Data Visualization Experten in München

• Machine Learning, BI und Big Data für Master-Studierende unterrichtet.

Technologien: Python, Power BI, SQL, ML, SnowflakeDB, databricks, MS Fabric, MongoDB, LLM

• In diesem Projekt wurden Informationsdaten extrahiert, um das Verfassen von Berichten für ein Unternehmen zu unterstützen, das geopolitische, globale und kommerzielle Informationen bereitstellt. Die Daten wurden aus verschiedenen Quellen gesammelt (Interviewtranskripte, Online-Daten, interne Dokumente) und anschließend zu einer Wissensbasis zusammengeführt. Diese bildete die Grundlage für ein komplexes RAG-System, das anhand eines Golden Dataset evaluiert wurde. Agenten wurden eingesetzt, um widersprüchliche Informationen und sich gegenseitig bestätigende Aussagen zu finden sowie das generierte Wissen wieder zu speichern.

Verwendet: Python, RAG, LangGraph, LangChain, deepeval, MCP

• 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.

Teilprojektleitung im agilen IT-Umfeld

Führung eines Softwareentwicklungsteams (10 Mitarbeiter)

• Leitung eines Softwareentwicklungsteams mit 10 Mitarbeitern
• Budgetverantwortung ca. 3 Mio. Euro pro Jahr
• Führung von Mitarbeiter- und Vorstellungsgesprächen
• Verantwortung für die Ressourcenplanung (Budget und Mitarbeiter)
• Digitalisierung einer Weboberfläche
• Regelmäßige Berichterstattung an Kunden und Stakeholder (C-Level)
• Produktmanagement: Produktstrategien entwickeln und umsetzen; Anforderungen definieren, um die Produktentwicklung zu steuern
• Produktentwicklung und kontinuierliches Testen effizient gestalten, Feedback- und Compliance-Punkte schnell berücksichtigen
• Enge Zusammenarbeit mit Stakeholdern und verschiedenen Teams, um Anforderungen zu verstehen, Prioritäten festzulegen, den Rollout zu gewährleisten und die Benutzerfreundlichkeit zu steigern
• Projekterfahrung in einem energiewirtschaftlichen Unternehmen, einschließlich der Funktionsweise von Energiemärkten, den Grundlagen der Energieerzeugung und -verteilung sowie den aktuellen Herausforderungen und Entwicklungen in der Branche
• Projekterfahrung im Bahnwesen - darunter die Struktur und der Betrieb von Bahnsystemen
• Projekterfahrung innerhalb des 16,7-Hz-Bahnstrom-Bereichs inkl. Kenntnisse der regulatorischen Prozesse
• Formulierung des Teilprojektauftrags und des Projektsteckbriefs nach dem Projektstandard gemeinsam mit der Projektleitung
• Steuerung der Leistungserbringung gemäß Projektauftrag
• Planung und Steuerung personeller Ressourcen inklusive Budgetplanung für das Teilprojekt
• Sicherstellung der Arbeitsfähigkeit der Teilprojektbeteiligten, z. B. durch Beantragung von Zugängen und Dokumenten für das Teilprojektteam
• Planung und Steuerung für das jeweilige Teilprojekt (Zeit, Umfang, Budget) inklusive der Erstellung der notwendigen Dokumente
• Abstimmung mit dem Fachbereich und Product Ownern zur Planung des Teilprojektumfangs und der entsprechenden Implikationen
• Durchführung der Meilensteinplanung gemäß dem vereinbarten Vorgehensmodell
• Aufwandsschätzung und Unterstützung des Teilprojektcontrollings sowie des Gesamtprojektcontrollings bei der Vorschau und Planung
• Berichterstattung des Teilprojektstatus (gem. Statusfolienvorlage) inkl. Fortschritt (gem. Fortschrittsmessung)
• Analyse, Vorbereitung und Adressierung von Handlungs- und Entscheidungsbedarfen
• Eskalation von Teilprojektanliegen an die Projektleitung
• Erstellung und Steuerung von Change Requests (CR)
• Qualitätsbewertung der erbrachten Aufgabenpakete aus Projektmanagement-Perspektive (Zeit, Umfang und Budget)
• Umsetzungssteuerung der übergreifenden Vorgaben und Anforderungen im Teilprojekt. Dabei unterstützen die Querschnittsfunktionen auf fachlicher und technischer Seite.
• Identifikation, Steuerung, Dokumentation und Kommunikation von Chancen, Risiken und Abhängigkeiten im Teilprojekt und teilprojektübergreifend
• Unterstützung der Projektleitung bei der Erstellung des Gesamtprojektplans und der Gesamtstatusberichte
• Vorbereitung und Steuerung der Inbetriebnahme inkl. der erforderlichen Dokumente und Schutzbedarfsfeststellung

