
Data Vault Experten in Deutschland
schaffen, schnell passend zu Ihrem Projekt vermitteltBeauftragen Sie Experten, die robuste Warehouse-Modelle entwickeln, ELT-Pipelines automatisieren und Data Vault 2.0 in modernen Cloud-Datenstacks implementieren. FRATCH vermittelt Sie schnell und präzise mit geprüften, verfügbaren Freelancern.
Lerne FRATCH Experten in Deutschland kennen, die kürzlich Data Vault eingesetzt haben
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.
Christian P.
Letzte Position:
Power BI Entwickler & Berater im agilen Team (SAFe) bei DB InfraGO AG
Weiterentwicklung der integrierten Kapazitätsmanagement–Plattform InKa
Schieneninfrastruktur
- Power BI Shared Datasets und Berichte per DirectQuery auf Amazon Redshift (Fahrplan-, Bau-, Kapazitätsdaten)
- Automatisierte Berichtstests mit Playwright in Docker-Containern, Versionierung mit GitLab
- Konzept und Umsetzung der Anwenderkommunikation (Infoseite, Changelog, Known Bugs)
Ausgangslage:
Die integrierte Kapazitätsmanagement-Plattform (InKa) ist eine Monitoring- und Analyseplattform für Daten aus Fahrplan und Kapazitätsmanagement: Kundenbestellungen, Infrastruktur, Fahrplanbetrieb, Bau sowie Streckenleistungsfähigkeit und -breite. Die Daten werden in einem strukturierten Data Warehouse abgelegt und miteinander verknüpft. So lassen sich komplexe Kennzahlen über verschiedene Quellsysteme hinweg bilden und die aktuelle und künftige Streckenauslastung sowie das netzweite Baugeschehen darstellen. Ziel ist, die strategische, mittelfristige und unterjährige Planung zu verbessern und den Nutzenden einen niederschwelligen Zugang zu den Auswertungen des Kapazitätsmanagements zu geben.
Maßnahmen:
- Enablement: Einführung von Power BI mit Trainings und Workshops für Entwicklerteams.
- Beratung & Konzeption: Problemanalysen, Konzepte und Lösungsberatung zu Reporting-Anforderungen; Umsetzung der Planungen für Reporting-Lösungen.
- Datenmodell: Entwicklung von Shared Datasets mit DirectQuery auf Amazon Redshift und Import-Tabellen; DAX-Measures für Auslastungs- und Kapazitätskennzahlen.
- Entwicklung: Datenanalyse, Datentransformation und Visualisierung in Power BI; Erweiterung und Migration von Geschäftsanwendungen nach Power BI; KI-gestützte Entwicklung in VS Code mit GitHub Copilot.
- Testautomatisierung: Automatisierte Tests der Power-BI-Berichte mit Playwright; Aufsetzen der Testumgebung in Docker-Containern.
- Anwenderkommunikation: Konzept und Umsetzung einer zentralen Informationsseite mit Hot News, Changelog und Known Bugs, Absprung aus den Berichten mit Berichtsfilter, Aktualisierung per Power Automate.
- Deployment: Verwalten der Power BI Deployment Pipelines über die Umgebungen DEV, TEST und PROD.
- Agile Arbeitsweise: Arbeit im agilen Team nach SAFe (Scaled Agile Framework); Refinement von User Stories und Features inklusive Aufwandsschätzung in Jira; Versionierung mit Git und GitLab.
- Qualität & Dokumentation: Reviews zur Qualitätssicherung, Fehleranalyse und -behebung, technische Dokumentation in AsciiDoc und Confluence.
