Lebenslauf Data Scientist: Beispiel und Vorlage
So strukturieren Sie Ihren Lebenslauf als Data Scientist für den Schweizer Arbeitsmarkt - mit messbaren Modellergebnissen statt Methodenlisten.
Aktuell 19 offene Stellen als Data Scientist in der Schweiz in 4 Kantonen, davon 3 aus den letzten 7 Tagen. Am meisten ausgeschrieben hat pg.
Lebenslauf-Beispiel — zweiseitige Vorlage
Diese Vorlage lässt sich direkt bearbeiten — oder laden Sie Ihren bestehenden Lebenslauf hoch, und er wird automatisch in dieses Layout übertragen.
Welcher Abschluss wird für Data Scientists in der Schweiz erwartet?
Üblich ist ein quantitativer Hochschulabschluss - MSc oder PhD einer ETH, EPFL, Universität oder Fachhochschule - ergänzt durch ein Weiterbildungszertifikat.
Schreiben Sie Ihren Abschluss so, wie ihn Schweizer Personalverantwortliche kennen: 'MSc ETH in Data Science', 'MSc EPFL in Computational Science', 'MSc in Statistik, Universität Bern' oder 'BSc FHNW Data Science'. Kommen Sie aus Physik, Mathematik, Ökonometrie, Bioinformatik oder Wirtschaftsinformatik, nennen Sie zusätzlich die quantitative Vertiefung und Ihre Masterarbeit in einer Zeile mit Methode und Resultat. Ausländische Diplome versehen Sie mit dem Hinweis auf die Anerkennung durch Swissuniversities oder das SBFI - das erspart der HR-Abteilung eine Rückfrage.
Weiterbildungen aus dem Schweizer Hochschulsystem wirken stärker als eine lange Liste von Online-Kursen. Gängig und anerkannt sind CAS oder MAS in Data Science, Machine Learning oder Data Engineering an HSLU, ZHAW, FHNW, BFH oder OST sowie die MAS-Programme in Applied Information and Data Science. Ergänzen Sie höchstens drei bis vier Zertifikate mit Prüfungscharakter, etwa Azure DP-100, Databricks ML Professional, AWS ML Specialty oder SAS-Zertifizierungen im Pharma- und Bankenumfeld.
Nennen Sie ausserdem, was in Ihrer Branche zählt: im Versicherungs- und Bankenumfeld Kenntnisse in Modellvalidierung nach FINMA-Rundschreiben und aktuarielle Grundlagen (SAV-Umfeld), im Pharmabereich GxP- und CDISC-Kenntnisse, im Public Sector der Umgang mit BFS-Statistiken und Open Government Data. Für alle Rollen gilt: Datenschutz ist Fachwissen. Ein kurzer Hinweis auf revDSG, DSGVO-Berührungspunkte und Anonymisierungsverfahren zeigt, dass Sie Modelle rechtssicher bauen.
Wie bauen Sie Berufserfahrung und Projekte überzeugend auf?
Beschreiben Sie pro Stelle den Datenkontext, das Modell und den geschäftlichen Effekt in Zahlen - nicht die eingesetzte Bibliothek allein.
Verwenden Sie für jede Position zwei Zeilen Kontext: Teamgrösse, Datenvolumen, Datenplattform und Fachdomäne. Ein Satz wie 'Data-&-Analytics-Team mit 11 Personen, 480'000 Policen, Databricks Lakehouse auf Azure' sagt mehr über Ihr Niveau als jede Selbsteinschätzung. Danach folgen drei bis vier Bullet Points, jeder mit Methode und Wirkung: 'Churn-Modell (LightGBM, AUC 0.87) senkte Kündigungen um 18 Prozent und sicherte CHF 2.1 Mio. Prämienumsatz'.
Zeigen Sie die ganze Wertschöpfungskette, denn genau daran scheitern viele Bewerbungen. Belegen Sie, dass Sie nicht nur Notebooks schreiben, sondern Daten modellieren (dbt, Star Schema), Pipelines orchestrieren (Airflow, Azure Data Factory), Modelle deployen (MLflow, Container, Batch- und Online-Scoring) und überwachen (Drift, Datenqualität, Retraining). Ergänzen Sie Ihre Rolle im Zusammenspiel mit Data Engineering, IT-Security und den Fachbereichen sowie die Arbeitsweise (Scrum, zweiwöchige Sprints, Code Reviews).
Ohne mehrjährige Praxis ersetzen Sie Berufserfahrung durch belegbare Projekte: Masterarbeit, Praktikum, Werkstudententätigkeit, Kaggle-Platzierung mit Rang und Teilnehmerzahl oder ein öffentliches Repository. Formulieren Sie auch hier messbar - Datensatzgrösse, Baseline, erreichte Metrik, Laufzeit. Ein Link auf GitHub oder eine kurze Case-Study-Seite ist in der Schweiz üblich und wird von technischen Hiring Managern tatsächlich angeklickt.
