Data Quality Experten in München

• Nach mehreren S/4-Go-Lives fehlten Struktur, Rollen- und Entscheidungsklarheit in Finance und IT; Governance-Mechanismen, Prioritätslogiken und Verantwortlichkeiten waren nicht ausreichend definiert.

• Unklare Schnittstellen, hohe Abstimmungsaufwände und inkonsistente Arbeitsweisen führten zu organisatorischer Instabilität und eingeschränkter Führungs- und Steuerungsfähigkeit.

• Das bestehende Operating Model zwischen Finance, Controlling und IT war nicht funktionsfähig, wodurch Transparenz, Zusammenarbeit und Entscheidungswege beeinträchtigt waren.

• Design der Transformations- und Organisationsarchitektur für Finance sowie Klärung von Rollen, Entscheidungswegen und Prioritäten.

• Diagnose und Strukturierung der Finance- und IT-Organisationen (DE/UK/PL) inkl. Zusammenarbeit, Verantwortlichkeiten und Schnittstellen.

• Neugestaltung des Finance–IT Operating Models mit Fokus auf Governance, Steuerungsroutinen und funktionsübergreifende Zusammenarbeit.

• Führungskräfte- und Team-Enablement, insbesondere Global Process Owner, Key User und Finance Leads (systemische OE / Leadership).

• Steuerung des Transformationsportfolios inkl. Klarheit über Risiken, Abhängigkeiten und bereichsübergreifende Entscheidungsprozesse.

• Strukturelle Steuerungsfähigkeit wiederhergestellt, indem Rollen, Entscheidungswege und Prioritäten klar definiert und organisationweit verankert wurden.

• Governance & funktionsübergreifende Zusammenarbeit systemisch gestärkt – Finance, Controlling und IT arbeiteten wieder in konsistenten, abgestimmten Strukturen; Reibungsverluste gingen messbar zurück.

• Arbeits- und Kommunikationslogiken harmonisiert, wodurch Abstimmungen schneller, transparenter und weniger konfliktbehaftet wurden.

• Organisation nachhaltig befähigt, u. a. durch den Aufbau einer tragfähigen Key-User-/Process-Owner-Community und klar definierte Steuerungsroutinen.

• Transformation strukturiert steuerbar gemacht – priorisierte Vorhaben, klare Risiko- und Fortschrittslogiken sowie konsistente Entscheidungsformate erhöhten die Umsetzungsgeschwindigkeit.

AI-Telefonassistent-Plattform

Claude Code, Google AI Studio, Python, LLM / Voice-AI, PostgreSQL

• Konzeption und Hands-on-Entwicklung einer KI-gestützten Telefonassistenten-Plattform (Voice-AI / LLM) – von der Idee über die Architektur bis zum MVP/Produkt.
• Aufbau agentischer Workflows und vollständiger Automatisierungen mit Claude Code und Google AI Studio.
• Darüber hinaus KI-gestützte Delivery in Kundenmandaten: Claude Code für Governance-Dokumentation, Anforderungsentwürfe und Automationen.

• Führung einer 16-köpfigen Finance- und Accounting-Organisation während einer Restrukturierungsphase; Stärkung von Closing-Disziplin, Financial Control, Cash-Transparenz und Verantwortlichkeit.
• Unterstützung von Kostenprogrammen mit ca. €2 Mio. jährlicher Einsparung; Aufbau regelmäßiger KPI-Reviews für P&L, Working Capital, POC und Cash-Themen.
• Verantwortung für Monats-, Quartals- und Jahresabschlüsse nach HGB/IFRS, Management-/Group Reporting, Audit, Tax und GoBD-Compliance.
• Finance-Automatisierung mit klarem Business-Nutzen: 13-Wochen-Liquiditätsplanung, Cashflow-Reporting, P&L gegen Plan, Abweichungsanalysen und Bankabgleich; manueller Aufwand um 40–60 % reduziert.
• Weiterentwicklung der Kreditorenprozesse durch OCR-gestützte Rechnungsverarbeitung und Drei-Wege-Abgleich mit Ausnahmebehandlung.
• Sparringspartnerin der Geschäftsleitung bei Restrukturierung, Liquidität, Working Capital, Risiken und Prozessvereinfachung.

• Aufbau, Implementierung und Vertrieb von automatisierten Data-Science-Lösungen wie Scorecard Factory und Prognose Factory
• Implementierung automatisierter End-to-End-Cloud-Prozesse
• Entwicklung von LLM- und NLP-Modellen
• Erstellung interaktiver Reports
• Betreuung nationaler und internationaler Großkonzerne sowie mittelständischer Firmen bei der Implementierung von ML-Projekten

