Vorstellungsgespräch: Wichtige Fragen für Quantitative Analysten

Hier sind die häufigsten Vorstellungsgesprächfragen für eine Quantitative Analyst-Position — mit Beispielantworten und Vorbereitungstipps, basierend darauf, worauf Recruiter tatsächlich achten. In einem Markt, in dem die durchschnittliche Stelle 2025 auf 244 Bewerbungen kam und eingehende Bewerber bis Q1 2024 nur auf etwa eine 0,2% Angebotsquote kamen, bedeutet es bereits, dass du einen brutalen Filter überstanden hast, wenn du es bis zum Interview schaffst [1] [2]. Wenn du noch einen Lebenslauf erstellen musst, der dich überhaupt dorthin bringt, hilft dir Specific Resume dabei, ihn für jede Rolle gezielt anzupassen.

Die häufigsten Vorstellungsgesprächfragen für Quantitative Analyst

1. Erzählen Sie etwas über sich
2. Warum möchten Sie diese Quantitative-Analyst-Position?
3. Was interessiert Sie an unserem Unternehmen und diesem Team?
4. Führen Sie mich durch ein quantitatives Projekt, auf das Sie stolz sind
5. Wie gehen Sie beim Aufbau eines Pricing- oder Risikomodells vor?
6. Wie validieren Sie ein Modell, bevor Sie ihm vertrauen?
7. Erklären Sie ein komplexes statistisches Konzept in einfachen Worten
8. Welche Programmiersprachen und Tools nutzen Sie am häufigsten?
9. Wie gehen Sie mit unordentlichen oder unvollständigen Daten um?
10. Erzählen Sie von einer Situation, in der Sie einen Fehler gefunden haben, den andere übersehen haben
11. Wie balancieren Sie Modellgenauigkeit mit Geschwindigkeit und Praxistauglichkeit?
12. Beschreiben Sie eine Situation, in der Sie Ergebnisse einem nicht-technischen Stakeholder erklären mussten
13. Welche Risikokennzahlen verwenden Sie — und wann?
14. Wie gehen Sie damit um, wenn Modellannahmen nicht mehr gelten?
15. Erzählen Sie von einer Situation, in der Sie einen Prozess oder ein Modell verbessert haben
16. Wie priorisieren Sie, wenn mehrere Analysen gleichzeitig dringend sind?
17. Was tun Sie, wenn Ihre Analyse der Intuition oder dem Business-Druck widerspricht?
18. Wie nutzen Sie KI-Tools in Ihrer Arbeit als Quantitative Analyst?
19. Wie prüfen Sie KI-generierte Ergebnisse, bevor Sie ihnen vertrauen?
20. Haben Sie Fragen an uns?

Passen Sie Ihre Antworten an die konkrete Rolle an. Dieselbe Interviewfrage kann je nach Job sehr unterschiedliche Antworten erfordern. Als Quantitative Analyst sollten Sie Modellierungsurteil, statistische Strenge, Coding, Datenqualität und Risikobewusstsein betonen — nicht dieselben Stärken, die ein anderer Kandidat hervorheben würde. Genau deshalb empfehlen wir auch, mit rollen­spezifischen Frameworks wie der STAR-Methode für Quantitative-Analyst-Interviews zu üben und einen fokussierten Mock-Interview-Flow zu nutzen, wie z. B. Quantitative-Analyst-Vorstellungsgesprächfragen mit ChatGPT üben.

Quantitative-Analyst-Interviewfragen und Antworten im Detail

1. Erzählen Sie etwas über sich

Recruiter fragen das, um zu sehen, ob wir unsere eigene Story verstehen und sie klar präsentieren können. Sie fragen nicht nach einer Lebensgeschichte. Sie wollen eine knappe Zusammenfassung unseres Hintergrunds, unserer quantitativen Stärken und warum wir jetzt zu dieser Rolle passen.

Beispielantwort: Ich bin Quantitative Analyst mit Hintergrund in Statistik, Python und Financial Modeling. In meiner letzten Tätigkeit habe ich mich darauf konzentriert, Modelle für Pricing- und Risikoanalysen zu entwickeln und zu validieren, und mir hat besonders gefallen, wenn aus sauberer Mathematik Entscheidungen werden mussten, die Menschen tatsächlich nutzen können. An dieser Rolle reizt mich die Chance, an größer skalierten Fragestellungen zu arbeiten — in einem Team, das sowohl Modellqualität als auch praktischen Impact schätzt.