Wie lang darf der Lebenslauf sein, braucht er ein Foto und Gehaltsangaben?
Zwei Seiten, Foto optional aber verbreitet, Lohnangaben nur wenn im Stelleninserat verlangt.
Halten Sie sich an zwei Seiten; bei einer Forschungslaufbahn mit Publikationen sind drei Seiten plus separate Publikationsliste akzeptiert. Die erste Seite enthält Kontaktdaten, ein Kurzprofil von drei Sätzen, die aktuellen zwei Positionen und einen kompakten Skill-Block, gegliedert nach Sprachen, ML-Methoden, Datenplattformen und Visualisierung. Vermeiden Sie Fortschrittsbalken für Kompetenzen - schreiben Sie stattdessen 'PySpark, 5 Jahre produktiv' oder 'SQL, Fensterfunktionen und Query-Tuning'.
Ein sachliches Portraitfoto ist in der Schweiz weiterhin verbreitet und wird meist erwartet, ist aber freiwillig. Nennen Sie Wohnort und Region (zum Beispiel 'Zürich, Pendeldistanz Zug/Aarau'), Nationalität beziehungsweise Bewilligungsstatus (C-Bewilligung, B-Bewilligung, EU/EFTA), Geburtsjahr optional und den frühesten Eintrittstermin. Bei Grenzgängern hilft der Hinweis auf die Grenzgängerbewilligung G. Speichern Sie das Dossier als PDF mit sprechendem Dateinamen und achten Sie auf ATS-Lesbarkeit: eine Spalte, keine Textfelder, Stellenbezeichnung ausgeschrieben.
Lohnerwartungen gehören in das Motivationsschreiben, nicht in den Lebenslauf, und nur wenn das Inserat sie verlangt. Als Orientierung: Einsteigende Data Scientists liegen im Grossraum Zürich häufig bei CHF 90'000 bis CHF 110'000, mit drei bis fünf Jahren Erfahrung bei CHF 110'000 bis CHF 140'000, Senior- und Lead-Rollen darüber; nennen Sie eine Bandbreite und den Bezug auf 13 Monatslöhne. Passen Sie zuletzt Kurzprofil und Skill-Block an jedes Inserat an - wer NLP sucht, soll NLP-Projekte in den ersten fünf Zeilen finden.
Wo Data Scientist in der Schweiz gesucht werden
Verteilung der 19 offenen Stellen auf die Kantone.
Zahlen als Tabelle
| Kanton | Inserate |
|---|---|
| Genf | 7 |
| Zürich | 4 |
| Waadt | 2 |
| Freiburg | 1 |
Welche Sprachen die Inserate verlangen
Von 17 Inseraten mit Sprachangabe — in Klammern die Zahl, die Verhandlungsniveau verlangt.
Zahlen als Tabelle
| Sprache | Inserate |
|---|---|
| Englisch | 17 (16) |
| Französisch | 2 (2) |
| Deutsch | 1 (1) |
Wer in der Schweiz Data Scientist sucht
Arbeitgeber mit den meisten offenen Stellen. Personalvermittler sind ausgeschlossen.
Zahlen als Tabelle
| Arbeitgeber | Inserate |
|---|---|
| pg | 3 |
| onrunning | 3 |
| Direktion der Justiz und des Innern Kanton Zürich | 1 |
| Agoda | 1 |
| Oracle | 1 |
| Experis Switzerland | 1 |
Vollzeit oder Teilzeit?
Wie die Stellen ausgeschrieben sind.
Zahlen als Tabelle
| Pensum | Inserate |
|---|---|
| Vollzeit / plein temps | 10 |
Der Lebenslauf im Volltext
Zum Nachlesen und Übernehmen.
Nadine Brunschwiler
Senior Data Scientist, MSc ETH in Data Science, CAS Machine Learning HSLU
Data Scientist mit 8 Jahren Erfahrung in Versicherung, Retail und Banking, spezialisiert auf Prognosemodelle, Preisoptimierung und produktive MLOps-Pipelines auf Azure und Databricks. Ich bringe Modelle vom Notebook in den Betrieb: 14 Modelle in Produktion, überwacht mit MLflow und automatisiertem Drift-Monitoring. Zusammenarbeit mit Aktuariat, Compliance und IT-Security, inklusive Dokumentation nach revDSG und FINMA-Anforderungen an Modellvalidierung.
Was mich unterscheidet
Vom Prototyp in den Produktivbetrieb: Ich verantworte den ganzen Lebenszyklus: Feature Store, CI/CD mit Azure DevOps, Modell-Registry in MLflow, Drift-Alerting. Mittlere Zeit von Proof of Concept bis Go-live: 9 Wochen statt vorher 7 Monate.
Fachsprache Aktuariat und Business: Ich übersetze GLM-, Gradient-Boosting- und Survival-Modelle für Underwriter und Geschäftsleitung und präsentiere Ergebnisse ohne Formeln - dafür mit Deckungsbeitrag, Combined Ratio und Konfidenzintervallen.
