Wie ich sicherstelle, dass meine Karriere in der Analytik nicht von der KI aufgefressen wird

So stelle ich sicher, dass meine Analytik-Karriere nicht von der KI gefressen wird

Jede Woche flattert eine neue Schlagzeile herein: „KI kann jetzt Ihre Berichte schreiben“, „GPT‑4 besteht die CPA-Prüfung“, „Datenanalysten sind als Nächstes dran“. Als Analytiker lag ich früher wach und fragte mich, wie lange ich noch hätte, bevor ein großes Sprachmodell jede SQL-Zeile ersetzt, die ich schreibe. Dann wurde mir klar: Die Frage ist nicht, ob KI meinen Job übernimmt – sondern ob ich KI nutze, um meinen Job besser, schneller und wertvoller zu machen.

Die großen Technologieunternehmen machen ihre Richtung klar. OpenAI, Google und Microsoft investieren Milliarden, um generative Modelle intelligenter, günstiger und zugänglicher zu machen. Währenddessen ist die Towards Data Science Community voll von Analytikern, die von „Knopfdrückern“ zu strategischen Beratern wechseln. Mein eigener Plan ist nicht, den Maschinen davonzulaufen, sondern sie zu reiten. Dieser Artikel beschreibt die konkreten Schritte, die ich derzeit unternehme – inklusive Tools, Code und Workflows –, um sicherzustellen, dass meine Analytik-Karriere im Zeitalter der KI überlebt und gedeiht.

Warum das Standard-Rezept nicht mehr reicht

Vor ein paar Jahren bedeutete Karrieresicherheit, Tableau, Excel und ein bisschen SQL zu beherrschen. Heute kann ein Junior-Analyst einen Chatbot auffordern, in Sekunden einen Dashboard-Entwurf zu erstellen. Die Fähigkeiten, die einen früher ausgezeichnet haben – sauberes SQL schreiben, Diagramme formatieren – werden zur Ware. Wie im Microsoft AI Blog nachzulesen, bettet das Unternehmen Copilot in jede Ebene des Daten-Stacks ein, von Excel bis Power BI. Der Google AI Blog zeigt ähnlich Vertex AI Agents, die Abfragen spontan generieren.

Die Analytiker, die überleben, werden diejenigen sein, die **die richtigen Fragen stellen, die Antworten validieren und Zahlen in Entscheidungen übersetzen** können. Das ist ein Fähigkeitsset, das keine KI (bisher) vollständig beherrscht. Um dieses Fähigkeitsset aufzubauen, kombiniere ich drei Strategien:

• **Die langweiligen Teile automatisieren**, damit ich mich auf die Strategie konzentrieren kann.
• **Eigene KI-Tools bauen**, die mein Denken ergänzen, nicht ersetzen.
• **Mein Domänenwissen vertiefen**, um Unsinn zu erkennen, den ein Modell möglicherweise produziert.

Im Folgenden erkläre ich genau, wie ich die technische Grundlage für diesen Ansatz aufsetze.

Voraussetzungen

Bevor wir mit der Installation beginnen, hier die Voraussetzungen für die Umgebung, die ich täglich nutze:

• **Betriebssystem**: macOS oder Linux (Windows mit WSL2 funktioniert auch)
• **Python** 3.10 oder neuer
• **Git** (für Versionskontrolle und Klonen von Repos)
• **Ein lokaler Rechner** mit mindestens 16 GB RAM (zum Ausführen kleiner Sprachmodelle)
• **Eine Internetverbindung** zum Herunterladen von Modellen und Paketen
• (Optional) Ein API-Key von OpenAI, falls ich auf Cloud-Modelle zurückgreifen möchte

Schritt-für-Schritt-Installation

Ich baue meinen erweiterten Analytik-Workflow um drei Kernkomponenten: ein lokales Sprachmodell (über Ollama), eine Python-Umgebung mit LangChain und eine leichte Vektordatenbank (Chroma) zum Indexieren interner Dokumente. So richte ich sie ein.

#### 1. Ollama für lokale KI installieren

Ollama führt große Sprachmodelle lokal aus und hält sensible Daten von der Cloud fern. Ich nutze es für explorative Analysen, wenn ich nicht pro API-Aufruf zahlen möchte oder offline bin.

# So stelle ich sicher, dass meine Analytik-Karriere nicht von der KI gefressen wird
curl -fsSL https://ollama.com/install.sh | sh

Nach der Installation den Ollama-Server im Hintergrund starten:

ollama serve &

Jetzt ein einigermaßen großes Modell herunterladen. Für Analytik-Aufgaben empfehle ich `mistral`, weil es schnell ist und ordentlich mit Zahlen umgeht.

ollama pull mistral

Testen mit:

ollama run mistral "Was sind 15% von 340?"