2. Warum möchten Sie diese Quantitative-Analyst-Position?

Diese Frage testet Motivation. Recruiter wollen wissen, ob wir diese Rolle bewusst gewählt haben oder einfach überall Bewerbungen rausgeschickt haben. Eine starke Antwort verbindet unsere Skills mit den echten Problemen des Teams.

Beispielantwort: Ich möchte diese Rolle, weil sie an der Schnittstelle von Modellierung, Programmierung und Entscheidungsfindung liegt. Ich baue gern Modelle, aber mir ist auch wichtig, dass sie Pricing-, Forecasting- oder Risikoentscheidungen in der Praxis wirklich verbessern. Diese Position sticht heraus, weil es so wirkt, als würde das Team sowohl technische Tiefe als auch Business-Judgment wertschätzen — und genau dort leiste ich meine beste Arbeit.

3. Was interessiert Sie an unserem Unternehmen und diesem Team?

Sie wollen einen Beleg, dass wir uns vorbereitet haben. Außerdem möchten sie sehen, ob wir ihre Domäne, Produkte und das Risikoumfeld verstehen. Allgemeines Lob schadet hier meistens.

Beispielantwort: Mich interessiert, dass Ihr Team an Problemen arbeitet, bei denen Modellannahmen kommerziell relevant sind — nicht nur akademisch. Mir gefällt, dass die Rolle offenbar nah an Engineering und an den Entscheidungsträgern ist, weil das oft zu besseren Feedback-Loops und robusteren Modellen führt. Außerdem spricht mich der Fokus des Unternehmens auf disziplinierte Research- und Implementierungsarbeit an — nicht nur auf theoretische Ansätze.

4. Führen Sie mich durch ein quantitatives Projekt, auf das Sie stolz sind

Das ist ein Tiefe-Test. Recruiter wollen hören, wie wir das Problem definieren, Methoden auswählen, mit Daten umgehen, Ergebnisse validieren und Impact messen. Die Antwort sollte strukturiert wirken, nicht ausschweifend.

Beispielantwort: Ein Projekt, auf das ich stolz bin, war der Aufbau eines faktor­basierten Modells, um die Signalqualität für Portfolioentscheidungen zu verbessern. Ich habe die Forecast-Stabilität verbessert — gemessen an geringerem Out-of-Sample-Error und konsistenterer Performance über Marktregime hinweg — indem ich das Feature-Set neu designt, Datenbereinigungsregeln verschärft und ein disziplinierteres Validierungsframework ergänzt habe. Entscheidend war nicht nur der Model-Lift, sondern dass das Team den Outputs genug vertraut hat, um sie tatsächlich zu nutzen.

5. Wie gehen Sie beim Aufbau eines Pricing- oder Risikomodells vor?

Damit prüfen sie unseren Prozess. Starke Kandidaten zeigen Struktur: Ziel definieren, Annahmen verstehen, Daten vorbereiten, Methoden wählen, validieren und monitoren.

Beispielantwort: Ich starte mit der Entscheidung, die das Modell unterstützen soll, weil das die richtigen Trade-offs definiert. Dann kläre ich Annahmen, Datenverfügbarkeit und Failure-Modes, bevor ich eine Methode auswähle. Danach baue ich eine Baseline, teste gegen historische und Stress-Szenarien und vergleiche mit einfacheren Alternativen. Wenn ein Modell nicht erklärbar, monitorbar und angreifbar ist, halte ich es nicht für produktionsreif.

6. Wie validieren Sie ein Modell, bevor Sie ihm vertrauen?

Hier geht es um Urteilskraft und Disziplin. Unternehmen wollen niemanden, der nur Modelle bauen kann. Sie wollen jemanden, der sie hinterfragen kann.

Beispielantwort: Ich validiere in Schichten. Zuerst prüfe ich Data Lineage, Transformationen und Leakage-Risiken. Dann teste ich die statistische Performance mit Holdout-Perioden, Cross-Validation wo sinnvoll, und Benchmark-Vergleichen. Danach stresse ich Annahmen, schaue mir Edge Cases an und frage, ob das Modell ökonomisch bzw. geschäftlich noch Sinn ergibt. Ein Modell kann numerisch stark aussehen und trotzdem scheitern, wenn die zugrunde liegende Logik schwach ist.

