Lebenslauf für Data Scientists: Beispiele und Anleitung

Dieses Muster gehört zu einem Data Scientist mit vier Jahren Berufserfahrung und Masterabschluss, der an Modellen arbeitet, die tatsächlich in Produktion laufen. Name und Arbeitgeber sind erfunden. Wenn Sie gerade Ihr Studium abschließen oder neu einsteigen, zeigt der Abschnitt zum Einstieg weiter unten, wie Sie denselben Aufbau mit Projekten, Forschung und Praktika füllen.

Auf Stellen im Bereich Data Science gehen Hunderte Lebensläufe mit denselben Bibliotheken ein. Die Leitung sucht nach Belegen, dass Sie die Arbeit gemacht haben, nicht nur den Kurs.

• Wirkung, die in Produktion oder bei einer Entscheidung angekommen ist. „Modell mit 92 % Accuracy gebaut“ ist eine Zeile aus der Hausarbeit. „Modell bewertet 90.000 Schäden pro Jahr und sicherte 2,2 Mio. €“ ist eine Zeile aus dem Beruf. Mindestens ein Stichpunkt pro Stelle sollte zeigen, dass Ihre Arbeit genutzt wird.
• Beide Arten von Zahlen. Eine Modellmetrik, die zum Problem passt (AUC oder Precision/Recall bei Klassifikation, MAPE oder RMSE bei Prognosen, Lift bei Uplift-Modellen), plus ein Geschäftsergebnis. Accuracy bei einem unausgewogenen Klassifikationsproblem zeigt der Leitung, dass Sie über die Metrik nicht nachgedacht haben.
• Tiefe in einem Stack statt Breite in zehn. Python mit benannten Bibliotheken, ein SQL-Warehouse, ein Weg in die Produktion (Airflow, MLflow, SageMaker, Vertex AI, Databricks). Wer jedes Framework aufzählt, wirkt wie jemand, der nur Tutorials kennt.
• Grundlagen in Experimenten und Statistik. Die meisten Produktstellen in Data Science bestehen zur Hälfte aus Experimenten. Testdesign, Power, Varianzreduktion, kausale Inferenz und das Wissen, wann ein Ergebnis nur Rauschen ist, werden im Gespräch geprüft, also zeigen Sie sie auf der Seite.
• Beim Berufseinstieg: Studium, Forschung und Projekte mit Links. Ein Master oder eine Promotion in einem quantitativen Fach ist weiterhin der übliche Weg; wo beides fehlt, muss ein GitHub-Profil mit zwei oder drei vollständigen Projekten (Daten, Methode, Evaluation, Dokumentation) den Lebenslauf tragen.

“Ich suche eine Zeile, in der das Modell für das Unternehmen wirklich etwas bewirkt hat, und dann prüfe ich, ob die gewählte Metrik zum Problem passt. Ein Lebenslauf mit zehn Kaggle-Platzierungen und keiner Zeile aus der Produktion landet ganz unten.”

Drei bis vier Zeilen. Zuerst Level, Jahre und Branche, dann Ihr bestes Ergebnis aus der Produktion mit beiden Zahlen, dann der Stack, dann der Abschluss. Beim Einstieg ersetzen Sie das Produktionsergebnis durch Ihr stärkstes Projekt oder Ihre Forschung. Ein Berufsziel brauchen Sie nicht; auch nach dem Studium haben Sie schon etwas vorzuweisen.

Das Muster: Problem, Daten (Umfang und Quelle), Methode, Modellmetrik, Geschäftsergebnis und wer das Ergebnis nutzt. Unten typische Zeilen, neu geschrieben. Setzen Sie Ihre eigenen Zahlen ein; im Gespräch wird jede davon genau hinterfragt.

