass die Antwort eine Entscheidung beeinflusst. „Wie viele Wohnungen gibt es?“ ist keine gute Portfolio-Frage. „Wo bekomme ich für mein Budget am meisten Platz?“ ist eine, weil am Ende jemand danach handeln kann.

Passende öffentliche Daten findest Du kostenlos bei GENESIS-Online des Statistischen Bundesamtes, im offenen Datenportal GovData oder unter den freien Datensätzen auf Kaggle. Alle drei sind ohne Kosten nutzbar, GENESIS-Online sogar ohne Registrierung.

Tipp: Wähl ein Thema aus einer Branche, die Du schon kennst. Kommst Du aus dem Handel, nimm Verkaufsdaten. Aus der Logistik? Lieferzeiten. Dein Branchenwissen macht die Analyse glaubwürdiger, weil Du erkennst, was an den Zahlen plausibel ist und was nicht. Genau das ist der Vorteil, den Du als Quereinsteiger:in hast. Tom rät im Video zum selben Gedanken aus Recruiter-Sicht: Wähl entweder ein Thema, für das Du wirklich brennst, oder eine Branche, die viele Analyst:innen einstellt, etwa Fintech, Pharma, E-Commerce oder Mobilität.

Schritt 2: Bereinigen und die Entscheidungen dokumentieren

Rohe Daten sind nie sauber. Und genau das Aufräumen zeigt, dass Du den Job kannst. Nicht das hübsche Diagramm am Ende.

Öffne den Datensatz, und Du siehst sofort die typischen Probleme: fehlende Werte, Preise als Text statt als Zahl, uneinheitliche Schreibweisen für denselben Bezirk und ein paar unmögliche Ausreißer, etwa eine Wohnung für zwei Euro und eine für zwei Millionen.

Für den Einstieg ist der Weg über Excel und Power Query am zugänglichsten, bei größeren Datenmengen macht man denselben Schritt in SQL. Du entfernst Duplikate, wandelst Texte in echte Zahlen um, vereinheitlichst die Bezirksnamen und entscheidest bewusst, was mit Ausreißern passiert. Nicht stillschweigend löschen, sondern begründen.

Wichtig: Dokumentiere diese Entscheidungen. Ein Satz reicht: „Werte unter zehn Euro pro Quadratmeter wurden als Eingabefehler entfernt.“ Wer ein Portfolio sieht, in dem jemand zeigt, wie er die Daten aufgeräumt und welche Entscheidungen er dabei getroffen hat, weiß, dass die Person den echten Job verstanden hat. Ein perfektes Dashboard ohne sichtbare Aufbereitung sagt wenig aus.

Dieser Teil ist kein lästiges Vorspiel, sondern der Kern der täglichen Aufgaben eines Data Analyst.

Schritt 3: Das Dashboard, das eine Geschichte erzählt

Ein Dashboard ist kein Selbstzweck. Es soll eine Frage beantworten. Die häufigste Schwäche ist nicht zu wenig, sondern zu viel: zwanzig Diagramme, keine Aussage.

Die Regel lautet: ein Diagramm, eine Aussage. Jede Visualisierung muss eine Frage beantworten, sonst fliegt sie raus. Für die Mietpreis-Frage heißt das: eine Karte oder ein Balkendiagramm mit den Quadratmeterpreisen nach Bezirk. Eine Linie, die die Entwicklung über die Jahre zeigt. Vielleicht ein Vergleich nach Zimmeranzahl. Mehr nicht.

Und der Punkt, den kaum jemand umsetzt: Aktionstitel statt nüchterner Überschriften. Nicht „Preise nach Bezirk“, sondern „Bezirk X bietet die meisten Quadratmeter pro Euro“. Der Titel nennt bereits die Erkenntnis. Das ist das Pyramidenprinzip: zuerst die Aussage, dann die Belege. Genau darauf verweist auch Tom im Video und nennt das Pyramidenprinzip von McKinsey als Faustregel für jede Zusammenfassung.

Wer Dein Dashboard ansieht, soll in zehn Sekunden verstehen, was es sagt. Muss er erst studieren, was Du gemeint hast, ist es zu kompliziert gebaut. Gebaut wird das Ganze in Power BI, dem Werkzeug, das auch im Berufsalltag den Großteil der Reporting-Arbeit trägt.

Schritt 4: Die Empfehlung auf einer Seite

Hier trennt sich das gute Portfolio vom durchschnittlichen. Die meisten hören beim Dashboard auf. Du gehst einen Schritt weiter.

Schreib eine Zusammenfassung auf genau einer Seite, mit vier Teilen: das Problem, die wichtigste Erkenntnis, Deine Empfehlung und die nächsten Schritte.

Für unser Beispiel könnte das so klingen: „Wer Quadratmeter maximieren will, findet im Bezirk X aktuell das beste Verhältnis. Die Preise dort sind über drei Jahre langsamer gestiegen als im Zentrum. Empfehlung für Wohnungssuchende mit Budget Y: diese drei Bezirke zuerst prüfen.“

Das ist der Moment, in dem aus einer Analyse ein Beitrag wird. Du zeigst nicht nur, dass Du Daten auswerten kannst, sondern dass Du daraus eine Entscheidung ableitest. Genau dafür werden Data Analysts bezahlt.

