Data analyst of data scientist: welke instapfunctie is haalbaar voor starters?

Jeroen van der Made
Jeroen van der Made

Founder

17-09-2026
11 min. read

Direct antwoord

Voor wie zonder technische vooropleiding begint, is de rol van data analyst vrijwel altijd de haalbaarste instap: je werkt met bestaande data, bestaande vragen en bestaande tooling, terwijl een data scientist geacht wordt zelf modellen te ontwerpen en te verdedigen. De keuze tussen data analyst of data scientist is daarom geen keuze tussen twee even zware startpunten. Het is een keuze tussen een rol waarin je binnen enkele maanden waarde levert en een rol waarin werkgevers doorgaans eerst een paar jaar praktijkervaring willen zien. De titel data scientist is bereikbaar, maar meestal als tweede stap, niet als eerste.

Belangrijkste punten

  • Analistenrollen vragen kwantitatief inzicht en nauwkeurigheid, geen modelontwerp: het CBS noemt bij zijn eigen werving van data-analisten een kwantitatieve achtergrond en analytische scherpte als de kern van de functie.
  • De vraag naar technologische beroepen groeide fors: volgens Platform Talent voor Technologie op basis van CBS-maatwerk steeg het aantal mensen met een techniek- of ICT-beroep tussen 2013 en 2024 met 419.000 personen, van 1.489.000 naar 1.908.000.
  • Krapte betekent niet automatisch dat je binnenkomt: UWV telt 32 van 113 beroepsgroepen die nu al gespannen zijn en tot 2030 verder verkrappen, terwijl hoogopgeleide technici juist relatief vaker werkloos zijn (3,5% tegenover 2,4% bij middelbaar opgeleide technici).
  • Selectie op talent in plaats van diploma is streng: van alle kandidaten die het technisch assessment van Createment doorlopen, valt ongeveer 91% af. Per geplaatste trainee worden er dus rond de elf getest.
  • Beslisregel: wil je vragen beantwoorden die iemand anders stelt, kies analist. Wil je zelf de vraag formuleren en een model verdedigen, reken dan op twee tot vier jaar ervaring vooraf.

Waarom lijkt elke datavacature op een onmogelijke eis?

Je scrolt door tien vacatures voor junior data analyst. Negen ervan vragen SQL, Python, Power BI, statistiek, stakeholdermanagement en "minimaal twee jaar ervaring in een vergelijkbare rol". Dat is de standaardervaring van iemand die na een studie communicatie, psychologie of bedrijfskunde de overstap naar data wil maken.

Data analyst of data scientist: welke instapfunctie is haalbaar voor starters?

De frustratie is terecht, maar de conclusie die de meeste starters trekken klopt niet. Ze lezen die eisenlijst als een toelatingsexamen en concluderen dat data niets voor hen is. In werkelijkheid is zo'n lijst een verlanglijst, samengesteld door een recruiter die van drie verschillende teamleiders input kreeg.

Data analyst of data scientist: welke instapfunctie is haalbaar voor starters?

Het echte probleem zit dieper. Data analyst of data scientist zijn in Nederlandse vacatureteksten geen scherp afgebakende functies. Dezelfde titel dekt bij een verzekeraar iets heel anders dan bij een gemeente of een softwarebedrijf. Bij de een bouw je dashboards in Power BI, bij de ander onderhoud je een productiemodel. Wie op titel solliciteert, solliciteert in het donker.

En dat verklaart iets ongemakkelijks: hoogopgeleide starters lopen vast in een markt die schreeuwt om mensen. De cijfers van UWV via Platform Talent voor Technologie laten zien dat hbo- en wo-opgeleide technici vaker werkloos zijn dan hun middelbaar opgeleide collega's. Krapte is geen garantie. Aansluiting op wat een team morgen nodig heeft, dat is wel een garantie.

Wat doet een data analyst of data scientist precies anders?

Een analist beantwoordt een vraag die het bedrijf al heeft. Een scientist bedenkt de vraag die het bedrijf nog niet stelde. Dat verschil van één zin bepaalt de hele instapdrempel.

