Lebenslauf als Data Scientist: Muster & Tipps 2026

Data-Science-Stellen im deutschsprachigen Raum sind ein Spagat: Manche Unternehmen suchen forschungsnahe Modellierer mit Promotion, andere wollen Menschen, die Modelle produktiv machen und mit Fachbereichen zusammenarbeiten. Dein Lebenslauf muss dir helfen, in diese Richtung zu zielen, in die du willst. Die gleiche Liste aus Algorithmen und Bibliotheken reicht dafür nicht.

Entscheidend ist der Nachweis von Wirkung. Welches Problem hast du mit Daten gelöst, mit welchem Ansatz, wie hast du den Erfolg gemessen und was ist danach im Betrieb passiert? Viele Bewerber beschreiben nur Modelle („Random Forest, XGBoost, neuronale Netze“) und lassen offen, ob jemals etwas davon eingesetzt wurde. Genau diese Frage stellen Hiring Manager im Gespräch zuerst.

In diesem Ratgeber findest du ein Muster mit fiktiver Person, Hinweise zum Umgang mit Promotion und Publikationen, zum Einsatz von GitHub und Kaggle, zur Sprache des Lebenslaufs und zu Lücken, etwa nach Forschungsphasen oder Elternzeit. Alles ist auf Deutschland, Österreich und die Schweiz zugeschnitten.

Lebenslauf-Muster: Data Scientist (m/w/d)

Muster

Dr. Katharina Reinhold

Data Scientist (Machine Learning, NLP) | Promotion in Informatik

Karlsruhe

Profil

Data Scientist mit Promotion in Informatik und fünf Jahren Erfahrung in der Entwicklung und im Betrieb von Machine-Learning-Modellen für Industrie und Energiewirtschaft. Stärken: Zeitreihenprognosen, Textklassifikation und die Überführung von Prototypen in produktive Services. Arbeitet eng mit Fachabteilungen und Data Engineers zusammen.

Berufserfahrung

Data Scientist, Schwarzwald Analytics GmbH

05/2022 – heute

Karlsruhe

  • Entwicklung eines Prognosemodells für den Strombedarf von Gewerbekunden (LightGBM, Python); mittlerer Prognosefehler gegenüber dem bisherigen Verfahren um rund 18 % reduziert
  • Überführung des Modells in einen produktiven Service mit MLflow, Docker und Airflow; tägliche Neuberechnung für etwa 3.000 Zählpunkte
  • Aufbau einer NLP-Pipeline zur automatischen Klassifikation von Kundenanfragen; Bearbeitungszeit im Service um etwa ein Viertel verkürzt
  • Definition von Monitoring-Metriken für Modelldrift und Abstimmung der Schwellenwerte mit dem Fachbereich

Wissenschaftliche Mitarbeiterin / Doktorandin, Karlsruher Institut für Datenforschung

10/2017 – 04/2022

Karlsruhe

  • Forschung zu probabilistischen Modellen für Zeitreihen; vier Publikationen auf Fachkonferenzen
  • Betreuung von sechs Bachelor- und Masterarbeiten sowie Übungsleitung im Modul „Maschinelles Lernen“
  • Mitarbeit in einem Verbundprojekt mit drei Industriepartnern; Leitung des Arbeitspakets Datenaufbereitung

Werkstudentin Data Science, Rheintal Mobility GmbH

04/2016 – 09/2017

Mannheim

  • Auswertung von Telemetriedaten mit Python und SQL
  • Prototyp zur Vorhersage von Wartungsbedarf auf Basis von Sensordaten

Ausbildung

Promotion (Dr.-Ing.) in Informatik, Karlsruher Institut für Datenforschung

10/2017 – 04/2022

Dissertation: Probabilistische Prognoseverfahren für verteilte Sensordaten

M.Sc. Informatik, Universität Mannheim

10/2014 – 09/2017

B.Sc. Wirtschaftsmathematik, Universität Heidelberg

10/2011 – 09/2014

Kenntnisse

Machine Learning: scikit-learn, LightGBM, PyTorch, NLP (Transformers), Zeitreihenanalyse

Programmierung & Daten: Python, SQL, Spark (Grundkenntnisse), pandas

MLOps: MLflow, Docker, Airflow, Git, CI/CD

Methoden: Statistik, Experimentdesign, Modellevaluation, Erklärbarkeit (SHAP)

Sprachen

Deutsch (Muttersprache) · Englisch (C2) · Französisch (B1)

Zertifikate

  • Zertifikat „Verantwortungsvolle KI“ – Weiterbildung (2023)

Wichtige Kenntnisse für Data Scientist (m/w/d)

Machine-Learning-Methodik

Du wählst Modelle passend zum Problem, validierst sauber und kannst Ergebnisse gegenüber einem einfachen Baseline-Verfahren belegen.