• Entwicklung der Vision, Strategie und Roadmap KI-gestützter Analyseprodukte, um sicherzustellen, dass sie den Geschäftsanforderungen von Vertrieb, Marketing, Finance und Führungsteams in ganz Europa entsprechen.
• Aufnahme von Geschäftsanforderungen, Priorisierung von Funktionen für AI-Produkte und Leitung der agilen Entwicklung von Prognose- und Analyselösungen. Definition von Produktspezifikationen, User Stories und Akzeptanzkriterien zur Sicherstellung einer erfolgreichen Umsetzung.
• Zusammenarbeit mit Business-Stakeholdern, Product Ownern, Data Scientists, ML Engineers und Software Engineers, um AI-Modelle in skalierbare Geschäftsprodukte zu überführen und AI-Erkenntnisse in operative Abläufe zu integrieren.
• Entwicklung und Umsetzung von Generative-AI-Lösungen unter Nutzung von Large Language Models (LLMs), um Berichte zu automatisieren und Abfragen von Unternehmensdaten in natürlicher Sprache zu ermöglichen; dadurch Reduzierung des manuellen Aufwands um etwa 30%.
• Definition von Produktzielen und Erfolgskennzahlen, Überwachung der Produktleistung und Nutzerakzeptanz sowie kontinuierliche Verbesserung des Produkts auf Basis von Nutzerfeedback und Geschäftsergebnissen.
• Aufbau von Data Governance, Standards für Stammdatenqualität und Berichtswesen in SQL-, BigQuery- und Power-BI-Umgebungen, um zuverlässige, sichere und skalierbare Analysen sicherzustellen.

• 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

• Entwickelte und pflegte analytische Reporting-Lösungen für Kunden, um Umsatztrends, Leistungsfaktoren, Risiken und Optimierungspotenziale zu identifizieren und datengetriebene Entscheidungen in Sales, Finance, Product, Data Engineering und Controlling zu unterstützen.
• Definierte und analysierte Kundentrends und Leistungskennzahlen, um Ursachen für Abweichungen, Anomalien und neue Risiken in verschiedenen Geschäftsbereichen zu identifizieren und umsetzbare Empfehlungen abzuleiten.
• Entwickelte und verantwortete analytische Datenmodelle und Reporting-Layer, um Skalierbarkeit, Performance und analytische Robustheit für Executive- und Operational-Reporting in verschiedenen Geschäftsbereichen sicherzustellen.
• Plante, verfolgte und setzte Projekte um und stellte dabei durch strenge Validierungs- und Abgleichsprozesse die Einhaltung von Zeitplänen, Datenqualität, Konsistenz, Lieferergebnissen, Zuverlässigkeit und Datenqualitätsstandards sicher.
• Erhöhte die analytische Reife durch die Formalisierung analytischer Workflows, die Dokumentation von Datenprozessen und Standard Operating Procedures (SOPs) sowie durch Schulungen zur Förderung von Self-Service-Analytics und zur Verankerung einer datengetriebenen Kultur in operativen und fachlichen Teams.
• Übernahm die Verantwortung für die End-to-End-Roadmap von der Anforderungserhebung und Datensammlung über Transformation und die Entwicklung robuster Business-Logiken bis hin zum Data Storytelling und zur Übergabe an Stakeholder.
• Übersetzte Komplexität in strukturierte Klarheit, indem Anforderungen und Geschäftsprozesse in analytische Empfehlungen überführt wurden, um die Abstimmung zwischen nicht-technischen und technischen Stakeholdern sicherzustellen.
• Führte fortgeschrittene SQL-basierte Analysen komplexer Geschäftsdaten durch, um Trends, Zusammenhänge und Möglichkeiten zur Leistungsverbesserung aufzudecken.
• Trieb Prozessautomatisierung und Effizienzsteigerungen voran, indem Python, SQL-Optimierung und KI-gestützte Tools genutzt wurden, um Verarbeitungszeiten zu reduzieren und die Zuverlässigkeit analytischer und operativer Workflows zu erhöhen.
• Standardisierte KPI-Definitionen und Reporting-Logiken, um Konsistenz und Vertrauen in Reporting-Lösungen sicherzustellen.
• Entwickelte Dashboards und Analysen zur Prozessüberwachung, um Ineffizienzen, Engpässe und Compliance-Abweichungen in End-to-End-Geschäftsprozessen zu identifizieren und umsetzbare Empfehlungen für Prozessverbesserung und Automatisierung abzuleiten.

• 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...

DWH für Kunden- und Finanzdaten

• Erweiterung des DWH um neue Datenquellen
• Berichtsentwicklung
• Datenqualitätsmanagement

Vorgehensmodell: Scrum

Werkzeuge: Atlassian Confluence & Jira

Datenbanken: Microsoft SQL Server

Programmiersprachen: SQL, T-SQL

ETL: Microsoft SQL Server Integration Services (SSIS)

Frontend-Plattform: PowerBI, Microsoft Reporting Services

• Backend-Systeme, Datenverarbeitungslösungen und Software-Integrationen für Enterprise-Business-Anwendungen geliefert.
• API-basierte Services entworfen und umgesetzt, die interne Plattformen mit externen Systemen verbinden.
• Automatisierte Verarbeitungs-Workflows gebaut, um strukturierte Geschäftsdaten im großen Umfang zu verarbeiten.
• Die Anwendungsperformance durch Datenbankoptimierung, Caching-Strategien und Backend-Refactoring um 30–50 % verbessert.
• Den manuellen operativen Aufwand durch die Automatisierung wiederkehrender Workflows um 40–60 % reduziert.
• Produktionsumgebungen durch Troubleshooting, verbesserte Überwachung und laufende Optimierung unterstützt.
• Technische Dokumentation erstellt und Wissenstransfer-Sessions geleitet, um die langfristige Wartbarkeit zu unterstützen.

