Data Science, Data Analytics und Data Engineering: Unterschiede im Gesundheitswesen

Kurze Antwort

Data Engineering stellt verlässliche Daten bereit: Es lädt, bereinigt und verknüpft Daten aus Quellsystemen und betreibt die Datenplattform. Data Analytics beantwortet bekannte Fragen mit Kennzahlen, Berichten und Dashboards. Data Science entwickelt Modelle für Vorhersagen, Muster, Ursachen, Optimierung und die Auswertung von Sprache und Text – mit Statistik, Machine Learning, Experimenten und Validierung. Die drei bauen aufeinander auf: Ohne Engineering keine belastbaren Kennzahlen, ohne abgestimmte Kennzahlen keine vertrauenswürdigen Modelle.

Stand: November 2026

Das Wichtigste in Kürze

• Data Engineering liefert die Datenbasis, Data Analytics die Sicht auf das, was war, Data Science Aussagen über das, was sein wird, was wirkt oder was verborgen in den Daten steckt.
• Data Science ist mehr als „Analytics mit Python“: Sie arbeitet mit Hypothesen, prüft Ursachen statt nur Zusammenhänge, beziffert Unsicherheit und muss Modelle dauerhaft überwachen.
• Im Gesundheitswesen kommen Erklärbarkeit, Fairness und Datenschutz für Gesundheitsdaten nach Art. 9 DSGVO hinzu.
• Die häufigsten Fehler sind Data-Science-Projekte ohne tragfähige Datenbasis und Dashboards ohne verbindliche Kennzahldefinitionen.
• Ein Datenteam braucht unterschiedliche Rollen – und immer Fachwissen aus Medizin, Pflege, Controlling oder Leistungsbereichen.
• DigitalHealthExperts unterstützt bei Organisation, Verwaltung und Steuerung; KI für Diagnose oder Therapie gehört nicht zum Angebot.

Was bedeuten Data Engineering, Data Analytics und Data Science?

Kurze Antwort

Drei Disziplinen mit unterschiedlichem Auftrag: Data Engineering baut die Datenwege, Data Analytics macht Daten für Entscheidungen sichtbar, Data Science gewinnt mit Modellen neue Erkenntnisse und Prognosen.

Im Alltag werden die Begriffe oft vermischt. „Data Science“ dient manchmal als Sammelbegriff für jede Form der Datenauswertung, und auch der Überblick Was ist Digital Health Analytics? ordnet beschreibende Berichte und Prognosen unter einem gemeinsamen Dach ein. Für Aufbau, Personal und Projektplanung lohnt sich jedoch die genauere Unterscheidung:

• Data Engineering entwirft, baut und betreibt Systeme, mit denen eine Organisation große Datenmengen sammeln, speichern, verarbeiten und auswerten kann. Microsoft beschreibt dazu typische Bausteine wie Lakehouse, Pipelines und Notebooks. Das Ergebnis sind geprüfte, historisierte und dokumentierte Tabellen, etwa in der Medallion-Architektur, die der Artikel Was ist ein Lakehouse? erklärt.
• Data Analytics (oft auch Business Intelligence) übersetzt diese Daten in Kennzahlen, Berichte und Dashboards. Die Fragen sind meist bekannt und wiederkehrend: Wie hoch war die Belegung? Wie entwickeln sich Erlöse und Verweildauer?
• Data Science verbindet nach einer Definition, die das US-amerikanische NIST in seinem Glossar führt, Fachwissen, Programmierung sowie Mathematik und Statistik, um aus Daten aussagekräftige Erkenntnisse zu gewinnen. In der Praxis heißt das: Modelle entwickeln, die etwas vorhersagen, Gruppen erkennen, Ursachen abschätzen, Entscheidungen optimieren oder Texte erschließen – und diese Modelle prüfen, bevor jemand sich auf sie verlässt.

Wie unterscheiden sich die drei Disziplinen im Vergleich?

Kurze Antwort

Sie unterscheiden sich in Ziel, Fragestellung, Methoden, Werkzeugen, Ergebnis und Qualifikation. Die Werkzeuge überschneiden sich teilweise, der Auftrag nicht.

