
Data Lakehouse Experten in Deutschland
, die in wenigen Minuten aus über 15.000 Lebensläufen gefunden werdenBeauftragen Sie Experten, die kontrollierte Lakehouse-Architekturen entwerfen, zuverlässige Ingestion- und Transformationspipelines erstellen und Analysen mit Machine-Learning-Workloads verbinden. FRATCH vermittelt Ihnen schnell geprüfte, verfügbare Freelancer, die zu Ihren technischen Anforderungen passen.
Lerne FRATCH Experten in Deutschland kennen, die kürzlich Data Lakehouse eingesetzt haben
Umut A.
Letzte Position:
Full-Stack-KI-Entwickler bei DB InfraGO AG
Hauptentwickler einer internen Audit-Plattform für IS-Auditoren. Sie führt Maßnahmen aus dem GRC-Tool zusammen mit ihrem Audit- und KI-Prüfstatus in einer gemeinsamen Arbeitsliste zusammen und bewertet sie mithilfe einer KI-Prüf-Pipeline. FastAPI, SQLModel, PostgreSQL und React/TypeScript in einer strikt hexagonalen Architektur.
- Entwarf die hexagonale Architektur (Ports und Adapter): einen frameworkfreien Domänenkern mit austauschbaren Adaptern für die GRC-Datenbank, die RAG- und LLM-Dienste sowie die Persistenz, abgesichert durch Architekturtests und ADRs.
- Entwickelte die asynchrone KI-Prüf-Pipeline (RAG + LLM): lang laufende Ausführungen auf einem persistenten, datenbankgestützten Worker mit den Phasen Indizierung, Abruf, Bewertung und Zusammenführung sowie LLM-Bewertungen, die an ein striktes JSON-Schema gebunden sind.
- Bindete ein Microsoft Fabric Lakehouse schreibgeschützt als maßgebliche Datenquelle ein, mit transaktionaler Synchronisierung der Maßnahmen (Upsert, Archivieren, Reaktivieren).
- Versionierte Berichtsansichtsmodelle, die jedes Ergebnis auf seine Kontrollen, Belegabschnitte und Quellen zurückführen. Die Ergebnisse werden in einer druckbaren, XSS-sicheren Berichtsansicht angezeigt; das Frontend basiert auf React 19, TanStack und shadcn/ui mit einem generierten OpenAPI-Client.
- Implementierte typgeprüfte und getestete Pipelines (mypy, ruff, pytest) und hielt Zugangsdaten für GRC, RAG, Datenbank und LLM aus dem Code heraus.
Vasco F.
Letzte Position:
Senior AI-Ingenieur (Freiberuflich) bei RWE
Databricks-Architektur & KI-Datenprodukte [Databricks Apps · Unity Catalog · Delta Lake · Lakebase · Asset Bundles · Azure DevOps · MCP]
- Entwarf eine mehrschichtige Databricks-Finanzdatenarchitektur: Apps/FastAPI für die Bereitstellung, modulare Python-Berechnungsengines, SQL/Delta für kontrollierte Analysen und Unity Catalog Volumes für versionierte Workbook-Ausgaben.
- Integrierte operative Daten aus Lakebase PostgreSQL mit Analysen im SQL Warehouse und hielt transaktionale und analytische Zugriffe durch die App-Service-Principal-Identität, kurzlebige Zugangsdaten und kontrollierte, schreibgeschützte Datenschnittstellen getrennt.
- Definierte eine DEV/TST/PRD-Bereitstellungsarchitektur mit Databricks Asset Bundles und automatisierter Azure DevOps CI/CD, einschließlich wiederverwendbarer Umgebungskonfigurationen, OAuth-M2M-Identitäten und automatisierter Verwaltung des Lebenszyklus von Anwendungen und Ressourcen.
- Entwarf Zugriffsgrenzen für Apps, SQL Warehouses, Unity-Catalog-Tabellen/Funktionen/Volumes und Secret Scopes. Trennte Deployment-, Anwendungs- und SQL-Identitäten durch deklarative Ressourcenberechtigungen und umgebungsspezifische Authentifizierung.
- Entwickelte serverlose Spark-Pipelines für Geodaten und eine nachvollziehbare Speicherarchitektur, die unveränderliche Volume-Artefakte, Revisionsverläufe und eine nur ergänzbare Delta-Historie mit dauerhaft gespeicherter Audit-Ereignisübermittlung verbindet.
- Verknüpfte AI-Hub-Agenten über typisierte REST/MCP-Schnittstellen mit kontrollierten Databricks-Finanz-Workflows. Implementierte CAPEX/OPEX-, Commercial-, Lease- und IRR/NPV-Engines mit Szenariovalidierung und Konsistenzprüfungen für Workbooks.
Ravindra K.
