Datenanalyst vs. Datenwissenschaftler: Ein Vergleichsleitfaden für 2026

Das Internet und die zunehmende Nutzung von Technologie haben zu einem riesigen Anstieg der Datenmengen geführt. Weil Unternehmen immer mehr auf datengestützte Entscheidungen setzen, versuchen sie, die besten Leute zu finden, die Daten aus zuverlässigen Quellen sammeln, speichern und für ihre Geschäfte nutzen können.

Da Unternehmen immer mehr Geld nicht nur in den Aufbau ihrer Dateninfrastruktur, sondern auch in die Suche nach den richtigen Leuten stecken, sind die Jobs als Datenanalyst und Datenwissenschaftler zu den zwei beliebtesten geworden. Ihre Beliebtheit kommt von der steigenden Nachfrage nach diesen Datenexperten in fast allen Branchen.

Die Unterschiede zwischen Datenanalysten und Datenwissenschaftlern verstehen

Der Unterschied zwischen einem Datenanalysten und einem Datenwissenschaftler kommt von der Art der Arbeit, die sie machen. Für einen Datenanalysten ist das Profil im Gegensatz zum experimentellen Arbeitsprofil eines Datenwissenschaftlers vor allem explorativ.

Der Unterschied zwischen einem Datenanalysten und einem Datenwissenschaftler hängt davon ab, wie gut man sich mit der Nutzung von Daten auskennt. Von den beiden sollte ein Datenwissenschaftler mehr praktische Erfahrung mit fortgeschrittenen Programmiertechniken und Computertools haben. Außerdem sollte ein Datenwissenschaftler besser darin sein, Datenmodelle und Algorithmen zu entwickeln. Wenn man versteht, wie Unternehmen Daten auf unterschiedliche Weise nutzen, kann das helfen, ihre jeweiligen Rollen besser zu verstehen. 

• Beschreibende Analytik: Analytische Lösungen in dieser Kategorie klären die „Was“- und „Warum“-Fragen von Geschäftsproblemen. Sie liefern nützliche Erkenntnisse, indem sie Muster, Trends und Auffälligkeiten in historischen Daten erkennen. Zum Beispiel kann man mit Hilfe von beschreibender Analytik herausfinden, wie sich die Kundenbindung im Laufe der Jahre verändert hat und warum das so ist.
• Vorausschauende Analysen: Wie der Name schon sagt, nutzt diese Art von Lösungen Modelle des maschinellen Lernens, um anhand von Trends in den Daten aus der Vergangenheit die Zukunft vorherzusagen. Zum Beispiel wird die Wahrscheinlichkeit, dass man einem Kunden ein Produkt zusätzlich verkauft, anhand seiner bisherigen Interaktionen mit Hilfe von Predictive Analytics berechnet.
• Vorgeschriebene Analytik: Vorgeschriebene Analysen nutzen die Ergebnisse von beschreibenden und prädiktiven Analysen, um bessere Geschäftsstrategien zu entwickeln. Auch hier kann das Unternehmen anhand der bisherigen Interaktionen und der Wahrscheinlichkeit von Cross-Selling den besten Produktmix für die Kunden finden.

Ein Datenanalyst nutzt beschreibende Analysen, um Fakten zu berichten, und gibt manchmal auch Vorschläge, die auf diesen Erkenntnissen basieren. Ein Datenwissenschaftler kümmert sich um alles, was mit Analysen zu tun hat, und konzentriert sich vor allem auf Vorhersageanalysen und darauf, mit Daten einen Mehrwert für Unternehmen zu schaffen. 

Datenanalyst vs. Datenwissenschaftler: Ein Vergleich ihrer Aufgaben und Verantwortlichkeiten

Ein Datenanalyst kann auch viele andere Jobtitel haben, wie zum Beispiel Stratege, Business-Intelligence-Analyst, Marktinformationsanalyst, Berater oder Wettbewerbsinformationsanalyst. Egal, wie der Job genau heißt, von einem Datenanalysten wird meistens erwartet, dass er Einblicke liefert, indem er große Datenmengen (meist strukturiert) abfragt und sie dann in aussagekräftige Berichte für verschiedene Interessengruppen umwandelt. Also geht's bei dem Job eher darum, Muster in Daten zu finden, Datenvisualisierungen zu erstellen und die Erkenntnisse an die Leute im Unternehmen weiterzugeben. In unseren speziellen Artikeln erfährst du mehr darüber, wie du Datenanalyst oder Datenwissenschaftler werden kannst. 

