Data Scientist, Produktanalyse

Als Teil des Data & Insights Teams besteht Ihre Mission darin, Kundenverhalten zu entschlüsseln und Produktengagement in wirkungsvolle, umsetzbare Erkenntnisse zu verwandeln. Indem Sie die Lücke zwischen Produktakzeptanz und kommerziellen Daten überbrücken, schaffen Sie ein ganzheitliches Bild der Nutzergesundheit und des greifbaren Werts, den wir bieten.

Sie übernehmen die volle Verantwortung für den gesamten Lebenszyklus der Produktnutzungsanalyse. Dies umfasst praktische Datenexploration, Hypothesentests und enge Zusammenarbeit mit Data- und Analytics-Ingenieuren, um die grundlegenden Modelle zu entwickeln, die Sie benötigen. Erfolg definiert sich durch analytische Strenge und Ihre Fähigkeit, strategische Produkt- und Go-to-Market (GTM)-Entscheidungen zu steuern.

In unserer zentralen Data & Insights Abteilung eingebettet, fungiert diese Rolle als strategischer Partner unserer Produktorganisation und fördert die bereichsübergreifende Synergie mit anderen Abteilungen, Engineering- und Data-Science-Teams, um den Gesamterfolg zu maximieren.

Erfolg hängt davon ab, das Produkt, das Sie analysieren, wirklich zu verstehen – nicht nur die dahinterliegenden Daten.

• Produktnutzung verstehen. Arbeiten Sie eng mit Produktmanagern (PMs) zusammen, um ein tiefes Verständnis des Produkts selbst zu entwickeln, analysieren Sie, wie Kunden es annehmen und nutzen, und identifizieren Sie Muster bei Engagement, Feature-Nutzung und Kundenbindung.

• Nutzung mit Ergebnissen verbinden. Verknüpfen Sie Produktnutzungsdaten mit Kunden- und Verkaufsdaten, um aufzuzeigen, wie die Nutzung mit Expansion, Abwanderungsrisiko und Kontogesundheit zusammenhängt.

• Nutzungsbasierte Signale definieren. Entwickeln Sie die Logik hinter Nutzungsscores, Gesundheitsindikatoren und anderen Metriken, die Verhalten in Erkenntnisse übersetzen, die Aktivierung, Bindung und Expansion fördern.

• Proaktiv sein. Erkunden Sie Produkt-, Verkaufs- und Kundendaten, um Erkenntnisse zu gewinnen, nach denen niemand gefragt hat. Antizipieren Sie die nächste Frage.

• Experimente durchführen und validieren. Testen Sie, welche Nutzungssignale tatsächlich Ergebnisse vorhersagen, wenden Sie fundierte statistische Methoden an und seien Sie ehrlich bezüglich Signifikanz und Kausalität.

• Partnerschaft bei der Datenbasis. Arbeiten Sie mit Data- und Analytics-Ingenieuren zusammen, um Produkt- und Verkaufsdaten ins Data Warehouse zu bringen und gut zu modellieren. Definieren Sie Anforderungen und tragen Sie zu Datenmodellen bei, die Produktnutzung mit Kunden- und Verkaufsdaten verbinden.

• Die Geschichte erzählen. Kommunizieren Sie Erkenntnisse klar an Stakeholder im gesamten Unternehmen und dokumentieren Sie Kontext, Einschränkungen und Entscheidungen, damit die Arbeit auch bei Übergaben erhalten bleibt.

• Tiefes Produktverständnis und nachweisliche Erfahrung in der effektiven Zusammenarbeit mit PMs, indem Sie Produktwissen und Nutzungsdaten in Entscheidungen übersetzen, die umgesetzt werden.

• Starke analytische Erfolgsbilanz: Jemand, der durch Analyse messbar Umsatz-, Produkt- oder GTM-Entscheidungen beeinflusst hat, nicht nur Berichte erstellt.

• Vertrautheit mit den neuesten KI-Tools und die Gewohnheit, diese zu nutzen, um schneller und präziser zu arbeiten: Sie bleiben auf dem Laufenden, während sich die Tools weiterentwickeln, und bringen neue Ansätze ins Team.

• Bereitschaft zur Weiterentwicklung: Sie erweitern aktiv Ihre Fähigkeiten, suchen Feedback und sehen neue Tools und Methoden als Chancen, nicht als Bedrohungen.

• Solide SQL-Kenntnisse. Sie können eigenständig Daten abfragen, verknüpfen und erkunden, ohne auf die Vorbereitung durch andere warten zu müssen.

• Kenntnisse in Python für Analyse, Modellierung und Automatisierung. Erfahrung mit ML- und Statistikbibliotheken (z. B. scikit-learn, statsmodels) für Modellierung, Vorhersage und Inferenz.

• Statistische Grundlagen: Experimentieren, Signifikanztests, Regression, Segmentierung, Prognosen und das Urteilsvermögen, zu wissen, was wann anzuwenden ist.

• Praktisches Wissen darüber, wie Produktnutzung mit Umsatz zusammenhängt: Funnels, Kohorten, Bindung, Kontogesundheit und die Realität, Produktnutzungsdaten mit CRM- und Verkaufsdaten zu verbinden.

• Bereitschaft, sich mit Datenmodellierung zu beschäftigen. Sie müssen kein dbt-Experte sein, sollten sich aber wohlfühlen, unordentliche Daten zu erkunden und bei der Entwicklung (oder dem Aufbau) der benötigten Modelle mitzuwirken, anstatt auf saubere Tabellen zu warten.

• Starke Kommunikations- und Stakeholder-Fähigkeiten: Sie können schwache Messungen respektvoll hinterfragen und eine Empfehlung aussprechen, nicht nur Optionen präsentieren.

• Proaktivität und Eigenständigkeit: Sie melden sich früh, planen Ihre Arbeit selbst und suchen nach Wirkung, ohne darum gebeten zu werden.