Letzte Position:
Data Engineer (Team Lead) bei OPTUM – UnitedHealth Group
- Aufbau des Lakehouse: Entwurf und Aufbau der Mitglieder- und Anspruchsberechtigungsdomäne eines Azure-Databricks-Healthcare-Lakehouses. Erfassung von Daten aus SQL Server sowie Datei- und REST/SFTP-Quellen (JSON, CSV, XML, Parquet) über Azure Data Factory in ADLS Gen2.
- Medallion-Pipelines: Transformation von Daten durch die Bronze-, Silber- und Gold-Schichten von Delta Lake mit PySpark und Spark SQL; Einsatz von Delta Live Tables / Lakeflow mit integrierten Erwartungen für deklarative Pipelines mit Qualitätsprüfungen.
- Modernisierung der Plattform: Bereitstellung einer Plattform für den Wechsel von SQL Server in die Cloud: ADF → ADLS Gen2 → Databricks → dbt Core-Modelle → Snowflake → Power BI. Ablösung älterer Berichte durch kontrollierte Analysen.
- Robustes ETL: Aufbau metadatengesteuerter, idempotenter vollständiger und inkrementeller Ladevorgänge sowie Watermark-gesteuerter Ladevorgänge mit Schema-Evolution und Fehlerstatusbehandlung. Verbesserung der Zuverlässigkeit und erneuten Ausführbarkeit.
- Datenmodellierung: Entwurf von Kimball-Sternschemata mit SCD Type 1 & 2-Dimensionen; Optimierung langsamer Abfragen und Pipelines mithilfe von Ausführungsplänen.
- Governance & Sicherheit: Einsatz von Unity Catalog RBAC, Lineage und Audit-Logging sowie Azure Key Vault-Secrets und verwalteten Identitäten zur Erfüllung der HIPAA- und GDPR-Anforderungen.
- Führung & Mentoring: Leitung eines 6-köpfigen Teams (2 Data Engineers, 2 Analysts, BI-Entwickler, QA); Mentoring von Engineers, Festlegung von Lieferstandards und Abstimmung mit internationalen Stakeholdern.
- Bereitstellung & KI-gestützte Arbeit: Durchführung von CI/CD und Aufgabenverfolgung in Azure DevOps; Aufbau von Power-BI-Semantikmodellen mit DAX und RLS; Einsatz von Genie Code, Claude und Copilot zur schnelleren Entwicklung von PySpark/SQL, DAX und Dokumentation.
Mahboobeh S.
Letzte Position:
Senior Analytics Engineer bei Jadoosoft
Als unabhängiger BI-Berater für eine FinTech-SaaS-Plattform tätig, Aufbau und Wartung des gesamten Microsoft-Azure- und Fabric-Analytics-Stacks hinter einem mandantenfähigen Buchhaltungsprodukt, mit dem Geschäftsinhaber ihre eigene finanzielle Entwicklung verfolgen.
- Zusammenarbeit mit Finanz-Stakeholdern, um komplexe Buchhaltungsabläufe in Echtzeit-BI-Dashboards (P&L, Cash Flow, Balance Sheet) zu übersetzen und 2000+ Geschäftsinhabern zu ermöglichen, Cashflow und finanzielle Gesamtsituation einfach zu verfolgen.
- Entwicklung von 10+ interaktiven Dashboards, die jedem Geschäftsinhaber eine personalisierte Echtzeitübersicht über die eigene Vertriebsleistung, die Überfälligkeit von Forderungen und die Betriebskosten bieten.
- Sicherstellung einer strengen Data Governance durch die Implementierung dynamischer Row-Level Security (RLS) mit DAX, um die Daten jedes Geschäftsinhabers innerhalb des gemeinsamen mandantenfähigen Modells zu isolieren.
- Wartung und Erweiterung einer Azure-ELT-Pipeline (Azure Data Factory, Azure SQL Database, Azure Synapse) zur automatisierten Datenaufnahme und -transformation.
- Mitwirkung an der teamweiten Plattformmigration von Azure zu Microsoft Fabric zur Optimierung der Lizenzkosten für die Kapazität.
- Konzeption und Implementierung einer Microsoft-Fabric-ELT-Pipeline (Lakehouse, Pipelines, PySpark) zur automatisierten Datenaufnahme und -transformation als Ersatz für die vorherige Azure-Pipeline.
- Modellierung der bereinigten Daten in einem Star Schema innerhalb des Data Warehouse mit T-SQL als Grundlage für das Power BI Semantic Model.
- Einsatz von KI-Tools, einschließlich Copilot und Claude, als Entwicklungspartner entlang der gesamten ELT-Pipeline, von der Datenaufnahme bis zu KPI-Reporting und Visualisierung.