Im Gegensatz dazu macht ein Datenwissenschaftler Sachen, die in den Bereich der prädiktiven und präskriptiven Analytik fallen. Nehmen wir mal den Fall einer Software für Fahrdienstvermittlungen: Ein Datenanalyst würde schauen, wie sich eine Werbeaktion in der Vergangenheit auf die Fahrdienstaktivitäten ausgewirkt hat. Andererseits könnte ein Datenwissenschaftler an einem Matching-Algorithmus arbeiten, der Fahrer und Mitfahrer am besten zusammenbringt. 

Projektlebenszyklus eines Datenanalysten und eines Datenwissenschaftlers

Datenanalyst

Hier ist, wie der typische Lebenszyklus eines Projekts aussieht, das von einem Datenanalysten bearbeitet wird.  

1. Datenextraktion: Die Datenextraktion ist auf kleinere Datensätze beschränkt, weil Datenanalysten sich hauptsächlich mit bestimmten Geschäftsszenarien beschäftigen.
2. Datenbereinigung und -aufbereitung: Sobald die Daten extrahiert sind, werden sie verarbeitet und in Form von Visualisierungen zusammengefasst, die die zugrunde liegenden Fakten, sich abzeichnenden Trends und Anomalien intuitiv hervorheben können. 
3. Datenauswertung: Bei dieser Aufgabe fängt der Analyst an, die Gründe für die verschiedenen Trends und Anomalien zu untersuchen, die während der Datenvorbereitungsphase aufgefallen sind. 
4. Datenvisualisierung und Berichterstellung: Als Nächstes macht der Analyst übersichtliche Dashboards und Managementberichte mit Geschäftskommentaren und teilt sie mit den Endnutzern. Normalerweise werden dafür verschiedene Business-Intelligence-Tools wie Tableau und Power BI benutzt.

Datenwissenschaftler

Das unten gezeigte Prozessflussdiagramm zeigt die verschiedenen Phasen des Projekts, die von einem Datenwissenschaftler bearbeitet werden.

1. Datenextraktion: Das ist ein üblicher Schritt sowohl für Datenanalysten als auch für Datenwissenschaftler. Die Datenquelle für Datenwissenschaftler ist aber nicht nur auf ein paar kleine Tabellen beschränkt, sondern meistens riesig. In solchen Fällen arbeiten ein Datenwissenschaftler und ein Dateningenieur zusammen.
2. Datenbereinigung: In dieser Phase verbringt der Datenwissenschaftler viel Zeit damit, sich einen genauen Überblick über die Daten zu verschaffen, die zugrunde liegenden Probleme zu verstehen, Anomalien zu erkennen und die Daten schließlich für die nächsten Schritte aufzubereiten.
3. Feature-Engineering: Bevor Datenwissenschaftler mit der Arbeit an Vorhersagemodellen anfangen, machen sie Feature Engineering. Feature Engineering ist der Prozess, bei dem man bereinigte Daten nutzt, um Variablen zu erstellen, von denen man sich eine bessere Vorhersagekraft für das Zielergebnis verspricht. Zum Beispiel kann man beim Erstellen eines Modells, das vorhersagt, wie wahrscheinlich es ist, dass jemand Diabetes bekommt, neben Größe und Gewicht auch den BMI als zusätzliche Info in das Modell reinpacken. Hier ist der BMI ein berechnetes Merkmal, das anhand von Größe und Gewicht ermittelt wird.
4. Modellentwicklung mit KI/ML-Techniken: Die Daten werden dann in einen Algorithmus für maschinelles Lernen eingespeist, um Vorhersagen zu machen. Es gibt viele verschiedene Algorithmen für maschinelles Lernen, die unterschiedlich kompliziert sind und für verschiedene Sachen genutzt werden können. Schau dir diesen Leitfaden an, um die Unterschiede zwischen verschiedenen Arten von Algorithmen für maschinelles Lernen zu verstehen.  
5. Modelltests: In dieser Phase überprüft ein Datenwissenschaftler die Ergebnisse des Modells. Wenn die Ergebnisse nicht so gut sind, schaut sich der Wissenschaftler die Modellparameter nochmal an und passt sie an, um das gewünschte Ergebnis zu kriegen. Wenn die Modelloptimierung aber nicht klappt, fängt der Datenwissenschaftler wieder von vorne an und überlegt, wie er das Feature neu gestalten kann, damit es für die nächsten Modellversuche besser passt.
6. Das Modell in die Produktion bringen: Nach der Entwicklung und Optimierung der Modelle arbeiten die Software- und Datenentwicklungsteams zusammen, um produktionsreife Modell-Pipelines zu erstellen. Das sorgt für eine reibungslose Integration in die Datenpipeline. Als letzten Schritt kümmern sie sich darum, den Code fertig zu machen und in der Produktionsumgebung einzusetzen.

