Data Engineer
aus 15.000 Lebensläufen mit der Kraft von KIDu bekommst Unterstützung für ETL- und ELT-Pipelines, Data Warehousing, Streaming-Daten und Cloud-Plattformen wie Snowflake, BigQuery, Databricks und Azure Data Factory. FRATCH hilft dir, schnell und präzise passende, geprüfte Freelancer zu finden.
Lerne FRATCH Data Engineer kennen
Fadi S.
Letzte Position:
AI-Engineer bei Personalvermittler
- Konzeption, Entwicklung und produktiver Rollout eines Enterprise HR Copiloten auf Basis von Microsoft Copilot Studio zur Automatisierung interner HR Prozesse
- Entwicklung eines AI gestützten Assistenten zur Beantwortung von Mitarbeiteranfragen auf Grundlage einer SharePoint Wissensdatenbank und unternehmensinterner HR Dokumentation
- Integration des Copiloten in Microsoft Teams inklusive Begrüßungslogik, Benutzerführung und rollenbasiertem Routing
- Automatisierung von HR Prozessen und Genehmigungsworkflows mit Microsoft Power Automate zur Reduzierung manueller Bearbeitungsschritte
- Entwicklung realistischer HR Dokumente und Antwortvorlagen mit Azure OpenAI unter Berücksichtigung fachlicher Anforderungen und konsistenter Unternehmensrichtlinien
- Implementierung von Prompt Strategien, Wissensmanagement und Response Optimierung zur Verbesserung der Antwortqualität und Benutzerakzeptanz
- Enge Zusammenarbeit mit Fachbereichen zur Analyse von Anforderungen sowie Integration der AI Lösung in bestehende Unternehmensprozesse
Technologien:
Microsoft Copilot Studio, Microsoft Teams, Azure OpenAI, SharePoint, Power Automate, Power Platform, Microsoft 365, Prompt Engineering, Workflow Automation
Octavian G.
Letzte Position:
Oracle-DWH-Analyst bei Infomotion Gmbh
Oracle PL/SQL, Oracle SQL, ITIL
Marco S.
Letzte Position:
MS Power BI-Entwickler bei Bayern Facility Management GmbH
Power BI-Entwicklung und -Administration, Schulung, Beratung, Datenmodellierung, DAX-Entwicklung
MS Fabric, MS Power BI, DAX
Hachem S.
Letzte Position:
Dozent für Machine Learning & BI bei EU Business School
- Machine Learning, BI und Big Data für Master-Studierende unterrichtet.
Technologien: Python, Power BI, SQL, ML, SnowflakeDB, databricks, MS Fabric, MongoDB, LLM
Karl F.
Letzte Position:
ONECEPT Website bei ONECEPT GmbH
Entwicklung und Umsetzung der Website onecept.at mit React/Next.js. Fokus auf responsives Webdesign, performante Komponentenstruktur, SEO-Grundoptimierung und technisches Deployment.
Technologien: React, Next.js, TypeScript / JavaScript
Paulo M.
Letzte Position:
Power BI / Fabric & SAP BI-Berater bei Financial Bank
- Entwicklung semantischer Power-BI-Modelle, DAX und RLS zur Verbesserung der Reporting-Performance und Sicherheit.
- Konzeption eines Fabric Lakehouse mit Medallion Architecture (Bronze/Silver/Gold), wodurch die Datenverarbeitung beschleunigt sowie Wartbarkeit und Skalierbarkeit verbessert wurden.
- Erstellung von Fabric Data Factory-Pipelines und PySpark-Transformationen, wodurch die Verarbeitungszeit um 40% reduziert wurde.
- Bereitstellung automatisierter Power-BI-KPI-Dashboards zur Beschleunigung von Reporting und Entscheidungsfindung.
- Unterstützung der Migration von SAP BO 4.3 → 2025 über 2,000+ Webl-Berichte und 34 Universen hinweg, wodurch der Testaufwand um 35% reduziert und die Migrationsqualität und Zuverlässigkeit verbessert wurden.
- Optimierung von UNX-Universen, wodurch die Abfrageausführungszeit um 40% reduziert wurde.
- Optimierung von SAP-BO-Reporting-Lösungen zur Verbesserung der Zuverlässigkeit und Reduzierung des manuellen Aufwands.
