Data Engineer oder Data Analyst: Welcher Quereinstieg passt zu dir (2026)?

Auf einen Blick: Data Analyst arbeitet mit fertigen Daten (SQL, Excel, Power BI, Python-Grundlagen, 4-6 Monate Vorbereitung). Data Engineer baut die Pipelines (SQL, Python, Cloud, Airflow, dbt, 8-14 Monate). Quereinsteiger ohne Programmiererfahrung starten als Analyst, mit Tech-Affinität geht direkt Engineer. Beide Wege sind über Bildungsgutschein nach § 81 SGB III förderfähig.

Wer 2026 "Quereinstieg Data" googelt, landet schnell zwischen zwei Berufen, die im Stellenmarkt nebeneinanderstehen, in der Praxis aber zwei sehr unterschiedliche Jobs sind. Data Analyst und Data Engineer klingen für Außenstehende ähnlich. Sie sind es nicht. Wir sehen das jede Woche in Beratungsgesprächen: jemand bewirbt sich auf Data Engineer, kommt mit SQL und Power BI ins Gespräch und merkt nach 20 Minuten, dass der Job zu 70 Prozent aus Python-Pipelines und Cloud-Infrastruktur besteht.

Dieser Artikel trennt die beiden Profile sauber. Was du wirklich können musst, wie lange die Vorbereitung dauert, was du verdienst, und welcher Weg ehrlich zu deinem Ausgangspunkt passt.

Der Kernunterschied in einem Satz

Der Data Analyst beantwortet Fragen aus Daten. Der Data Engineer sorgt dafür, dass die Daten überhaupt da sind und stimmen.

Analyst: "Warum ist der Umsatz im März um 12 Prozent gefallen?" → SQL-Abfrage, Pandas-Auswertung, Power-BI-Dashboard, 30-minütige Stakeholder-Präsentation.

Engineer: "Wie kommen die Bestelldaten aus dem Shopify-Shop, dem ERP-System und der Marketing-Plattform in ein konsolidiertes Warehouse, das morgens um 7 Uhr aktuell ist?" → ETL-Pipeline, Airflow-Job, dbt-Modell, Cloud-Architektur.

Beide brauchen SQL. Beide kennen Python. Ab da hört die Überschneidung praktisch auf.

Skill-Profil Data Analyst (Pflicht und nice-to-have)

SQL ist Pflicht. Ohne SQL ist Data Analyst nicht denkbar. Du musst Joins, Window Functions, Subqueries und Aggregationen beherrschen. Excel bleibt überraschend zentral, weil viele Stakeholder Ergebnisse als XLSX wollen. Python mit Pandas ist seit etwa 2020 Standard für tiefere Analysen, vorher ging vieles in R. Bei den BI-Tools musst du mindestens eines können: Power BI dominiert in Deutschland im Mittelstand, Tableau ist in Konzernen häufiger, Looker bei Tech-Unternehmen.

Dazu kommen Statistik-Grundlagen (Mittelwert, Median, Streuung, einfache Hypothesentests, A/B-Test-Verständnis) und das wichtigste, das in keinem Kurs richtig vorkommt: Domänenverständnis. Wer für einen Maschinenbauer arbeitet, muss die Produktionskennzahlen verstehen. Wer bei einem E-Commerce-Händler arbeitet, muss wissen was Customer Acquisition Cost und Conversion Rate bedeuten. Diese Domäne lernst du nicht im Kurs, sondern im Job.

Nice-to-have: Grundkenntnisse in Git, ein Verständnis von Data Warehouses (Star Schema, dimensionale Modellierung), erste Berührungspunkte mit Cloud-Konsolen.

Skill-Profil Data Engineer (Pflicht und nice-to-have)

SQL ist auch hier Pflicht, aber auf einem anderen Niveau: du schreibst nicht nur Abfragen, du modellierst Datenbanken, optimierst Indizes und denkst über Partitionierungsstrategien nach. Python ist Pflicht. Nicht "ein bisschen Pandas", sondern ordentliche Python-Programmierung mit Modulen, Tests, Logging, ggf. Type Hints.

Eine Cloud-Plattform musst du beherrschen. AWS, Azure oder GCP. Welche, ist sekundär, aber eine davon richtig. Das beinhaltet S3 oder Blob Storage, eine Compute-Komponente (EC2, Functions), eine SQL-Datenbank (RDS, Synapse), idealerweise das Data-Warehouse-Produkt (Redshift, Snowflake, BigQuery).