- Unterstützung agiler Bereitstellungsprozesse mit Jira zur Nachverfolgung von Entwicklungsaufgaben und Confluence zur Pflege technischer und projektbezogener Dokumentation.
Robert L.
Letzte Position:
Senior Projektleiter KI & Daten bei Großer deutscher Energieversorger
KI-Assistenz und Zielbild für teilautonome Energieportfolio-Steuerung
Aufbau einer KI-Steuerungsschicht direkt auf dem tagesaktuellen Live-Portfolio eines großen Energieversorgers — nicht als isolierter Pilot, sondern als operative Erweiterung der bestehenden DB1- und Portfolio-Steuerung. Ziel ist die schrittweise Entwicklung von Assistenz über Monitoring/Alerting bis zu Analyse-Agenten mit Human-in-the-Loop-Freigaben, ergänzt um ein rollenspezifisches System of Engagement neben dem BI-System of Record. Parallel werden Business Case, Zielbild und Management-Pitch gegenüber statischem Monatsreporting erarbeitet.
- KI-Steuerungsschicht: Konzeption und Aufbau auf dem bestehenden Live-Portfolio-Datenprodukt (mehrere Mio. Verträge) — Ausbaustufen Assistenz → Monitoring/Alerting → Agenten mit Human-in-the-Loop-Freigaben.
- LLM-gestützte Datenanalyse: Semantische Abfragen, SQL-/Tool-Anbindung und ergänzende RAG-Komponenten auf Portfolio-, Plan-Ist- und Datenqualitätsdaten (Azure OpenAI, Snowflake) mit Drill-downs bis auf Einzelvertragsebene.
- Analyse-Agenten: Mehrstufige Agenten für Abweichungs- und Treiberanalysen zu Churn, Preisanpassungen, Mengen und Beschaffungskosten.
- Sichtenkonzept: Rollenspezifische Oberflächen für Fachbereich, Management und C-Level als System of Engagement neben dem BI-System of Record.
- Business Case & Pitch: Zielbild und Kosten-Nutzen-Argumentation gegenüber statischem Monatsreporting.
- LLM-Setup (Datenschutz & Security): Abstimmung mit IT-Security und Datenschutz — EU-Region, Datentrennung, Freigabeprozesse.
- Agenten-Architektur: Mehrstufige Agenten-Pipelines (Analyse → Validierung → Zusammenfassung) mit dokumentierten Datenquellen, Tool-Aufrufen, Prüfschritten und Quellenbezug je Aussage.
- Datenfundament: Aufsatz auf dem tagesaktuellen DB1-Datenprodukt (Snowflake, dbt) — Portfolio-, Plan-Ist- und Datenqualitätskennzahlen als gemeinsame Basis aller KI-Analysen.
- Guardrails & Evaluation: Evaluations- und Freigabeprozesse für LLM-Antworten bei steuerungsrelevanten Aussagen — Testsets, Metriken, Human-Review.
- Prototyping & Validierung: Iterative Validierung der Agenten-Antworten mit dem Fachbereich — Testfragen-Katalog, Feedback-Schleifen, Antwortqualität je Release.
- Roadmap & Ausbaustufen: Detaillierung der Stufen Assistenz → Monitoring/Alerting → teilautonome Steuerung inkl. Übergangskriterien und Governance je Stufe.
- Integration: Einbettung in die bestehende BI- und Datenlandschaft — BI bleibt System of Record, die KI-Schicht liefert interaktive Drill-down-Pfade als System of Engagement.
- Enablement: Befähigung der Anwender im Fachbereich — Prompting-Leitfäden, Schulungen und Betriebsmodell für den laufenden Einsatz.
- Steuerung: Koordination Fachbereich, Data Engineering, IT-Security & Datenschutz.
- Change Management: Kommunikation und Erwartungsmanagement gegenüber Fachbereich und Management entlang der Ausbaustufen.
Ergebnisse:
- Auf bestehendes tagesaktuelles Datenprodukt mit mehreren Millionen Verträgen aufgesetzt
- Mit Datenschutz und IT-Security abgestimmtes LLM-Setup in EU-Region mit Datentrennung und Freigaben etabliert
- Drei Ausbaustufen bis zur teilautonomen Steuerung definiert
- Rollenspezifische Sichten für Fachbereich, Management und C-Level konzipiert
- Business Case und Management-Pitch für die Ausbaustufen erarbeitet
- Iterativer Validierungsprozess für Antwortqualität mit dem Fachbereich etabliert
- Betriebsmodell für den Assistenzbetrieb konzipiert und in Validierung
Stack: Azure OpenAI, Azure AI Foundry, Snowflake, dbt, React, TypeScript, Entra ID, RAG, Agentic AI, Analyse-Agenten, Human-in-the-Loop, Prompt Engineering, LLM Evaluation, LLMOps, DSGVO / EU-Region, Azure DevOps, Python, SQL, Change Management
Varsha P.