Statistik und Experimentdesign

Du planst Tests, verstehst Unsicherheit und bewertest, ob ein Effekt belastbar ist.

Python-Ökosystem

Du arbeitest sicher mit pandas, scikit-learn und mindestens einem Deep-Learning-Framework und schreibst wartbaren Code.

MLOps und Produktivsetzung

Du bringst Modelle in den Betrieb, überwachst sie und kennst Versionierung, Container und Pipelines.

Feature Engineering und Datenaufbereitung

Du erkennst, dass Datenqualität oft wichtiger ist als die Wahl des Algorithmus.

Erklärbarkeit und Verantwortung

Du erklärst Modellentscheidungen verständlich und kennst Anforderungen aus DSGVO und dem europäischen KI-Recht.

Kommunikation mit Fachbereichen

Du übersetzt Ergebnisse in Handlungsempfehlungen und holst dir Domänenwissen aktiv ab.

Wissenschaftliches Arbeiten

Du liest und bewertest Fachliteratur und überträgst Methoden auf praktische Probleme.

ATS-Schlüsselwörter

Diese Begriffe tauchen in Stellenanzeigen für diese Rolle besonders häufig auf. Übernehmen Sie sie dort, wo sie wirklich zutreffen:

Data ScienceMachine LearningDeep LearningPythonscikit-learnPyTorchTensorFlowNLPStatistikZeitreihenanalyseFeature EngineeringMLOpsMLflowDockerSQLBig DataSparkModellierungPredictive AnalyticsA/B-Testing

Aufzählungspunkte umformulieren: Vorher / Nachher

Vorher

Entwicklung von Machine-Learning-Modellen

Nachher

Prognosemodell für den Strombedarf mit LightGBM entwickelt; mittlerer Prognosefehler gegenüber dem bisherigen Verfahren um rund 18 % reduziert

Vorher

Modelle in Produktion gebracht

Nachher

Modell mit MLflow, Docker und Airflow als täglichen Service für etwa 3.000 Zählpunkte betrieben und Monitoring für Modelldrift eingerichtet

Vorher

Arbeit an Textklassifikation

Nachher

NLP-Pipeline zur Klassifikation von Kundenanfragen aufgebaut; Bearbeitungszeit im Service um etwa ein Viertel verkürzt

Vorher

Forschung im Bereich Zeitreihen

Nachher

Probabilistische Zeitreihenmodelle entwickelt und in vier Konferenzbeiträgen veröffentlicht; Verbundprojekt mit drei Industriepartnern

Promotion, Publikationen und Abschlüsse richtig darstellen

Im deutschsprachigen Raum hat die Promotion in Data Science einen hohen Stellenwert, vor allem in forschungsnahen Positionen und bei Konzernen. Führe sie in der Ausbildung mit Titel (Dr. rer. nat., Dr.-Ing. oder PhD), Zeitraum, Institution und Thema der Dissertation auf. Den akademischen Titel setzt du auch in den Namen im Kopf des Lebenslaufs.

Die Promotionszeit stellst du zugleich als Berufserfahrung dar, wenn du angestellt warst: als wissenschaftliche Mitarbeiterin oder wissenschaftlicher Mitarbeiter mit Aufgaben, Projekten und Lehre. Das zeigt, dass du nicht nur geforscht, sondern Projekte geleitet, Studierende betreut und mit Industriepartnern zusammengearbeitet hast.

Publikationen gehören in einen separaten Abschnitt, aber nur in einer Auswahl. Drei bis fünf relevante Titel mit Venue und Jahr reichen. Für die Industrie ist es klüger, die Ergebnisse zu übersetzen: Was lässt sich aus dieser Forschung praktisch nutzen? Eine vollständige Publikationsliste kannst du als Anhang oder Link bereithalten.