Jetzt, wo wir wissen, was Datenanalysten und Datenwissenschaftler so machen, stellt sich die Frage: Welche Fähigkeiten brauchst du, um für einen dieser Jobs gut gerüstet zu sein? Hier ist ein Vergleich der Fähigkeiten, die man für diese Jobs braucht.

Datenanalyst vs. Datenwissenschaftler: Vergleich der Fähigkeiten

Die Anforderungen an die Fähigkeiten sind für beide Rollen ziemlich ähnlich. Allerdings ist das Niveau der einzelnen Fähigkeiten ziemlich unterschiedlich. Die Tabelle unten zeigt die acht wichtigsten Fähigkeiten und das Niveau, das von einem Datenanalysten und einem Datenwissenschaftler erwartet wird:

Datenanalyst

Der Projektzyklus für einen Datenanalysten hat normalerweise zwei Phasen: Erkenntnisgewinnung und Erkenntnisvermittlung. Schauen wir uns mal an, welche Fähigkeiten man für jede dieser Phasen braucht:

• Erkenntnisgewinnung: Um nützliche und wirkungsvolle Erkenntnisse zu gewinnen, sollten Datenanalysten genug Fachwissen haben, um Daten effektiv zu untersuchen. Wenn man in einem der beiden Bereiche nicht genug Ahnung hat, kann das zu einem falschen Verständnis der geschäftlichen Probleme führen und möglicherweise irreführende Ergebnisse liefern. Angesichts der heutigen Technologielandschaft in Unternehmen müssen Analysten für explorative Analysen gut in Programmiersprachen wie SQL, Python und R sein. Sie sollten in der Lage sein, Codes im Rahmen der funktionalen Programmierung effizient zu schreiben. Deshalb sollte es reichen, wenn man diese Sprachen gut genug beherrscht, um Datenbearbeitungsaufgaben besser zu erledigen. Wenn man sich mit Datenverarbeitung auskennt, kann das Datenanalysten echt dabei helfen, weniger auf Datenteams angewiesen zu sein. Das kann für sie echt ein großer Vorteil sein.
• Einblick in die Kommunikation: Es ist echt wichtig, dass man gut kommunizieren und seine Ideen den Chefs gut rüberbringen kann. Um effektiv zu sein, kann es für einen Datenanalysten echt nützlich sein, sich gut mit Datenvisualisierungstools wie Tableau und Power BI auszukennen. Da die Kommunikation von Erkenntnissen meistens über Präsentationen und Dashboards läuft, muss ein Datenanalyst die Codes selten in die Produktion bringen. Deshalb ist das Wissen über Software-Engineering-Aspekte meistens nicht so wichtig.

Datenwissenschaftler

Auch wenn die Probleme, mit denen sich Datenwissenschaftler beschäftigen, unterschiedlich aussehen, geht es bei den Projekten, die sie leiten, meistens darum, Vorhersagemodelle zu entwickeln und sie in die Produktion zu bringen. Die für diese Aufgaben benötigten Fähigkeiten sind:

• Vorhersagemodelle: Ein Datenwissenschaftler sollte nicht nur gut mit Daten umgehen können und sich in der Geschäftswelt auskennen, sondern auch verschiedene Techniken zur Datenmodellierung und die dazugehörigen Algorithmen gut beherrschen. Deshalb musst du Open-Source-Sprachen wie Python und R richtig gut beherrschen. Der Einsatz von Visualisierungstools ist wichtig, damit sie die Ergebnisse ihrer Modellierung mit verschiedenen Leuten teilen können. Außerdem muss ein Datenwissenschaftler Daten nach Belieben extrahieren und die Anforderungen an die Datenpipeline dem Entwicklerteam klar rüberbringen können. Deshalb sind Kenntnisse im Bereich Data Engineering ein Muss für einen Datenwissenschaftler.
• Modellproduktion: Normalerweise werden die Ergebnisse aus den Datenmodellen in ein Front-End-System eingespeist, das für die Nutzer an der Front zugänglich ist. Um eine reibungslose Integration zu haben, soll ein Datenwissenschaftler Restful-APIs, JSON-Feeds und andere Webdienste entwickeln. Alle Codes, die ein Datenwissenschaftler während der Modell- und API-Entwicklung schreibt, müssen produktionsreif sein. Man braucht also praktische Kenntnisse in Softwareentwicklung, um objektorientierte Programmierung besser zu verstehen.

Datenanalyst vs. Datenwissenschaftler: Bildungshintergründe

Hier bekommst du einen Überblick über die üblichen Bildungsabschlüsse von Datenanalysten und Datenwissenschaftlern, ihre Studienfächer und ein paar wichtige neue Trends. 

Ein Vergleich der Bildungsabschlüsse

Laut der Burtch Works Study 2023 hat das Bildungsniveau von Datenanalysten und Datenwissenschaftlern einen großen Einfluss auf ihre Gehälter. Diese Erkenntnis wird im nächsten Abschnitt über die Branchenaussichten für die beiden Berufe bestätigt.

Quelle: Burtch Works Study 2023

Im Jahr 2021 hatten 49 % aller befragten Datenwissenschaftler einen Doktortitel. Allerdings haben nur 19 % der befragten Datenanalysten einen Doktortitel. 

Quelle: Burtch Works Study 2021

Während Informatik bei Datenwissenschaftlern als beliebtestes Studienfach gilt, wird Ingenieurwesen bei beiden Rollen immer beliebter.

Wichtige Trends

Laut der Studie von Burtch Works aus dem Jahr 2021 sind die wichtigsten demografischen Trends, die sich für Datenwissenschaft und Analytik abzeichnen, folgende:

• Die Zahl der Fachleute mit Doktortitel ist im Vergleich zu den letzten Jahren, in denen die Zahlen eher in Richtung Bachelor- oder Masterstudiengänge gingen, deutlich gestiegen. In der Beispielstudie zu Datenwissenschaftlern stieg zum Beispiel der Anteil derjenigen mit Doktortitel von 43 % im Jahr 2020 auf 48 % im Jahr 2021. 
• Viele erfahrene Analytiker mit Doktortitel und Akademiker, die bereit sind, Jobs in Unternehmen anzunehmen, werden immer beliebter für Stellen im Bereich Data Science, weil sie ihre umfangreichen Forschungsergebnisse in Geschäftsanwendungen umsetzen können. 
• Die klassischen MBA-Studiengänge in Datenwissenschaft und Analytik sind mittlerweile durch Studiengänge wie den Master of Science in Business Analytics oder den Master of Science in Data Science ersetzt worden, weil diese viel mehr auf quantitative Aspekte ausgerichtet sind. Unter den Datenwissenschaftlern sind die Wirtschaftsabschlüsse von 12 % im Jahr 2019 auf 8 % im Jahr 2021 zurückgegangen.

Da Studenten und Berufstätige immer mehr verschiedene Fortgeschrittenenkurse besuchen, um sich weiterzubilden und umzuschulen, sind Online-Kurse ein super Angebot, das professionelle Zertifizierungen außerhalb des traditionellen Rahmens einer Universität bündeln kann.  

Kurse zu Datenanalyse und Datenwissenschaft 

Weil die Aufgaben und Verantwortlichkeiten von Datenanalysten und Datenwissenschaftlern echt unterschiedlich sind, bietet DataCamp für beide Rollen Karrierewege an, die genau auf ihre jeweiligen Fähigkeiten zugeschnitten sind.

Karrierewege für Datenanalysten 

Datenanalyst mit Python (Kursinhalt: 62 Stunden)

Dieser Lernpfad fängt mit den Grundlagen der Programmiersprache Python für die Datenanalyse an. Nachdem wir die Grundlagen geklärt haben, geht dieser Lernpfad tiefer auf Techniken zum Datenmanagement und zur Datenvisualisierung ein. Lerne auch, Daten aus verschiedenen Quellen wie dem Internet, Datenbanken und JSON-Dateien zu beschaffen. Außerdem gibt dieser Lernpfad einen Überblick über Techniken zur explorativen Datenanalyse und bringt den Lernenden mehr über relationale Datenbanken und SQL bei.