Workflow-Tools sind 2026 weitgehend Standard: Apache Airflow für Orchestrierung, dbt für SQL-basierte Transformationen. Wer Streaming-Daten verarbeitet, kommt um Kafka oder Kinesis nicht herum. Data-Lake-Konzepte wie Apache Iceberg oder Delta Lake sind in modernen Stacks häufig.

Was Engineer-Stellen seit 2024 zunehmend verlangen: Infrastructure-as-Code (Terraform), Container (Docker, etwas Kubernetes), CI/CD-Grundlagen. Das ist DevOps-Territorium, aber ein Data Engineer ist heute oft DataOps-Spezialist.

Vergleichstabelle

Gehaltszahlen aus Stepstone-Reports und kununu-Benchmarks 2026. In Frankfurt, Hamburg und im Tech-Cluster München liegen die Werte tendenziell am oberen Ende der Range. In strukturschwächeren Regionen 10 bis 20 Prozent darunter.

Welcher Pfad passt zu wem

Ohne Programmiererfahrung: starte als Analyst. Die Lernkurve ist deutlich flacher, der Markt nimmt Quereinsteiger leichter auf, und nach 1-2 Jahren Berufserfahrung kannst du immer noch Richtung Engineer wechseln. Diesen Weg gehen viele. SQL und Excel kannst du in 4-6 Wochen auf Job-Niveau bringen, Power BI in weiteren 4 Wochen, Python-Pandas in 6-8 Wochen. Wer das nebenberuflich macht, ist nach 4-6 Monaten bewerbungsfähig.

Mit Tech-Affinität, aber ohne tiefere Programmiererfahrung: bleibt der Analyst-Pfad realistischer. Engineer geht nur mit einem dedizierten Bootcamp und mindestens 6-12 Monaten Projektarbeit nebenbei. Wer von einer Sachbearbeiter-Stelle direkt auf Senior Data Engineer schielt, unterschätzt den Sprung.

Mit Programmiererfahrung (etwa aus dem Studium oder einer Software-Tester-Stelle): Engineer-Pfad ist realistisch in 8-12 Monaten. Du musst SQL nachschärfen, eine Cloud-Plattform lernen und dich in Airflow plus dbt einarbeiten. Das ist machbar, aber kein Wochenend-Projekt.

Aus einem analytischen Beruf (Controller, Wirtschaftsprüfer, BWL-Absolvent): du hast schon das wichtigste, was Quereinsteigern oft fehlt, nämlich Zahlen- und Geschäftsverständnis. Du brauchst SQL und ein BI-Tool, dann bist du Analyst-fähig. Engineer wäre für dich der zweite Schritt nach 1-2 Jahren Analyst-Job.

Praxis-Beispiel: Anna Reichert, 34, aus Stuttgart

Anna war bis 2024 sieben Jahre lang Sachbearbeiterin in einer Versicherungsabteilung. Excel auf hohem Niveau, Pivot-Tabellen, etwas VBA, kein Python. Sie hat im Februar 2025 mit einer AZAV-zertifizierten Data-Analyst-Weiterbildung über Bildungsgutschein angefangen, sechs Monate Vollzeit. Im September 2025 hat sie ihre erste Stelle als Junior Data Analyst bei einem Reise-Vermittler unterschrieben, 48.000 EUR Einstiegsgehalt.

Was an ihr funktioniert hat: Excel-Vorerfahrung machte SQL und Pandas zugänglich. Sieben Jahre Versicherungsabteilung gaben ihr Domänenverständnis für Risikobewertung, das sie in den Bewerbungsgesprächen als USP einsetzen konnte. Im Vorstellungsgespräch beim Reise-Vermittler ging es zu 60 Prozent um genau diese Übertragbarkeit, nicht um SQL-Tricks.

Anna spielt aktuell mit dem Gedanken, in 18 Monaten auf Data Engineer umzusatteln. Dann hat sie zwei Jahre Analyst-Erfahrung im Lebenslauf und kann den Engineer-Job nicht mehr als reinen Quereinstieg verkaufen, sondern als laterale Erweiterung. Das ist der typische Pfad, der in der Praxis funktioniert.

Was die Förderung dazu sagt

Sowohl Data-Analyst-Weiterbildung als auch Data-Engineer-Weiterbildung sind über Bildungsgutschein nach § 81 SGB III förderfähig, sofern der Anbieter eine AZAV-Zertifizierung hat. Quelle: arbeitsagentur.de.