Technologien: Power BI, DAX, Power Query, DirectQuery, Amazon Redshift, Git / GitLab, Deployment Pipelines, Playwright, Docker, AsciiDoc, Power Automate, Jira, Confluence, VS Code mit GitHub Copilot, SAFe
Ergebnisse:
- Kennzahlen des Kapazitätsmanagements über mehrere Quellsysteme hinweg in einer Plattform
- Transparenz über aktuelle und künftige Streckenauslastung und netzweites Baugeschehen
- Niederschwelliger Zugang zu den Auswertungen für die Nutzenden
- Automatisierte Regressionstests der Power-BI-Berichte
- Umgesetzte Anwenderkommunikation: zentrale Infoseite mit Hot News, Changelog und Known Bugs, direkt aus den Berichten erreichbar
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
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
Marcel M.
Letzte Position:
Selbstständiger BI Consultant bei BIForge
- Analyse von Geschäftsanforderungen und Entwicklung maßgeschneiderter Lösungen.
- Schnittstellenprogrammierung mit Python
- Standardisierung der Datenmodelle nach Data Vault
- Implementierung von BI-Lösungen zur Effizienzsteigerung
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
Michael T.
Letzte Position:
ETL-Entwickler bei Versicherungsdienstleister
DWH für Kunden- und Finanzdaten
- Erweiterung 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
Mario T.
Letzte Position:
Projektleiter/Manager / Berater bei all-BI GmbH
- Aufbau der Microsoft-Fabric-Plattform im Unternehmen als zentrales Data Warehouse- und Reporting-System.
- Das Unternehmen migrierte mehrere operative Systeme, darunter D365, auf eine neue Version. Das neue Data Warehouse basiert auf einer Fabric/Power BI-Architektur mit Azure-Cloud-Entra-Authentifizierung.
Ausgeführte Aufgaben:
- Vollständige administrative Verantwortung für die Fabric-Plattform mit F64- und F32-Kapazitäten sowie zwei F8-Kapazitäten für Entwicklung und Prototyping.
- Integration von Fabric mit Microsoft Entra.
- Datenmodellierung für die Bronze-, Silver- und Gold-Schichten des Data Warehouse mit Datenmodellierungswerkzeugen.
- Star-Schema sowie Entity-Relationship-Modellierung.
- Datenmodellierung für Data Marts und für dimensionales Modellieren sowie Power BI (Semantic Model).
- Design von Datenmodellen für Microsoft SSAS multidimensionale und tabulare OLAP-Cubes mit DAX und MDX.
- Definition von Design-Patterns für das ETL-Team zum Laden von OLAP-Cubes (Tabular und MD), Star Schemas und Data-Vault-Strukturen.
- Planung und Leitung eines Teams von 4 ETL- und Reporting-Entwicklern.
- Performance-Tuning von Power BI Reports, insbesondere der Semantic Layer, sowie der Fabric Notebooks.
- SQL-Performance-Tuning.
- DB-Design für Azure SQL.
- Direkte Berichterstattung an das Senior Management des Projekts.
Label: Power BI, Fabric, Analysis Services (multidimensional und tabular), D365, SSIS, Tabular Editor, SQL Server und Azure SQL, TOAD Data Modeler, DBSchema, Visual Studio Code, DAX Studio, SSMS, Visual Studio, Jira und Confluence.
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
Jorge M.
Letzte Position:
Technical Lead / Fractional CTO bei Würth GmbH
Ich habe eine KI-gestützte Multi-Tenant-Plattform auf Azure entworfen und entwickelt, die SAP-Prozessaufzeichnungen in technische Dokumentation, Präsentationen und automatisierte Tests umwandelt und dabei über 15.000 Prozessaufzeichnungen für Unternehmenskunden wie Würth verarbeitet. Ich war verantwortlich für die Architektur, die produktiven Releases und das DevOps-Setup. Außerdem habe ich ein Multi-Tenant-System mit SSO und rollenbasierter Zugriffskontrolle auf Azure entworfen. MCP Server mit dynamischer OAuth-Authentifizierung implementiert.