Letzte Position:
Senior Data Analyst bei Infosys
Modernisierung der Enterprise-Analytics – In Deutschland ansässige Enterprise-Reporting-Plattform für Betriebs- und Managementanalysen, die von 1,000+ internen Nutzern aus mehreren Abteilungen genutzt wird.
- Leitung von Power-BI- und Microsoft-Fabric-Reporting-Initiativen von Anfang bis Ende; Bereitstellung skalierbarer Dashboards und semantischer Modelle zur Unterstützung täglicher operativer und strategischer Entscheidungen, wodurch die Geschwindigkeit von Entscheidungen um 30% und die Effizienz der Berichterstattung um 25% verbessert wurden.
- Entwicklung einheitlicher Unternehmensdatensätze mit Microsoft Fabric Lakehouse und OneLake, Automatisierung der Verarbeitung historischer Daten und Reduzierung des manuellen Reporting-Aufwands um 40%.
- Aufbau und Pflege automatisierter Datenaufnahmepipelines mit Fabric Dataflows Gen2 und Data Pipelines, Verbesserung der Zuverlässigkeit der Datenaktualisierung auf 99.8% Verfügbarkeit und Sicherstellung einer gleichbleibenden Datenqualität.
- Umsetzung einer unternehmensweiten Reporting-Governance einschließlich Row-Level Security (RLS), Workspace-Strategie, Deployment-Pipelines und Dokumentation; dadurch Steigerung der Dashboard-Nutzung um 35%.
Verwendete Technologien: Power BI, Microsoft Fabric, DAX, Power Query, SQL, Azure Data Fundamentals, Semantic Modeling, RLS, Agile
Emanuel F.
Letzte Position:
Interimsarchitekt & Data-Taskforce-Leiter bei Freelancer / Projekteinsätze
- Data Engineering: Konzeption und Implementierung skalierbarer Datenpipelines
- Legacy-Migrationen zu Microsoft Fabric (Lakehouse, Dataflows Gen2, Pipelines)
- BO-Universe-Migrationen zu MS Fabric / Semantic Models / Power BI
- Taskforce für datengetriebene Transformationsprojekte nach Azure Fabric / Oracle / MSSQL
Deepa K.
Letzte Position:
Datenanalyst – BI Lead Engineer bei Novartis
- Leitung der unternehmensweiten BI-Transformation mit Power BI und Microsoft Fabric durch die Bereitstellung skalierbarer Datenmodelle, automatisierter Berichte und leistungsstarker Analyselösungen für die kommerzielle und operative Führungsebene.
- Aufbau und Optimierung von Power BI Dataflows, Fabric-Lakehouse-Datensätzen, semantischen Modellen und automatisierten Reporting-Pipelines zur Verbesserung von Datenskalierbarkeit, Governance und Berichtsleistung.
- Vorantreiben der Modernisierung von Dashboards und der KPI-Governance durch die Übersetzung komplexer Geschäftsanforderungen in Erkenntnisse auf Führungsebene, interaktive Visualisierungen und entscheidungsreife Analysen.
- Entwurf von Microsoft-Fabric-Architekturen von Anfang bis Ende, einschließlich Datenaufnahme, Transformation, Virtualisierung und Unternehmensreporting über funktionsübergreifende Geschäftsbereiche hinweg, mit Migration von SAP BW über Qlik zu Power BI.
- Bereitstellung KI-gestützter Reporting-Funktionen, schwellenwertbasierter Warnmeldungen und Automatisierungs-Frameworks im Power-BI-Ökosystem zur Beschleunigung von Geschäftsentscheidungen.
- Zusammenarbeit mit der kommerziellen Führungsebene, Analytics-Teams und IT-Stakeholdern zur Standardisierung von KPIs, Optimierung der BI-Strategie und Bereitstellung skalierbarer, geschäftskritischer Reporting-Lösungen.
- Anerkannt für die Verbindung von starker Stakeholder-Führung, technischer Architekturkompetenz und geschäftsorientierten Analysen zur Umsetzung wirkungsvoller unternehmensweiter BI-Transformationsinitiativen.
Peter S.
Letzte Position:
Senior ML Engineer & KI-Forscher bei Kunde anonym
Projekt: Defekterzeugung auf Prüfstandsbildern von Metalloberflächen Umfeld: Automatisierte Sichtprüfung (AVI), Metallurgie & Fertigung
- Ziel & Umsetzung: Konzeption, Architektur und Training Generativer Adversarial Networks (Pix2PixHD / SPADE) zur Bild-zu-Bild-Transformation. Gezielte Generierung synthetischer Materialfehler (z. B. Risse, Einschlüsse, Zunder) auf rauen Metalloberflächen unter realen Prüfstands-Lichtverhältnissen zur datenschutzkonformen und effizienten Datensatz-Erweiterung (Data Augmentation).