Umgebung: Power BI, Microsoft Fabric (Lakehouse, Warehouse, Pipelines, PySpark), Tabular Editor, DAX Studio, SAP BI (BO 4.3/2025, Webl, UNX Universes), 360Suite, InfoBurst, GitHub, JIRA.
Farid A.
Letzte Position:
SAP-Datenmigrations- und Datenmanagement-Consultant für SAP GEMINI bei Montblanc
Die Verantwortlichkeiten und Tätigkeiten umfassten:
- Beratung zur Migration von Materialstamm- und PP-Stammdaten
- Vorbereitung der Artikellistenvorlage für die Cutover-Phase
- Umsetzung von Datenbereinigungsmaßnahmen mithilfe individueller und umfangreicher Änderungen
- Extraktion aller für das Geschäft erforderlichen Pflichtfelder aus SAP
- SAP-Migration, Cutover, Tests, BAT und UAT
- Abstimmung mit mehreren Stakeholdern zu Daten aus dem Legacy- und SAP-System
- Umsetzung von SAP-MM-Best-Practices (geführte Konfigurationen, bewährte Methoden und Roadmap für den Projektstart)
SAP ERP | SAP GEMINI | Koordination von SAP-Feldern | Dokumentation | SAP IDoc | SAP-Integration | SAP-End-to-End-Prozess | SAP MM (Materialwirtschaft) | SAP-Funktionsberatung | SAP-GAP-Analyse | SAP MDM (Stammdatenmanagement) | Datenmigration und -management
Elija L.
Letzte Position:
Fujitsu Deutschland
- Begleitung und Mitgestaltung des Aufbaus und der Weiterentwicklung eines unternehmensweiten HUB-Systems im Fujitsu-Umfeld zur Integration unterschiedlichster Datenquellen und Anwendungen im internationalen Kontext
- Konzeption und Umsetzung von Datenmodellierung, ETL-Prozessen, Reporting und Datenqualitätsmanagement
Kalin S.
Letzte Position:
Senior Data Engineer / Architekt bei Samsung Logistics
- Konzipierte und implementierte ein strukturiertes, dreistufiges Enterprise-Data-Warehouse-Modell in Azure und schuf so eine robuste und skalierbare Datenumgebung.
- Migrierte veraltete Stored Procedures zu optimierten Azure Data Factory (ADF)-Pipelines und verbesserte dadurch die Datenverarbeitungseffizienz.
- Führte eine umfassende, Git-basierte Versionsverwaltung ein, um eine strenge Versionskontrolle und kollaborative Entwicklungsprozesse sicherzustellen.
- Etablierte automatisierte Data-Quality-Frameworks mit proaktiver Überwachung und Alarmierung, was die Datenintegrität und Zuverlässigkeit deutlich steigerte.
- Leitete das Design eines Enterprise-Datenmodells, das eine Self-Service-BI-Umgebung ermöglichte und den Fachbereichen erweiterte Analysefunktionen bot.
- Entwickelte und erstellte aussagekräftige Dashboards und Berichte in Power BI, die rohe Daten in umsetzbare Geschäftserkenntnisse verwandelten.
- Technologien: Azure Data Factory (ADF), Azure, MS-SQL, DataVault 2.0, Git, Power BI, Data-Quality-Automatisierung, Agile/Scrum, Datenmodellierung, Self-Service-BI, Stakeholder-Management.
Henning U.
Letzte Position:
Senior Expert Data Governance, Master Data Quality und Data Migration bei E.ON
- Planung und Umsetzung einer Migrationsstrategie von Stamm- und Bewegungsdaten zur kontinuierlichen Befüllung einer cloudunabhängigen Datenbank
- Erstellung und pilothafte Implementierung eines unternehmensweiten Business Data Models für Kunde, Lieferant, Verträge, Produkte, Preise, Verbräuche, Rechnungen und Mahnwesen
- Konzeption und Beratung zu einem Data Governance Framework inkl. Definition von Gremien, Rollen, Prozessen und Metadaten-Modell
- Operationalisierung des Data Governance Frameworks mit Definition von Datenstandards
- Teilprojektleitung bei zwei Pilotprojekten (PoCs) für Data Governance Systeme (ErwinDIS und Atlan)
- Schulung und Coaching des Data Teams in Migration, Data Quality und Datenmodellierung
Stefania D.