Hauptaufgaben:
- Sprint-Planung und Feature-Vorbereitung
- Design der Multi-Tenant-Plattform-Architektur (FastAPI, SQLAlchemy, PostgreSQL Row-Level Security für Tenant-Isolation)
- Entwicklung von KI-Pipelines mit Prefect für Transkription (Azure Speech API), Dokumentengenerierung und SAP-Screen-Recording-Analyse (Claude, gpt-4-mini)
- Design und Implementierung eines MCP-Servers, um Tenant-Wissen für LLM-Clients (Claude) bereitzustellen, mit asynchronem Retrieval und Reranking
- Implementierung von LLM-Kosten-Tracking, Rate Limiting und Client-Pooling für Anthropic/OpenAI/Azure-OpenAI-Endpunkte
- Einrichtung von CI/CD: Docker-Images in Azure Container Registry, GitHub Actions, Azure Static Web Apps, Alembic-Migrationen in Containern
- Verwaltung von Produktions-Deployments und Durchführung von Live-Datenmigrationen für Unternehmenskunden
- Definition von Engineering-Standards und Architekturmustern für das Team
Umgebung: Azure / Azure Foundry / Python / FastAPI / Prefect / React / PostgreSQL
Johannes W.
Letzte Position:
Senior-Dateningenieur bei Soorce GmbH
- Analyse der geschäftlichen Anforderungen
- Integration verschiedener Datenquellen wie ERP-Systeme, Produktionssysteme und externe Datenquellen
- Implementierung der Beladungsstrecken und Verarbeitungslogik mit MSSQL
- Datenmodellierung und Optimierung von Datenmodellen
- Aufsetzen eines Data Quality Managements inkl. Data Profiling mit dynamischer Programmierung
- Unterstützung bei der Konzeption und Etablierung der Data Governance, insbesondere im Bereich Data Quality Management und Datenschutz
- Mithilfe bei der Entwicklung von BI-Lösungen mit Tableau zur Unterstützung von Entscheidungsprozessen
Matthias W.
Letzte Position:
Freiberuflicher Consultant Business Intelligence (Selbständig) bei mw-consult.it
Data Engineering
Business Analyst
Consulting
2025 – heute
Data Engineer & Architekt
- Azure Data Factory
- Azure Databricks (PySpark)
- PowerBI Service
Lead Developer für die Weiterentwicklung des Modern Data Warehouse sowie Power BI Berichte und Datenmodelle auf Basis der ERP-Systeme Amparex und EyeOffice. Schwerpunkt bei Themen für den Fachbereich Marketing mit Datenanbindung über API an Amplitude und Klaviyo mit Python
- 2024 – heute
Data Engineer & Architekt
- SQL Server (T-SQL)
- SSIS (ETL)
- SSAS Tabular
- PowerBI Report Server
- Atlassian Jira & Migration zu Azure DevOps mit GIT (KANBAN)
Entwicklung von Power BI Berichten und Datenmodellen auf Basis von Infor LN ERP-Daten nach Migration aus Baan einschließlich der zugrunde liegenden Datenstrukturen mit Microsoft SQL Server zur Weiterentwicklung des Data Warehouse
Beratung des Controlling für die Spezifizierung von fachlichen Anforderungen und Entwicklung von Reporting-Lösungen
- 2025 – 06.2025
Data Engineer & Architekt
- PowerBI Dataflows
- PowerBI Service
Cloud-Migration von Data Warehouse sowie Power BI Berichten und Datenmodellen von Microsoft Dynamics BC 2021 zu Microsoft Dynamics BC Cloud einschließlich der Migration der zugrunde liegenden Datenstrukturen von Microsoft SQL Server zu Power BI Dataflows
- 2022 – 06.2024 (weiterhin Support für Data Engineers)
Data Engineer & Architekt
- SQL Server (T-SQL)
- SSIS (ETL) & BIML
- SSAS Tabular
- Azure DevOps mit GIT (SCRUM)