7. Erklären Sie ein komplexes statistisches Konzept in einfachen Worten

Das misst Kommunikationsfähigkeit. Quantitative Analysts arbeiten oft mit Tradern, Managern, Risikoverantwortlichen oder Kunden, die keinen Vortrag wollen. Sie wollen Klarheit.

Beispielantwort: Nehmen wir Overfitting. Ich würde es so erklären: Wenn wir die Vergangenheit zu genau auswendig lernen, wirkt das Modell im Test schlau, aber es performt schlecht auf neuen Daten. Es ist wie wenn man nur die exakten Fragen aus einer alten Klausur lernt, statt das Thema zu verstehen. Deshalb achte ich beim Modellbau darauf, dass Modelle generalisieren — und nicht nur auf historischen Daten beeindrucken.

8. Welche Programmiersprachen und Tools nutzen Sie am häufigsten?

Recruiter fragen das, um praktische Einsatzbereitschaft einzuschätzen. Sie wollen Tools hören, aber auch, wie wir sie in echten Workflows nutzen.

Beispielantwort: Ich nutze Python am intensivsten für Modellierung, Datenanalyse und Automatisierung — insbesondere mit pandas, NumPy, scikit-learn und Visualisierungsbibliotheken. Außerdem nutze ich SQL zum Extrahieren und Validieren von Datasets sowie Git für Versionskontrolle. Je nach Umfeld habe ich auch mit R oder Excel für schnelle Checks gearbeitet, bevorzuge aber reproduzierbare Workflows im Code.

9. Wie gehen Sie mit unordentlichen oder unvollständigen Daten um?

Das ist ein Realitätscheck. Die meiste quantitative Arbeit startet mit unperfekten Daten. Recruiter wollen sehen, ob wir sorgfältig und methodisch sind.

Beispielantwort: Ich behandle messy Data als Teil des Modellierungsproblems, nicht als Nebentask. Ich beginne damit, Missingness, Ausreißer, Inkonsistenzen und Timing-Probleme zu profilieren. Dann trenne ich, was korrigiert werden kann, was imputiert werden sollte und was ausgeschlossen werden muss. Außerdem dokumentiere ich jede Entscheidung, weil bei unvollständigen Daten das größte Risiko oft darin liegt, beim Bereinigen versteckte Bias zu erzeugen.

10. Erzählen Sie von einer Situation, in der Sie einen Fehler gefunden haben, den andere übersehen haben

Damit prüfen sie Detailgenauigkeit, Unabhängigkeit und Mut. Die besten Antworten zeigen, dass wir ein Problem früh erkannt und konstruktiv gelöst haben.

Beispielantwort: In einer Analyse ist mir aufgefallen, dass ein Feature Informationen genutzt hat, die zum Prognosezeitpunkt nicht verfügbar gewesen wären. Ich habe eine ungültige Modellverbesserung verhindert — messbar daran, dass die Out-of-Sample-Evaluation realistisch blieb — indem ich die Datenpipeline nachverfolgt, die Leakage-Stelle identifiziert und die Feature-Logik neu aufgebaut habe. Ich habe es vorsichtig angesprochen, den Impact klar erklärt und dem Team geholfen, es zu fixen, ohne das Projekt stärker als nötig zu bremsen.

11. Wie balancieren Sie Modellgenauigkeit mit Geschwindigkeit und Praxistauglichkeit?

Das testet Business-Sinn. Das bestperformende Modell ist nicht immer die beste Wahl, wenn es langsam, fragil oder nicht erklärbar ist.

Beispielantwort: Ich starte mit dem Use Case. Wenn die Entscheidung zeitkritisch oder stark reguliert ist, bevorzuge ich ggf. ein etwas einfacheres Modell, das schneller, stabiler und leichter zu erklären ist. Ich setze Performance-Gewinne in Relation zu Implementierungskosten, Interpretierbarkeit und Monitoring-Aufwand. Mein Ziel ist nicht maximale Komplexität. Es ist das beste nutzbare Modell für die reale Umgebung.

12. Beschreiben Sie eine Situation, in der Sie Ergebnisse einem nicht-technischen Stakeholder erklären mussten

Das prüft, ob wir Analyse in Handeln übersetzen können. Ein guter Quantitative Analyst versteckt sich nicht hinter Fachjargon.