Tipp: Halte Dich kurz. Eine Seite zwingt Dich, das Wichtigste zu priorisieren, und genau das will ein Recruiter sehen. Wer drei Erkenntnisse klar auf den Punkt bringt, wirkt souveräner als jemand, der zehn Charts unkommentiert nebeneinanderstellt. Und layoute die Seite sauber. Sie ist oft das Erste, was jemand von Deinem Projekt liest.

Schritt 5: Hosten und auffindbar machen

Das beste Projekt nützt nichts, wenn es auf Deiner Festplatte liegt. Es muss auffindbar und in zehn Sekunden erfassbar sein.

Du brauchst dafür keine programmierte Website. Eine einfache Notion-Seite, ein sauberes PDF oder der Featured-Bereich auf LinkedIn reichen völlig. Wichtig sind klare Screenshots vom Dashboard, ein Link zur einseitigen Empfehlung und ein Satz pro Projekt, der sagt, welche Frage es beantwortet.

Gut zu wissen: Ein einziges vollständiges Projekt, das von der Frage bis zur Empfehlung durchgezogen ist, schlägt drei halbfertige. Qualität vor Menge, immer.

Toms Bonus-Tipp aus dem Video: Wenn es ein Unternehmen gibt, für das Du gern arbeiten würdest, frag direkt nach, ob es ein Datenproblem gibt, an dem Du arbeiten darfst. Manche Firmen geben Dir dafür anonymisierte Daten. Du löst damit ein echtes Problem in einem Bereich, der Dich interessiert, und im besten Fall wird daraus Dein Einstieg.

Wie lange dauert so ein Projekt?

Realistisch solltest Du für Dein erstes vollständiges Portfolio-Projekt zwischen 20 und 40 Stunden einplanen, verteilt über zwei bis vier Wochen. Der größte Block entfällt dabei nicht auf das Dashboard, sondern auf die Bereinigung und darauf, die Frage wirklich scharf zu bekommen. Das ist normal und entspricht exakt dem Verhältnis im Berufsalltag.

Lass Dich davon nicht abschrecken. Du baust hier nicht nur ein Bewerbungsdokument, sondern trainierst genau den Ablauf, den Du später täglich brauchst. Und Du kannst das Projekt jederzeit erweitern: Ein zweiter Datensatz, ein Vorjahresvergleich oder eine zusätzliche Dimension lassen sich später ergänzen, ohne dass Du von vorn anfangen musst.

Gut zu wissenEine geförderte Weiterbildung nimmt Dir diesen Schritt nicht ab, sie strukturiert ihn. Das Portfolioprojekt ist fester Bestandteil des Curriculums, inklusive Feedback auf Deine Entscheidungen. Bezahlt wird das in der Regel über den Bildungsgutschein, einen Anspruch darauf hast Du aber nicht.

Die häufigsten Fehler im Überblick

Fazit: ein echtes Projekt schlägt fünf Tutorials

Fang mit der Frage an, nicht mit den Daten. Räum die Daten auf und zeig, welche Entscheidungen Du dabei getroffen hast. Bau ein Dashboard, in dem jedes Diagramm eine Aussage trifft. Schreib die Empfehlung auf eine Seite. Und leg das Ganze dorthin, wo es jemand in zehn Sekunden erfassen kann.

Wer diesen Ablauf einmal komplett durchzieht, hat mehr vorzuweisen als die meisten Bewerber:innen mit einer langen Kursliste.

Genau solche Projekte, mit echten Datensätzen und mit Feedback, baust Du im Portfolioprojekt der Data-Analyst-Weiterbildung. Wenn Du wissen willst, ob das zu Dir passt, vereinbare einfach Dein kostenloses Beratungsgespräch. Wir schauen gemeinsam auf Deinen Hintergrund, den nächsten Schritt und die Förderung über den Bildungsgutschein. Einen Anspruch darauf hast Du nicht, die Agentur entscheidet im Einzelfall. StackFuel ist seit 2020 AZAV-zertifiziert und hat über 8.000 Absolvent:innen begleitet.

Häufige Fragen

Wie viele Projekte braucht ein Data-Analyst-Portfolio?

Eines reicht, wenn es vollständig ist. Ein durchgezogenes Projekt von der Frage über die Bereinigung und das Dashboard bis zur Empfehlung ist aussagekräftiger als drei angefangene Tutorials.

Woher bekomme ich kostenlose Datensätze für mein Portfolio?

Öffentliche Quellen wie GENESIS-Online des Statistischen Bundesamtes, das Portal GovData oder die freien Datensätze auf Kaggle. Wähl möglichst ein Thema aus einer Branche, die Du bereits kennst.

Brauche ich Python für mein erstes Portfolio-Projekt?

Nein. Excel mit Power Query, SQL und Power BI reichen für ein starkes erstes Projekt vollkommen aus. Python ist die Erweiterung, nicht der Einstieg.

Was schauen sich Recruiter im Portfolio zuerst an?

Meist die einseitige Zusammenfassung und die Screenshots des Dashboards. Deshalb sollten beide sauber gelayoutet sein und die Erkenntnis sofort erkennbar machen.