Entwicklung von analytischen Modellen auf Basis von Microsoft Dynamics BC 2021 in Verbindung mit Daten aus der unternehmenseigenen MariaDB-Datenbank einschließlich dem Aufbau der zugrunde liegenden Datenstrukturen mit Microsoft SQL Server zum Aufbau eines Data Warehouse. Datenverschmelzung der ERP-Systeme BC 2021 und DATEV im Data Warehouse
Beratung der Fachanwender für die Spezifizierung von fachlichen Anforderungen und Coaching der Entwickler für die Entwicklung von Reporting-Lösungen
- 2022 – 08.2023
Business Analyst & Interim Manager
- PowerBI Service
- Azure Databricks (PySpark)
- Atlassian Jira (SCRUM)
Projektmanagement für Anforderungen von Reporting-Lösungen sowie Entwicklung von Power BI Berichten und Datenmodellen mit Daten aus Azure Databricks auf Basis von SAP R/3, Google Analytics, Webshop und CRM mit fachlichem Schwerpunkt auf die Bereiche Customer, Sales und Marketing
- 2022 – 05.2022
Power BI Spezialist
- PowerBI Service
- Azure DevOps mit GIT (SCRUM)
Entwicklung von Power BI Berichten und Datenmodellen auf Basis von Daten aus Exasol mit fachlichem Schwerpunkt auf Sortimentsmanagement im Bereich Einkauf
- 2021 – heute (laufende Bestandskundenbetreuung)
Power BI Spezialist & Data Engineer
- SQL Server (T-SQL)
- SSIS (ETL) & BIML
- PowerBI Service
- Azure DevOps mit GIT (KANBAN)
- Azure Functions (Python)
Entwicklung von Power BI Berichten und Datenmodellen auf Basis von abas ERP-Daten einschließlich dem Aufbau der zugrunde liegenden Datenstrukturen mit Microsoft SQL Server zum Aufbau eines Data Warehouse.
Synchronisierung von Kundendaten für Pipedrive CRM über Azure Functions mit Python.
Beratung des Controlling und Geschäftsleitung für agiles Projektmanagement, die Spezifizierung von fachlichen Anforderungen und Entwicklung von Reporting-Lösungen
- 2021 – heute (laufende Bestandskundenbetreuung)
Data Engineer & Architekt
- SQL Server (T-SQL)
- SSIS (ETL) & BIML
- SSAS Tabular
- Azure DevOps mit GIT (SCRUM)
Entwicklung von analytischen Modellen auf Basis von Microsoft Dynamics 365 FO, CS & CRM in Verbindung mit Microsoft Dynamics AX 2012 R3 einschließlich dem Aufbau der zugrunde liegenden Datenstrukturen mit Microsoft SQL Server zum Aufbau eines Data Warehouse
Konzeption der Migration des SQL Server basierten Data Warehouse zu Microsoft Fabric mit zukünftig geplanter Umsetzung und temporärer Nutzung einer hybriden Datenarchitektur zur Einführung von Power BI Service während der Migrationsphase
Beratung der Fachanwender für die Spezifizierung von fachlichen Anforderungen und Entwicklung von Reporting-Lösungen
Tobias H.
Letzte Position:
SAP Technologieexperte / SAP BO Basis-Administrator bei Talanx AG/ HDI Versicherung
- Incident-Management
- User-Management: Anlage, Pflege und Deaktivieren von Usern sowie Pflege von Rollen
- Updates und Upgrades: Planung und Durchführung von Updates und Upgrades
- Betrieb: Performanceanalyse, tägliches Monitoring und Einspielen von SNotes
- Job-Management: Erstellen, Pflegen und Monitoring von Jobs
- Schulung von Mitarbeitern
- Aufbau und Erweiterung von Berichten
- Aufbau und Erweiterung von Universen
- Technologien: SAP Business Objects (SAP BO 4.3), Oracle SQL Developer, SAP Information Design Tool, Octane
- Methoden: Scrum
Umut G.
Letzte Position:
Datenarchitekt bei BA Technology
Ich bin ein erfahrener Data Engineer mit Spezialisierung auf durchgängige Datenintegration, Cloud-DWH-Architekturen und hochwertige, gut gesteuerte Datenprodukte.