- Technisches Design: Implementierung robuster Generative-AI- und Computer-Vision-Pipelines in Python und PyTorch. Nutzung von Semantic-Segmentation-Ansätzen zur maskengesteuerten Defektsynthese und nachgelagerter Evaluierung mittels EfficientDet-Objekterkennungs-Modellen.
- Business Impact: Massives Dataset-Upscaling (Faktor 10x) ohne zeit- und kostenintensive physische Prüfstandsläufe bei gleichzeitig drastisch gesteigerter Erkennungsleistung automatisierter Inspektionssysteme.
Eingesetzte Technologien & Skills: Python | PyTorch | SPADE | Pix2PixHD | EfficientDet | Machine Learning | Semantic Segmentation | Computer Vision
Samuel K.
Letzte Position:
Gründer & Agentic-AI-Ingenieur bei Agentakt LLC
Unabhängige Engineering-Praxis mit Schwerpunkt auf kundenspezifischen KI-Systemen, produktiver Umsetzung und anteiliger technischer Leitung.
Ausgewähltes Kundenprojekt: Scalutions
Rolle: Tätigkeit als anteiliger CTO und technischer Leiter mit direkter Entwicklungsverantwortung; verantwortlich für die Architektur und die agentische Infrastruktur hinter dem betreuten B2B-Outbound-Betrieb.
Produkt: OutboundLoop entworfen und entwickelt, ein agentisches SDR-Betriebssystem für Recherche, Qualifizierung, personalisierte Ansprache, Kampagnenmanagement, menschliche Freigaben, Messung und kontinuierliche Verbesserung.
Umfang: Verantwortung für den gesamten Systemlebenszyklus – von Geschäftsprozessen und Agentenverhalten über Kontextdesign, Modell-Routing, Integrationen, Evaluierung, Telemetrie, Zuverlässigkeit und Kostenkontrolle bis hin zum Produktivbetrieb.
Jens H.
Letzte Position:
Interim CTO (punktuelle Einsätze) bei Fujitsu / FSAS
Stabilisierung einer Azure-/.NET-Landschaft im laufenden Betrieb.
- Architektur, DevOps und Betriebsfähigkeit; technische Entscheidungen unter Zeitdruck
- Azure DevOps, Monitoring, ETL/ELT, Cloud Security, FinOps und Data-Mesh-nahe Themen
Technologien: Azure DevOps, .NET, CI/CD, Monitoring, FinOps
Maximilian B.
Letzte Position:
Mitentwickler bei Nikan AI Solutions GmbH
Multi-Agenten-Plattform zur Dokumentenerstellung
Problem:
Aus einem einzelnen Prompt ein gut recherchiertes, strukturiertes und mit Quellen belegtes Dokument erstellen und dabei die Kontrolle beim Nutzer belassen: Jeder Schritt kann geprüft, korrigiert oder erneut aufgerufen werden, bevor das System fortfährt.
Architektur:
Ein Multi-Agenten-System, das von einer zentralen Steuerung koordiniert wird. Mehr als 20 spezialisierte pydantic-ai-Subagenten (Verstehen, Strukturieren, Planen, Recherchieren, Schreiben, Zusammenstellen, Querverweise prüfen, Glossar, Zitate, Referenztabelle und mehr) geben Ergebnisse anhand eines gemeinsamen, in Postgres gespeicherten Plans (asyncpg) weiter. Eine Runner-Schicht weist jede Aufgabe anhand ihres Namens einem Agenten zu. Mechanische Schritte wie Formatierung, Inhaltsverzeichnis und Abbildungsverzeichnis werden durch deterministischen Code statt durch LLM-Aufrufe erledigt. Der Anbieter (Anthropic oder OpenAI) wird über eine Konfiguration festgelegt, und Antworten werden über Server-Sent Events gestreamt.
Hosting & Infrastruktur:
Ein zustandsloser Container läuft als Scaleway Serverless Container in einem privaten Netzwerk mit verwaltetem PostgreSQL, Objektspeicher für fertige Dokumente und Assets sowie zentraler Protokollübertragung (Loki / Scaleway Cockpit). Bereitstellung mit OpenTofu-Modulen und Deployment über GitLab CI; die Nutzung wird pro API-Schlüssel abgerechnet.
Mein Beitrag und wichtige Entscheidungen:
- Zentrale Entscheidungssteuerung: Ein Zufriedenheitsklassifikator wandelt die Freitext-Rückmeldung des Nutzers in eine Entscheidung um (weiterarbeiten, fortfahren, abbrechen oder eine frühere Aufgabe überarbeiten). Eine Middleware wendet sie auf den Plan an. Der Plan kann zu früheren Aufgaben zurückspringen und die darauffolgenden Schritte erneut ausführen.
