dbt Experten in München
aus über 15.000 Lebensläufen mit der Kraft von KI.Beauftragen Sie Experten, die zuverlässige dbt-Modelle, Tests und Dokumentation erstellen und Analytics-Layer in dbt Core oder dbt Cloud aufbauen können. Erhalten Sie schnelles, präzises Matching mit geprüften, verfügbaren Freelancern.
Lerne FRATCH Experten in München kennen, die kürzlich dbt eingesetzt haben
Suyash Shaha
Letzte Position:
Data Analyst - Reporting & Analytics bei SIXT SE
- 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.
Any-Arlene Niyubahwe
Letzte Position:
Co-Founder · Data Engineering & Backend bei zirikana (Kirundi Bible Web App) – Civic Technology
- 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.
Serge Kalinin
Letzte Position:
MLOps (machine learning operations) bei REWE Digital GmbH
- Es ist wie ein Start-up innerhalb von REWE, wo wir von Grund auf ein neues Prognosesystem auf der Google Cloud Platform aufbauen müssen. Offiziell heißt meine Rolle MLOps, aber meine eigentlichen Aufgaben umfassen auch die Entwicklung von Datenverarbeitungspipelines (Data Engineering) sowie Aufgaben von 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 für die Implementierung von Datenmodellen
- CI/CD: GitLab. Wir haben eine CI/CD-Pipeline aufgebaut, die Deployments neuer Releases bis in die Produktionsumgebung automatisiert
Anitha Namineni
Letzte Position:
Senior Data Engineer bei Accenture GmbH
- 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.
Manikanta Rangaswamy
Letzte Position:
Dateningenieur bei Versicherungskunde
- Entwurf, Entwicklung und Pflege vollständiger ETL-Pipelines für eine skalierbare und zuverlässige Datenintegration
- Unterstützung bei Datenqualitätsprüfungen, Tests und Migrationen
- Entwicklung und Pflege von dbt-Modellen für strukturierte, modulare und wiederverwendbare Datentransformationen
- Einsatz von KI-gestützter Entwicklung, um ETL-Jobs und die Codequalität zu verbessern
- Entwicklung von CI/CD-Pipelines für die automatisierte Bereitstellung
Hardeep Bhutter
Letzte Position:
Sr. Data Engineer bei Charles Schwab Bank
- 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.
Christian Schulz
Letzte Position:
Data Scientist/KI-Ingenieur bei The Marcom Engine GmbH & Co. KG
- Konzeption und Implementierung von KI-Agenten in der AWS-Cloud
- Kontinuierliche Abstimmung mit Stakeholdern
- Zusammenarbeit mit DevOps
- Technologien: Git, CI/CD (GitHub Actions), Python/ML, Streamlit, Deno/TypeScript, AWS SAM, AWS Bedrock, AWS Lambda, AWS DynamoDB, AWS S3, AWS EventBridge usw.
Nima Nooshi
Letzte Position:
Mitbegründer & LLM-Ingenieur bei LLM Ventures
- Mitgegründet ein KI-Startup mit Fokus auf die Entwicklung produktionsreifer LLM-Anwendungen und Agentensysteme
- Entworfen und implementiert Multi-Agent-KI-Workflows für Finanz- und Handelsanwendungen
- Entwickelt LLM-basierte Copilot-Architekturen für Portfolioanalyse, Handelsverwaltung und personalisiertes Nutzercoaching
- Entwickelt On-Device- und Edge-Inferenzanwendungen, optimierte Modelle für geringe Latenz, Datenschutz und ressourcenbeschränkte Umgebungen
- Geleitet Architekturentscheidungen zur Modellauswahl, Orchestrierung, Zustandsverwaltung und Bereitstellung
Hans Lindeman
Letzte Position:
Requirements Engineer bei REWE Systems GmbH
- Aufnahme Anforderungen aus Fachbereichen und den Stakeholdern
- Organisation und Durchführung von Workshops
- Erstellen und Begleiten von User Stories (Refinement bis Rollout) und Mapping
- Moderation von SCRUM-Regelterminen
- Erkennen und Analysieren von Optimierungspotenzialen wie der REWE Pick&Go App
- Moderation und Kommunikation mit Dienstleistern
- Requirements Engineering in Verbindung mit Fremdsystemen
- DWH-/BI-Lösung: Loyalty-Auswertungen mit MicroStrategy
- ITIL (Framework für die Bereitstellung von IT-Services)
- Qualitätssicherung (Quality Gates) angelehnt an ISTQB
Martin Svítek
Letzte Position:
Business-Intelligence-Datenanalyst bei webeet
- Optimierte SQL-Datenpipelines für klare Einblicke.
