Data Mesh Experten in Deutschland

• Private Cloud-Datenplattform auf VMware vSphere entworfen und implementiert, Greenplum MPP, Apache Kafka, Kubernetes und Apache Solr integriert und Echtzeit-Ingestion-Pipelines mit Kafka Connect und Schema Registry entwickelt.
• Migration von Oracle Exadata zu Greenplum geleitet, Datenmodelle neu architektonisch aufgebaut, Speicher optimiert, RabbitMQ mit Debezium für CDC implementiert und VectorDB für Generative AI eingeführt.
• PoC für Multi-Cloud-Migration über AWS, Azure und GCP entworfen und umgesetzt, KPIs für Durchsatz, Latenz und Kosteneffizienz definiert, Bulk-Datentransfers durchgeführt, Analytics- und Streaming-Workloads validiert und Architektur-Empfehlungen im großen Maßstab geliefert.
• Legacy-On-Premises-Infrastruktur bewertet und moderne cloud-native Datenplattformen mit Greenplum und containerisierten Microservices entworfen, mit Beratung zu Skalierbarkeit, Disaster Recovery und High Availability.

Projekt, strategische Beratung – Aufbau der Data Strategy und Data Governance Policy für die Niederlassung Deutschland, Kunde (Privatbank Julius Bär, Hauptsitz Zürich), März 2026 – bis heute

• Konzeption und Verhandlung der Datenstrategie mit den wichtigsten Stakeholdern sowie Einholung des Sign-offs durch den Vorstand (strategische Beratung) – in diesem Rahmen regulatorische Beratung zur Datenregulierung in der EU und speziell für Deutschland. Die Datenstrategie umfasst: Data Lifecycle Management: data capture, data storage, data usage, data retention policy, data quality incident management
• Definition von Meilensteinen und der technischen Machbarkeit zur Implementierung von TOM für die Datenstrategie, Datenqualitätsprüfungen, Metriken und ein Metadateninventar, um die Compliance der Bank mit den Anforderungen von DORA, BCBS239 und MaRisk sicherzustellen.

Projekt Kerndatenänderung, Kunde: (ING Bank, Frankfurt am Main), März – bis Dezember 2025

• Konzeption und Solution Design für neue End-to-End-Prozesse inkl. technischer Schnittstellen
• Definition von Synchronisationslogiken und Datenflüssen zwischen Legacy- und Zielsystemen (Dekommissionierung von Legacy-Systemen)
• Analyse und Validierung von Datenmodellen
• Stakeholder-Kommunikation mit Produktverantwortlichen, Feature Engineers, UX Designern und operativen Einheiten zur Entscheidungsfindung
• Analytics und Impact-Einschätzungen, z. B. zur Bewertung von Folgeeffekten und regulatorischen Anforderungen
• Dokumentation und Kommentierung technischer und fachlicher Anforderungen zur Unterstützung der Umsetzung in agilen Squads

Projekt Digitalisierung einer Usergruppe, Kunde: (ING Bank, Frankfurt am Main), als Interim Product Owner, Jan. 2025 – bis heute

• Mitgestaltung von Grundlagenentscheidungen zur Datenarchitektur und Prozesslogik im Kontext von historisierten Daten und Login-Funktionalität für User
• Entwicklung fachlicher Lösungskonzepte für die Migration zum Zielsystem, inkl. Systemintegration und Datenflüsse
• Unterstützung bei Analytics und Impact-Analysen, insbesondere zur Auskunftsfähigkeit gegenüber Ermittlungsbehörden
• Aktive Abstimmung mit Stakeholdern aus verschiedenen Squads zur Entscheidungsfindung und Sicherstellung regulatorischer Anforderungen
• Erstellung von Testszenarien für operative Teams und Backend-Systeme im Bereich API-Management unter Verwendung von Postman und Bruno.

Architektur und Betrieb von Data Products für den Betrieb im Bereich erneuerbare Energien, einschließlich Windturbinen-, Netz-Mess- und Wetterdaten. Aufbau skalierbarer ETL/ELT-Pipelines in Azure Databricks mit Delta Lake (Bronze/Silver/Gold-Schichten) und Verarbeitung von Daten in verschiedenen Formaten, darunter strukturierte und semi-strukturierte Daten. Mitwirkung an einem Data-Quality-Framework mit Tabellen- und Spaltendokumentation, Ausreißererkennung und Vollständigkeitsmetriken für alle Datensätze innerhalb eines Data Products. Zusätzlich Implementierung eines DORA-KPI-Dashboards in Databricks, das für alle Data Products genutzt wird. Optimierung der CI/CD-Prozesse in Azure DevOps zur Vereinfachung der Bereitstellung über Entwicklungs-, Test- und Produktionsumgebungen hinweg.