Gruppieren Sie nach Kategorien und halten Sie den Abschnitt bei 12 bis 16 Zeilen. Nennen Sie Bibliotheken, nicht nur Sprachen, und pro Kategorie ein oder zwei Werkzeuge statt allem, was Sie je geöffnet haben. Personalabteilungen durchsuchen Bewerbermanagementsysteme nach exakten Namen, also schreiben Sie „scikit-learn“ und „PyTorch“ so, wie die Projekte selbst sie schreiben.

• Programmierung: Python (pandas, NumPy, scikit-learn, statsmodels), R (tidyverse), SQL (mit Warehouse: BigQuery, Snowflake, Redshift, Databricks SQL), Spark oder PySpark für große Datenmengen
• Modellierung: Gradient Boosting (XGBoost, LightGBM, CatBoost), regularisierte Regression, Zeitreihenprognosen, Clustering, Überlebenszeitanalyse, bayessche Verfahren, wenn Sie sie eingesetzt haben
• Deep Learning: PyTorch oder TensorFlow, Hugging Face Transformers, Fine-Tuning, Embeddings; nur nennen, wenn Sie echte Modelle trainiert oder feinabgestimmt haben
• Große Sprachmodelle: Prompt-Design, Retrieval-Augmented Generation, Evaluation von LLM-Ausgaben, OpenAI- oder Vertex-APIs, LangChain; wird immer häufiger verlangt, also schreiben Sie, was Sie tatsächlich gebaut haben
• Experimente und kausale Inferenz: A/B-Tests, Power-Analyse, CUPED, sequenzielle Tests, Differenz-von-Differenzen, Propensity Matching, Uplift-Modellierung
• MLOps und Pipelines: MLflow, Airflow, Docker, SageMaker, Vertex AI, Databricks, dbt, Datenqualitätstests, Modell-Monitoring, Git
• Visualisierung und Kommunikation: matplotlib, Plotly, Tableau oder Looker, Jupyter, technisches Schreiben und Ergebnispräsentationen für die Geschäftsleitung
• Fachgebiet: Nennen Sie Branche und Problemtypen, an denen Sie gearbeitet haben (Pricing, Kreditrisiko, Nachfrageprognose, Empfehlungen, medizinische Ergebnisse)

Schreiben Sie ein Projekt wie einen Stichpunkt aus dem Beruf: Problem, Datenumfang und Quelle, Methode, die passende Metrik und ein Link. Zwei oder drei vollständige Projekte schlagen acht Notebooks. Achten Sie darauf, dass README und Ergebnisse direkt im Browser sichtbar sind, ohne dass jemand etwas klonen muss.

1. 1Wählen Sie ein Problem mit einer echten Entscheidung dahinter (welche Patientinnen und Patienten nachbetreut werden, welche Angebote hervorgehoben werden, wie viel auf Lager liegen soll) und arbeiten Sie mit unordentlichen Daten aus einem offenen Datenportal, einer API oder einem Kaggle-Wettbewerb statt mit einem sauberen Lehrdatensatz.
2. 2Gehen Sie den ganzen Weg: Bereinigung, eine Baseline, ein stärkeres Modell, ehrliche Validierung (zeitbasierte Splits bei Zeitreihen, kein Leakage) und eine Metrik, die zum Problem passt.
3. 3Schreiben Sie ein README mit Fragestellung, Daten, Vorgehen, einer Ergebnistabelle und zwei Diagrammen sowie dem, was Sie als Nächstes tun würden. Recruiterinnen und Recruiter verbringen dort 30 Sekunden.
4. 4Im Lebenslauf: Titel, Werkzeuge in Klammern, dann ein bis zwei Zeilen mit Datenumfang, Methode, Metrik und Ergebnis sowie der Link. Bei einem Kaggle-Ergebnis nennen Sie Platzierung und Zahl der Teams.

Der Lebenslauf für den Berufseinstieg gehört zu den häufigsten Suchanfragen zu diesem Thema. Die Leitung will Belege dafür, dass Sie den ganzen Weg mit echten Daten gehen, das Ergebnis erklären und sauberen Code schreiben können. Ordnen Sie die Seite so, dass diese Belege zuerst kommen.