Merkmal	Data Engineering	Data Analytics	Data Science
Ziel	Verlässliche, aktuelle, dokumentierte Daten bereitstellen	Bekannte Fragen mit Kennzahlen beantworten, Steuerung ermöglichen	Neue Erkenntnisse, Prognosen und Entscheidungsvorschläge mit Modellen gewinnen
Typische Fragen	Woher kommen die Daten, sind sie vollständig, wie werden sie verknüpft?	Was ist passiert, wo weichen Werte vom Plan ab?	Was wird passieren, warum, welche Gruppen gibt es, was wirkt?
Methoden	Datenmodellierung, ETL/ELT, Datenqualitätsregeln, Historisierung	Kennzahldefinition, Aggregation, Zeitvergleiche, Visualisierung	Statistik, Machine Learning, Experimente, kausale Analysen, Sprachverarbeitung
Werkzeuge	SQL, Pipelines, Spark, Data Warehouse, Lakehouse	SQL, Power BI, Excel, semantische Modelle	Python oder R, Notebooks, ML-Bibliotheken wie scikit-learn, MLflow, MLOps-Werkzeuge
Ergebnis	Geprüfte Tabellen und Datenprodukte	Berichte, Dashboards, Kennzahlenkataloge	Validierte Modelle, Prognosen mit Unsicherheitsbereich, Analysen mit Methodendokumentation
Rollen und Qualifikation	Data Engineer; Informatik, Datenbanken, Integration	Data Analyst, BI-Entwickler; Fachprozesse, Datenmodellierung, Visualisierung	Data Scientist, ML Engineer; Statistik, Programmierung, Forschungsdesign
Zeithorizont	Laufender Betrieb, dauerhaft	Rückblick und aktuelle Lage	Zukunft und Wirkung; Modelle mit Lebenszyklus

Auf modernen Plattformen arbeiten alle drei auf denselben Daten: In Microsoft Fabric etwa landen Vorhersagen aus Data-Science-Modellen direkt in Power-BI-Berichten – siehe Microsoft Fabric im Krankenhaus.

Warum ist Data Science mehr als Data Analytics?

Kurze Antwort

Weil Data Science Aussagen über Unbekanntes trifft: über die Zukunft, über Ursachen und über Muster, die niemand vorher definiert hat. Damit solche Aussagen tragen, braucht es wissenschaftliche Arbeitsweise – Hypothesen, Experimente, Validierung, Umgang mit Unsicherheit und einen geregelten Modellbetrieb.

• Hypothesen und Experimente: Data Science beginnt mit einer prüfbaren Annahme, etwa „Ein strukturiertes Entlassgespräch senkt Wiederaufnahmen“. Wo möglich, wird sie mit einem Experiment oder einem sorgfältig gewählten Vergleich geprüft, nicht mit einem Diagramm.
• Kausalität statt Korrelation: Ein Dashboard zeigt, dass zwei Werte gemeinsam steigen. Ob das eine das andere verursacht, bleibt offen. Data Science nutzt Studiendesigns und Methoden der kausalen Analyse, um Störfaktoren wie Alter, Schweregrad oder Jahreszeit zu berücksichtigen – und benennt, wann eine Ursachenaussage nicht möglich ist.
• Unsicherheit und Validierung: Eine Prognose ohne Fehlerbereich ist eine Behauptung. Modelle werden auf Daten geprüft, die sie beim Training nicht gesehen haben, bei Zeitreihen auf einem späteren Zeitraum. Das Risikomanagement-Rahmenwerk des NIST verlangt für vertrauenswürdige KI, dass Gültigkeit und Zuverlässigkeit mit realistischen Testdaten belegt und im Betrieb laufend überprüft werden.
• Modellbetrieb (MLOps): Google beschreibt MLOps als Verbindung von Entwicklung und Betrieb von ML-Systemen, mit Automatisierung und Überwachung in allen Schritten. Der Modellcode ist dabei nur ein kleiner Teil des Gesamtsystems. Ändern sich die Daten – neue Kataloge, ein neues KIS-Modul, eine andere Patientenstruktur –, verliert ein Modell an Güte (Drift) und muss überwacht und neu trainiert werden.
• Erklärbarkeit: Wer eine Prognose nutzt, muss verstehen, welche Merkmale sie beeinflussen und was sie bedeutet. Das NIST unterscheidet dabei Erklärbarkeit (wie ein System arbeitet) und Interpretierbarkeit (was ein Ergebnis im Anwendungszusammenhang bedeutet).
• Bias und Fairness: Verzerrungen entstehen nach NIST systemisch, statistisch durch nicht repräsentative Daten oder durch menschliche Wahrnehmung – auch ohne Absicht. Ergebnisse werden deshalb für Patienten- oder Versichertengruppen getrennt geprüft.

Grenzen und Risiken: Modelle lernen aus der Vergangenheit und übernehmen deren Lücken; Abrechnungsdaten zeigen, was abgerechnet wurde, nicht den vollständigen Gesundheitszustand. Kleine Fallzahlen und geänderte Abläufe begrenzen jede Prognose. Entscheidungen bleiben deshalb bei Menschen.