De dagelijkse praktijk

De analist krijgt een concrete opdracht: waarom daalde de conversie in kwartaal twee, welke klantgroep zegt op, klopt deze rapportage wel. Je haalt data uit een datawarehouse met SQL, maakt het schoon, visualiseert het en legt in een overleg van twintig minuten uit wat je ziet. Het zwaartepunt ligt bij nauwkeurigheid en uitleg.

De scientist werkt aan iets dat nog niet bestaat: een voorspelmodel, een aanbevelingssysteem, een detectiemechanisme voor afwijkingen. Daar hoort verantwoordingsdruk bij. Je moet kunnen uitleggen waarom je voor een bepaald algoritme koos en welke aannames eronder liggen.

Waarom de analistenroute sneller rendeert

Bij een analist is de leerweg gestapeld: SQL eerst, dan visualisatie, dan statistiek, dan bedrijfscontext. Elke laag levert direct bruikbaar werk op. Bij een scientist moeten wiskunde, programmeren en domeinkennis grotendeels tegelijk op niveau zijn voordat je iets kunt opleveren waar iemand op durft te sturen.

Dat is ook waarom de vraag welke traineeship past bij jouw manier van denken nuttiger is dan de vraag welke titel het beste klinkt.

AspectData analyst (instap)Data scientist (instap)
Realistische tijd tot productief werkDoorgaans 3 tot 6 maandenDoorgaans 12 maanden of meer
Typische ervaringseis in vacatures0 tot 2 jaarMeestal 2 tot 4 jaar
KernvaardigheidSQL en visualisatieStatistiek en modelleren
Aantal openstaande juniorplekkenDuidelijk ruimerBeperkter
Wiskundeniveau bij startRekenvaardig, statistiek basaalKansrekening en lineaire algebra

Waarom werkt zelfstudie of een losse cursus meestal niet?

De meeste omscholers proberen het eerst zelf. Een online cursus Python, een certificaat, een portfolioproject met een openbare dataset. Op papier logisch. In de praktijk strandt die route op vier punten.

Data analyst of data scientist: Waarom lijkt elke datavacature op een onmogelijke eis?

Ten eerste: certificaten tonen kennis, geen werkgedrag. Een recruiter ziet niet of jij een half afgemaakte analyse durft terug te leggen bij een manager die haast heeft. Precies dat gedrag bepaalt of je in een team overleeft.

Ten tweede: openbare datasets zijn schoon, bedrijfsdata is dat nooit. In een echte omgeving heb je te maken met dubbele registraties, ontbrekende velden en een collega die drie jaar geleden een kolom hergebruikte voor iets anders. Dat leer je alleen in een productieomgeving.

Ten derde: solliciteren op titel botst met een markt zonder gedeelde definities. Zolang data analyst of data scientist per organisatie iets anders betekent, is elke sollicitatie een gok.

Ten vierde: er is geen werkgever die zich aan je verbindt. Inhuur van externe specialisten is voor bedrijven duur en levert weinig binding op, en juist daarom investeren organisaties liever in mensen die blijven. Als starter val je buiten dat mechanisme zolang je alleen opereert.

De onderliggende denkfout is dat de meeste starters de kennisdrempel overschatten en de gedragsdrempel onderschatten. Ze studeren maandenlang op statistiek terwijl ze afgewezen worden op iets anders: het vermogen om een analyse in gewone taal uit te leggen aan iemand die geen data-achtergrond heeft.

Checklist:

  • Test je uitleg: kun je één analyse in vier zinnen uitleggen aan iemand zonder data-achtergrond? Lukt dat niet, oefen dit vóór je nieuwe techniek leert.
  • Tel je afwijzingen per fase. Val je af vóór het gesprek, dan is je profiel het probleem. Val je af ná het technisch gesprek, dan is je fundament het probleem.
  • Vervang één portfolioproject met een openbare dataset door een echte vraag uit je huidige werk, inclusief de rommelige brondata.
  • Vraag bij elke afwijzing expliciet welke van de twee ontbrak: techniek of context.

Hoe kom je binnen zonder de gevraagde ervaring?

De route die in de praktijk het beste werkt, draait de volgorde om: eerst een werkgever, dan de opleiding, dan de titel. Dat is de kern van het traineeshipmodel.