- Analysierte und visualisierte Trends mit Python.
- Verbesserte Dashboards und Automatisierungen.
- Arbeit mit Google Sheets, GCP, Snowflake, dbt, Spreadsheets/Excel, Databricks, PySpark und Fivetran.
Tobias Reinerth
Letzte Position:
Senior Data Scientist bei Lyft
- Verbesserte die Fehlerrate bei Geschwindigkeitsbegrenzungs-Elementen von 24% auf 8%, indem ich eine LLM-Pipeline auf erkannte Objekte angewendet habe (mit einer natürlichen Untergrenze von 6%, da die Bildabdeckung nur 94% beträgt).
- Umfangreiches ML-Modellieren der Routing-Kostenfunktion (Zielfunktion, Merkmale, Hyperparameter, Trainingsdatengenerierung), was die Grundlage für den Neuaufbau einer flexibleren Lösung legte.
- Initiierte das erste Priorisierungs-Framework für Data Curation Ops (jährliche Organisationskosten von 2 Mio. USD), das von täglichen Vorgaben weggeht und nun auf 'erwarteten Geschäftswert pro Zeiteinheit' optimiert, was eine Effizienzsteigerung von etwa 5-7% bewirkt.
- Enge Zusammenarbeit mit Software Engineering & Data Engineering sowie Product & Operations.
Entdecke mehr als 15.000 Top-Freelancer
Statistiken von Experten, die dbt einsetzen
Aggregiert aus den beruflichen Profilen passender Freelancer.
Berufserfahrung
17 Jahre (Deutschland: 14 Jahre)
Positionsdauer
1,8 Jahre
Positionen pro Freelancer
11 (Deutschland: 10)
Häufigste Fachbereiche
Business Intelligence, Informationstechnologie (IT), Marketing
Häufigste Branchen
Informationstechnologie (IT), Professionelle Dienstleistungen, Bank- und Finanzwesen
Fokus der Zertifizierungen
Informationstechnologie (IT), Business Intelligence, Personalwesen
Bachelor-Abschluss oder höher
100% (Deutschland: 98%)
Master-Abschluss oder höher
60% (Deutschland: 67%)
Doktortitel
20% (Deutschland: 8%)
Zertifizierungen pro Freelancer
2 (Deutschland: 4)
Häufigste Sprachen
Deutsch, Englisch, Französisch
Sprechen zwei oder mehr Sprachen
91% (Deutschland: 99%)
Basierend auf unserem Profilpool, Stand 30 Aug 2026.
Tagessatzverteilung
Das Diagramm zeigt, wie sich die Tagessätze der Freelancer in dieser Technologie in München verteilen, basierend auf aktuellen Verträgen auf unserer Plattform. Jeder Balken deckt eine Tagessatzspanne ab – seine Höhe zeigt, wie viele Freelancer innerhalb dieser Spanne abrechnen.
Durchschnittssätze von Experten in München, die dbt 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 30 Aug 2026. Die tatsächlichen Tagessätze können je nach Dienstalter, Erfahrung, Fachkenntnissen, Projektkomplexität und Auftragsdauer variieren.
