Die Aufgabe in einem Satz
Ein Growth Data Analyst beantwortet die Frage, bei der der Rest des Teams immer wieder rät: Funktioniert das, und warum? Er verantwortet die Kennzahlen, baut die Berichte und liest die Daten wie ein Navigator die Seekarte – nicht um ihrer selbst willen, sondern um dem Team eine Richtung zu geben. In einem Growth-Team steht er am Ende der Kette hinter allen anderen Rollen: Der Growth Engineer instrumentiert die Events, und der Analyst macht aus diesen Events Belege.
Retention ist die Kennzahl, auf der alles aufbaut
Die erste Aufgabe des Analysten ist meist die Retention-Kurve, denn Retention ist das Fundament, auf dem jede andere Zahl steht. Brian Balfour und das Reforge-Team argumentieren, dass schwache Retention Akquise und Monetarisierung unbemerkt deckelt, egal wie gut beide aussehen. Der Analyst baut die Kohortenansicht – welcher Anteil jeder Anmeldekohorte an Tag 1, 7 und 30 noch aktiv ist – und beobachtet, ob die Kurve abflacht. Eine abflachende Kurve bedeutet, dass das Produkt einen Kern von Nutzern hält; eine Kurve, die auf null fällt, bedeutet, dass es noch kein Geschäft zum Skalieren gibt.
Von Daten zu Entscheidungen
Rohe Events sind noch keine Erkenntnis. Der Analyst definiert jede Kennzahl präzise – was als aktiv zählt, wo der Funnel beginnt und endet, welcher Churn freiwillig ist –, damit das Team über die Entscheidung streitet und nicht über die Definition. Dann baut er den Wochenbericht, den Growth PM und Growth Lead lesen, um die Roadmap festzulegen: die Kohorte, die am schnellsten wächst, der Funnel-Schritt, an dem es leckt, der Churn, den der nächste Monat wahrscheinlich bringt. Das Ergebnis ist kein Dashboard. Es ist eine Empfehlung mit einer Zahl dahinter.
Signal oder Rauschen
Die meisten Kennzahlen, die sich bewegen, sind unwichtig. Ein guter Analyst verbringt so viel Zeit damit, Vanity-Metriken zu streichen, wie damit, echte aufzubauen – die Gesamtzahl der Anmeldungen fühlt sich gut an und sagt nichts voraus; Aktivierung und Retention sind schwerer zu bewegen und sagen fast alles voraus. Die Disziplin, wie sie Teams wie Amplitude und Reforge lehren, besteht darin, den Frühindikator zu finden, der das Ergebnis, auf das es Ihnen ankommt, tatsächlich vorhersagt, und das übrige Rauschen zu ignorieren, das ein typisches Dashboard füllt.
Wie die Rolle meist aussieht
In einem kleinen Team gibt es selten einen eigenen Analysten – die Arbeit landet bei der Person, die sich in SQL am wohlsten fühlt, oft jemand aus dem Gründungsteam um 23 Uhr. In einem größeren Team ist es ein Growth Analyst oder Data Scientist, der in die Growth-Funktion eingebettet ist, im Unterschied zu einem Business-Intelligence-Analysten, der über das Unternehmen als Ganzes berichtet. Die Titel variieren, die Konstante bleibt: Kennzahlen definieren, Berichte bauen und Signal von Rauschen trennen, damit das Team auf Belege setzt.
Wo KI die Analyse beschleunigt
Daten abrufen und Diagramme erstellen geht schneller; die Definitionen und die Entscheidung nicht. In fromHello liegt das Rohmaterial eines Analysten an einem Ort: First-Party-Events, Profile, Echtzeit-Segmente sowie die Ergebnisse von Journeys und Nachrichten, mit integrierten Funnels und Analysen. Über den MCP-Server kann der KI-Client, den Sie bereits nutzen, etwa Claude oder Cursor, auf Anfrage eine Retention-Kurve nach Tagen abrufen, zeigen, welche Segmente wachsen oder schrumpfen, und die Performance von Journeys und Vorlagen auslesen. Das sind Lese-Tools, kein KI-Tool verschickt eine Nachricht, und MCP-Tool-Aufrufe werden in Ihrem Audit-Log protokolliert. Nichts in fromHello prognostiziert Churn oder entscheidet, welche Kennzahl zählt; dieses Urteil bleibt beim Analysten. Zum Vergleich mit einer Suite, die Sie kennen, siehe fromHello vs. HubSpot.