Werven voor één specifieke opdrachtgever

Het verschil met een algemeen bootcamp zit in de richting van de werving. Waar veel aanbieders eerst een groep opleidt en daarna zoekt waar die mensen passen, werft Createment trainees voor een concrete opdrachtgever met een concrete databehoefte. Je leert dus in de context van het bedrijf waar je gaat werken, met hun systemen en hun datamodel.

Dat verandert wat "instapfunctie" betekent. Je hoeft niet te bewijzen dat je vandaag al een productiemodel kunt bouwen. Je moet bewijzen dat je het binnen veertien maanden kunt leren, met begeleiding.

Selectie op aanleg, niet op studierichting

De filter zit vooraan. Het technisch assessment is zo opgezet dat ongeveer 91% van de kandidaten afvalt, wat betekent dat er ruwweg elf mensen worden getest voor elke trainee die aan een opdrachtgever wordt voorgesteld. Dat klinkt hard, maar het werkt twee kanten op: wie er doorheen komt, start met een opdrachtgever die weet dat het fundament klopt.

Getoetst wordt op logisch redeneren, abstractievermogen en doorzettingsvermogen, niet op je studierichting. Ook zonder wiskundeachtergrond is die stap haalbaar, mits je bereid bent de steile leercurve echt te lopen.

Een illustratief voorbeeld

Stel, een beleidsmedewerker bij een uitvoeringsorganisatie werkt al drie jaar met Excel-bestanden van tienduizenden regels en heeft zichzelf draaitabellen en wat formules aangeleerd. Op eigen kracht solliciteren op data-analistvacatures levert weinig op: geen relevante studierichting, geen SQL op cv. Via een traineeshiproute verschuift de beoordeling naar wat wél zichtbaar is: het vermogen om rommelige data te ordenen en er een leesbaar verhaal van te maken. In dit soort trajecten is het gebruikelijk dat iemand na de eerste maanden zelfstandig rapportages oplevert en daarna doorgroeit richting modelmatig werk. Dit is een illustratieve schets, geen gemeten casus.

Overweeg je deze route, dan geeft het data science traineeship van Createment een beeld van hoe opleiding en werk in zo'n traject verweven zijn.

Waar begin je als je binnen een jaar wilt starten?

Begin bij de vraag welk soort werk je energie geeft, niet bij de vraag welke titel het meeste betaalt. Wie kiest tussen data analyst of data scientist puur op salaris, kiest bijna altijd de rol met de langste aanloop.

Wat doet een data analyst of data scientist precies anders?

De volgorde die in de praktijk werkt:

  1. Bepaal je werkritme. Wil je vragen van anderen beantwoorden met een duidelijke deadline, of wil je weken aan één open probleem werken? Het eerste past bij analistenwerk, het tweede bij modelontwikkeling.
  2. Leer SQL vóór Python. SQL is de taal waarin vrijwel elke Nederlandse organisatie haar data ontsluit. Doorgaans is enkele weken serieus oefenen genoeg voor een gespreksniveau.
  3. Bouw één analyse uit je eigen werkverleden. Rommelige brondata, een echte vraag, een conclusie die iemand had kunnen gebruiken.
  4. Kies je route: zelf solliciteren of via een traject met opdrachtgever. Zonder relevante titel op je cv is de tweede route in de meeste gevallen sneller.
  5. Bereid het assessment voor op redeneren, niet op syntax. Logica-, patroon- en abstractievragen wegen zwaarder dan het uit je hoofd kennen van functies.

Een praktische drempelwaarde: solliciteer je drie maanden op analistenvacatures en kom je nul keer voorbij de eerste ronde, dan is bijleren niet de oplossing. Dan is de toegangsroute het probleem. Zie ook de vergelijking van welke IT-functie bij je past zonder diploma.

Checklist:

  • Schrijf op welke drie vragen jij het liefst zou beantwoorden met data. Passen ze bij rapportage of bij voorspelling?
  • Toets je SQL: kun je een join tussen drie tabellen schrijven en uitleggen waarom je die join koos?
  • Check bij elke vacature of er een concrete opdrachtgever en een contract achter zit, of alleen een opleidingsbelofte.
  • Plan je overstap financieel: een betaald traject scheelt het collegegeld en het inkomensgat van een voltijdopleiding.