- Parallele Recherche und Texterstellung: Die Planung erstellt einen Plan, aus dem ein Recherche-Design-Agent einzelne Rechercheaufgaben und ein Schreib-Design-Agent einzelne Schreibaufgaben erstellt, die jeweils mit der benötigten Recherche verknüpft sind. Jede Aufgabe wird in einem eigenen Agenten mit eigenem Gesprächsverlauf ausgeführt.
- Selbstprüfung und Einbindung des Menschen: Nach jedem Schritt prüft ein Agent für kritisches Denken das Ergebnis. Bevor der Plan fortgesetzt wird, kann der Nutzer eine Kritik annehmen, überarbeiten oder Fragen dazu stellen.
- MCP-Integrationen: Zwei entfernte MCP-Server für die Websuche und die interne Dokumentensuche sind über pydantic-ai angebunden, mit Wiederholungsversuchen und Timeouts für lang laufende Tool-Aufrufe. Klassifikator-Agenten entscheiden für jede Aufgabe, ob eine Websuche nötig ist. Ein kleines Modell fasst rohe Suchergebnisse zu strukturierten Erkenntnissen zusammen, bevor sie die Schreibagenten erreichen.
Nutzungsabrechnung:
Kunden authentifizieren sich mit einem API-Schlüssel, der über einen Schlüsselverwaltungsdienst geprüft wird. Der Verbrauch wird in Credits abgerechnet, berechnet anhand der Token-Nutzung pro Modell zuzüglich eines Aufschlags. Bei ausgeschöpftem Kontingent wird HTTP 429 zurückgegeben.
Thore F.
Letzte Position:
Data- & KI-Berater bei ContiTech GmbH
- Beratung zur Architektur der Databricks Lakehouse Platform
- Migration bestehender Datenservices für die Fertigung auf Databricks. Bestehende Services laufen auf verschiedenen Plattformen und Tools und werden auf der Zielplattform zusammengeführt
- Umsetzung neuer Data- & KI-Use-Cases auf der Databricks-Plattform (z. B. Anbindung neuer Systeme, Entwicklung von Prototypen für KI-Agents, …)
Tech Stack: Databricks, Azure, PySpark, Python
Ludo P.
Letzte Position:
Senior Consultant bei Versicherung
- DWH-Modernisierung
- Migration von Informatica PowerCenter auf IDMC/CDI
- Migration von IBM DB2 auf Databricks
Technologien: Informatica IDMC, Databricks
Enrico G.
Letzte Position:
Freiberuflicher Software- und Data/AI Engineer bei Freiberuflicher Software- und Data/AI Engineer
- Dozent für den GenAI-Track des Master School Institute of Technology
- Entwicklung einer Fullstack-KI-Anwendung (React + Python/FastAPI) für den automatisierten Lieferanten-Produktimport mit intelligenter Spalten- und Kategorienklassifizierung (4-Layer hierarchisch) einschließlich Human-in-the-Loop-Validierung
Entdecke mehr als 15.000 Top-Freelancer
Statistiken von Experten, die Data Lakehouse einsetzen
Aggregiert aus den beruflichen Profilen passender Freelancer.
Berufserfahrung
15 Jahre

Positionsdauer
2,1 Jahre

Positionen pro Freelancer
10

Häufigste Fachbereiche
Informationstechnologie (IT), Business Intelligence, Produktentwicklung

Häufigste Branchen
Informationstechnologie (IT), Professionelle Dienstleistungen, Bank- und Finanzwesen

Fokus der Zertifizierungen
Informationstechnologie (IT), Business Intelligence, Forschung und Entwicklung (F&E)
Bachelor-Abschluss oder höher
97%
Master-Abschluss oder höher
61%
Doktortitel
12%

Zertifizierungen pro Freelancer
4

Häufigste Sprachen
Deutsch, Englisch, Spanisch

Sprechen zwei oder mehr Sprachen
100%
Basierend auf unserem Profilpool, Stand 18 Nov 2026.
Tagessatzverteilung
Das Diagramm zeigt, wie sich die Tagessätze der Experten in dieser Technologie in Deutschland 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 von Experten in Deutschland, die Data Lakehouse einsetzen
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 18 Nov 2026. Die tatsächlichen Tagessätze können je nach Dienstalter, Erfahrung, Fachkenntnissen, Projektkomplexität und Auftragsdauer variieren.
Branchenfokus der Data Lakehouse Experten
Sieh, in welchen Branchen unsere gematchten Freelancer am häufigsten tätig sind — jede Zahl wird live aus den Freelancern auf FRATCH berechnet.