Technology stack: Azure Databricks, PySpark, SQL, Delta Lake, Unity Catalog, Azure Data Lake, APIs, Dremio, Azure DevOps, YAML, Git, Databricks Workflows, Application Insights, Terraform, OpenAI API, Codex, LLM-assisted workflows

• Idee, Design und erste Implementierung eines Dienstes, der öffentlich verfügbare Daten aggregiert, um Preise für bestimmte Objektarten zu schätzen
• Sammlung von Daten aus verschiedenen Quellen und deren Normalisierung. Einbettung der Daten mit SentenceTransformer und Training von Gradient-Boosting-Modellen
• Implementierung eines Webdienstes, der
• beliebigen Text von Benutzern einliest
• ihn ergänzt, wenn Teile der Daten fehlen
• ein lokales LLM-Modell verwendet, um die Daten für die Vorhersage aufzubereiten
• die Daten einbettet und eine Vorhersage vom Gradient-Boosting-Modell abruft
• ein LLM-Modell verwendet, um einen Bericht zur Benutzeranfrage einschließlich Erklärungen zu erstellen
• Stack: BigQuery, Vertex AI, Cloud Run (GCP), Python, Terraform, DBT, SentenceTransformer, Qwen
• Kleinere SEO-Optimierungen
• Weitere Entwicklungen folgen...

• Leitete Design, Entwicklung und Bereitstellung von Datenlösungen zur Unterstützung einer großen Pharma-Übernahme für die Takeda Pharmaceutical Company und lieferte Transparenz-Reporting-Systeme auf den Plattformen Azure, Databricks (Python und Shell-Skripting).
• Verantwortete, entwarf und entwickelte skalierbare ELT-Pipelines, um Kunden- und Produktdaten mit Azure, komplexem SQL, Databricks und Shell-Skripting zu verarbeiten und so eine effiziente Datenintegration und -verarbeitung aus mehreren Quellen zu ermöglichen, einschließlich Job-Orchestrierung und Workflow-Automatisierung.
• Implementierte Performance-Optimierungstechniken (Query-Tuning, Parallelität, Workload-Optimierung) und verbesserte die Systemeffizienz sowie die Verarbeitungszeit.
• Setzte starke Analyse- und Problemlösungsfähigkeiten ein, um technische Lösungen zu bewerten und Geschäftsanforderungen für Compliance- und Transparenz-Reporting zu unterstützen.
• Entwarf skalierbare Datenfundamente für Downstream-Analysen und AI-Workloads.
• Leitete Data-Quality-Initiativen, indem mehrere Quelldaten geprüft, Qualitätsmetriken definiert und Prozesse für Monitoring und kontinuierliche Verbesserung etabliert wurden.

• Entwicklung von Datenprodukten im Rahmen einer Data Mesh-/Medallion-Architektur auf Databricks und Azure Synapse.
• Aufbau von Power BI-Dashboards auf konsolidierten Daten aus mehreren Quellsystemen (Vertrieb, Service, Verträge, Bestandsdaten).
• Definition von KPIs und Reporting-Standards in enger Abstimmung mit Business-Stakeholdern.

• Vorantreiben der unternehmensweiten KI-Transformation durch Abstimmung von Datenplattformen, KI-Funktionen und Governance
• Implementierung einer skalierbaren Data Mesh-Architektur zur Dezentralisierung der Datenverantwortung und Beschleunigung der Entwicklung von KI-Anwendungsfällen
• Stärkung der KI-Reife durch strukturelle Abstimmung, klare Entscheidungsbefugnisse und Transparenzmodelle
• Coaching von Führungskräften, Produktteams und Entwicklern in KI-gestützter Entscheidungsfindung und datengetriebenem Produktdenken
• Etablierung von Governance-Modellen für vertrauenswürdige KI und messbaren Geschäftswert
• Gestaltung flow-basierter Systeme (Kanban / Flight Levels) zur dauerhaften Ermöglichung von KI und Gewährleistung messbarer Geschäftsintegration im großen Maßstab
• Integration von KPI-Frameworks, Jira-Architekturen und BI-Berichten zur evidenzbasierten Steuerung von KI-Initiativen

• Datenmigrations-Engine / Datenmigration von proprietären Quellsystemen nach SAP/S4 (SAP S/4 HANA Migration fort.)
• Entwicklung eines Konzepts zur Datenautorisierung
• Konzeption der Systemarchitektur / Datenarchitektur / Datenintegration - kontinuierliche Erweiterungen
• Entwicklung eines konzeptionellen / logischen (MDM) Datenmodells - kontinuierliche Erweiterungen

• Weiterentwicklung, Modularisierung und technische Modernisierung des Kundenportals My AXA nach Scrum.
• Anbindung neuer REST-APIs zur Erweiterung der digitalen Produkt- und Service-Palette.
• Aufteilung einer monolithischen Anwendung in klar abgegrenzte fachliche Verantwortlichkeiten.
• Kontinuierliches Refactoring komplexer Code-Bestandteile zur Verbesserung der Wartbarkeit.
• Unterstützung anderer Teams beim Design von Schnittstellen und Einführung von WireMock für Integrationstests.
• Standardisierung von Caching und Resilienz durch Einführung von Spring Cache und Resilience4J.
• Bereinigung der Request-Validierung nach JSR-170 und Entwicklung eines Simulationsverfahrens.
• Weiterentwicklung des Code-Generators zur Transformation von OpenAPI-Contracts in Client-Bibliotheken.
• Entwicklung von Dashboards und Logfile-Analysen mittels Loki und Grafana Cloud.
• Überwachung und Reporting der Produktions- und QA-Systeme.
• Techstack: Java 21, Spring Boot 3, REST, Resilience4J, Docker, OpenAPI, Grafana Cloud, Jenkins, Tekton, OpenShift, AWS, GitLab.