Compliance-taugliche Modelle: Modelldokumentation, Bias-Tests und Explainability (SHAP) nach revDSG Art. 21 (automatisierte Einzelentscheidungen) sowie interne Modellvalidierung nach dem Vier-Augen-Prinzip - drei externe Audits ohne Findings bestanden.
Kostenbewusste Cloud-Architektur: Ich optimiere Spark-Cluster, Partitionierung und Job-Scheduling: Databricks-Kosten von CHF 34'000 auf CHF 19'000 pro Jahr reduziert, bei 40 Prozent mehr Workloads.
Wichtigste Erfolge
Churn-Modell senkt Abwanderung um 18 Prozent. Gradient-Boosting-Modell (LightGBM, AUC 0.87) mit priorisierten Kontaktlisten für den Kundendienst; 18 Prozent weniger Kündigungen in der Zielgruppe, gesicherter Prämienumsatz von CHF 2.1 Mio. pro Jahr.
Dynamische Preisoptimierung im Retail. Elastizitätsmodelle für 12'000 Artikel über 84 Filialen, wöchentliche Preisempfehlungen; Bruttomarge um 2.4 Prozentpunkte erhöht, Abschriften um CHF 780'000 reduziert.
Betrugserkennung in Echtzeit. Anomalie-Erkennung auf Zahlungsstrom (Isolation Forest plus Regelwerk), Latenz unter 200 ms; False-Positive-Rate von 6.2 auf 1.9 Prozent gesenkt, 220 manuelle Prüfstunden pro Monat gespart.
Berufserfahrung
Senior Data Scientist — Alpstein Versicherungen AG, Zürich, 03/2021 - heute
Data-&-Analytics-Team mit 11 Personen, Schaden- und Nichtlebengeschäft, Databricks Lakehouse auf Azure.
- Churn- und Cross-Selling-Modelle für 480'000 Policen entwickelt; AUC 0.87, 18 Prozent weniger Kündigungen in der bearbeiteten Kohorte
- Schadenprognose (Frequenz/Severity mit Tweedie-GLM und XGBoost) verbessert Reserveschätzung; Prognosefehler MAPE von 21 auf 12 Prozent gesenkt
- MLOps-Standard eingeführt (MLflow, Feature Store, automatisierte Retrainings): Time-to-Production von 7 Monaten auf 9 Wochen verkürzt
- 3 Junior Data Scientists und 2 Praktikanten fachlich geführt, Code-Review-Quote auf 100 Prozent der Pull Requests gebracht
Data Scientist — NovaRetail Schweiz AG, Dietikon, 08/2018 - 02/2021
84 Filialen und Onlineshop, Absatzplanung und Pricing, Snowflake plus dbt.
- Nachfrageprognose auf Artikel-Filial-Ebene für 12'000 SKU; Forecast-Genauigkeit um 16 Prozent verbessert, Out-of-Stock-Quote von 4.1 auf 2.3 Prozent gesenkt
- Preiselastizitätsmodell in Produktion gebracht: Bruttomarge plus 2.4 Prozentpunkte, Abschriften minus CHF 780'000 pro Jahr
- Warenkorbanalyse und Empfehlungslogik im Onlineshop umgesetzt; durchschnittlicher Bestellwert plus CHF 7.40 (A/B-Test, n = 96'000, p < 0.01)
- 42 dbt-Modelle mit Tests dokumentiert, Datenqualitätsfehler in Reports um 65 Prozent reduziert
Data Scientist / Data Analyst — Limmatwerk Analytics GmbH, Zürich, 09/2016 - 07/2018
Analytics-Beratung mit 25 Mitarbeitenden, Mandate in Banking, Energie und Pharma.
- 11 Kundenprojekte zwischen CHF 40'000 und CHF 260'000 Volumen als Analytics-Lead betreut, Kundenzufriedenheit 4.7 von 5
- Betrugserkennung für Zahlungsverkehr entwickelt: False Positives von 6.2 auf 1.9 Prozent, 220 gesparte Prüfstunden pro Monat
- Automatisierte Reporting-Pipelines (Python, Airflow) ersetzten 3 manuelle Excel-Prozesse und sparten 18 Stunden pro Woche
- Internes Schulungsformat für SQL und Python aufgebaut, 34 Teilnehmende in 6 Kursen
Ausbildung
Master of Science ETH, Data Science — ETH Zürich · 2016
Bachelor of Science, Wirtschaftsinformatik — ZHAW School of Management and Law, Winterthur · 2014
CAS, Machine Learning und Data Engineering — Hochschule Luzern (HSLU) · 2020
Microsoft Certified: Azure Data Scientist Associate (DP-100), 2023 · Databricks Certified Machine Learning Professional, 2022 · AWS Certified Machine Learning - Specialty, 2021 · Professional Scrum Master I (PSM I), 2019