Wie sehen Beispiele im Gesundheitswesen aus?

Kurze Antwort

Dieselbe Einrichtung braucht oft alle drei Disziplinen für unterschiedliche Aufgaben – vom Datenfluss aus dem KIS über das Belegungsdashboard bis zur Belegungsprognose.

Einrichtung	Data Engineering	Data Analytics	Data Science
Krankenhaus	KIS-Bewegungsdaten und Daten nach § 21 KHEntgG regelmäßig in ein Lakehouse laden, Stationen und Fachabteilungen vereinheitlichen	Belegungs- und Erlösdashboard, Verweildauer je Fachabteilung, Leistungsgruppen-Auswertungen	Belegungs- und Aufnahmeprognose, Wiederaufnahmerisiko für das Entlassmanagement, Clustering von Fallgruppen, Textauswertung von Arztbriefen für Kodierung und Dokumentationsqualität
Pflegeeinrichtung	Pflegedokumentation, Dienstplan und Belegung zusammenführen und täglich aktualisieren	Personaleinsatz im Verhältnis zur Belegung, Auswertung von Sturz- und Dekubitusereignissen	Prognose des Personalbedarfs, Muster in Pflegeberichten erkennen, Faktoren für Stürze untersuchen
Krankenkasse	Abrechnungsdaten aus allen Leistungsbereichen über viele Jahre historisieren und pseudonymisieren	Leistungsausgaben je Bereich und Region, Bearbeitungszeiten im Service	Prognose der Leistungsausgaben, Auswahl auffälliger Abrechnungen zur Prüfung, Bewertung von Versorgungsprogrammen mit Vergleichsgruppen

Vertiefungen: Prognosen im Krankenhaus behandelt der Artikel Predictive Analytics im Krankenhaus, Einsatzfelder und Sozialrecht der Kassen der Artikel Data Science in der Krankenversicherung. Wie Daten für die Krankenhausreform aufbereitet werden, zeigt Krankenhausreform: Leistungsgruppen mit Daten planen.

Welcher Rechtsrahmen gilt?

Kurze Antwort

Gesundheitsdaten sind nach Art. 9 DSGVO besonders geschützt. § 6 GDNG erlaubt Gesundheitseinrichtungen die Weiterverarbeitung eigener Daten für Qualitätssicherung, Patientensicherheit, Forschung und Statistik. Für Modelle kommt die KI-Verordnung hinzu, bei Diagnose und Therapie das Medizinprodukterecht.

• DSGVO: Für alle drei Disziplinen gelten Zweckbindung, Datensparsamkeit, Rollen- und Rechtekonzepte. Data Engineering setzt Pseudonymisierung und Berechtigungen technisch um.
• § 6 GDNG: Die Weiterverarbeitung muss für den Zweck erforderlich sein. Personenbezogene Daten sind zu pseudonymisieren und zu anonymisieren, sobald der Zweck es zulässt; Verarbeitungen werden protokolliert, eine Weitergabe an Dritte ist grundsätzlich untersagt.
• KI-Verordnung (EU) 2024/1689: Ob ein Modell ein KI-System im Sinne von Art. 3 Nr. 1 ist, ist im Einzelfall zu prüfen; für Machine-Learning-Modelle, die Vorhersagen oder Empfehlungen erzeugen, liegt das nahe. Wer KI einsetzt, muss die KI-Kompetenz der Beschäftigten fördern (Art. 4, mehr dazu im Artikel KI-Kompetenz nach Art. 4 KI-Verordnung). Nach der Änderung durch die Verordnung (EU) 2026/1744 („Digital Omnibus“), in Kraft seit dem 27. Juli 2026, gelten die Hochrisiko-Pflichten für Bereiche nach Anhang III ab dem 2. Dezember 2027 und für KI in Produkten nach Anhang I, zu denen Medizinprodukte zählen, ab dem 2. August 2028. Anhang III erfasst unter anderem KI, mit der Behörden Ansprüche auf Gesundheitsleistungen prüfen, sowie Risikobewertung und Preisbildung in der Krankenversicherung.
• Medizinprodukterecht: Ob Software ein Medizinprodukt ist, bestimmt ihre Zweckbestimmung. Software, die medizinisches Wissen mit patientenspezifischen Daten verknüpft und Empfehlungen zu einzelnen Patientinnen und Patienten gibt, gilt nach Auffassung des BfArM im Allgemeinen als Medizinprodukt. DigitalHealthExperts bietet keine KI für Diagnose oder Therapie an; Schwerpunkt sind Organisation, Verwaltung, Steuerung, Datenplattformen und Schulung.