Beispielantwort: Ich habe einmal Forecast-Ergebnisse einem Commercial-Team präsentiert, dem die Modellarchitektur egal war. Ich habe mich auf drei Dinge konzentriert: was sich geändert hat, wie sicher wir sind und welche Entscheidung sie anders treffen sollten. Statt Hyperparameter zu diskutieren, habe ich Szenario-Spannen und einfache Visuals genutzt. Das Meeting lief gut, weil ich die Analyse um ihre Entscheidungen herum gerahmt habe — nicht um meinen Prozess.

13. Welche Risikokennzahlen verwenden Sie — und wann?

Recruiter nutzen das, um Grundlagen zu testen. Sie wollen wissen, ob wir nicht nur Definitionen kennen, sondern Kontext und Grenzen.

Beispielantwort: Das hängt vom Portfolio- bzw. Entscheidungskontext ab. Ich habe je nach Bedarf Volatilität, Drawdown, Value at Risk, Expected Shortfall, Stresstests und Sensitivitätsmaße genutzt. Ich versuche, keine einzelne Kennzahl als vollständig zu behandeln. VaR kann z. B. nützlich sein, aber ich kombiniere ihn mit tail-fokussierten Kennzahlen und Szenarioanalysen, damit wir nicht durch eine Zahl in falsche Sicherheit geraten.

14. Wie gehen Sie damit um, wenn Modellannahmen nicht mehr gelten?

Hier geht es um Reife. Märkte, Kunden und Systeme ändern sich. Recruiter wollen wissen, ob wir Drift erkennen und verantwortungsvoll reagieren.

Beispielantwort: Zuerst will ich den Bruch schnell erkennen, deshalb setze ich Monitoring rund um zentrale Annahmen und das Output-Verhalten auf. Wenn Annahmen kippen, zwinge ich das alte Modell nicht länger als nötig am Leben zu bleiben. Ich identifiziere, was genau gebrochen ist, bewerte den Business-Impact und entscheide, ob wir rekalibrieren, redesignen oder vorübergehend auf einen einfacheren Ansatz zurückfallen. Stabilität ist wichtig — aber Ehrlichkeit ist wichtiger.

15. Erzählen Sie von einer Situation, in der Sie einen Prozess oder ein Modell verbessert haben

Diese Frage sucht Initiative und messbaren Impact. Wir sollten zeigen, was sich geändert hat, warum es wichtig war und wie wir es geliefert haben.

Beispielantwort (wenn Sie direkte Erfahrung haben): Ich habe die Model-Review-Zeit reduziert — messbar durch einen kürzeren Validierungszyklus und weniger Hin-und-her bei Korrekturen — indem ich die Dokumentation standardisiert, Kernchecks automatisiert und ein wiederverwendbares Testing-Template erstellt habe. Das hat dem Team geholfen, schneller zu werden, ohne Qualität zu senken.

Beispielantwort (wenn Sie junior sind): In einem Uni- oder Praktikumsprojekt habe ich die Analyse-Throughput verbessert — messbar durch schnellere Reruns und weniger manuelle Fehler — indem ich den Workflow von Spreadsheets in Python-Notebooks mit wiederholbaren Validierungsschritten verlagert habe. Es war ein kleines System, aber es hat mir gezeigt, wie viel Wert Prozessdisziplin schafft.

16. Wie priorisieren Sie, wenn mehrere Analysen gleichzeitig dringend sind?

Das testet Urteilsvermögen unter Druck. Quant-Rollen haben oft konkurrierende Deadlines, insbesondere rund um Reporting-Zyklen oder Markt-Events.

Beispielantwort: Ich priorisiere nach Business-Impact, Härte der Deadline und Dependency-Risiko. Wenn zwei Aufgaben beide dringend sind, frage ich, welche Entscheidung zuerst blockiert wird und welche Analyse das größere Risiko trägt, wenn sie verspätet oder schlecht gemacht wird. Dann kommuniziere ich Trade-offs früh. Ich setze lieber Erwartungen ehrlich neu, als Arbeit zu überhasten, die Menschen in die Irre führen könnte.

17. Was tun Sie, wenn Ihre Analyse der Intuition oder dem Business-Druck widerspricht?

Das ist teilweise eine Integritätsfrage. Recruiter wollen jemanden, der Evidenz vertreten kann, ohne starr oder streitlustig zu werden.