Datenanalyst mit R (Kursinhalt: 77 Stunden)

Dieser Lernpfad geht auf die wichtigsten Fähigkeiten ein, die Datenanalysten brauchen, die mit der Programmiersprache R arbeiten. Es bietet umfassende Inhalte zu den am häufigsten verwendeten R-Paketen wie tidyverse, ggplot und dplyr. Ähnlich wie beim Python-Lernpfad hilft dir dieser Kurs dabei, ein mittleres Verständnis für die Fähigkeiten eines Datenanalysten zu entwickeln, wie zum Beispiel Datenbeschaffung, -bearbeitung und -visualisierung. 

Datenanalyst mit SQL (Kursinhalt: 41 Stunden)

Dieser Lernpfad hilft den Lernenden, ein tiefes Verständnis von SQL Server, den Konzepten relationaler Datenbanken, deren Design und Leistungsoptimierung zu entwickeln.

Karriere-Lernpfade für Datenwissenschaftler

Karrierewege für Datenwissenschaftler gibt's in Python und R. Sie helfen den Lernenden, sich intensiv mit den Softwareentwicklungsaspekten von Python wie der objektorientierten Programmierung auseinanderzusetzen. Außerdem geben sie einen Überblick über Statistiken und überwachte und unüberwachte Techniken des maschinellen Lernens. Die Lernpfade bieten auch Fallstudien zu jedem Meilenstein, damit die Lernenden praktische Erfahrungen mit echten Problemen sammeln können.

Datenwissenschaftler mit Python (Kursinhalt: 88 Stunden)

Dieser Kurs bringt dich auf dem Weg vom Anfänger zum erfahrenen Datenwissenschaftler. Neben der Einführung in Python für Datenbeschaffung, Datenbearbeitung und Datenvisualisierung gibt es den Lernenden auch einen Überblick über funktionale und objektorientierte Programmierparadigmen. Der Kurs vermittelt ein tiefes Verständnis von Algorithmen des maschinellen Lernens in den Kategorien überwachtes Lernen, unüberwachtes Lernen und Clustering. Neben dem Lernen von Data-Science-Konzepten lernt man durch relevante Fallstudien auch die Herausforderungen von echten Projekten kennen.

Datenwissenschaftler mit R (Kursinhalt: 88 Stunden)

Für Datenwissenschaftler, die mit der Programmiersprache R arbeiten, geht dieser Lernpfad richtig ins Detail und zeigt den Lernenden den funktionalen Programmieransatz. Dieser Kurs geht auch richtig ins Detail, wenn es um Algorithmen für maschinelles Lernen geht, wie zum Beispiel Regression, Klassifizierung und Clustering, um nur ein paar zu nennen.

Professionelle Zertifizierungsprogramme

Die folgenden Zertifizierungen helfen dabei, die Lücke bei den Datenkenntnissen zu schließen, die auf dem Arbeitsmarkt besteht. Sie sorgen dafür, dass die richtigen Fähigkeiten auf die richtigen Stellenangebote treffen, da die Lernenden ihre Fähigkeiten zeigen können, während die Arbeitgeber Vertrauen in die Einstellung der richtigen Talente gewinnen. Die Programme checken, wie gut die Lernenden in verschiedenen wichtigen Bereichen sind, wie Datenmanagement, explorative Analyse, statistische Experimente, Modellentwicklung, Programmierung für Produktionsumgebungen sowie Kommunikation und Berichterstattung. Feedback von Experten und Mentoring-Sitzungen helfen den Lernenden auch dabei, das nötige Selbstvertrauen für den Berufseinstieg zu entwickeln. DataCamp hat zwei Zertifizierungen im Angebot, eine für Datenwissenschaftler und eine für Datenanalysten. 