Ohne Promotion hast du ebenfalls gute Chancen, besonders in Positionen mit Fokus auf Produktivsetzung. Zeige dann Projekte, die ein Ende-zu-Ende-Verständnis beweisen, und gehe im Kurzprofil offen mit deinem Weg um, etwa über einen Master mit Schwerpunkt Machine Learning.

GitHub, Kaggle und eigene Projekte als Nachweis

Gerade für Berufseinsteiger ist ein öffentliches Projekt im Data-Science-Umfeld oft überzeugender als eine weitere Kursbescheinigung. Aber nicht jedes Notebook ist ein Beweis. Ein Repository, das Daten lädt, ein Modell trainiert und einen Score ausgibt, zeigt kaum etwas, das nicht in Tausend anderen Repositories steht.

Aussagekräftig sind Projekte, die ein echtes Problem beschreiben, eine saubere Evaluation haben und eine Entscheidung begründen. Dokumentiere in der README, welche Baselines du verglichen hast, welche Annahmen du getroffen hast und welche Grenzen das Modell hat. Ein kurzer Abschnitt zu „Was ich anders machen würde“ wirkt reif und ehrlich.

Kaggle-Platzierungen kannst du erwähnen, wenn sie gut sind, und mit einer Zeile erläutern, was der Wettbewerb war. Ein Link zu einer Veröffentlichung oder einem Blogartikel, der ein Verfahren erklärt, zeigt Kommunikationsstärke. Teile in öffentlichen Projekten keine sensiblen oder personenbezogenen Daten, und verwende öffentlich lizenzierte Datensätze.

Im Lebenslauf gibst du maximal zwei bis drei Projekte an, mit je einer Zeile zu Aufgabe, Methode und Ergebnis und einem Link. Alles weitere liegt hinter diesem Link, nicht im Dokument.

Deutsch oder Englisch und die Frage der Zielrolle

Data-Science-Teams in Deutschland, Österreich und der Schweiz sind häufig international. Dort wird Englisch gesprochen, Dokumentation und Code-Kommentare sind englisch, und viele Anzeigen erscheinen auf Englisch. Bewirbst du dich auf eine englische Anzeige, schreibe einen englischen CV. Bei deutschen Anzeigen verfasst du den Lebenslauf auf Deutsch und lässt bewährte englische Fachbegriffe stehen, etwa „Machine Learning“ oder „Feature Engineering“. Übersetzungen wie „maschinelles Lernen“ sind richtig, tauchen in den Anzeigen aber seltener auf; nutze im Zweifel beide Varianten.

Kläre für dich außerdem die Zielrolle, denn Data Scientist ist ein breit verwendeter Titel. Manche Positionen bedeuten Reporting und Statistik, andere Forschungsnähe, wieder andere MLOps und Engineering. Lies die Aufgabenliste und passe das Kurzprofil darauf an. Auf Forschungsstellen betonst du Methodik und Publikationen, auf Produktstellen Wirkung, Betrieb und Zusammenarbeit.

Achte auch auf den europäischen Kontext: Wissen zu DSGVO, Erklärbarkeit und dem europäischen Regelwerk für KI ist für viele Unternehmen ein echtes Auswahlkriterium. Ein Satz im Profil oder in einem Bulletpoint zu verantwortungsvollem Umgang mit Daten kann dich von anderen Bewerbungen unterscheiden.

Lücken, Forschungsphasen und Karriereübergänge

Datenkarrieren verlaufen selten geradlinig: Promotion, Postdoc, Industrieposition, Elternzeit, Gründung, Sabbatical. Das ist im deutschsprachigen Raum nachvollziehbar und kein Nachteil, solange du die Zeitleiste klar darstellst. Trage jede Phase mit Zeitraum im Format MM/JJJJ ein und beschreibe sie in einem Satz. Eine Lücke von mehr als drei Monaten sollte im Lebenslauf nicht unerklärt bleiben.

Elternzeit, Pflege von Angehörigen oder Krankheit nennst du knapp und sachlich: „Elternzeit“ genügt, du musst weder Details noch Gründe nennen. Wenn du in der Zeit etwas gelernt oder veröffentlicht hast, ergänze es. Freiberufliche Projekte oder Beratung führst du wie eine reguläre Station mit Auftraggebern in anonymisierter Form auf, etwa „Industrieunternehmen im Energiesektor“.