Letzte Position:
Data Engineer bei Storebox
Tech: AWS (Glue, Lambda, Redshift), Airflow, PostgreSQL, Python, PySpark, Metabase, Power BI
Geliefert: Analytics-ready Datenmodelle • Migration von Legacy-SQL zu Cloud-ETL • Dynamische Pricing Engine
- Verantwortlich für das unternehmensweite Data Warehouse von Anfang bis Ende — von der Datenaufnahme über die Transformation bis hin zu analytics-ready dimensionalen Datenmodellen auf AWS Redshift.
- Mit Analysten, Data Scientists und Business-Stakeholdern zusammengearbeitet, um skalierbare dimensionale Datenmodelle bereitzustellen, die Self-Service Analytics ermöglichen und das Dashboarding in Metabase und Power BI vereinfachen.
- End-to-End ETL/ELT-Pipelines auf AWS (Glue, Lambda, Redshift) mit Python und PySpark entwickelt und mit Apache Airflow (MWAA) orchestriert, um Zuverlässigkeit und Transparenz sicherzustellen.
- Standards für Data Quality und Governance über alle Pipelines und die zentrale Datenebene definiert und durchgesetzt.
- Die Migration von Legacy-SQL-Infrastruktur in skalierbare AWS-Glue-Pipelines mit verteilter PySpark-Verarbeitung geleitet, um Engpässe zu beseitigen und Ausfallzeiten zu reduzieren.
- Eine dynamische Pricing Engine entwickelt, die automatische Rabattaktionen auf Basis von Auslastung, Konkurrenzpreisen und Standort-Performance-Tiers anwendet.
- Schema-Mappings entworfen, um MongoDB-Daten in strukturierte relationale Systeme (Redshift/PostgreSQL) zu übernehmen.
Rainer S.
Letzte Position:
Microsoft DAT207x Zertifikat bei edX
- Microsoft DAT207x Zertifikat bei edX erworben.
- Abschlussdatum: 21.01.2020.
Asım Y.
Letzte Position:
Freiberuflicher BI/DWH/ETL-Spezialist bei Akbank
- Festlegung von Architekturstandards für Informatica-Power-Center-Entwicklungsteams
- Wartung, Performance und Zustand von DWH-(Exadata)-Umgebungen
- Architekturstandards für Qlik-Sense-/BO-Berichte
- Umsetzung von Best Practices bei ETL-Aufgaben
- Dokumentation der ETL-Standards in Confluence
- Regeln für die dynamische Datenmaskierung gemäß GDPR/KVKK-Vorschriften mit dem Informatica-DDM-Tool
- DWH-Datenmodell mit Power Designer
- Aktualisierung der Qlik-Sense-Versionen
- Zusammenführung der Repository-Datenbanken aller Informatica-Server in einer Oracle-Datenbank
Hossein A.
Letzte Position:
Datawarehouse Consultant bei LENZING AG
- Beratung zur Enterprise-Data-Warehouse- und Reporting-Praxis bei einem der größten Industriekonzerne Österreichs.
- Entwicklung und Standardisierung von Power-BI-Dashboards sowie Data-Visualization-Governance für unternehmensweites Reporting.
- Entwicklung eines WCAG-konformen, farbenblind-sicheren Visualisierungsstandards (Okabe-Ito-Palette), um Dashboards im gesamten Unternehmen zu vereinheitlichen.
Karl E.
Letzte Position:
inkl. CI/CD, Automatisierung bei AALS Software AG
- Konzeption und Durchführung eines praxisnahen Echtzeit-Kurses zu Flink und Hadoop mit MapReduce, HDFS, Spark, Flink, Hive, HBase, MongoDB, Cassandra und Kafka
- Erwerb umfangreicher DevOps- und CI/CD-Erfahrung
- Erstellung von ETL/ELT-Pipelines mit Apache-Tools und Pentaho
- Leitung von Projekten in kommunaler Software, Finanzdienstleistungen und Big Data mit Kafka
- Entwicklung von KI-/NLP-Modellen und Chatbots mit RASA, Chatter und Dialogflow
- Aufbau und Verwaltung einer TypeDB-Wissensdatenbank
- Arbeit mit OpenStack, Kubernetes und Podman
Entdecke mehr als 15.000 Top-Freelancer
Data Engineer – Statistiken
Aggregiert aus den beruflichen Profilen passender Freelancer.
