Datenanalyst im Casino: BI, GGR/NGR-Kennzahlen und Gehaltsspannen

Im Casino ist jede Drehung eines Slots, jede Einzahlung und jede Ablehnung eines Bonus eine Zeile in der Datenbank. Jemand muss Millionen dieser Zeilen in verständliche Zahlen verwandeln: wie viel die Plattform wirklich verdient hat, wen man mit einem Bonus halten sollte und wem man Einzahlungslimits zeigen muss. Das ist die Arbeit eines Datenanalysten — einer der gefragtesten und zugleich äußerlich am wenigsten „gambling-artigen“ Berufe im iGaming: Von außen sind es gewöhnliches SQL und Dashboards, innen aber Metriken, die in Lehrbüchern zur Produktanalytik nicht vorkommen. Wir sehen uns an, was ein Datenanalyst im Casino macht, welche Zahlen er jeden Tag im Kopf hat, welchen Stack er braucht, worin sich diese Rolle von der klassischen Produktanalytik unterscheidet und wie viel dafür 2026 gezahlt wird.

Die Nachfrage nach dieser Rolle wächst schneller als bei den meisten anderen Berufen der Branche: Betreiber skalieren gleichzeitig die Zahl der Märkte, fügen neue Spiele-Provider hinzu und verschärfen die Anforderungen der Regulierer an die Transparenz der Berichterstattung — und ohne jemanden, der daraus eine saubere, vor einem Prüfer verteidigbare Zahl herausziehen kann, funktioniert keiner dieser Prozesse.

Was ein Datenanalyst im Casino macht

Formal heißt die Rolle Data Analyst oder BI Analyst, tatsächlich ist es aber das Bindeglied zwischen Produkt, Marketing, CRM, Compliance und dem CFO — sie alle kommen regelmäßig mit der Frage „wie sehen die Zahlen aus“. Die wichtigsten Verantwortungsbereiche:

• Regelmäßiges Reporting. GGR und NGR aufgeschlüsselt nach Produkt (Slots, Live-Casino, Betting), GEO, VIP-Segment und Spiele-Provider — meist wöchentlich und monatlich für die Geschäftsführung.
• Self-Serve-Dashboards. Tableau, Power BI oder Looker für die Teams CRM, Marketing und Produkt, damit Manager die Zahlen selbst einsehen, statt jeden Tag dem Analytics-Team eine private Nachricht zu schreiben.
• A/B-Tests. Prüfung von Hypothesen zu Bonusmechaniken, Registrierungstrichter, Landingpages und E-Mail-/Push-Kampagnen — unter Berücksichtigung, dass Spielergewinne die Stichprobe stark verzerren.
• LTV- und Churn-Modelle. Prognose, wie viel NGR ein Spieler über seine gesamte Lebensdauer auf der Plattform einbringt, und wer der aktuell Aktiven im nächsten Monat abwandert.
• Spielersegmentierung. RFM-Analyse, Clustering nach Verhalten — Grundlage für CRM-Kampagnen und die Festlegung von VIP-Schwellen.
• Ad-hoc-Untersuchungen. „Warum ist der NGR in Deutschland letzte Woche eingebrochen“ — und schon gleicht der Analyst Wechselkurse, Marketingbudget, technische Downtime und ein neues Limitgesetz miteinander ab.

Ein eigener und zunehmend wichtiger Teil der Arbeit sind gemeinsame Untersuchungen mit den Anti-Fraud- und Compliance-Teams: Anomale Wettmuster, Anzeichen von Multi-Accounting oder Bonus-Abuse zeigen sich zuerst genau in den Daten, und der Fraud-Analyst arbeitet ohne die Auswertungen des Datenanalysten fast blind.

Kennzahlen, ohne die nichts geht: GGR, NGR, RTP, LTV, Retention

Das Erste, was ein Analyst lernt, der aus E-Commerce oder SaaS ins iGaming kommt: Hier zählt man nicht MRR oder DAU, sondern GGR und NGR, und sie zu verwechseln ist, als würde man Umsatz mit Gewinn verwechseln.

Die Besonderheit gerade im Casino ist, dass GGR und NGR extrem „verrauschte“ Kennzahlen sind: ein einziger großer Jackpot-Gewinn kann den Tages-GGR eines ganzen Produkts einbrechen lassen, und die erste Aufgabe des Analysten ist, der Geschäftsführung beizubringen, nicht wegen Tagesausschlägen in Panik zu geraten, sondern auf den gleitenden Durchschnitt zu schauen.

Investoren und den Aufsichtsrat interessiert in der Regel gerade die Entwicklung des NGR und nicht des GGR: Ein GGR-Wachstum bei überproportional steigenden Bonuskosten kann bedeuten, dass der Betreiber den Umsatz schlicht mit aggressiven Promos kauft, statt eine gesunde Spielerbasis aufzubauen. Diese beiden Szenarien zu trennen, ist eine typische Aufgabe des Analysten bei der Vorbereitung des Quartalsberichts — und ohne Kohortenblick (wie viel NGR die im Januar gewonnenen Spieler nach drei und sechs Monaten bringen) gelingt das nicht ehrlich.