Veelgestelde vragen

Is data analyst of data scientist beter betaald voor starters?

Instapsalarissen liggen dichter bij elkaar dan de titels suggereren. Het verschil ontstaat pas na enkele jaren, wanneer modelverantwoordelijkheid en specialisatie meewegen. Voor starters is de belangrijkste financiële factor niet de titel maar de aanlooptijd: een rol waarin je na drie maanden bijdraagt levert eerder salaris op dan een rol waarvoor je eerst jaren moet investeren. Vergelijk daarom altijd het startmoment, niet alleen het eindbedrag.

Kun je data scientist worden zonder wiskundestudie?

Ja, maar zelden als eerste functie. Kansrekening en lineaire algebra zijn nodig om modelkeuzes te verantwoorden, en die bouw je meestal op tijdens analistenwerk. In de praktijk verloopt de route via rapportage naar statistische analyse naar modellering, doorgaans over twee tot vier jaar. Wie direct instapt op modelwerk zonder dat fundament, loopt vast op het verdedigen van aannames.

Welke tools moet je kennen voor een instapfunctie in data?

SQL is de enige echt onmisbare vaardigheid bij de start. Daarnaast vragen veel Nederlandse werkgevers om een visualisatietool zoals Power BI of Tableau, en Python voor bewerking en analyse. Een goede volgorde: SQL tot je zelfstandig kunt bevragen, daarna één visualisatietool, pas daarna Python. Drie tools half beheersen scoort slechter in een gesprek dan één tool goed.

Hoe zwaar is het selectieproces voor een data-traineeship?

Zwaarder dan de meeste kandidaten verwachten: bij Createment valt ongeveer 91% van de geteste kandidaten af. Het assessment meet aanleg en doorzettingsvermogen, niet parate kennis van programmeertalen. Bereid je daarom voor op logica- en patroonvragen en op gesprekken over hoe je een probleem aanpakt. Wie erdoorheen komt, start met een opdrachtgever die het fundament al heeft laten toetsen.

Is de arbeidsmarkt voor data-functies in 2026 nog gunstig voor starters?

De onderliggende vraag blijft groeien, maar toegang vraagt een gerichte route. Het UWV plaatst 115 beroepen op beroepsniveau 4 op de lijst met kansrijke beroepen voor hbo'ers en wo'ers, functies met zeer complexe gespecialiseerde taken waaronder data-rollen vallen. Tegelijk toont CBS-data dat Nederland eind 2023 bijna 93.500 ICT-dienstverleners telde, een sector die tussen 2011 en 2023 met gemiddeld 4,6% per jaar groeide. Vraag is er dus; het knelpunt zit in de eerste stap.

Conclusie

De keuze tussen data analyst of data scientist is voor starters vooral een volgordekwestie. Begin bij het werk dat je binnen maanden kunt leveren, en laat de titel het gevolg zijn van wat je hebt gebouwd. Concreet: leer SQL tot gespreksniveau, maak één analyse van rommelige data uit je eigen werkverleden, en kies daarna bewust tussen zelf solliciteren of een route met een opdrachtgever die vooraf vastligt.

De belangrijkste correctie op het gangbare advies: meer cursussen stapelen lost een toegangsprobleem niet op. Wie na drie maanden solliciteren nog geen eerste gesprek haalt, moet de route veranderen, niet het curriculum. Selectie op aanleg in plaats van diploma, zoals in het assessmentmodel dat Createment hanteert, bestaat juist om die drempel te doorbreken. Kies de rol die past bij hoe je werkt, en de rest volgt.

Over Createment BV

Createment is een Nederlands bureau dat carrièrestarters en -switchers zonder IT-diploma via een betaald traineeship van veertien maanden omschoolt tot IT-professional. De trajecten omvatten Software Development, Data Science, Cyber Security en IT Specialist, met plaatsing bij opdrachtgevers zoals Jumbo, Transavia, CGI, APG en Alliander. Selectie gebeurt op talent en drive in plaats van op studierichting, in Nederland en België.

Ben je klaar om je IT-carrière te starten zonder diploma?

Stel je vraag
Deel bericht

GERELATEERDE
BLOGS