Was ist Data Science?
Woher weiß Netflix, was du als Nächstes sehen willst? Und wieso kann Google Analytics 4 vorhersagen, wer in den nächsten sieben Tagen kauft? Die Antwort hat einen Namen: Data Science.
Data Science verbindet Statistik, Informatik und Fachwissen, um aus Daten verwertbare Erkenntnisse zu gewinnen. Die US-Normungsbehörde NIST beschreibt es als Methodik, nützliches Wissen direkt aus Daten zu gewinnen, durch Entdecken oder durch das Aufstellen und Prüfen von Hypothesen. Ein Data Scientist braucht laut NIST vier Dinge: Verständnis fürs Geschäft, Fachwissen, Analytik und Softwaretechnik.
Kurz gesagt: Data Analytics fragt meist „Was ist passiert?“. Data Science fragt zusätzlich „Was wird passieren?“ und „Was sollten wir tun?“.
Data Science, Data Analytics, Big Data, Machine Learning
Begriff
Kurz gesagt
Data Analytics
beschreibt und erklärt Vergangenes
Data Science
erklärt, sagt voraus, automatisiert
Big Data
die Datenlage, nicht die Methode
Machine Learning
ein Werkzeug innerhalb von Data Science
Data Science funktioniert auch mit kleinen Datenmengen. Und nicht jedes Data-Science-Projekt braucht künstliche Intelligenz: Oft reicht klassische Statistik, sauber angewendet.
So läuft ein Data-Science-Projekt ab
Das bekannteste Vorgehensmodell heißt CRISP-DM (Cross-Industry Standard Process for Data Mining). Es hat sechs Phasen:
- Geschäftsverständnis: Welche Frage soll beantwortet werden?
- Datenverständnis: Welche Daten gibt es, wie gut sind sie?
- Datenaufbereitung: bereinigen, zusammenführen, umformen.
- Modellierung: passende Verfahren auswählen und trainieren.
- Evaluation: Löst das Modell wirklich die Geschäftsfrage?
- Einsatz: Das Ergebnis landet im Alltag, etwa als Zielgruppe oder Dashboard.
Der IBM-Leitfaden zu CRISP-DM betont, dass die Reihenfolge nicht starr ist: Die meisten Projekte springen zwischen den Phasen hin und her.
Data Science im Marketing
Case A · Streaming
Empfehlungen bei Netflix
80 %
der Stunden über Empfehlungen
> 1 Mrd. $
Wert pro Jahr (Schätzung)
Personalisierung senkt die Kündigungsrate
Angaben von Netflix-Managern in einem Fachartikel von 2015, der Milliardenwert ist eine interne Schätzung.
Case B · Webanalyse
Prognosen in GA4
1.000
Nutzer mit Kauf nötig
1.000
Nutzer ohne Kauf nötig
Data Science als Bordmittel, ab einer Mindestmenge
GA4 sagt Kaufwahrscheinlichkeit, Abwanderung und Umsatz voraus, aber erst, wenn genug Beispiele für beide Seiten da sind.
Typische Anwendungen sind Kundensegmente, Prognosen für Umsatz und Abwanderung, Lead Scoring, Attribution und Marketing-Mix-Modelle. Vieles davon steckt schon in den Werkzeugen: Die datengetriebene Attribution in Google Ads verteilt den Beitrag jeder Anzeige auf Basis deiner eigenen Conversion-Daten, Google stellt mit Meridian sogar ein offenes Marketing-Mix-Modell bereit.
Der Beruf Data Scientist
Laut Bundesagentur für Arbeit analysieren Data Scientists mit Methoden aus Mathematik, Informatik und Statistik große Datenmengen aus verschiedenen Quellen. Die Berufsgruppe, der die Agentur sie zuordnet (Informatik, Expertenniveau), verdiente Ende 2025 im Median 6.702 € brutto im Monat bei Vollzeit. Das ist ein Wert für die ganze Gruppe, nicht nur für Data Scientists.
In den USA rechnet die Arbeitsmarktbehörde BLS von 2025 bis 2035 mit 35 % mehr Stellen für Data Scientists.
Häufige Fehler
Fehler 1 · Ohne Geschäftsfrage loslegen
„Schauen wir mal, was die Daten sagen“ endet meist in hübschen Grafiken ohne Konsequenz. CRISP-DM stellt die Geschäftsfrage nicht umsonst an den Anfang.
Fehler 2 · Schlechte Daten, schickes Modell
Lücken im Tracking, fehlende Einwilligungen, doppelte Kunden im CRM: Kein Algorithmus macht daraus gute Prognosen. Erst aufräumen, dann rechnen.
Fehler 3 · Korrelation für Ursache halten
Dass Kunden mit Newsletter mehr kaufen, heißt nicht, dass der Newsletter sie dazu bringt. Vielleicht melden sich einfach die Treuesten an. Ursachen zeigt erst ein sauberer A/B-Test.
Was du als KMU tun solltest
- Bordmittel zuerst: Prognosen und Zielgruppen in GA4, datengetriebene Attribution in Google Ads.
- Datenbasis pflegen: sauberes Tracking mit Einwilligung, ein CRM ohne Dubletten.
- Eine konkrete Frage pro Projekt, etwa: Welche Kunden kaufen nach dem ersten Kauf nie wieder?
- Externe Hilfe projektweise holen, bevor du eine eigene Stelle schaffst.
Häufige Fragen
Was ist der Unterschied zwischen Data Science und Data Analytics?
Data Analytics beschreibt und erklärt meist, was passiert ist. Data Science geht weiter: Es sagt voraus, was passieren wird, und automatisiert Entscheidungen, oft mit Machine Learning.
Was verdient ein Data Scientist in Deutschland?
Die Bundesagentur für Arbeit nennt für die Berufsgruppe, der Data Scientists zugeordnet sind, einen Median von 6.702 Euro brutto im Monat bei Vollzeit, Stand Ende 2025. Das gilt für die ganze Gruppe.
Ist Data Science dasselbe wie KI?
Nein. Data Science nutzt Methoden der künstlichen Intelligenz wie Machine Learning, aber auch klassische Statistik. KI ist ein Werkzeugkasten, Data Science ein Fach mit eigenem Vorgehen.
Was ist CRISP-DM?
Ein Vorgehensmodell für Datenprojekte mit sechs Phasen: Geschäftsverständnis, Datenverständnis, Datenaufbereitung, Modellierung, Evaluation und Einsatz. In der Praxis springt man zwischen den Phasen.
Braucht ein kleines Unternehmen Data Science?
Selten eine eigene Abteilung. Viele Verfahren stecken schon in GA4 und Google Ads. Wichtiger ist eine saubere Datenbasis und eine klare Frage, für die man bei Bedarf Hilfe holt.
Quellen
- NIST: Big Data Interoperability Framework, Definitions
- IBM: CRISP-DM-Leitfaden
- Gomez-Uribe und Hunt: The Netflix Recommender System (2015)
- Google Analytics-Hilfe: Vorausschauende Messwerte
- Google Ads-Hilfe: Attributionsmodelle
- Bundesagentur für Arbeit: Entgeltatlas
- U.S. Bureau of Labor Statistics: Data Scientists