Als Freiberufler habe ich die folgenden Projekte und Aufträge umgesetzt.
- Datenmigration eines CRM-Systems für AL-FA Objekt Service Gmbh
- Partnerschaft für den Weiterverkauf von Microsoft-Software
Ich suche freiberufliche Aufgaben wie: Freelance Data Engineer Cloud Data Warehouse Architect Data Modeling & Architecture Consultant MDM & Data Governance Specialist BI & Analytics Developer
Technische Schwerpunkte
- Data Engineering & Integration: SQL Server/SSIS, Informatica PowerCenter/IDQ, Talend, Kafka, Azure Data Factory – Delta/CDC/ELT-Muster, robuste Pipelines, Überwachung/Wiederherstellung, Datenherkunft und Auswirkungsanalyse, Medallion-Architektur mit Bronze/Silver/Gold-Schichten
- DWH & Cloud: Azure SQL / Data Lake / Synapse, AWS Redshift/S3, On-Premises SQL/Oracle – skalierbare Data Marts mit starkem Fokus auf Kosten und Nutzen.
- Datenmodellierung: Atomare (Inmon-) und dimensionale (Kimball-)Modelle, Data Vault (Linstedt), Domain-Driven Design, klare Datenherkunft und Verträge.
- MDM & Governance: Informatica MDM, IBM MDM, Stewardship-Prozesse, Datenqualitätsregeln, Survivorship/XREF, Katalog/Glossar, SIF/BES/REST-Veröffentlichung.
- Analytics/BI: Power BI, SSAS, Cognos – businessfähige und wartbare Datenprodukte.
Entdecke mehr als 15.000 Top-Freelancer
Statistiken von Experten, die Data Vault einsetzen
Aggregiert aus den beruflichen Profilen passender Freelancer.
Berufserfahrung
20 Jahre

Positionsdauer
1,9 Jahre

Positionen pro Freelancer
17

Häufigste Fachbereiche
Business Intelligence, Informationstechnologie (IT), Produktentwicklung

Häufigste Branchen
Informationstechnologie (IT), Bank- und Finanzwesen, Versicherung

Fokus der Zertifizierungen
Informationstechnologie (IT), Business Intelligence, Projektmanagement
Bachelor-Abschluss oder höher
79%
Master-Abschluss oder höher
55%
Doktortitel
10%

Zertifizierungen pro Freelancer
4

Häufigste Sprachen
Deutsch, Englisch, Französisch

Sprechen zwei oder mehr Sprachen
97%
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 Vault 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 Vault Experten
Sieh, in welchen Branchen unsere gematchten Freelancer am häufigsten tätig sind — jede Zahl wird live aus den Freelancern auf FRATCH berechnet.
- Informationstechnologie (IT) (92%)
- Bank- und Finanzwesen (62%)
- Versicherung (59%)
- Professionelle Dienstleistungen (51%)
- Einzelhandel (46%)
- Telekommunikation (46%)
- Automotive (43%)
- Fertigung (43%)
Bitte beachte, dass Freelancer in mehreren Branchen tätig sein können, daher überschneiden sich die Prozentwerte.
Über die Technologie
Data Vault-Grundlagen
Data Vault ist eine Methode zur Modellierung von Data Warehouses, die für sich verändernde Geschäftsdaten, Prüfbarkeit und langfristige Integration entwickelt wurde. Sie trennt historische Beziehungen von beschreibendem Kontext durch Hubs, Links und Satellites. Diese Struktur hilft Teams, Quelldaten schnell zu laden, ohne das gesamte Warehouse bei jeder Änderung eines Quellsystems neu entwerfen zu müssen.