#### 2. Python-Virtual-Environment einrichten

Ich halte meine Projekte getrennt, um Abhängigkeitskonflikte zu vermeiden.

# Neues Verzeichnis für das Projekt erstellen
mkdir ~/analytics-ai
cd ~/analytics-ai

# Virtual-Environment erstellen
python3 -m venv venv

# Aktivieren
source venv/bin/activate

#### 3. Wichtige Python-Pakete installieren

Jetzt die Bibliotheken installieren, die alles zusammenkleben. Ich verwende `langchain` für Prompt Chains, `chromadb` für lokalen Speicher und `pandas` für Datenaufbereitung.

pip install langchain langchain-community chromadb pandas openai

Falls Sie Ollama aus Python nutzen möchten, installieren Sie auch:

pip install ollama

#### 4. Installation überprüfen

Einen kurzen Testlauf durchführen, um sicherzustellen, dass alles funktioniert.

# test_imports.py
import langchain
import chromadb
import pandas as pd
import ollama

print("Alle Imports erfolgreich!")

Ausführen:

python test_imports.py

Wenn keine Fehler erscheinen, können Sie zu den Anwendungsbeispielen übergehen.

Anwendungsbeispiele

Nachdem die Umgebung bereit ist, zeige ich drei reale Szenarien, in denen KI meine Analytik-Arbeit ergänzt.

#### Beispiel 1: Datenzusammenfassung mit LangChain automatisieren

Statt eines mehrseitigen Memos lasse ich ein lokales Modell einen ersten Entwurf erstellen. Das Skript unten liest eine CSV mit Verkaufsdaten und bittet das Modell um eine prägnante Zusammenfassung.

# summarize_data.py
import pandas as pd
from langchain.llms import Ollama
from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate

# Beispiel-CSV laden (durch eigene Datei ersetzen)
df = pd.read_csv("sales_data.csv")

# Textrepräsentation vorbereiten (erste 10 Zeilen + Spaltenbeschreibung)
sample_text = f"Spalten: {list(df.columns)}\n\nErste 5 Zeilen:\n{df.head(5).to_string()}"

# Prompt definieren
prompt = PromptTemplate(
    input_variables=["data"],
    template="Gegeben die folgenden Verkaufsdaten, erstellen Sie einen einabsätzigen Executive Summary, der die wichtigsten Trends hervorhebt.\n\nDaten:\n{data}\n\nZusammenfassung:"
)

# Lokales Ollama-Modell nutzen
llm = Ollama(model="mistral")
chain = LLMChain(llm=llm, prompt=prompt)

# Zusammenfassung generieren
result = chain.run(data=sample_text)
print("KI-generierte Zusammenfassung:\n", result)

Skript ausführen:

python summarize_data.py

Das Modell liefert einen Absatz wie: „Der Umsatz in der Region Nordosten stieg im Quartalsvergleich um 12 %, während der Westen aufgrund von Lagerengpässen einen Rückgang von 3 % verzeichnete …“ **Ich überprüfe die Zahlen immer manuell**, aber der Entwurf spart mir zwanzig Minuten Tipparbeit.

#### Beispiel 2: Fragen zu eigenen Dokumenten mit RAG stellen

Ich muss oft Fragen zu internen Richtlinien beantworten (z.B. „Wie lautet unsere Datenaufbewahrungsrichtlinie?“). Indem ich diese Richtlinien in einer Vektordatenbank speichere, kann ich Fragen stellen, ohne sie dem öffentlichen Internet auszusetzen.

# rag_query.py
from langchain.document_loaders import TextLoader
from langchain.text_splitter import CharacterTextSplitter
from langchain.embeddings import OllamaEmbeddings
from langchain.vectorstores import Chroma
from langchain.chains import RetrievalQA
from langchain.llms import Ollama

# 1. Eigene interne Dokumente laden (hier eine einzelne Textdatei)
loader = TextLoader("company_policies.txt")
documents = loader.load()

# 2. In Chunks aufteilen
text_splitter = CharacterTextSplitter(chunk_size=500, chunk_overlap=50)
chunks = text_splitter.split_documents(documents)

# 3. Embeddings erstellen und in Chroma speichern
embeddings = OllamaEmbeddings(model="mistral")
vectordb = Chroma.from_documents(chunks, embeddings, persist_directory="./chroma_db")

# 4. Eine Retrieval-QA-Kette erstellen
qa_chain = RetrievalQA.from_chain_type(
    llm=Ollama(model="mistral"),
    retriever=vectordb.as_retriever()
)

# 5. Eine Frage stellen
query = "Wie lange ist die maximale Aufbewahrungsfrist für Kundeneinkaufsdaten?"
answer = qa_chain.run(query)
print("Antwort:", answer)

Speichern und ausführen:

python rag_query.py

Dieser Ansatz macht mich zur ersten Anlaufstelle für schnelle Antworten – ich muss nicht mehr Dutzende von PDFs durchsuchen.