• Skalierbare Datenanwendungen entworfen, entwickelt und konfiguriert, passend zu Geschäftsprozessen und technischen Anforderungen.
• Skalierbare, kosteneffiziente Datenarchitekturen mit Snowflake über AWS, Azure und GCP entwickelt und dabei dbt für Datentransformation und Modellierung eingebunden.
• Robuste ETL-Datenpipelines aufgebaut und gepflegt, um hohe Datenqualität für eine reibungslose Migration und systemübergreifende Integration sicherzustellen.
• Starke Expertise in SQL und Python mit umfassender Erfahrung in Datenmodellierung, ETL/ELT-Pipeline-Entwicklung und Streaming-Datenverarbeitung gezeigt; sicher im Umgang mit Git-basiertem Versionsmanagement, CI/CD-Prozessen und Test-Frameworks, mit solidem Wissen in den Bereichen Datenqualität, Observability, Kostenoptimierung, Sicherheit und Data-Governance.
• Mehrere Datenmigrationsinitiativen von SAP HANA nach Snowflake mit einem modularen dbt-Framework geleitet.
• End-to-End-Daten-Transformations-Workflows mit dbt auf Snowflake entworfen und gepflegt, geschichtete Datenmodelle implementiert, die Performance optimiert und eine hochwertige Datenbereitstellung für Business Intelligence und Reporting sichergestellt.
• Entwicklungs-, QA- und Produktions-Deployments über strukturierte Versionskontrolle und Release-Management mit GitLab gesteuert.
• Daten aus mehreren Quellen, darunter relationale Datenbanken, Flat Files, Excel und große Systeme, in Snowflake integriert und zentralisiert.
• Umfassende Expertise in den Datenbereichen Sales, Marketing, HR und ERP angewendet und relevante KPIs sowie Reporting-Lösungen entwickelt und gepflegt.
• Mit funktionsübergreifenden Teams zusammengearbeitet, um End-to-End-Datenlösungen termingerecht durch proaktives Lösen von Problemen und gute Abstimmung umzusetzen.
• Die Snowflake-Sandbox-Umgebung für die Data-Engineering-Abteilung administriert.
• Kolleginnen und Kollegen, die in Datenrollen gewechselt sind, in Snowflake geschult und technische Beratung sowie Mentoring für Junior-Teammitglieder übernommen.

• End-to-end-Datenpipelines (Batch & Streaming) mit Python, SQL und Apache Spark sowie Databricks auf AWS entworfen und umgesetzt und dabei die ETL-Latenz um 40 % reduziert.
• Serverless, ereignisgesteuerte Ingestion-Pipelines mit AWS Lambda und SQS entwickelt und so die Echtzeitverfügbarkeit der Daten für nachgelagerte Analysen sichergestellt.
• Google Cloud Platform (GCP)-Services wie BigQuery und Dataflow genutzt, um Cloud-übergreifende Data-Warehousing- und Analytics-Integrationen zu steuern.
• Erfahrung mit DMS (CDC, Full Load) und Airflow für skalierbare Automatisierung und Orchestrierung von Datenpipelines.
• Datenpipelines mit Databricks und Airflow verwaltet und angepasst. Automatisierung mit Docker, Kubernetes und Terraform.
• Datenqualitätsprüfungen mit dbt automatisiert, um Transformationen zu modularisieren und eine produktionsreife Data Lineage sicherzustellen, wodurch die Zuverlässigkeit um 30 % verbessert wurde.
• Mit Compliance-Teams zusammengearbeitet, um die Einhaltung von GDPR und SOC2 sicherzustellen. Junior Engineers betreut und bei der Refaktorierung der Architektur für mehr Skalierbarkeit mitgewirkt.
• Dashboards in Power BI erstellt und gepflegt, um umsetzbare Einblicke zu liefern.

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

• Entwicklung und Bewertung hochwertiger Prompts und Vervollständigungen für Large Language Models (LLMs), mit Schwerpunkt auf der Verbesserung der Antwortgenauigkeit, der Befolgung von Anweisungen und der faktischen Konsistenz.
• Annotation und Bewertung von durch LLMs erzeugten Ausgaben hinsichtlich Grammatik, Kohärenz, Relevanz und Wahrheitsgehalt.
• Erstellung von Präferenzdaten im RLHF-Stil durch die Rangfolge von Modellvervollständigungen zur Unterstützung von Feinabstimmungszyklen des verstärkenden Lernens.
• Teilnahme an Experimenten zum Prompt Engineering, um den Einfluss von Anweisungsformat, Ausführlichkeit und Formulierung auf das Modellverhalten zu untersuchen.
• Durchführung von Fehleranalysen und Qualitätssicherung bei groß angelegten NLP-Datensätzen sowie Identifizierung von Sonderfällen und sprachlicher Mehrdeutigkeit, die die LLM-Leistung beeinflussen.