Kernstrukturen
Ein Hub speichert einen stabilen Geschäftsschlüssel, etwa eine Kunden- oder Versicherungsnummer. Ein Link erfasst eine Beziehung zwischen Geschäftsschlüsseln, während ein Satellite beschreibende Attribute, Historie und Quellkontext enthält. Hash-Schlüssel, Ladezeitstempel und Datensatzquellen-Felder unterstützen wiederholbare Ladevorgänge, Datenherkunft und parallele Entwicklung über verschiedene Themenbereiche hinweg.
Data Vault 2.0-Ökosystem
Data Vault 2.0 erweitert den Modellierungsansatz um Automatisierung, agile Bereitstellung und eine stärkere Ausrichtung auf Performance und Betriebsstandards. Spezialisten arbeiten häufig mit Cloud-Warehouses, Orchestrierungstools und Transformations-Frameworks wie Snowflake, Databricks, Microsoft Fabric, BigQuery, dbt und Airflow. Sie verbinden Modellierungsentscheidungen außerdem mit Metadaten, Tests und Bereitstellungsprozessen.
Wo es eingesetzt wird
Unternehmen nutzen Data Vault für Analyseplattformen, die viele operative Quellen zusammenführen und die historische Wahrheit bewahren müssen. Häufige Anwendungen sind:
- Integration von Kunden- und Kontodaten über Geschäftseinheiten hinweg
- Finanz-, Risiko- und regulatorisches Reporting mit nachvollziehbarer Quellhistorie
- Analysen von Lieferketten, Produkten und Dienstleistungen
- Migrationen von Cloud-Warehouses und Modernisierungsprogramme
- Unternehmensdatenplattformen, die für das kontinuierliche Wachstum von Quellen ausgelegt sind
Wann Spezialisten helfen
Freiberufliche Expertise ist wertvoll, wenn ein Team ein Warehouse aufbaut, ein starres Dimensionsmodell ersetzt oder neue Quellsysteme in die Produktion bringt. Sie ist auch hilfreich, wenn Ladevorgänge langsam sind, die Datenherkunft unklar ist oder Teams sich bei Geschäftsschlüsseln und Beziehungen nicht einig sind. In Deutschland können Spezialisten die verteilte Bereitstellung für lokale Daten-, Finanz- und Industrieprozesse unterstützen und bei Workshops remote oder vor Ort koordinieren.
Was gute Fachleute liefern
Ein guter Spezialist versteht sowohl die Modellierungstheorie als auch die praktischen Anforderungen des Betriebs von Datenprodukten. Bevor er Strukturen erstellt, klärt er Granularität, Schlüssel, Historisierungsregeln und die Verantwortung für Quellen. Zu seinen Ergebnissen können ein Business Vault, Raw Vault, Information Mart, Ladespezifikationen, automatisierte Transformationen, Qualitätstests und Dokumentation gehören. Er kann die Vor- und Nachteile von Data Vault und dimensionalen Ansätzen erklären, die Performance durch geeignete Muster schützen und eine wartbare Übergabe an interne Teams sicherstellen.
Häufig gestellte Fragen
Brauchst du Klarheit? Das sind die Fragen, die uns zu Data Vault am häufigsten gestellt werden.
Data Vault wird verwendet, um skalierbare Analyse-Warehouses aufzubauen, die Daten aus vielen sich verändernden Quellsystemen integrieren. Es bewahrt historische Datensätze, Beziehungen und die Datenherkunft und eignet sich daher für Reporting, Audits, Governance und langfristige Datenintegration.
Data Vault trennt die Aufnahme und historische Speicherung von den geschäftsorientierten Reporting-Strukturen. Ein dimensionales Modell kann für einen stabilen Reporting-Bereich einfacher sein, während Data Vault oft besser geeignet ist, wenn sich Quellen, Beziehungen und Geschäftsanforderungen häufig ändern; viele Programme nutzen beide Ansätze über eine Information-Mart-Schicht.