• Kopf mit GitHub (mit READMEs), LinkedIn und einem Portfolio oder Blog, falls Sie schreiben. Ein leerer GitHub-Link schadet.
• Profil aus drei Zeilen: Abschluss, Ihr bestes Projekt oder Ihre Forschung mit einer Metrik und Ihr Stack.
• Ausbildung weit oben: Abschluss, Hochschule, Abschlussdatum, Note, wenn sie 2,0 oder besser ist, und eine kurze Zeile mit passenden Modulen (Maschinelles Lernen, Statistische Inferenz, Bayessche Verfahren, Datenbanken, Versuchsplanung). Titel der Abschlussarbeit, falls vorhanden.
• Ein Abschnitt Projekte mit 2 bis 3 Einträgen wie oben beschrieben. Das ist vorerst Ihre Berufserfahrung.
• Praktika, Werkstudententätigkeiten und Stellen als studentische oder wissenschaftliche Hilfskraft (Forschung oder Tutorien) unter Berufserfahrung, mit Zahlen: Datenumfang, Modell, Metrik, wer es genutzt hat.
• Zertifikate nur als kleine Zeile am Ende (Google Cloud Professional ML Engineer, AWS Certified Machine Learning Engineer Associate, Databricks ML Associate). Sie helfen bei den Schlüsselwörtern; entscheiden werden Projekte und Gespräch.
• Lassen Sie das Berufsziel weg, ebenso „Leidenschaft für Daten“. Ein Einstiegs-Lebenslauf mit einer starken Zeile zur Abschlussarbeit wirkt besser als jedes Berufsziel.

• Länge: eine Seite bis etwa 6 Jahre Erfahrung. Zwei Seiten für Senior Data Scientists, Führungskräfte und Promovierte mit Publikationen, die für die Stelle zählen; in Deutschland sind zwei Seiten ohnehin akzeptiert. Entschieden wird auf der ersten halben Seite.
• Reihenfolge mit Erfahrung: Kopf, Profil, Berufserfahrung, Kenntnisse, Ausbildung, 2 bis 4 relevante Publikationen (den Rest über Google Scholar verlinken), Zertifikate. Beim Einstieg: Kopf, Profil, Ausbildung, Projekte, Berufserfahrung, Kenntnisse.
• Layout: eine Spalte, Standardschriften, keine Kenntnisbalken, Diagramme oder Grafiken. Eine dunkle oder zweifarbige technische Vorlage wie cvplex data-scientist ist in Ordnung, solange sie textbasiert bleibt. Bewerbermanagementsysteme großer Unternehmen lesen nur Text. Ein Foto ist in Deutschland üblich, aber freiwillig; in internationalen Tech-Unternehmen wird es oft weggelassen.
• GitHub: Verlinken Sie es nur, wenn dort 2 bis 3 fertige Projekte mit READMEs liegen. Pinnen Sie diese Repositories. Löschen oder archivieren Sie halbfertige Kurs-Notebooks.
• Schlüsselwörter aus der Anzeige, wenn sie auf Sie zutreffen: Machine Learning, statistische Modellierung, Python, SQL, Experimente oder A/B-Tests, Prognosen, Deep Learning, NLP, LLM, MLOps, die Cloud-Plattform mit Namen und der Problemtyp (Kündigung, Pricing, Betrug, Empfehlungen).
• Lebenslauf oder CV? In Deutschland ist es der tabellarische Lebenslauf mit einer bis zwei Seiten. „CV“ sagen vor allem internationale Unternehmen, die oft eine englische Fassung verlangen; Länge und Aufbau bleiben gleich. Ein vollständiger akademischer CV mit allen Publikationen und Vorträgen ist für Professuren und Stellen in Forschungseinrichtungen gedacht.