Scrum Masterin im agilen IT-Umfeld zur Unterstützung eines Softwareentwicklungsteams im Fullstack-Bereich (7 Leute)

• Enge Zusammenarbeit mit Stakeholdern und verschiedenen Teams, um Anforderungen zu verstehen, Prioritäten festzulegen, den Rollout zu gewährleisten und die Benutzerfreundlichkeit zu steigern
• Einführung der ausgewählten Scrum-Methode, inklusive der erforderlichen Events, Meetings, Artefakte (Product Backlog, Sprint Backlog, Burndown Charts), Metriken sowie die Durchführung von erforderlichen Trainings im agilen IT-Umfeld
• Vorbereitung von Scrum-Events wie Daily, Retrospektiven, Review, Sprint Planning, Estimation und Refinement (agile Arbeitsweise)
• Moderation von Retrospektiven und Eliminierung von Hindernissen, um Team und Produkt voranzubringen
• Aufbereitung von Maßnahmen und Retros via Whiteboard und Figma
• Anwendung und Verbesserung von agilen Methoden wie Kanban, Scrum, SAFe oder Scrum of Scrum
• Nachverfolgen der "Definition of Done" und "Definition of Ready" für alle Arbeitsergebnisse des Entwicklerteams
• Beratung zum Informationsfluss und zu Kommunikationsverbesserungen zwischen Product Owner und Projektteam
• Erfahrung mit Automatisierung, Validierung wie Pflichtfeldprüfung, Benachrichtigungsfunktionen, Erstellung von Filtern, Boards und Reports via JQL und Aufsetzen der Cycle Time
• Verwendung von Jira & Confluence
• Aufsetzen einer Fortschrittsmessung für das Projektmanagement, um Team-Plan- und Team-Ist-Kapazitäten sowie tatsächliche Aufwände für User Stories transparent abzubilden
• Messung des Teamfortschritts: Erstellung der Team-KPIs: "Velocity", "Burn-Down-Chart", "Throughput", "Kosten", "Quality", "Scope"
• Auswertung agiler Metriken, Prozessmanagement und Prozessmodellierungsmethoden (BPMN, EPK, UML)
• Kommunikations- und Moderations-Know-how
• Methodenkompetenz in Konfliktgesprächen unter Beweis gestellt

• Leitete die Bemühungen zur Steigerung der Konsistenz und der Benutzerfreundlichkeit für ein deutlich intuitiveres Erlebnis
• Arbeitete mit den Gründern zusammen, um durch Product Discovery eine neue Go-to-Market-Strategie zu entwickeln
• Leitete den Prozess der Erstellung der neuen Firmenwebsite von Konzept und Wireframes über Design bis zur finalen Umsetzung in Webflow
• Responsives Webdesign
• WCAG
• Unternehmens-Branding
• Produkt-Discovery
• MVP
• Produktdesign
• Nutzererfahrung
• Schnelles Prototyping

• 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 des Audit-Logging-Frameworks
• Implementierung von APIs, die Entwickler in ihre Codebasen integrieren können
• Implementierung der Ingestion-Pipeline, der Datenbank-Abfrageschicht und der UI zum Durchsuchen der Audit-Events
• Verbesserung der Stabilität und Zuverlässigkeit des Backend-Systems

• Entwicklung von AI-first-Workflows, die KI in bestehende Produkterlebnisse integrieren
• Entwicklung von UX-Konzepten für Prompt-Management, wiederverwendbare und kombinierte Prompt-Workflows, Tagging, Suche und Informationsorganisation
• Erstellung von User Flows, Wireframes, Prototypen und High-Fidelity-Interfaces in Figma
• Definition wiederverwendbarer UI-Patterns, Komponenten und Interaktionslogik für skalierbare Produkte
• Untersuchung von Human-AI-Interaktionsmustern mit Fokus auf Nutzerkontrolle, Transparenz und beherrschbare kognitive Belastung
• Übersetzung von Produktanforderungen und technischen Einschränkungen in entwicklungsreife UX/UI-Spezifikationen

• 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

In meiner Rolle als Senior Cloud DevOps Architect bei BP, einem Öl- und Gasunternehmen, hatte ich die Aufgabe, die Plattform für das Laden von Elektrofahrzeugen der EV Division von On-Premises und Azure in die AWS-Cloud zu migrieren, was zu einer hybriden Multi-Cloud-, Multi-Tenant-SaaS-Lösung führte.

Der Einsatz von Kubernetes für die Anwendungsebene bedeutete die Bereitstellung von Kubernetes-Clusters, die von EKS und AKS verwaltet wurden, mit Fokus auf die Integration in eine Multi-Tenant-Umgebung. Diese Integration wurde durch den Einsatz von Kubernetes-Namespace und Zugriffskontrollen erreicht, um Datenisolation und Datenschutz sicherzustellen.