Data Vault 2.0 erweitert die Methode über Tabellenmuster hinaus und umfasst agile Bereitstellung, Automatisierung, Architektur, Performance und betriebliche Prozesse. Es fördert konsistente Metadaten, wiederholbare Ladevorgänge und parallele Arbeit über Teams hinweg, statt Modellierung als isolierte Designaufgabe zu behandeln.
Ein guter Data Vault Spezialist beherrscht in der Regel SQL, ELT-Design, Cloud-Warehouses und Orchestrierung. Erfahrung mit dbt, Airflow, Snowflake, Databricks, BigQuery oder Microsoft Fabric kann wertvoll sein, ebenso wie Kenntnisse in Tests, Metadatenmanagement, CI/CD und dimensionaler Modellierung.
Das passende Erfahrungsniveau hängt vom Projektumfang, der Komplexität der Quellen und der Verantwortung für die Bereitstellung ab. Ein Spezialist, der das Modell und die Standards festlegt, sollte Erfahrung mit produktiver Integration, Schlüsseldesign, Historisierung und Performance-Entscheidungen haben, während eng begrenzte Implementierungsaufgaben mit gezielter Plattformexpertise unterstützt werden können.
Data Vault Arbeit eignet sich häufig für die Remote-Zusammenarbeit, da Modellierung, SQL, Dokumentation und Pipeline-Reviews digitale Tätigkeiten sind. Workshops vor Ort können dennoch bei der Erkundung von Fachbereichen, Entscheidungen zu Geschäftsschlüsseln und der Abstimmung mit Stakeholdern helfen, insbesondere wenn mehrere deutsche Teams unterschiedliche Quellsysteme verantworten.
Bitten Sie den Spezialisten, Granularität, Geschäftsschlüssel, Link-Semantik, Grenzen von Satellites und den Weg vom Raw Vault zum Reporting zu erklären. Qualität zeigt sich durch klare Annahmen, getestete Ladevorgänge, eine hilfreiche Datenherkunft, dokumentierte Abwägungen und den Nachweis, dass das Design auch bei sich verändernden Quellen verständlich bleibt.
Eine Data Vault Implementierung kann unnötig komplex werden, wenn Teams Hubs ohne stabile geschäftliche Bedeutung oder Satellites ohne klare Änderungsregeln erstellen. Weitere Risiken sind eine unklare Verantwortung für Quellen, übermäßige Automatisierung ohne Prüfung, ein ungeeignetes Workload-Design und die Annahme, dass das Modell allein Governance- oder Reporting-Anforderungen löst.
Der durchschnittliche Stundensatz von Freelancern in Deutschland, die Data Vault in ihren letzten Projekten eingesetzt haben, liegt bei 103 €, was einem Tagessatz von etwa 828 € bei einem 8-Stunden-Tag entspricht.
Von den Freelancern in Deutschland, die Data Vault in ihren letzten Projekten eingesetzt haben, haben 79% mindestens einen Bachelor-Abschluss, 55% mindestens einen Master-Abschluss und 10% einen Doktortitel.
Freelancer in Deutschland, die Data Vault in ihren letzten Projekten eingesetzt haben, haben im Durchschnitt 20 Jahre Berufserfahrung; ein einzelnes Projekt dauert typischerweise etwa 1,9 Jahre.
Die häufigsten Sprachen unter Freelancern in Deutschland, die Data Vault in ihren letzten Projekten eingesetzt haben, sind Deutsch (100%), Englisch (97%) und Französisch (24%).
Die häufigsten Industrien unter Freelancern in Deutschland, die Data Vault in ihren letzten Projekten eingesetzt haben, sind Informationstechnologie (IT) (92%), Bank- und Finanzwesen (62%) und Versicherung (59%).
Die häufigsten Bereiche unter Freelancern in Deutschland, die Data Vault in ihren letzten Projekten eingesetzt haben, sind Business Intelligence (100%), Informationstechnologie (IT) (100%) und Produktentwicklung (78%).
Hauptstandorte der FRATCH Experten, die kürzlich Data Vault 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!

Frankfurt