Beim Übergang von der Wissenschaft in die Industrie hilft eine bewusste Übersetzung: Aus „Leitung eines Arbeitspakets“ wird „Projektleitung mit drei Partnern und klaren Lieferergebnissen“, aus „Lehre“ wird „Anleitung und Wissensvermittlung“. Zeige, dass du Fristen, Budgets und Teams erlebt hast.

Hänge Zeugnisse der wichtigsten Stationen an. Im akademischen Umfeld sind außerdem Gutachten oder Empfehlungsschreiben der Betreuenden ein starkes Signal, das du auf Nachfrage vorlegst.

Häufige Fehler

  • Modelle und Bibliotheken aufzählen, ohne Problem, Datenbasis und Ergebnis zu nennen.

  • Kennzahlen wie „Accuracy 99 %“ ohne Kontext nennen, obwohl Klassen unausgewogen sind.

  • Alle Publikationen auflisten statt einer relevanten Auswahl.

  • Die Promotionszeit nur als Studium darstellen und Projekt- und Betreuungserfahrung verschweigen.

  • Nie erwähnen, ob Modelle produktiv eingesetzt wurden oder Prototypen blieben.

  • Öffentliche Projekte mit sensiblen Daten oder unklaren Lizenzen verlinken.

  • Dieselbe Version für Forschungs- und Industriestellen verwenden.

Häufige Fragen

Brauche ich eine Promotion, um Data Scientist zu werden?+

Nein. Eine Promotion ist bei forschungsnahen Positionen und bei manchen Konzernen ein Vorteil, aber viele Data-Science-Stellen setzen einen Master oder gleichwertige Erfahrung voraus. Entscheidend sind nachweisbare Projekte, ein solides Verständnis von Statistik und Machine Learning und die Fähigkeit, Ergebnisse zu vermitteln. Wenn du ohne Promotion einsteigst, belege Erfahrung mit Praktika, Abschlussarbeit, Projekten und, wo möglich, mit produktiv eingesetzten Modellen. Das überzeugt oft mehr als ein Titel allein.

Wie stelle ich Projekte dar, die ich nicht öffentlich zeigen darf?+

Beschreibe sie anonymisiert und fokussiert auf Methode und Ergebnis. Statt eines Firmennamens kannst du die Branche nennen, zum Beispiel „Energieversorger“. Gib Größenordnungen und relative Verbesserungen an, aber keine vertraulichen Zahlen oder Kundennamen. Ergänze das Ganze durch ein öffentliches Projekt oder eine Veröffentlichung, damit der Leser deinen Arbeitsstil selbst prüfen kann. Im Gespräch kannst du Details besprechen, die du schriftlich nicht preisgibst, solange du Verschwiegenheitspflichten beachtest.

Sollte ich Kaggle-Erfolge in den Lebenslauf aufnehmen?+

Ja, wenn die Platzierung respektabel ist und du in einer Zeile erklärst, worum es ging, was dein Beitrag war und welche Methode zum Erfolg geführt hat. Ein reiner Hinweis wie „Kaggle Expert“ ist weniger aussagekräftig. Für Berufseinsteiger kann Kaggle ein sinnvolles Zeichen von Praxis sein, bei erfahrenen Bewerbern zählen betriebliche Wirkung und produktive Systeme stärker. Verlinke dein Profil nur, wenn es aufgeräumt ist und deine besten Arbeiten zeigt.

Wie lang darf ein Data-Science-Lebenslauf mit Promotion sein?+

Zwei Seiten sind auch mit Promotion üblich. Publikationen, Vorträge und Lehrveranstaltungen gehören, wenn sie umfangreicher sind, in einen separaten Anhang oder eine eigene Liste, die du auf Nachfrage bereitstellst. Für Industriepositionen priorisierst du Projekte mit praktischer Wirkung und kürzt akademische Details. Für Forschungsstellen darf der Publikationsteil ausführlicher sein. Prüfe stets, ob die Anzeige ein bestimmtes Format wünscht.

Weitere Lebenslauf-Beispiele

Ihr Lebenslauf, passend zur Stellenanzeige

Laden Sie Ihren Lebenslauf und die Stellenanzeige hoch. Die KI passt Inhalt und Schlüsselwörter an.