Auf der Datenbankebene entschieden wir uns für eine RDS-Instanz mit PostgreSQL zur Unterstützung der Backend-Infrastruktur unserer Anwendungen. Die Mandanten teilten sich dieselbe RDS-Instanz, hatten aber jeweils ein eigenes Schema.

Um nahezu in Echtzeit Daten von physischen Ladestationen (CPOs) als IoT-Geräte über das OCPI-Protokoll aufzunehmen, stießen wir bei der Batch-Verarbeitung auf erhebliche Verzögerungen. Daher entwickelten wir eine Streaming-Datenpipeline in Echtzeit mit Apache Kafka und setzten dabei auf eine eventgetriebene Architektur.

Ich leitete die Zusammenarbeit über mehrere interne Teams, externe Anbieter, Cloud-Provider und Partner vor Ort hinweg, um über fünf Systeme in eine einheitliche Lösung zu integrieren.

Erfolge:

• Erfolgreich hybride Multi-Cloud-Lösungen entworfen und umgesetzt, die mehrere Cloud-Plattformen (AWS, Azure) mit On-Premises-Infrastruktur unter Einsatz von Site-to-Site-VPNs, Firewalls und Load Balancing integrierten.
• Die Migration der On-Premises-Infrastruktur zu einer Multi-Cloud-, Multi-Tenant-Infrastruktur geleitet, was zu 30 % schnelleren Verarbeitungszeiten führte.
• Workloads aus VMware- und Hyper-V-Umgebungen auf cloudbasierte VMs migriert und dabei Cloud-native Services genutzt, um Leistung, Kosteneffizienz und Skalierbarkeit zu optimieren.
• Eine Multi-Tenant-Kubernetes-Plattform entworfen, die das Kubernetes-Ökosystem nutzt, mit Karpenter für die dynamische Bereitstellung von EC2-Nodes, KEDA für eventgesteuertes Pod-Autoscaling (z. B. Kafka-Message-Lag) und Rancher für das zentrale Monitoring mehrerer Cluster (EKS, AKS oder On-Prem K8s), als Ersatz für den Microsoft-zentrierten Azure-Arc-Management-Service.
• Python-basierte FastAPI-Microservices als Teil des EV-Core-Backends auf der AWS-EKS-Anwendungsebene entworfen und umgesetzt, die Datenaufnahme- und Kundenanalyse-Pipelines antreiben.
• Asynchrone, eventgetriebene APIs (Python-FastAPI) für die Echtzeit-Integration mit CPOs entwickelt, mit Unterstützung für OCPI 2.3 und OICP-Protokolle.
• Eine sichere, produktionsreife Azure-Databricks-Plattform mit Terraform entworfen und umgesetzt und dabei Skalierbarkeit und Kosteneffizienz sichergestellt.
• On-Premises-ERP auf eine hybride Dynamics-365-Architektur migriert, mit ERP lokal gehostet und CRM in Azure betrieben, integriert über Azure Arc.
• CI/CD-Pipelines für Databricks-Notebooks und Jobs mit GitHub Actions und Databricks CLI automatisiert, wodurch die Bereitstellungszeit reduziert wurde. Die Bereitstellungszeit für Infrastruktur durch Automatisierung der Cloud-Ressourcenbereitstellung mit GitOps um 70 % reduziert.
• Die Einhaltung interner Audit- und Data-Governance-Standards (GDPR) durch OAuth2/OIDC-basierte Authentifizierung und fein abgestufte rollenbasierte Zugriffskontrollen sichergestellt.
• Ein Zero-Trust-Sicherheitsmodell entwickelt, das Least-Privilege-Zugriffe und Mikrosegmentierung durchsetzt und die Sicherheitslage sowie die Compliance mit GDPR und NIST verbessert.
• Interaktive Analytics-Dashboards in Amazon QuickSight erstellt, die Daten aus S3 und Redshift integrieren, um Echtzeit-Business-Insights und Visualisierungen mit eingebettetem Zugriff für Multi-Tenant-Nutzer bereitzustellen.
• Cloud-Sicherheitsbewertungen und eine Sicherheitsintegration über den gesamten Lebenszyklus während M&A geleitet, einschließlich AWS, Azure, IAM (Entra ID) und Datenschutz, und dabei die Sicherheitslage mit NIST, ISO 27001 und GDPR über hybride und cloud-native Umgebungen hinweg ausgerichtet.
• Die Cloud-Kosten für eine Dev-Umgebung eines Kunden um 64 % gesenkt, indem automatisierte Start-/Stopp-Zeitpläne für EC2- und RDS-Instanzen über AWS CDK mit EventBridge Scheduler oder AWS Systems Manager implementiert wurden.