• Bedingt durch eine organisatorische Neustrukturierung hin zu Produkt basierten Teams wurde die Realisierung eines Data Mesh im Bereich Digital Supplier Management (DSM) beschlossen.
• Hochverfügbares Data Mesh in Echtzeit zur Bereitstellung großer Datenmengen via Kafka und REST an andere Produkte.
• Neuentwicklung einer Kernsoftware für das Lieferantenmanagement in einer (Micro-)Service basierten Architektur mit aktuellem Technologiestack.
• Technologien/Werkzeuge:
• Java 21
• Spring Boot
• Angular
• TypeScript
• Golang
• MapR
• Kafka
• Docker
• Google Cloud Platform (GCP)
• Kubernetes
• Helm
• GitLab CI
• Maven
• JUnit
• Mockito
• WireMock
• Cypress
• Keycloak
• OAuth 2.0 & OpenID Connect
• Humio
• Nexus
• Artifactory
• SonarQube
• Renovate
• Git
• Postman
• IntelliJ

• Lead-Architekt für die Gestaltung und Umsetzung des Data Lake und der ETL-Pipeline mit dem AWS-Stack
• Leistungsoptimierung der Datenaufnahme der ETL-Pipeline
• Entwicklung der Datenvalidierung mit Great Expectations
• Leitung der Datenmigration für zwei Quellsysteme
• Datenmodellierung in AWS Redshift

MLOps

• Implementierung der Modell-Inferenz mit mlflow und AWS SageMaker
• Feature Engineering für die laufenden ML-Modelle (Recommender Engineer, Clustering)
• Implementierung von Model Registry und Artifactory mit mlflow
• Historisierung und Profiling der Eingabedaten mit AWS Glue Crawler und AWS Data Catalog
• Feature Importance mit mlflow

Tech. Stack: Python 3, AWS Glue, AWS Step Function, AWS Lambda, AWS EventBridge, AWS IAM Role, AWS SageMaker, AWS EC2, AWS Glue Crawler, AWS CloudWatch, MLFlow, ETL, Data Lake, GitHub Action, Terraform, Jenkins, Ansible Playbooks (Infrastructure as Code), CI/CD, GitLab, SQL, PySpark, Scrum, Agile, Jira, Big Data, VSCode, DBeaver, MSSQL, MySQL, Grafana, Docker, Linux, Bash, MapReduce, Datenmodellierung (ORM), Pandas, YAML, SQL-Alchemy

• Implementierung des Frontend und Backend einer Chat Applikation für ein AI Startup
• Nutzung von Go und Dart
• Technologien: gRPC, Flutter, Terraform (IaC)
• CI/CD über GitHub, Deployment auf Google Cloud Run

• Agiler Aufbau einer multimodalen Analyseplattform für Trainingsmaterial (Video, Audio, Dokumente) nach Scrum
• Extraktion kontext-relevanter Inhalte basierend auf Nutzerprofilen & Kompetenzdimensionen
• Personalisierte Ausspielung von Lerninhalten zur Steigerung der Vertriebsperformance
• Enge Abstimmung mit Sales-Teams & Stakeholdern zur Validierung der Features
• Einsatz von Gemini, Whisper, Python & JavaScript, Deployment auf AWS, Perl für Skripte zur Datenübernahme
• Integration in bestehende Tools & CRM-Systeme zur reibungslosen Einführung
• Genutzte Technologien: Python, OpenAI, Datenbanktechnologien wie PostgreSQL, CI/CD für Airflow-DAGs, FastAPI

• Unterstützung nationaler und international agierender Unternehmen beim Aufbau datenzentrierter Prozesse, Methoden, Systeme und Anwendungen (Data-Driven Company) im Bereich Data Management und agilem Requirements Engineering.

• Ermittlung essentieller Use Cases und (nicht funktionaler) Anforderungen, um daraus auf der einen Seite eine Architektur aufbauen zu können.

• Optimierung interner Prozesse des Kunden und Erarbeitung von Schulungsplänen für neue Technologien und Methoden.

• Kombination von technologischem Know How (beispielsweise zur Datenanalyse in Cloud Data Analytics Umgebungen über semantische Ebenen) mit wichtigen Soft Skills wie Agilität, Teamfähigkeit, Kreativität und analytischer Kompetenz.

• Schwerpunkt im Bereich Data Management auf der effizienten Nutzung von Systemen sowie der einfachen Verwendung von Technologien für Data Engineering, zur Daten-Katalogisierung, -Virtualisierung, -Exploration und -Visualisierung.

• Operationalisierung sowohl von Infrastruktur wie auch Daten und mathematischen, analytischen Modellen (DevOps, DataOps, MLOps).

• Bindeglied zwischen Architektur, Fachbereich, Entwicklung und Operations unter Berücksichtigung essentieller Kernbereiche wie Data Governance, Data Security und Data Quality.