Wann braucht eine Einrichtung was?

Kurze Antwort

Die Reihenfolge folgt dem Reifegrad: zuerst eine tragfähige Datenbasis, dann verbindliche Kennzahlen, danach Modelle. Entscheidend ist die Frage, die beantwortet werden soll.

Ausgangslage oder Frage	Was zuerst gebraucht wird
Zahlen werden aus mehreren Systemen per Hand in Excel zusammenkopiert	Data Engineering: automatisierte Pipelines und eine gemeinsame Datenbasis
Abteilungen nennen für dieselbe Kennzahl unterschiedliche Werte	Data Analytics: Kennzahlenkatalog mit verbindlichen Definitionen und Verantwortlichen
Die Leitung will Belegung, Erlöse und Personal tagesaktuell sehen	Data Analytics auf einer stabilen Datenbasis, etwa mit Power BI
Engpässe sollen Tage im Voraus erkennbar sein	Data Science: Prognosemodell, aufbauend auf geprüften historischen Daten
Es ist unklar, ob eine Maßnahme wirkt	Data Science: Vergleichsdesign oder Experiment mit vorab festgelegter Auswertung
Freitexte wie Arztbriefe oder Pflegeberichte sollen erschlossen werden	Data Engineering für sicheren Zugriff, dann Data Science mit Sprachverarbeitung und strenger Datenschutzprüfung
Ein Modell läuft, aber niemand prüft seine Güte	MLOps: Versionierung, Monitoring, Verantwortliche für den Betrieb

Typische Fehler:

• Data Science ohne Datenbasis: Ein Prognoseprojekt startet, bevor Daten vollständig, verknüpft und historisiert sind. Ein großer Teil des Budgets fließt dann in nachträgliche Datenaufbereitung.
• Dashboards ohne Definitionen: Berichte zeigen unterschiedliche Zahlen für „Fall“ oder „Auslastung“. Das Vertrauen sinkt, bevor ein Modell überhaupt eine Chance hat. Hinweise zum Aufbau stehen im Artikel Power BI im Krankenhaus.
• Modelle ohne Betrieb: Ein Modell wird einmal entwickelt und nie überwacht. Drift bleibt unbemerkt.

Welche Teams und Rollen braucht es?

Kurze Antwort

Data Engineers, Data Analysts oder BI-Entwickler, Data Scientists und, sobald Modelle dauerhaft laufen, ML Engineers – immer zusammen mit Fachleuten aus Medizin, Pflege, Controlling oder Leistungsbereichen.

Rolle	Aufgabe	Wichtige Kenntnisse
Data Engineer	Quellsysteme anbinden, Pipelines bauen, Datenqualität und Berechtigungen umsetzen	SQL, Datenmodellierung, Spark, Lakehouse, Schnittstellen wie HL7 und FHIR
Data Analyst / BI-Entwickler	Kennzahlen definieren, semantische Modelle und Dashboards bauen	Fachprozesse, DAX und SQL, Visualisierung
Data Scientist	Fragen in prüfbare Hypothesen übersetzen, Modelle entwickeln und validieren	Statistik, Machine Learning, Python oder R, Studiendesign
ML Engineer	Modelle in Betrieb bringen, versionieren, überwachen	MLOps, Softwareentwicklung, Automatisierung
Fachexpertise aus Medizin, Pflege, Controlling	Fragen schärfen, Daten deuten, Ergebnisse bewerten	Abläufe, Dokumentation, Kataloge wie ICD-10-GM und OPS

Hinzu kommen Datenschutz und Informationssicherheit. Kleinere Einrichtungen bündeln mehrere Rollen in einer Person; wichtig ist, dass jede Aufgabe eine verantwortliche Person hat.

Welche Schulungen passen zu welcher Disziplin?

Kurze Antwort

Für jede Disziplin gibt es eigene Seminare: Datenpipelines und Lakehouse für Data Engineering, Business Intelligence und Power BI für Data Analytics, Python, Machine Learning und MLOps für Data Science.