Tech-Stack:

• Infrastructure as Code: Terraform, AWS CDK, Ansible.
• Container: Kubernetes auf EKS, AKS, Docker.
• Streaming-Datenverarbeitung: Kafka zu Confluent Cloud, nach AWS MSK.
• Frontend: TypeScript, React, NextJS, Hooks, Styled Components.
• Backend: Python mit FastAPI, außerdem Node.js mit NestJS.
• Datenbank: Aurora auf PostgreSQL mit TypeORM, RDS auf SQL Server, vollständiges Setup und Administration von Azure Databricks, ETL-Pipelines.
• CI/CD und GitOps: GitHub Actions, Azure DevOps, ArgoCD.
• Monitoring und Observability: Prometheus und Grafana.
• Virtualisierung: Hyper-V, VMware Cloud on AWS, Azure Migrate.
• ERP-Systeme: Odoo, Microsoft Dynamics 365 Business Central auf Azure, integriert mit Azure Arc.
• Netzwerke: Site-to-Site-VPNs, AWS Direct Connect, Azure ExpressRoute, Firewalls (AWS Network Firewall, Azure Firewall).
• Sicherheit: IAM, NIST Framework, Zero-Trust-Sicherheit, AWS WAF, AWS Shield, GuardDuty.

• Entwurf durchgängiger KI/ML-Lösungen mit starkem Fokus auf fortschrittliche LLM-Anwendungen, autonome agentische KI-Workflows mit dem MCP-Toolset, Berechnungen von vLM-Embeddings und robuste agentische RAG-Pipelines, um für Kunden aus verschiedenen Branchen einen konkreten Geschäftsnutzen zu schaffen.
• Entwicklung intelligenter agentischer KI-Workflows zur Automatisierung des Abrufs von Wissen und der Schlussfolgerungen für B2B-Kunden, um schneller Geschäftsnutzen zu erzielen.

• Entwickelte eine Python-Pipeline, die Web-Inhalte aus dem Lektionar in strukturierte tägliche JSON-Daten umwandelt und dabei liturgische Kalenderregeln für eine genaue Abdeckung von Wochentagen und Sonntagen anwendet.
• Stellte eine reine FastAPI-REST-API mit gemeinsamen Pydantic-Modellen bereit und lieferte einen Kirundi-first Web-Client für Browser und Mobile.
• Verantwortete die Datenebene und die Backend-Architektur, arbeitete eng an Systemarchitektur und Schnittstellen mit und automatisierte Aktualisierungen mit GitHub Actions; außerdem validierte ich das ETL mit pytest.
• Impact: Schuf eine verlässliche, API-gestützte Single Source of Truth für tägliche Bibellesungen auf Kirundi und ermöglichte so einen konsistenten Zugriff auf zuvor unstrukturierte Inhalte.

• Es handelt sich um ein Startup innerhalb von REWE, in dem wir ein neues Prognosesystem auf der Google Cloud Platform von Grund auf aufbauen müssen. Obwohl meine offizielle Rolle MLOps heißt, umfassen meine tatsächlichen Aufgaben auch die Entwicklung von Datenverarbeitungspipelines (Data Engineering) und Aufgaben eines Data Scientists wie Feature Engineering und Modelltraining.
• GCP: Terraform (tofu), Vertex AI (Kubeflow), Cloud Run, IAM, Google Cloud Storage, BigQuery, Artifact Registry
• Data Engineering: Snowflake als zentrales Data Warehouse, Terraform, DBT zur Implementierung von Datenmodellen
• CI/CD: GitLab. Wir haben eine CI/CD-Pipeline entwickelt, die die Bereitstellung neuer Releases bis in die Produktionsumgebung automatisiert.
• Entwicklung eines Feature Stores und Datensynchronisierung zwischen Umgebungen
• Data Science: Bewertung verschiedener Prognosemodelle, darunter CatBoost, Contextual Gamma und Random Forest; Implementierung von Trainingspipelines mit Kubeflow auf Vertex AI; Skalierung und Entwicklung einer ereignisgesteuerten Schnittstelle mit Kafka als Prognoseservice; Bewertung von MLFlow für Modellverfolgung und Modellregister
• Implementierung einer REST-API mit KeyCloak OAuth2 und OpenID (JWT)
• Monitoring: Implementierung von Dashboards mit Grafana, Prometheus, Mimir, Streamlit und Loki zur Überwachung von Prognosemetriken, GCP- und Snowflake-Kosten für Pipelines sowie Systemmetriken
• Entwicklung von Copilot Agent Skills