- Informationstechnologie (IT) (85%)
- Professionelle Dienstleistungen (51%)
- Bank- und Finanzwesen (44%)
- Automotive (41%)
- Energie (41%)
- Fertigung (38%)
- Gesundheitswesen (36%)
- Transport und Logistik (33%)
Bitte beachte, dass Freelancer in mehreren Branchen tätig sein können, daher überschneiden sich die Prozentwerte.
Über die Technologie
Was es ist
Ein Data Lakehouse verbindet den flexiblen Speicher eines Data Lakes mit der Governance, Zuverlässigkeit und Abfrageleistung, die man von einem Data Warehouse erwartet. Es hält strukturierte, semi-strukturierte und unstrukturierte Daten in einer gemeinsamen Umgebung, häufig unter Verwendung offener Tabellenformate wie Delta Lake, Apache Iceberg oder Apache Hudi. Teams können Business Intelligence, erweiterte Analysen und Machine Learning unterstützen, ohne isolierte Kopien derselben Daten zu erstellen.
Kernarchitektur
Ein Lakehouse trennt typischerweise skalierbaren Objektspeicher von der Rechenleistung und ergänzt diesen um Metadaten, Katalogisierung, Zugriffskontrollen und Transaktionsverwaltung. Gute Designs definieren klare Zonen für Rohdaten, verfeinerte und kuratierte Daten und bewahren dabei Herkunftsinformationen und Qualitätsregeln. Spezialisten arbeiten je nach bestehender Systemlandschaft möglicherweise mit Databricks, Snowflake, Amazon Web Services, Microsoft Azure oder Google Cloud.
Typische Workloads
- Konsolidierung von Betriebs-, Ereignis- und Drittanbieterdaten für Analysen
- Bereitstellung verlässlicher Datensätze für Dashboards und Self-Service-Reporting
- Aufbereitung von Feature-Daten und Trainingsdatensätzen für Machine Learning
- Unterstützung von Streaming- und Batch-Verarbeitung in einer Architektur
- Ermöglichung kontrollierter Datenfreigabe über Geschäftsbereiche hinweg
Apache Spark, SQL, dbt, Kafka und Orchestrierungstools werden häufig rund um das Lakehouse eingesetzt. Die richtige Kombination hängt von Latenz, Datenvolumen, Compliance-Anforderungen und den bereits im Unternehmen vorhandenen Fähigkeiten ab.
Wann Expertise wichtig ist
Unternehmen beauftragen freiberufliche Spezialisten, wenn ein veraltetes Data Warehouse, ein fragmentierter Data Lake oder eine schnell wachsende Datenlandschaft die Umsetzung ausbremst. Sie können die aktuelle Architektur bewerten, geeignete Tabellenformate auswählen, Migrationspfade definieren und eine praktikable Governance etablieren. In Deutschland können Projekte außerdem von Fachleuten profitieren, die die Zusammenarbeit zwischen lokalen Geschäftsbereichen verstehen und gleichzeitig remote mit internationalen Teams arbeiten.
Umsetzung und Betrieb
Ein kompetenter Fachmann macht aus einer Architektur eine wartbare Umsetzung. Zu den typischen Aufgaben gehören Ingestion-Design, Schema-Evolution, Datenqualitätsprüfungen, Katalogkonfiguration, rollenbasierter Zugriff, Kostenkontrolle und Performance-Tuning. Die Infrastruktur und Bereitstellung werden mit Tools wie Terraform und CI/CD-Pipelines automatisiert. Anschließend werden Monitoring für Aktualität, Fehler, Nutzung und Pipeline-Abhängigkeiten ergänzt.
Qualitätsmerkmale
- Klare Grenzen zwischen Speicherung, Verarbeitung, Bereitstellung und Governance
- Reproduzierbare Pipelines mit Tests, Herkunftsinformationen und dokumentierter Verantwortung
- Sorgfältiger Umgang mit Schemaänderungen, verspäteten Daten und doppelten Datensätzen
- Praktische Sicherheit für sensible Daten, ohne sinnvollen Zugriff zu blockieren
- Gemessene Abfrage- und Speicherkosten mit verständlichen Abwägungen
Starke Spezialisten erklären, warum ein Lakehouse-Ansatz zum Workload passt, anstatt ihn als Standardlösung zu behandeln. Sie können mit Datenteams, Sicherheitsexperten und Fachanwendern kommunizieren, eine nutzbare Dokumentation hinterlassen und auf Veränderungen auslegen statt nur auf einen einzelnen Go-live-Termin.
Häufig gestellte Fragen
Schnelle Antworten auf die Fragen, die rund um Data Lakehouse am häufigsten aufkommen.
Ein Data Lakehouse bietet eine gemeinsame, kontrollierte Grundlage für Reporting, Data Science, Machine Learning und operative Analysen. Es kann Dateien, Tabellen, Ereignisse und andere Formate kombinieren und dabei sowohl Batch- als auch Streaming-Workloads unterstützen.