#### Beispiel 3: SQL-Boilercode generieren

Das Schreiben immer gleicher SQL-Abfragen nervt mich. Ich nutze ein LLM, um einen ersten Entwurf zu erstellen, den ich dann überprüfe und optimiere.

# generate_sql.py
from langchain.llms import Ollama
from langchain.prompts import PromptTemplate

prompt = PromptTemplate(
    input_variables=["question", "table_schema"],
    template="Gegeben das folgende Tabellenschema, schreiben Sie eine SQL-Abfrage, um die Frage zu beantworten.\n\nTabellenschema:\n{table_schema}\n\nFrage:\n{question}\n\nSQL-Abfrage:"
)

llm = Ollama(model="mistral")
chain = LLMChain(llm=llm, prompt=prompt)

schema = """
Tabelle: orders (
  order_id INT PRIMARY KEY,
  customer_id INT,
  order_date DATE,
  total_amount DECIMAL(10,2)
)
Tabelle: customers (
  customer_id INT PRIMARY KEY,
  name VARCHAR(100),
  region VARCHAR(50)
)
"""

question = "Wie hoch ist der Gesamtumsatz pro Region für jeden Monat im Jahr 2024?"
sql = chain.run(question=question, table_schema=schema)
print("Generierte SQL:\n", sql)

Ausführen:

python generate_sql.py

Ich überprüfe immer Joins und Aggregationen, aber von einer vernünftigen Abfrage auszugehen, beschleunigt die Entwicklung erheblich.

Die menschliche Seite: Validierung, Ethik und Fachwissen

Keines dieser Tools ist etwas wert, wenn ich sie als Blackbox nutze. Die entscheidende Erkenntnis aus der Towards Data Science Community ist: **KI ist ein Junior-Assistent, kein Senior-Analyst**. Jedes Ergebnis, das ich bekomme, überprüfe ich:

• Zahlenbehauptungen: Bin ich sicher, dass das Modell den Prozentsatz richtig berechnet hat? (Oft nicht.)
• Logische Konsistenz: Widerspricht die Zusammenfassung bekannten Geschäftsregeln?
• Bias: Ignoriert das Modell ein Segment, das dem Unternehmen wichtig ist?

Ich halte auch mein Fachwissen scharf. Ich lese den Google AI Blog, um zu verstehen, was die Modelle nicht können (z.B. kausale Inferenz, Kontrafaktisches). Ich verfolge den Microsoft AI Blog, um zu sehen, wie Unternehmenswerkzeuge KI integrieren – und dann lerne ich, diese Tools vor meinen Kollegen zu nutzen.

Fazit

Die Bedrohung durch KI für Analytik-Karrieren ist real, aber kein Todesurteil – es ist eine Neusortierung. Die Analytiker, die erfolgreich sein werden, sind diejenigen, die aufhören, jede Codezeile von Hand zu schreiben, und stattdessen **Systeme entwerfen, die schneller Erkenntnisse liefern**, während sie menschliches Urteilsvermögen einsetzen, um diese Erkenntnisse zu interpretieren, zu hinterfragen und zu kommunizieren.

Ich stelle sicher, dass meine Karriere nicht von der KI gefressen wird, indem ich die KI zuerst fresse: Ich installiere lokale Modelle, baue Retrieval-gestützte Pipelines und automatisiere die lästige Arbeit, die früher Stunden dauerte. Die technischen Schritte in diesem Artikel sind das Fundament. Der wahre Unterschied ist jedoch die Neugier – das „Warum?“ zu fragen, wenn das Modell eine Antwort ausspuckt, und zu wissen, wann man sie ignorieren muss.

Wenn Sie ein Analytik-Profi sind, starten Sie heute: Installieren Sie Ollama, schreiben Sie ein Skript, das einen Bericht, den Sie bereits erstellen, ergänzt, und sehen Sie, wie viel Zeit Sie freischaufeln. Nutzen Sie diese Zeit, um mit Stakeholdern zu sprechen, das Geschäftsmodell zu verstehen und die Person zu werden, die Daten mit Entscheidungen verbindet. So bleiben Sie unersetzlich.

**Weiterführende Lektüre (nur allgemeiner Kontext):**

• Towards Data Science – Artikel über Karrierewechsel und analytisches Denken
• OpenAI News – Updates zu Modellfähigkeiten und Sicherheit
• Google AI Blog – Forschung zu verantwortungsvoller KI und Datenwerkzeugen
• Microsoft AI Blog – Integration von Unternehmens-KI in die Analytik

*Es wurde kein spezifischer Artikel, kein Datum und kein Autor der genannten Quellen zitiert, da es sich um allgemeine Startseiten handelt.*