Der Arbeitszyklus: vom Dashboard zum Experiment

Einen einheitlichen „typischen Tag“ gibt es für einen Analysten im Casino kaum — die Aufgaben hängen stark davon ab, ob er allein für einen kleinen Betreiber arbeitet oder in einem Team von einem Dutzend Analysten innerhalb eines großen Konzerns. Aber der Wochenrhythmus ist in den meisten Firmen wiedererkennbar:

Stack: SQL, Python und die BI-Schicht

Der Tech-Stack ist nicht exotisch — die Schwierigkeit liegt nicht in den Tools, sondern im Volumen und der Besonderheit der Daten: Jeder Slot-Spin, jeder Einsatz im Live-Casino und jedes Betting-Event erzeugt eine Zeile, und die Tabellen wachsen leicht auf Milliarden von Datensätzen an.

• SQL — Pflicht und täglich im Einsatz. Komplexe Joins über Transaktions- und Spielrunden-Tabellen, Fensterfunktionen für Kohortenanalysen, Query-Optimierung bei großen Datenmengen.
• Python (pandas, numpy, scikit-learn oder statsmodels). LTV- und Churn-Modelle, Automatisierung regelmäßiger Reports, Statistik für A/B-Tests.
• BI-Tools. Tableau, Power BI oder Looker/Looker Studio — Self-Serve-Dashboards für CRM, Marketing und das VIP-Team.
• Data Warehouse. Snowflake, BigQuery, ClickHouse oder Redshift — wegen des Event-Volumens (jeder Spin, jeder Einsatz) beeinflusst die Wahl der Engine die Arbeitsgeschwindigkeit des Analysten stark.
• dbt und Orchestrierung (Airflow, Dagster). Für Junior/Middle nicht immer Pflicht, kommen aber immer häufiger vor und öffnen den Weg ins Analytics Engineering.
• Statistik für Experimente. Verständnis dafür, warum ein gewöhnlicher t-Test bei Daten mit seltenen großen Gewinnen versagt, und wie man Signifikanz unter diesen Bedingungen berechnet.
• Excel/Google Sheets — nach wie vor im Einsatz. Eine schnelle Hypothesenprüfung oder ein einmaliger Report für einen einzelnen Stakeholder lässt sich oft schneller in einer Tabelle zusammenstellen, als dafür ein eigenes Dashboard aufzusetzen.

Die Besonderheiten des Glücksspiels bringen eigene Feinheiten zum Standard-Stack hinzu: Events kommen nicht nur von Website und App, sondern auch direkt von Spiele-Providern und Payment-Gateways, sodass der Analyst mehrere Quellen der Wahrheit abgleichen und herausfinden muss, warum die Zahl im Provider-Report vom internen Tracking abweicht.

Ein Portfolio mit ein paar SQL/Python-Cases und einer klaren Erklärung, wie NGR berechnet wird, wiegt meist schwerer als ein Data-Science-Diplom — die Stack-Anforderungen in echten Stellenanzeigen unterscheiden sich stark von Firma zu Firma.

Was nach Levels gezahlt wird

Python-Kenntnisse und Erfahrung im Bau von Vorhersagemodellen (LTV, Churn) bringen meist 15–25 % Aufschlag auf die Gehaltsspanne gegenüber einem reinen SQL/BI-Profil desselben Levels. Die vollständige Kartei zu 20+ Rollen der Branche finden Sie in der Berufe-Kartei.

Wie sich das von Produktanalytik unterscheidet

Ein Analyst, der aus klassischem Produkt oder SaaS ins iGaming wechselt, durchläuft meist drei Umlernphasen:

• Ein anderer Satz an Kern-Kennzahlen. Statt MRR, ARR und Churn Rate bei Abos — GGR, NGR, Hold und RTP, die nach völlig anderen Formeln berechnet werden und stark von Bonusmechanik und Lizenzabgaben abhängen.
• Der regulatorische Rahmen um die Daten. Verantwortungsvolles Spiel (Responsible Gambling) und die Anforderungen des Lizenznehmers bedeuten, dass ein Teil der Modelle nicht dem Umsatzwachstum dient, sondern verpflichtenden Risikokennzahlen: Anzeichen problematischen Verhaltens, Limits, Self-Exclusion.
• Extreme Umsatzvolatilität. Ein einzelner Jackpot über mehrere Hunderttausend Euro kann den Tages-GGR-Report so „zerschießen“, wie es keine Kennzahl im normalen E-Commerce je tut — es braucht ausreißerrobuste Methoden und gleitende Durchschnitte.
• Multi-Jurisdiktionalität. Dasselbe Produkt läuft in verschiedenen Ländern unter verschiedenen Lizenzen (MGA, UKGC, Curaçao) — eine GEO-Segmentierung ist in fast jedem Report Pflicht, nicht optional.
• Ein anderer Kreis von Stakeholdern. Statt der gewohnten Produkt- und Marketing-Stakeholder kommen Compliance und Anti-Fraud hinzu, und bei Sportwetten-Firmen zusätzlich das Trading-Team, das mit Margen- und Linienbewegungs-Kennzahlen lebt, nicht nur mit Retention.