Aufgabe	Passendes Seminar	Dauer
Datenbanken und SQL beherrschen	SQL und Datenbankdesign Grundkurs	3 Tage
Datenpipelines für große Datenmengen aufbauen	Data Engineering – Skalierbare Datenpipelines und Big Data Technologien	4 Tage
Lakehouse und Pipelines mit Microsoft Fabric umsetzen	DP-700 Data Engineering mit Microsoft Fabric	4 Tage
Datenqualität messen und sichern	Datenqualität und Datenqualitäts-Management	1 Tag
Kennzahlen und Dashboards erstellen	Power BI Grundlagen, vertiefend PL-300 Power BI Data Analyst	2 Tage / 3 Tage
Data-Science-Projekte planen und bewerten (Leitung, Projektverantwortung)	Kernkompetenz Data Science & KI	2 Tage
Einstieg in Data Science	Einführung in Data Science mit Schwerpunkt Machine Learning, umfassend im Data Science Foundation – Bootcamp	3 Tage / 18 Tage
Daten mit Python auswerten	Data Science mit Python	3 Tage
Modelle für Klassifikation, Regression und Clustering entwickeln	Machine Learning mit Python und scikit-learn, vertiefend Ensemble-Methoden und Hyperparameter-Tuning	5 Tage / 2 Tage
Belegung oder Ausgaben prognostizieren	Intelligente Zeitreihenanalyse mit modernen Machine-Learning-Methoden, für große Datenbestände Predictive Analytics & Machine Learning auf Big Data	3 Tage / 4 Tage
Modelle versionieren, betreiben und überwachen	Modernes MLOps mit MLflow	3 Tage
Texte mit Sprachmodellen, NLP und RAG auswerten	Python-Workflows – LLMs, NLP & RAG für Texte, lokal mit Mistral AI, Ollama & Co.	3 Tage / 1 Tag
Neuronale Netze verstehen und einsetzen	Einführung in Deep Learning mit PyTorch	3 Tage
Ergebnisse mit R auswerten und darstellen	Datenvisualisierung mit R und ggplot2	1 Tag

Alle Seminare finden Sie im Bereich Data Science & Analytics. Sie sind auch als Firmenseminar mit Beispielen aus der eigenen Einrichtung möglich.

Fazit

Data Engineering, Data Analytics und Data Science sind keine Stufen derselben Tätigkeit, sondern Disziplinen mit eigenem Auftrag: Daten verlässlich bereitstellen, Bekanntes sichtbar machen und Unbekanntes mit geprüften Modellen erschließen. Data Science verlangt dabei mehr als Werkzeuge – Hypothesen, Validierung, Ursachendenken, Erklärbarkeit und einen geregelten Modellbetrieb. Einrichtungen im Gesundheitswesen kommen am sichersten voran, wenn sie die Reihenfolge einhalten, Kennzahlen verbindlich definieren und jede Rolle mit Fachwissen aus Versorgung und Verwaltung verbinden. Bei Datenstrategie, Plattform und Kennzahlen unterstützt die Datenanalyse-Beratung für das Gesundheitswesen, bei Prognosen, Machine Learning und Modellbetrieb die Data-Science-Beratung.

Hinweis: Dieser Überblick ersetzt keine Rechtsberatung.

Quellen

1. Glossar: Data Science. National Institute of Standards and Technology (NIST), Definition nach NIST SP 800-218A.
2. Was ist Fabric Data Engineering?. Microsoft Learn.
3. Data Science in Microsoft Fabric. Microsoft Learn.
4. MLOps: Continuous delivery and automation pipelines in machine learning. Google Cloud.
5. AI Risk Management Framework 1.0, Abschnitt 3: Merkmale vertrauenswürdiger KI. National Institute of Standards and Technology (NIST).
6. Verordnung (EU) 2016/679 (DSGVO). Art. 9.
7. § 6 Gesundheitsdatennutzungsgesetz (GDNG). Bundesministerium der Justiz.
8. Verordnung (EU) 2024/1689 (KI-Verordnung). Art. 3, Art. 4, Anhang I und III.
9. AI Act – Regulatory framework for AI. Europäische Kommission: AI-Omnibus seit 27. Juli 2026 in Kraft, Hochrisiko-Pflichten ab 2. Dezember 2027 (Anhang III) und 2. August 2028 (Anhang I).
10. Rechtlicher Status, Klassifizierung, Einstufung von Medizinprodukten. Bundesinstitut für Arzneimittel und Medizinprodukte.

Passende Schulungen

Vertiefen Sie das Thema mit Ihrem Team – im offenen Seminar oder als Inhouse-Schulung.

• Kernkompetenz Data Science & KI: Strategien, Analysemethoden und Praxis für datengetriebene Projekte2 Tage · nächster Termin 09.–10.11.2026
• Data Science Foundation - Bootcamp18 Tage · nächster Termin 09.11..–02.12.2026
• Machine Learning mit Python und Scikit-learn5 Tage · nächster Termin 09.–13.11.2026
• Data Engineering - Skalierbare Datenpipelines und Big Data Technologien4 Tage · nächster Termin 09.–12.11.2026
• Alle Seminare: Data Science & AnalyticsTermine, Inhalte und Inhouse-Angebote