Über die Technologie
Was dbt macht
dbt, kurz für data build tool, verwandelt rohe Warehouse-Daten in saubere Modelle, denen Teams vertrauen können. Es wird für Transformationen, Tests, Dokumentation und Lineage in modernen Analytics-Stacks genutzt. Unternehmen setzen es ein, um SQL-basierte Datenarbeit wiederholbar und nachvollziehbar zu machen.
Typische Aufgaben
- Staging-, Intermediate- und Mart-Modelle bauen
- Tests für Aktualität, Eindeutigkeit und Beziehungen hinzufügen
- Dokumentation und Model-Beschreibungen schreiben
- Source-Definitionen und Exposures einrichten
- Die Projektstruktur für die Nutzung im Team organisieren
Tools und Ökosystem
dbt Core ist das Kommandozeilen-Projekt, das in Versionsverwaltung und Orchestrierung verwendet wird. dbt Cloud ergänzt Zeitplanung, Job-Management und eine Weboberfläche. Starke Spezialisten arbeiten außerdem mit Warehouses wie Snowflake, BigQuery, Databricks, Redshift und Postgres.
Wann Unternehmen Unterstützung holen
Teams suchen freiberufliche dbt-Spezialisten, wenn die Modelllogik unübersichtlich wird, Tests fehlen oder bei einer Warehouse-Migration eine saubere Transformationsschicht gebraucht wird. In München ist das oft wichtig für Analytics-Teams in Software-, Mobilitäts-, Finanz- und Industrieunternehmen, die verlässliches Reporting brauchen. Remote-Zusammenarbeit funktioniert gut, aber eine gemeinsame Zeitzone hilft bei Reviews und Workshops.
Was starke Spezialisten tun
Gute dbt-Profis schreiben klaren SQL-Code, halten Modelle modular und entwerfen Abhängigkeiten, die leicht zu pflegen sind. Sie verstehen inkrementelle Modelle, Snapshots, Seeds, Makros und deployments für unterschiedliche Umgebungen. Außerdem dokumentieren sie Entscheidungen, damit andere das Projekt ohne Rätselraten erweitern können.
Wie man die Passung prüft
Achten Sie auf Experten, die erklären können, wie sie Datenqualität testen, Breaking Changes handhaben und Geschäftslogik von der Rohdatenaufnahme trennen. Fragen Sie, wie sie Pakete, Namensgebung und Reviews in dbt Core oder dbt Cloud strukturieren. Die besten Spezialisten hinterlassen ein Projekt, das leicht zu betreiben, leicht zu prüfen und leicht zu ändern ist.
Häufig gestellte Fragen
Unsicher, wo du bei dbt anfangen sollst? Diese Antworten decken das Wichtigste ab.
dbt wird genutzt, um Warehouse-Daten in vertrauenswürdige Analytics-Modelle zu verwandeln. Es hilft Teams, SQL-Transformationen zu schreiben, Tests hinzuzufügen und Logik so zu dokumentieren, dass sie leichter zu pflegen ist als Ad-hoc-Skripte. Die meisten Unternehmen nutzen es, nachdem die Rohdaten bereits im Warehouse gelandet sind.
dbt konzentriert sich auf den Transformationsschritt der Pipeline und nicht auf das Extrahieren von Daten aus Quellsystemen. Im Vergleich zu klassischen ETL-Tools verlagert es mehr Arbeit in SQL im Warehouse und hält die Transformationslogik näher an der Versionsverwaltung. Viele Teams kombinieren es mit Ingestion-Tools, statt alles damit zu ersetzen.
Ein starker dbt-Spezialist kennt in der Regel Warehouse-Design, Git-Workflows, Code-Review-Gewohnheiten und die Grundlagen der Orchestrierung. Erfahrung mit dbt Core, dbt Cloud, Testmustern und Dokumentation ist ebenfalls wichtig. Vertrautheit mit dem Ziel-Warehouse zählt, weil sich Performance und Syntax im Detail unterscheiden.
