Data Scientist Customer Intelligence

Die Rolle LEAP transformiert sich vom kanalbasierten Agenturmodell zum Growth Intelligence Operating System. Das bedeutet: Wir übernehmen Verantwortung nicht nur für Maßnahmen, sondern für messbaren Unternehmenswert beim Kunden. Dieser Anspruch steht und fällt mit der Fähigkeit, Wirkung zu beweisen, nicht zu behaupten. Du bist die Person, die diese Beweislage herstellt. Du verbindest Data Science Methodik mit tiefem Geschäftsverständnis: Du durchdringst das Geschäftsmodell des Kunden, führst heterogene Datenquellen zusammen, baust Modelle, die Zusammenhänge sichtbar machen, und übersetzt das Ergebnis in eine Sprache, die auf Vorstandsebene Entscheidungen auslöst. Du arbeitest eng mit dem Customer Success Team zusammen. Der CSM führt die Kundenbeziehung und nutzt deine Analysen, um auf Entscheider-Ebene zu argumentieren, zu priorisieren und zu überzeugen. Gleichzeitig entwickelst du LEAPs analytische Architektur weiter: neue Methoden, bessere Modelle, smartere Infrastruktur auf einem modernen AI- und MCP-Stack.

Was du tust

• Geschäftsmodelle durchdringen: Das Business des Kunden verstehen: Welche Hebel treiben Umsatz und Marge? Wo verliert der Kunde Wert, und wie drückt sich das in Daten aus?
• KPI-Frameworks entwickeln: Umsatz, Marge, CAC, Customer Lifetime Value, Marktanteil
• Fachliche Themen in Geschäftswirkung überführen: was zahlt wie stark auf welches Ziel ein?
• Daten zusammenführen und modellieren: Heterogene Datenquellen verbinden: GA4, Shop-Systeme, CRM, Ads, ERP, Third Party Benchmarks
• Statistische Modelle und Scoring-Ansätze entwickeln: Attribution, Kohortenanalyse, Funnel-Diagnostik, Predictive Signals
• Data Governance beim Kunden beurteilen: Tracking-Qualität, Consent, Attributionslücken, fehlende Baselines
• Architektur und AI-Stack weiterentwickeln: LEAPs analytische Infrastruktur auf einem modernen MCP-Stack konzipieren und weiterentwickeln
• AI-gestützte Analysemodule aufsetzen: LLM-basierte Datenanalyse, automatisierte Insights, Predictive Modelling
• Skalierbare Analyse-Frameworks bauen: die über einzelne Kunden hinweg funktionieren
• Neue Methoden und Tools evaluieren: und in den Arbeitsalltag integrieren
• Ergebnisse übersetzen: Komplexe Zusammenhänge so erklären, dass ein CSM sie im Vorstandsgespräch einsetzen kann
• QBR-Substanz liefern: Trends, Benchmarks, Wettbewerbskontext, so verdichtet, dass in fünf Minuten eine Entscheidung möglich ist
• Handlungsempfehlungen mit klarer Priorisierung: Was sind die drei Hebel mit dem größten Wertbeitrag?
• Das Datenmessmodell dokumentieren und verbessern: jedes Kundenprojekt schärft das Framework für das nächste

Dein Profil

• Ausbildung: Einschlägiges Studium: Data Science, Statistik, Wirtschaftsinformatik, Mathematik, Physik, Wirtschaftswissenschaften mit quantitativem Schwerpunkt oder vergleichbar
• Kern: Data Science Methodik: statistische Modellierung, Predictive Analytics, Scoring, Clusteranalyse, Zeitreihenanalyse. Du baust Modelle, die Zusammenhänge aufdecken, nicht nur beschreiben.
• Web Analytics auf exzellentem Niveau: GA4, Attribution, E-Commerce KPIs, Cross-Channel
• Heterogene Datenquellen zusammenführen: First Party, anonyme Webdaten, Third Party. Du weißt, was belastbar ist und was nicht.
• Python für Datenanalyse und Modellierung: SQL sicher. Mindestens ein BI-Tool auf professionellem Niveau: Tableau, Power BI oder Looker.
• Architektonisches Denken: Du kannst einen Analytics-Stack konzipieren, nicht nur darin arbeiten. Erfahrung mit MCP-Architekturen, API-Integrationen oder vergleichbaren modernen Dateninfrastrukturen.
• Du kannst komplexe Zusammenhänge erklären: sowohl schriftlich als auch mündlich, so dass Nicht-Techniker darauf Entscheidungen treffen.
• Deine Deutschkenntnisse entsprechen dem C1 Niveau in Wort und Schrift.

Stark von Vorteil:

• Berufserfahrung in einer Rolle, in der du Geschäftsmodelle von Kunden durchdringen musstest: Agentur mit strategischem Anspruch, Beratung, oder Data-Rolle auf Kundenseite im E-Commerce
• Erfahrung mit LLM-gestützter Datenanalyse, Prompt Engineering für analytische Anwendungen oder AI Agents im Datenkontext
• SEO- und CRO-Metriken einordnen können: nicht als Spezialist, sondern als jemand, der versteht, wie sie auf Umsatz einzahlen
• Forecasting und Szenariomodellierung: nach vorn rechnen, nicht nur History auswerten
• Öffentliche Vorträge oder Publikationen zu Datenthemen: Konferenzen, Meetups, Fachbeiträge

Warum LEAP:

• Greenfield. Du bist die erste Person in dieser Funktion. Kein Legacy, kein Vorgänger. Du definierst, wie LEAP Kundenwirkung misst, und damit, wie LEAP seinen eigenen Mehrwert beweist.
• Direkte Wirkung. Wenn ein CSM ein Renewal sichert oder eine Expansion gewinnt, steckt deine Entscheidungsgrundlage dahinter. Das ist keine Unterstützungsfunktion, das ist der Kern von LEAPs Leistungsversprechen.
• Architektur-Ownership. Du baust nicht nur Analysen, du baust die analytische Infrastruktur von LEAP. MCP-Stack, AI-Module, skalierbare Frameworks: das ist dein Spielfeld.
• Strategische Nähe. Du arbeitest direkt mit VP Customer Success und der Geschäftsführung. Keine langen Berichtswege.
• Solide Basis, klare Aufgabe. 80+ Mitarbeitende, etabliertes E-Commerce-Geschäft, starkes Neukundengeschäft, und eine präzise definierte Lücke, die du schließt.

Perspektive: Du startest als analytische Kernfunktion innerhalb Customer Success. Perspektivisch wächst die Rolle mit dem Volumen und der Komplexität unserer Kunden. Wie genau, hängt davon ab, was du daraus machst.