In der Praxis bewilligen Vermittler beide Maßnahmen mit guter Quote, weil beide Berufe auf der Engpass-Liste der Bundesagentur für Arbeit stehen. Beim Erstgespräch zählt: realistische Vermittlungsaussicht. Wer mit 34 und Excel-Hintergrund den Analyst-Weg pitcht, bekommt schneller grünes Licht als jemand, der mit 52 ohne Programmiererfahrung Data Engineer werden will. Das ist nicht ungerecht, sondern Bewilligungslogik nach § 81 Abs. 2 SGB III ("Notwendigkeit der Weiterbildung").

Wer in einem Unternehmen beschäftigt ist und sich weiterbilden will (Aufstieg in die Datenabteilung), kommt über das Qualifizierungschancengesetz nach § 82 SGB III. Die Förderquote richtet sich nach Unternehmensgröße: kleine Betriebe bekommen bis zu 100 Prozent Lehrgangskosten und Lohnzuschuss, größere weniger. Details im Artikel zum Qualifizierungschancengesetz.

Aufstiegs-BAföG nach § 2 AFBG passt für beide Berufe nicht, weil das in der Regel für anerkannte Aufstiegsfortbildungen (Fachwirt, Meister) gedacht ist und nicht für reine IT-Quereinstiegs-Kurse.

Wo Quereinsteiger in der Praxis scheitern

In der Praxis sehen wir vier Stolperstellen, die Quereinsteiger im Data-Bereich systematisch unterschätzen.

Erste Stolperstelle: SQL nicht auf Job-Niveau. Viele kommen aus einem Kurs mit "ich kenne SQL" und meinen damit SELECT * FROM tabelle WHERE x = 1. Job-Niveau heißt: komplexe Joins über fünf Tabellen, Window Functions für gleitende Durchschnitte, korrekte Indizes setzen, NULL-Handling sauber, Performance-Tuning bei großen Datensätzen. Das ist nicht trivial.

Zweite: Tools werden ohne Fall geübt. Wer Power BI aus YouTube-Tutorials kann, hat fünf hübsche Dashboards gebaut, aber nie eine echte Business-Frage gelöst. In der Bewerbung wird genau das gefragt: "Stell dir vor, wir wollen wissen, warum unsere Newsletter-Öffnungsrate gesunken ist. Wie gehst du vor?" Wer auf Tutorials trainiert ist, weiß nicht, dass die Frage zu 80 Prozent darin besteht, die richtigen Datenquellen zu identifizieren und nicht in Visualisierungs-Magie.

Dritte: Cloud-Hürde beim Engineer. Wer Python lokal kann und denkt, AWS sei "im Prinzip wie ein Linux-Server, nur in der Cloud", übersieht dass Cloud-Architektur eine eigene Disziplin ist. IAM-Rollen, Netzwerk-Konfiguration, Cost-Management, Service-Limits: das alles ist Engineer-Alltag.

Vierte: keine Portfolio-Projekte. Bewerbungen ohne GitHub-Repo oder Demo-Notebook bleiben im Lebenslauf-Filter hängen. Drei Projekte reichen, müssen aber dokumentiert sein. Ein README mit Problemstellung, Lösung, Ergebnis. Das ist eine Wochenend-Aufgabe pro Projekt, kein Doktor-Thema.

KI verändert das Berufsbild gerade

GitHub Copilot, ChatGPT mit Code Interpreter und Claude Code haben in den letzten 18 Monaten gerade den Junior-Bereich verändert. Aufgaben, die früher Stunden gedauert haben (SQL-Abfragen schreiben, Pandas-Code debuggen, Dashboard-Layouts entwerfen), kosten heute Minuten, wenn man die Tools beherrscht.

Praktisch heißt das für Quereinsteiger: SQL-Grundlagen musst du trotzdem können, weil du die KI-Ausgaben prüfen und korrigieren musst. Was sich verschiebt: der Hebel liegt zunehmend bei denen, die KI als Werkzeug nahtlos integrieren können. Wer einen Analyst-Job im Mai 2026 antritt und nicht weiß, wie er Claude oder ChatGPT für die täglichen Aufgaben nutzt, arbeitet eine Generation hinter dem aktuellen Stand.

Wir haben aus genau diesem Grund den Digitalisierungsmanager als 16-wöchige Vollzeit-Weiterbildung aufgebaut. Die Maßnahme deckt nicht nur Data-Analyst-Grundlagen ab, sondern speziell die Verzahnung mit KI-Tools, EU AI Act Compliance und Prozessautomatisierung. Über Bildungsgutschein oder QCG gefördert.