Ein Data Lakehouse soll die kostengünstige Flexibilität eines Data Lakes mit den Transaktionen, der Governance und der Abfrageerfahrung eines Data Warehouses verbinden. Es ist nicht automatisch besser: Ein Data Warehouse kann sich für stark strukturierte Reports eignen, während ein einfacher Data Lake für Speicherzwecke mit geringen Governance-Anforderungen ausreichen kann.
Ein starker Data-Lakehouse-Spezialist kann mit Delta Lake, Apache Iceberg, Apache Hudi, Apache Spark, SQL, dbt, Kafka und Cloud-Objektspeicher arbeiten. Nützliche angrenzende Fähigkeiten umfassen Datenmodellierung, Orchestrierung, Terraform, CI/CD, Katalogisierung, Sicherheit und die Aufbereitung von Daten für Machine Learning.
Ein Data-Lakehouse-Projekt erfordert mehr als Kenntnisse über ein einzelnes Produkt. Der Fachmann sollte vergleichbare Muster für Ingestion, Governance und Bereitstellung umgesetzt haben und Abwägungen bei Datenqualität, Workload-Isolierung, Migration und Betriebskosten erklären können.
Ein Data-Lakehouse-Projekt kann in der Regel remote umgesetzt werden, wenn Zugänge, Dokumentation und Entscheidungsverantwortung klar geregelt sind. Vor-Ort-Termine können dennoch bei Architektur-Workshops, der Abstimmung mit Stakeholdern oder in regulierten Umgebungen hilfreich sein. Anforderungen an Deutsch und Englisch sollten zu Beginn vereinbart werden.
Ein Data-Lakehouse-Briefing sollte Quellsysteme, Ziel-Workloads, Cloud-Umgebung, Datenvertraulichkeit, Anforderungen an die Aktualität und aktuelle Probleme beschreiben. Außerdem sollte geklärt werden, ob der Auftrag Discovery, Umsetzung, Migration, Governance oder laufenden Betrieb umfasst.
Bitten Sie einen Data-Lakehouse-Fachmann, eine echte Architekturentscheidung einschließlich verworfener Alternativen und betrieblicher Auswirkungen zu erläutern. Achten Sie auf klares Denken bei Herkunftsinformationen, Schema-Evolution, Zugriffskontrolle, Tests, Observability und Kosten und nicht nur auf die Vertrautheit mit Produktnamen.
Ein Data-Lakehouse-Projekt kann eine Architekturbewertung, ein Zieldesign, Ingestion-Pipelines, kuratierte Tabellen, Governance-Regeln und Infrastrukturautomatisierung hervorbringen. Eine gute Umsetzung umfasst außerdem Tests, Monitoring, Runbooks, Hinweise zur Verantwortlichkeit und eine Dokumentation, mit der das interne Team das Ergebnis betreiben kann.
Der durchschnittliche Stundensatz von Freelancern in Deutschland, die Data Lakehouse in ihren letzten Projekten eingesetzt haben, liegt bei 98 €, was einem Tagessatz von etwa 784 € bei einem 8-Stunden-Tag entspricht.
Von den Freelancern in Deutschland, die Data Lakehouse in ihren letzten Projekten eingesetzt haben, haben 97% mindestens einen Bachelor-Abschluss, 61% mindestens einen Master-Abschluss und 12% einen Doktortitel.
Freelancer in Deutschland, die Data Lakehouse in ihren letzten Projekten eingesetzt haben, haben im Durchschnitt 15 Jahre Berufserfahrung; ein einzelnes Projekt dauert typischerweise etwa 2,1 Jahre.
Die häufigsten Sprachen unter Freelancern in Deutschland, die Data Lakehouse in ihren letzten Projekten eingesetzt haben, sind Deutsch (100%), Englisch (97%) und Spanisch (10%).
Die häufigsten Industrien unter Freelancern in Deutschland, die Data Lakehouse in ihren letzten Projekten eingesetzt haben, sind Informationstechnologie (IT) (85%), Professionelle Dienstleistungen (51%) und Bank- und Finanzwesen (44%).
Die häufigsten Bereiche unter Freelancern in Deutschland, die Data Lakehouse in ihren letzten Projekten eingesetzt haben, sind Informationstechnologie (IT) (100%), Business Intelligence (87%) und Produktentwicklung (69%).
Hauptstandorte der FRATCH Experten, die kürzlich Data Lakehouse eingesetzt haben
Unsere Freelancer und Interim-Experten sind in der gesamten DACH-Region zuhause — verfügbar vor Ort in den wichtigsten Wirtschaftszentren oder komplett remote. Wähle einen Standort und entdecke passende Spezialisten, lokale Markteinblicke und aktuelle Verfügbarkeiten.
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!

Berlin
München