Berufserfahrung
16 Jahre
Positionsdauer
2,3 Jahre
Positionen pro Freelancer
12
Häufigste Fachbereiche
Informationstechnologie (IT), Business Intelligence, Produktentwicklung
Häufigste Branchen
Informationstechnologie (IT), Bank- und Finanzwesen, Fertigung
Fokus der Zertifizierungen
Informationstechnologie (IT), Business Intelligence, Projektmanagement
Bachelor-Abschluss oder höher
92%
Master-Abschluss oder höher
64%
Doktortitel
6%
Zertifizierungen pro Freelancer
3
Häufigste Sprachen
Deutsch, Englisch, Französisch
Sprechen zwei oder mehr Sprachen
94%
Basierend auf unserem Profilpool, Stand 21 Okt 2026.
Tagessatzverteilung
Das Diagramm zeigt, wie sich die Tagessätze der Experten in dieser Rolle verteilen, basierend auf aktuellen Verträgen auf unserer Plattform. Jeder Balken deckt eine Tagessatzspanne ab – seine Höhe zeigt, welcher Anteil der Experten innerhalb dieser Spanne abrechnet.
Durchschnittssätze für Data Engineer
Die Tagessätze basieren auf aktuellen Verträgen und enthalten keinen FRATCH-Aufschlag.
Der durchschnittliche Tagessatz ist der Mittelwert aller Tagessätze aus aktuellen Verträgen vergleichbarer Freelancer auf unserer Plattform.
Der Median-Tagessatz ist der mittlere Wert aller Tagessätze – die Hälfte der vergleichbaren Freelancer verlangt weniger, die andere Hälfte mehr. Anders als der Durchschnitt wird er von Ausreißern kaum beeinflusst.
Berechnet auf Basis der Tagessätze unserer Freelancer, Stand 21 Okt 2026. Die tatsächlichen Tagessätze können je nach Dienstalter, Erfahrung, Fachkenntnissen, Projektkomplexität und Auftragsdauer variieren.
Branchenfokus der Data Engineer Experten
Sieh, in welchen Branchen unsere gematchten Freelancer am häufigsten tätig sind — jede Zahl wird live aus den Freelancern auf FRATCH berechnet.
- Informationstechnologie (IT) (89%)
- Bank- und Finanzwesen (54%)
- Fertigung (40%)
- Professionelle Dienstleistungen (38%)
- Einzelhandel (37%)
- Automotive (35%)
- Versicherung (31%)
- Energie (30%)
Bitte beachte, dass Freelancer in mehreren Branchen tätig sein können, daher überschneiden sich die Prozentwerte.
Über die Rolle
Was sie bauen
Ein Data Engineer macht aus Rohdaten verlässliche Abläufe, die Teams nutzen können. Er plant Pipelines, verbindet Quellsysteme, bereinigt und formt Daten und liefert stabile Datensätze für Analysen, Reporting und Machine Learning.
- ETL- und ELT-Pipelines
- Data Warehouses und Lakehouses
- Streaming- und Batch-Datenjobs
- Datenmodelle, Schemas und Orchestrierung
- Monitoring, Logging und Fehlerbehandlung
Zentrale Fähigkeiten
Gute Data Engineers verstehen SQL, Python, Datenmodellierung und Cloud-Infrastruktur. Sie wissen, wie man Daten sicher zwischen Geschäftssystemen, APIs, Dateien und Plattformen bewegt, ohne Qualität oder Herkunft zu zerstören.
Zu den gängigen Tools gehören Airflow, dbt, Spark, Kafka, Snowflake, BigQuery, Databricks, Redshift und Azure Data Factory. Gute Freelancer wissen außerdem, wie man wartbaren Code schreibt, die eigene Arbeit dokumentiert und saubere Setups an interne Teams übergibt.