Ein dbt-Projekt kann anfangs klein sein, braucht aber trotzdem jemanden, der Modellschichten und Tests von Anfang an versteht. Einfache Reporting-Setups brauchen vielleicht nur wenige Kernmodelle, während größere Umgebungen mehr Erfahrung mit inkrementellen Läufen, Makros und Paketverwaltung erfordern. Je mehr Teams von den Ergebnissen abhängen, desto wichtiger wird die Struktur.
Bei dbt ist Remote-Arbeit meist gut machbar, weil die Arbeit in SQL, Git und Warehouse-Umgebungen stattfindet. Zeit vor Ort in München kann am Anfang eines Projekts, bei Stakeholder-Workshops oder beim Abgleich zwischen Analytics- und Business-Teams helfen. Viele Unternehmen nutzen für Reviews und Planung ein hybrides Setup.
dbt Core ist das offene Projekt, das über die Kommandozeile läuft und sich in individuelle Workflows einfügt. dbt Cloud ergänzt eine verwaltete Oberfläche, Zeitplanung und Team-Funktionen, die den Setup-Aufwand reduzieren. Die richtige Wahl hängt davon ab, wie viel Kontrolle Sie wollen und wie Ihr Lieferprozess organisiert ist.
Achten Sie auf Modellklarheit, Testabdeckung und darauf, wie gut das Projekt für künftige Änderungen organisiert ist. Ein guter dbt-Spezialist kann Lineage erklären, konsistente Benennung zeigen und beschreiben, wie Fehler erkannt werden, bevor sie ins Reporting gelangen. Saubere Dokumentation und ein sinnvoller Einsatz von Paketen sind starke Qualitätszeichen.
Zu dbt-Arbeit gehören oft Data Warehousing, Analytics Engineering, Orchestrierung und Kenntnisse von BI-Tools. Viele Spezialisten kennen außerdem Snowflake, BigQuery, Databricks, Airflow oder Tableau und Looker. Diese Fähigkeiten helfen, Transformationsarbeit mit dem Rest des Reporting-Stacks zu verbinden.
Der durchschnittliche Stundensatz von Freelancern in München, Deutschland, die dbt in ihren letzten Projekten eingesetzt haben, liegt bei 102 €, was einem Tagessatz von etwa 816 € bei einem 8-Stunden-Tag entspricht.
Von den Freelancern in München, Deutschland, die dbt in ihren letzten Projekten eingesetzt haben, haben 100% mindestens einen Bachelor-Abschluss, 60% mindestens einen Master-Abschluss und 20% einen Doktortitel.
Freelancer in München, Deutschland, die dbt in ihren letzten Projekten eingesetzt haben, haben im Durchschnitt 17 Jahre Berufserfahrung; ein einzelnes Projekt dauert typischerweise etwa 1,8 Jahre.
Die häufigsten Sprachen unter Freelancern in München, Deutschland, die dbt in ihren letzten Projekten eingesetzt haben, sind Deutsch (91%), Englisch (91%) und Französisch (36%).
Die häufigsten Industrien unter Freelancern in München, Deutschland, die dbt in ihren letzten Projekten eingesetzt haben, sind Informationstechnologie (IT) (82%), Professionelle Dienstleistungen (55%) und Bank- und Finanzwesen (45%).
Die häufigsten Bereiche unter Freelancern in München, Deutschland, die dbt in ihren letzten Projekten eingesetzt haben, sind Business Intelligence (100%), Informationstechnologie (IT) (91%) und Marketing (55%).
Hauptstandorte der FRATCH Experten, die kürzlich dbt 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.
Berlin Hamburg 
München Köln Frankfurt Stuttgart Düsseldorf Leipzig Dortmund Essen Bremen Dresden Hannover Nürnberg 
Berlin 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!
Philipp Thomaschewski
FRATCH CEO