Beispielantwort: Ich sehe Konflikt als Signal, nachzuprüfen — nicht, emotional zu verharren. Zuerst prüfe ich Daten, Annahmen und Implementierung erneut. Wenn die Analyse weiterhin stimmt, präsentiere ich das Ergebnis klar, erkläre Unsicherheit und zeige, was wahr sein müsste, damit die Gegenposition plausibel wäre. So bleibt die Diskussion evidenzbasiert. Mein Job ist, dem Team zu besseren Entscheidungen zu verhelfen — nicht, eine Debatte zu gewinnen.

18. Wie nutzen Sie KI-Tools in Ihrer Arbeit als Quantitative Analyst?

Für analytische Rollen ist diese Frage zunehmend realistisch. LinkedIn berichtete, dass Stellenanzeigen, die AI literacy skills verlangen, 2025 um 71% gegenüber dem Vorjahr gestiegen sind [3]. Recruiter suchen keinen Hype. Sie wollen Belege, dass wir KI als Hebel nutzen — mit Urteilskraft.

Beispielantwort: Ich nutze KI-Tools als Produktivitätsunterstützung, nicht als Ersatz für quantitatives Denken. Zum Beispiel nutze ich ChatGPT oder Claude, um First-Pass-Codegerüste, Dokumentationsentwürfe und das Brainstorming alternativer Ansätze zu beschleunigen, und ich nutze GitHub Copilot im Editor für repetitive Coding-Aufgaben. Das hilft mir, beim Setup und in der Exploration schneller zu werden — aber ich validiere weiterhin die Mathematik, teste jeden Output und treffe die Modellierungsentscheidungen selbst.

19. Wie prüfen Sie KI-generierte Ergebnisse, bevor Sie ihnen vertrauen?

Diese Frage ist wichtig, weil KI sehr überzeugend klingen kann, während sie falsch liegt. Eine starke Antwort zeigt Kontrollen, nicht Angst.

Beispielantwort: Ich prüfe KI-Output so, wie ich auch jeden Junior-Entwurf prüfen würde: Ich checke Annahmen, reproduziere die zentralen Schritte und teste gegen bekannte Fälle. Wenn sie Code generiert, reviewe ich die Logik Zeile für Zeile und lasse Unit- oder Backtest-Checks laufen, bevor ich ihn nutze. Wenn sie eine Erklärung oder Methode vorschlägt, vergleiche ich das mit verlässlichen Quellen und prüfe, ob es zum Datenkontext passt. KI ist nützlich für Geschwindigkeit — aber Vertrauen muss durch Validierung verdient werden.

20. Haben Sie Fragen an uns?

Das ist keine Formalität. Es zeigt, wie wir über die Rolle nachdenken. Gute Fragen signalisieren Ernsthaftigkeit, Urteilskraft und langfristigen Fit. Für mehr Recruiter-Perspektive gefällt uns das Framing in Quantitative-Analyst-Vorstellungsgesprächfragen: Was Recruiter wirklich denken.

Beispielantwort: Ja. Ich würde gern verstehen, wie dieses Team Erfolg für die Rolle in den ersten sechs bis zwölf Monaten misst. Außerdem würde ich gern wissen, wie Modelle von Research in die Produktion kommen und welche Herausforderungen bei Modellierung oder Datenqualität aktuell am größten sind. Das würde mir helfen zu verstehen, wo ich am schnellsten Wert liefern kann.

Wie schwer ist es, ein Quantitative-Analyst-Interview zu bekommen?

Der schwierigste Teil ist oft nicht das Interview. Es ist, überhaupt gesehen zu werden.

In den Benchmark-Daten von Greenhouse über 6.000+ Unternehmen und 640 Millionen Bewerbungen erhielt die durchschnittliche Stellenausschreibung 2025 244 Bewerbungen [1]. Gleichzeitig sagt Greenhouse, dass die Zahl der Recruiter pro Organisation von 5,44 in 2024 auf 4,62 in 2025 gefallen ist — das heißt, mehr Bewerber konkurrieren um weniger menschliche Review-Kapazität [1]. Für Quantitative-Analyst-Kandidaten macht das den ersten Resume-Screen-Filter wahrscheinlich härter, nicht leichter.