Übertragbar ist dagegen genau dasselbe: SQL, Python, Statistik von A/B-Tests und die Fähigkeit, einem nicht-technischen Manager zu erklären, was eine Zahl auf dem Dashboard bedeutet. Die Domäne — RTP, Wager, GGR/NGR — lernt man in ein paar Monaten vor Ort dazu. Gesondert stehen Betting und E-Sport-Betting: Dort kommt die Arbeit mit Linien und Quoten hinzu, und ein Teil der Analysten rückt mit der Zeit näher ans Trading, wo Entscheidungen in Echtzeit fallen und nicht nach dem Wochenbericht.

Wie man in den Beruf einsteigt

1. Portfolio wichtiger als Diplom. Ein paar Cases mit öffentlichen Daten (etwa die Berechnung von Retention oder LTV auf einem Open-Source-Datensatz) mit klarem SQL und Python erledigen die Frage der formalen Ausbildung.
2. Eine Testaufgabe gibt es fast immer. Ein typisches Format: eine Query schreiben, die NGR nach Tagen und Segmenten berechnet, oder einen künstlich eingebrochenen Retention-Graphen interpretieren.
3. Die Fachkenntnis wird vor Ort nachgeholt. Die Begriffe GGR, NGR, RTP, Wager und Hold werden im Onboarding in 2–4 Wochen erklärt — die Fachspezifik muss man nicht vorab kennen, SQL und Statistik sollte man aber vor dem Interview auffrischen.
4. Verwandte Berufe — ein schneller Einstieg. Erfahrung in BI-Analytik oder Produktanalytik aus E-Commerce/Fintech überträgt sich fast verlustfrei.

Wohin du wachsen kannst

Der Datenanalyst im Casino ist keine Sackgasse, sondern ein Hub, von dem gleich mehrere Tracks abzweigen:

• BI / Analytics Engineer. Wenn nicht die Modellentwicklung, sondern die Architektur von Data Marts und Self-Serve-Dashboards näherliegt — ein logischer Schritt Richtung BI-Analytik.
• Game-Mathematik. Ein tiefes Verständnis von RTP und Spiel-Volatilität führt einen Teil der Analysten zu den Spielmathematikern, die die Mechanik von Slots entwerfen.
• CRM / Retention Lead. Churn-Modelle und Segmentierung sind der direkte Weg ins Retention-Management, mehr dazu im Profil CRM-Manager.
• Produktanalytik / Product Manager. Das Verständnis von Funnel und LTV öffnet den Wechsel ins Produktmanagement innerhalb des Betreibers.
• VIP-Analytik. Die Segmentierung großer Spieler nach LTV hängt eng mit der Arbeit VIP-Manager zusammen — genau auf den Daten des Analysten basiert die Entscheidung, wen man ins persönliche VIP-Portfolio überführt.

Offene Stellen mit angegebenen Gehaltsspannen und Stack gibt es in der Rubrik aktueller Stellen für Datenanalysten. Der allgemeine Gehaltsüberblick der Branche für 2026 steht im Beitrag „Gehälter im iGaming 2026“.

Häufige Fragen

Braucht man ein Data-Science-Diplom? Nein. Arbeitgeber achten weit genauer auf SQL, Python und ein Portfolio mit echten Cases als auf die formale Ausbildung.

Kann man aus der Produktanalytik von E-Commerce oder SaaS wechseln? Ja, das ist einer der häufigsten Einstiegswege — die Technik überträgt sich vollständig, die Besonderheiten von GGR/NGR/RTP und die Regulatorik lernt man in den ersten Monaten nach. Über andere Wege des Brancheneinstiegs ohne Erfahrung geht es im Beitrag „Ohne Erfahrung ins iGaming“.

Hebt Python die Gehaltsspanne im Vergleich zu reinem SQL stark an? Meist um 15–25 % auf demselben Level — besonders bei Erfahrung im Bau von LTV-Modellen oder Churn-Prognosen, nicht nur bei beschreibender Analytik.

Worin unterscheidet sich ein Analyst im Casino von einem Analysten im Betting? Die Basis — SQL, Python, die Kennzahlen GGR/NGR — ist dieselbe. Bei Betting und eSport-Betting kommt die Arbeit mit Quoten, der Buchmacher-Marge und der Geschwindigkeit von Echtzeitdaten hinzu, was die Rolle stärker an Trading annähert als im klassischen Casino.