Wann man jemanden dazuholt
Unternehmen beauftragen einen freiberuflichen Data Engineer, wenn Datenarbeit dringend, spezialisiert oder an ein kurzes Projekt gebunden ist. Das umfasst oft Plattform-Migrationen, den Neuaufbau von Pipelines, Reporting-Fixes, GDPR-sensible Datenflüsse oder die Vorbereitung eines Stacks für Analytics- und KI-Anwendungen.
Diese Rolle passt auch gut, wenn dem Team tiefes Plattformwissen fehlt oder zusätzliche Kapazität gebraucht wird, ohne eine feste Stelle zu schaffen. Freelancer eignen sich gut für neue Builds, das Bereinigen alter Systeme und temporäre Unterstützung bei Produkteinführungen oder Datenvorfällen.
Was gute Leute tun
Die besten Data Engineers verschieben nicht nur Datensätze von A nach B. Sie denken von Anfang an an Datenqualität, Kosten, Zugriffskontrolle und spätere Wartung.
- Pipelines bauen, die zuverlässig und leicht erweiterbar sind
- Schlechte Quelldaten abfangen, bevor sie die Reporting-Ebene erreichen
- Zuständigkeiten zwischen Engineering- und Analytics-Teams klar halten
- Logik, Abhängigkeiten und Deployment-Schritte dokumentieren
- Engpässe in langsamen oder fehleranfälligen Datenflüssen beheben
Verwandte Rollen
Jobtitel können unterschiedlich sein. Unternehmen suchen möglicherweise nach einem Data Engineer, Analytics Engineer, ETL Developer, Data Platform Engineer oder Cloud Data Engineer, wenn sie diese Art von Arbeit brauchen. Der genaue Titel ist weniger wichtig als der Umfang der Lieferung.
Ein Analytics Engineer arbeitet meist näher an der Transformations- und Semantik-Ebene fürs Reporting. Ein Data Engineer sitzt tiefer im Stack, näher an Quellen, Pipelines, Speicherung, Orchestrierung und Systemzuverlässigkeit.
So briefst du die Arbeit
Ein klarer Brief hilft dem Freelancer, schnell loszulegen. Teile deine Quellsysteme, Ziel-Tools, Datenmengen, Aktualisierungsanforderungen, Qualitätsregeln und was für das Business als „fertig“ gilt.
Erwähne, ob es sich um einen Greenfield-Ansatz oder die Wiederherstellung eines bestehenden Stacks handelt, wer das Cloud-Konto verwaltet und welche Teams das Ergebnis prüfen müssen. Je besser die Übergabe, desto schneller die Umsetzung.
Häufig gestellte Fragen
Vor der nächsten Projektanfrage: die häufigsten Fragen zu Data Engineer.
Ein Data Engineer baut und pflegt die Datenflüsse, die Informationen von Quellsystemen in nutzbare Speicher- und Reporting-Ebenen bringen. Dazu gehören Ingestion, Transformationen, Orchestrierung, Tests, Monitoring und das Beheben defekter Pipelines. Das Ziel sind saubere, verlässliche Daten, denen Teams vertrauen können.
Ein starker Data Engineer sollte SQL, Python und Datenmodellierung sicher beherrschen und sich mit Cloud-Datenplattformen wohlfühlen. Außerdem sollte er Pipeline-Design, Datenqualitätsprüfungen und grundlegende DevOps-Gewohnheiten wie Versionskontrolle und saubere Deployments verstehen. Für komplexere Aufgaben sind Kenntnisse in Spark, Kafka, Airflow oder dbt oft wichtig.
Ein Data Engineer arbeitet meist näher an Quellsystemen, Ingestion, Orchestrierung und der Zuverlässigkeit des gesamten Data Stacks. Ein Analytics Engineer verbringt mehr Zeit damit, Daten für Reporting und die von Analysten genutzte Semantik-Ebene aufzubereiten. In kleineren Teams kann ein Freelancer beides abdecken, aber die Arbeitstiefe ist unterschiedlich.
Ein Freelancer lohnt sich, wenn die Arbeit projektbasiert, dringend oder an eine bestimmte Plattformänderung gebunden ist. Das ist typisch bei Migrationen, neuen Datenprodukten, dem Bereinigen alter Systeme oder beim kurzfristigen Ausgleich einer Lücke nach einem Weggang. Ein freiberuflicher Data Engineer kann schneller starten und sich ohne lange Einarbeitung auf die Umsetzung konzentrieren.