Die DataCamp-Zertifizierung zum professionellen Datenwissenschaftler hat vier Stufen:

1. Zeitlich begrenzte Bewertungen: Die Kenntnisse der Lernenden in Sachen Programmierung und maschinelles Lernen werden überprüft.
2. Programmieraufgabe: Die R- oder Python-Programmierkenntnisse der Lernenden werden mit echten Datensätzen auf die Probe gestellt.
3. Fallstudien: Die Lernenden werden ihre Ergebnisse so präsentieren, wie sie es auch in ihrem Job als Datenwissenschaftler machen würden.
4. Zertifizierung: Wenn du die drei oben genannten Schritte erledigt hast, bekommst du ein Zertifikat und kannst dich an das Career Services Team wenden.

Die DataCamp-Zertifizierung zum professionellen Datenanalysten hat fünf Stufen:

1. Grundlagen der Datenanalyse: In diesem Abschnitt wird dein Verständnis der wichtigsten analytischen Ansätze geprüft, die von einem professionellen Datenanalysten erwartet werden.
2. Explorative Analyse: Geh ein Problem an, such die richtigen Daten und formatiere sie effektiv mithilfe einer Programmieraufgabe in SQL und Python oder R.
3. Programmieraufgabe: Zeig, wie gut du Daten bereinigen und verarbeiten kannst, indem du eine praktische SQL-Herausforderung meisterst.
4. Fallstudien: Teste deine Fähigkeit, Datenanalysen durchzuführen und zu kommunizieren, indem du eine aufgezeichnete Fallstudie mit unserem Zertifizierungsteam machst. Hier musst du ein geschäftliches Problem analysieren und dann deine Lösung einem bestimmten Publikum vorstellen.
5. Zertifizierung: Wenn du die vier oben genannten Schritte erledigt hast, kriegst du ein Zertifikat und kannst das Career Services Team kontaktieren.

Hier erfährst du mehr über die Zertifizierungsprogramme von DataCamp:

Die Zertifizierungsprogramme für Datenwissenschaftler von DataCamp

Das Zertifizierungsprogramm für Datenanalysten von DataCamp

Häufig gestellte Fragen zur DataCamp-Zertifizierung

Datenanalyst vs. Datenwissenschaftler: Branchenausblick

Die Burtch Works-Studie von 2021 checkt die Gehälter von Leuten, die im Bereich Datenwissenschaft und Datenanalyse arbeiten. Diese Studie zeigt, dass die Jobaussichten für Teams im Bereich Datenwissenschaft und Analytik echt vielversprechend sind. Die Studie zeigt, dass 73 % der Teams für Datenwissenschaft und Analytik vorhatten, im ersten und zweiten Quartal 2021 neue Leute einzustellen, während es im Januar 2020 nur 67 % waren. Außerdem wollen etwa 81 % der Teams für Datenwissenschaft und Analytik im dritten und vierten Quartal 2021 neue Leute einstellen. Das ist ein deutlicher Anstieg im Vergleich zu den Zahlen für das erste Halbjahr 2021.

Die Tabelle unten zeigt die Gehaltsentwicklung für Datenanalysten und Datenwissenschaftler nach Level. Diese Trends gelten sowohl für die Rolle des einzelnen Mitarbeiters als auch für die des Managers. Diese Stufen geben auch einen guten Überblick darüber, wie sich die Karrierewege eines Datenanalysten und eines Datenwissenschaftlers entwickeln können.

Quelle: Die Burtch Works-Studie 2021

Quelle: Die Burtch Works-Studie 2021

Jeder Einzelne ist allein für seine Leistung verantwortlich. Für ihre Arbeit müssen sie kein Team leiten. Ein Manager passt aber auch auf die Arbeit der anderen Mitarbeiter auf.

Wichtigste Erkenntnisse

Datenanalysten und Datenwissenschaftler sind sich ähnlich, weil sie beide viel mit Daten arbeiten; sie unterscheiden sich einfach darin, wie sie mit Daten umgehen. Einige der wichtigsten Unterschiede sind ihr Bildungshintergrund, die Menge an Daten, mit denen sie arbeiten, und wie viel sie programmieren. Auch wenn ein Datenwissenschaftler wahrscheinlich mehr verdient, bringt dieser Job auch mehr Verantwortung und Erwartungen mit sich.  Wenn du noch nicht weißt, welchen Weg du einschlagen willst, kannst du erstmal ein oder zwei Kurse aus jedem Bereich ausprobieren, um besser zu verstehen, welche Art der Arbeit mit Daten dir am besten gefällt.