Dieser Kontext ist wichtig. Wenn du das liest, weil du bereits ein Quantitative-Analyst-Interview hast, hast du bereits einen großen Filter geschafft. Verschwende diese Chance nicht. Und wenn du noch in der Bewerbungsphase bist, konzentriere dich auf den echten Engpass: gesehen zu werden.

KI verändert außerdem, was Unternehmen von analytischen Kandidaten erwarten. LinkedIns AI Labor Market Update 2025 zeigte, dass Stellenanzeigen, die AI literacy skills verlangen, im Jahresvergleich um 71% gestiegen sind — und angrenzende analytische Jobtitel gehören zu den Top-Kategorien [3]. Das sollten wir sorgfältig lesen: nicht als Behauptung, dass Quantitative-Analyst-Rollen verschwinden — denn es wurde keine glaubwürdige, Quantitative-Analyst-spezifische Statistik zum Posting-Volumen für 2025–2026 gefunden — sondern als starkes Signal, dass Arbeitgeber mehr KI-augmentierte analytische Fähigkeit in den Rollen wollen, für die sie tatsächlich einstellen [3].

Die Kernaussage ist einfach: der größte Engpass ist Sichtbarkeit. Wenn unser Lebenslauf in einem 5–8-Sekunden-Scan das Match nicht sofort offensichtlich macht, sind wir unsichtbar — egal wie qualifiziert wir sind. Das Ziel lautet: weniger Bewerbungen, mehr Interviews. Und das ist möglich, indem du deinen Lebenslauf auf jede Bewerbung individuell zuschneidest.

Warum du deinen Lebenslauf für jede Bewerbung anpassen solltest

Ein Lebenslauf, der das Match im 5–8-Sekunden-Scan des Recruiters sofort offensichtlich macht, schlägt jedes Mal einen generischen CV. Das wissen wir alle.

Das eigentliche Problem ist der Aufwand. Einen Lebenslauf für jede Bewerbung umzuschreiben kostet Zeit, wird schnell repetitiv — und genau deshalb passen die meisten Menschen ihn nicht wirklich sauber an. Es blieb mühsam, bis KI per-Job-Customization praktikabel gemacht hat.

Jetzt ist es einfach, mit Specific Resume für jede Bewerbung einen zugeschnittenen Lebenslauf zu erstellen. Es hilft dabei, Qualifikationen auf Seite eins sichtbar zu machen, eine klare visuelle Hierarchie zu erzeugen, die Sprache an die Stellenausschreibung anzugleichen, ergebnisorientiert zu formulieren und ATS-freundlich zu bleiben. Das hilft uns als Kandidaten, weil Recruiter den Fit schneller erkennen, und es hilft Recruitern, weil sie weniger in irrelevanten Details graben müssen.

Wenn du deine Chancen für die nächste Rolle verbessern willst, erstelle einen job­spezifischen Lebenslauf und kombiniere ihn bei Bedarf mit einem fokussierten Quantitative-Analyst-anschreiben.

Erstelle einen besseren Quantitative-Analyst-Lebenslauf für deine nächste Bewerbung

Der Funnel ist brutal: Aus Bewerbungen werden sehr wenige Interviews — und aus Interviews werden noch weniger Angebote. Also mach den ersten Filter entscheidend.

Viel Erfolg im Interview — und bei der nächsten Bewerbung danach: erstelle einen auf die Rolle zugeschnittenen Lebenslauf, damit er dich ins nächste Interview bringt.

Quellen

1. Greenhouse. Recruiting-Benchmarks auf Basis von 6.000+ Unternehmen und 640M Bewerbungen, einschließlich durchschnittlicher Bewerbungen pro Stelle und Trends bei der Recruiter-Kapazität.
2. Ashby. Talent-Trends-Report zur sinkenden Angebotsquote eingehender Bewerber von Q1 2021 bis Q1 2024.
3. LinkedIn Economic Graph. AI Labor Market Update mit dem Year-over-Year-Wachstum bei Stellenanzeigen, die AI literacy skills verlangen.

Adam Sabla

Adam Sabla ist ein Unternehmer mit Erfahrung im Aufbau von Startups, die über 1 Mio. Kunden bedienen – darunter Disney, Netflix und BBC – und hat eine ausgeprägte Leidenschaft für Automatisierung.