Typische Deliverables sind Pipeline-Code, Transformationslogik, Datenmodelle, Dokumentation und ein Monitoring-Setup. Je nach Projekt liefert der Data Engineer auch Migrationspläne, Testfälle, Zugriffsmuster oder Übergabenotizen für interne Teams. Je genauer der Scope, desto leichter lässt sich der Erfolg bewerten.
Ja, viele Data Engineers arbeiten sehr gut remote, weil die meisten Aufgaben in Code, Cloud-Tools und gemeinsamer Dokumentation erledigt werden. Zeit vor Ort kann helfen, wenn die Arbeit von sensiblen Systemen, Stakeholdern mit unklaren Anforderungen oder einem Team abhängt, das zu Beginn eng zusammenarbeiten muss. Das beste Setup hängt davon ab, wie deine Datenumgebung organisiert ist.
Bitte um Beispiele für Pipelines, Plattformen und Produktionsprobleme, die sie بالفعل bearbeitet haben, nicht nur um Toolnamen. Ein guter data engineer kann Kompromisse erklären, zeigen, wie er mit Fehlern umgeht, und beschreiben, wie er Datenqualität und Wartbarkeit schützt. Klare Kommunikation ist genauso wichtig wie technisches Know-how.
Freelancer sollten nach Quellsystemen, Zielarchitektur, Geschäftszielen und der Zuständigkeit für Zugriff und Deployments fragen. Sie müssen auch wissen, wer Änderungen freigibt, wie Datenqualität geprüft wird und ob der Stack neu oder bereits anfällig ist. Dieser Kontext hilft ihnen, die Arbeit zu planen und Überraschungen zu vermeiden.
Der durchschnittliche Stundensatz für Data Engineer liegt bei 98 €, was einem Tagessatz von etwa 782 € bei einem 8-Stunden-Tag entspricht.
Von den Freelancern, die als Data Engineer arbeiten, haben 92% mindestens einen Bachelor-Abschluss, 64% mindestens einen Master-Abschluss und 6% einen Doktortitel.
Freelancer, die als Data Engineer arbeiten, haben im Durchschnitt 16 Jahre Berufserfahrung; ein einzelnes Projekt dauert typischerweise etwa 2,3 Jahre.
Die häufigsten Sprachen unter Freelancern, die als Data Engineer arbeiten, sind Deutsch (98%), Englisch (95%) und Französisch (20%).
Die häufigsten Industrien unter Freelancern, die als Data Engineer arbeiten, sind Informationstechnologie (IT) (89%), Bank- und Finanzwesen (54%) und Fertigung (40%).
Die häufigsten Bereiche unter Freelancern, die als Data Engineer arbeiten, sind Informationstechnologie (IT) (100%), Business Intelligence (93%) und Produktentwicklung (58%).
FRATCH Data Engineer Hauptstandorte
Unsere Freelancer und Interim-Experten sind in ganz Deutschland zuhause — verfügbar vor Ort in Berlin, Hamburg, München und allen wichtigen Wirtschaftszentren oder komplett remote. Wähle eine Stadt und entdecke passende Spezialisten, lokale Markteinblicke und aktuelle Verfügbarkeiten.
Berlin 
München 
Frankfurt In Österreich unterstützen unsere Freelancer und Interim-Experten Unternehmen von Wien bis Graz — vor Ort, wo dein Projekt sie braucht, oder komplett remote. Wähle eine Stadt und entdecke passende Spezialisten, lokale Markteinblicke und aktuelle Verfügbarkeiten.
Wien Graz In der ganzen Schweiz sind unsere Spezialisten in Zürich, Genf, Basel und Bern aktiv — vor Ort oder komplett remote. Wähle eine Stadt und entdecke passende Spezialisten, lokale Markteinblicke und aktuelle Verfügbarkeiten.
Zürich Genf Basel Bern Länder:
Kostenlose Demo vereinbaren
Kontaktiere uns und das FRATCH-Team meldet sich innerhalb von 4 Stunden bei dir.
Möchtest du lieber direkt mit uns in Kontakt treten?
Wir haben immer Zeit für einen Anruf oder eine E-Mail!
Philipp Thomaschewski
FRATCH CEO