Häufige Fragen

Brauche ich ein Studium für Data Analyst oder Data Engineer?

Nein. Beide Berufe nehmen Quereinsteiger ohne Studium auf, sofern die Skills nachweisbar sind. In der Praxis sehen wir Mathematiker, Naturwissenschaftler und Wirtschaftswissenschaftler überrepräsentiert, aber das liegt am Filter der Personalabteilungen, nicht an einer formellen Voraussetzung. Wer Skills plus Portfolio mitbringt, kommt im Bewerbungsgespräch auch ohne Studium durch. Bei Konzernen mit starren HR-Prozessen ist es schwerer als bei Mittelstand oder Tech-Firmen.

Wie lange dauert eine seriöse Data-Analyst-Weiterbildung?

4 bis 6 Monate Vollzeit oder 8 bis 12 Monate berufsbegleitend. Was kürzer ist als 4 Monate Vollzeit, geht entweder nicht in die Tiefe oder setzt erhebliche Vorerfahrung voraus. Wer ein "Bootcamp in 8 Wochen" verspricht, vermarktet meistens an Leute, die schon programmieren können. Achte auf AZAV-Zertifizierung, wenn du über Bildungsgutschein finanzieren willst. Quelle: arbeitsagentur.de.

Was unterscheidet Data Scientist vom Analyst und Engineer?

Data Scientist liegt zwischen den beiden und überlappt sich teilweise mit beiden. Klassisch: Data Scientist baut Machine-Learning-Modelle, also Vorhersage-Algorithmen für Geschäftsprobleme. In der Praxis ist das Berufsbild unschärfer geworden, viele Stellen die "Data Scientist" heißen, sind in Wahrheit Analyst-Positionen mit etwas mehr Statistik. Wer Machine Learning wirklich beruflich machen will, braucht ein quantitatives Studium oder mehrere Jahre fokussierte Projektarbeit. Quereinstieg ist hier deutlich schwerer als bei Analyst.

Kann ich aus dem Pflegeberuf Data Analyst werden?

Ja, aber mit klarem Plan. Wir haben mehrere Teilnehmer im Lebenslauf, die aus der Pflege kamen. Was hilft: Pflege-Domänenwissen ist im Gesundheitssektor und in Krankenhäusern wertvoll, weil dort Datenanalysten gebraucht werden, die klinische Abläufe verstehen. Was hilft nicht: zu erwarten, dass der Wechsel "leicht" ist. Sechs Monate Vollzeit-Weiterbildung sind realistisch, nicht zwei Wochen Online-Kurs. Und du brauchst die Sicherheit, dass du wirklich am Bildschirm arbeiten willst, weil Data-Jobs zu 90 Prozent sitzende Arbeit sind.

Lohnt sich Data Engineer ohne Studium der Informatik?

Ja, wenn du programmieren wirklich lernst. Wir kennen mehrere Data Engineers, die als Quereinsteiger über ein 12-18-monatiges Programm gekommen sind, davon mindestens 6 Monate eigenständige Projektarbeit. Das ist ehrlich gesagt mehr Aufwand als ein Bachelor-Studium in derselben Zeit liefern würde, dafür ist die Lernkurve fokussierter und du baust direkt auf Marktanforderungen hin. Ohne Programmiererfahrung als Ausgangsbasis wird es eng. Mit Programmiererfahrung (auch aus dem Studium eines anderen Fachs) wird es machbar.

Bereit für den nächsten Schritt? Wenn du KI-Tools in deinen Daten-Workflow integrieren willst und gleichzeitig die Grundlagen für Analyst- oder Engineer-Aufgaben aufbauen möchtest, schau dir unseren Digitalisierungsmanager an. 16 Wochen Vollzeit, online, über Bildungsgutschein oder QCG förderfähig. Oder starte kostenlos mit dem KI-Schnupperkurs.

Über den Autor

Dr. Jens Aichinger ist promovierter Wirtschaftspädagoge, Erwachsenenbildner und Geschäftsführer von SkillSprinters by Dr. Aichinger. Er bildet seit über 15 Jahren Berufstätige, Fachkräfte und Quereinsteiger weiter, hat über 70 Fachbücher zu Prüfungsvorbereitung und Karrierethemen veröffentlicht und betreibt mit SkillSprinters einen der digital am stärksten wachsenden Bildungsträger im DACH-Raum.

Zuletzt geprüft am 22. Mai 2026. Quellen: gesetze-im-internet.de, arbeitsagentur.de, BMAS, Statista, Stand Mai 2026.