Google BigQuery Experten in Deutschland

• Product Analytics, Mobile App Tracking & Tracking Governance (B2C Mobility App) – agile Projektsteuerung (Scrum/Kanban)
• Product Ownership für Product Analytics und Mobile App Tracking der EnBW mobility+ App; Aufnahme, Priorisierung und Übersetzung fachlicher Anforderungen in umsetzbare Konzepte und Azure DevOps User Stories mit Akzeptanzkriterien.
• Ableitung von Tracking-Anforderungen bei Einführung neuer App-Funktionen (u. a. Resilient Map), Definition von Tracking-Parametern (Screens, Events, Custom Definitions) sowie Sicherstellung eines datenschutzkonformen Trackings (Firebase, GA4, Adjust) entlang des Tracking-Konzepts.
• Konzeption und Anpassung von Dashboards sowie Funnel-Reporting für Kampagnen (GA4-Validierung, Onboarding- & Order-Flow-Analysen, Conversion Funnels, Ladestart-Flow) zur Identifikation von Abbruchpunkten und Optimierungspotenzialen.
• Steuerung des technischen Rohdatenexports (Adjust nach BigQuery) sowie der Anbindung an das Data Warehouse / Data Lakehouse inkl. Datenmapping; Zusammenarbeit mit internationalen Entwicklungsteams, Data Engineering, Marketing/Sales und Product Management.
• Aufbau standardisierter Tracking-Architektur, Namenskonventionen und Governance; Analyse und Ausbau des Trackings (neue Features & „blinde Flecken“), Testkonzeption, Übergabe an Tester sowie Qualitätssicherung und Abnahme vor Releases; Dokumentation auf Conceptboard.

• Marketingstrategie: End-to-end-Analyse und Bewertung von kanalübergreifenden Marketingkampagnen über die gesamte Customer Journey hinweg. Mein Fokus liegt darauf, Optimierungspotenziale zu erkennen und klare, umsetzbare Empfehlungen abzuleiten, die messbare Geschäftsergebnisse erzielen.
• Data Science & KI: Fortgeschrittene prädiktive Modelle (Churn, LTV), Market-Basket-Analysen, Clustering und KI-gestützte Audience Discovery in Echtzeit mit RAG/LLMs.
• Marketing Analytics & Measurement: End-to-end-Attributionsanalyse, Marketing Mix Modeling (MMM), Audience Segmentation, Conversion-Path-Analyse und A/B-Tests über alle wichtigen Plattformen hinweg.
• Data Engineering & Reporting: Aufbau und Betreuung robuster, plattformübergreifender Datenpipelines (BigQuery, GCP) für die Datenkonsolidierung, automatisierte Dashboard-Erstellung und wichtige API-Integrationen.

• 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

• Kunde — Podimo ApS (Podcast- und Hörbuch-Streaming): Aufbau der Finanz-Reporting-Ebene auf BigQuery + dbt + Airflow, einschließlich der zentralen Umsatztransaktions-Faktentabellen für das Finanzreporting.
• API-Automatisierung: Konzeption und Aufbau einer BigQuery → Airflow → Microsoft Dynamics 365 Business Central REST-API-Pipeline zur Automatisierung der Buchung von Verkaufsrechnungen, mit Idempotenz und Synchronisierung von Stammdaten zwischen den Systemen.
• Umsetzung: Alleiniger Engineer im Projekt — von den Anforderungen über Modellierung und Orchestrierung bis zur Kommunikation mit dem Finanzteam des Kunden.

• Analyse der bestehenden Reporting-Plattform inklusive Prozesse und Governance-Themen mit Stakeholdern aus Vertrieb und Marketing.

• Detaillierte Analyse und Bewertung der kundenseitig definierten Anforderungen an bestehendes Reporting sowie neu aufzusetzende Dashboards.

• Unterstützung der Stakeholder bei der Steuerung der Vertriebsprozesse und frühzeitigen Erkennung von KPI-Entwicklungen.

• Nutzung von Microsoft Power BI als zentrale Analyse- und Reporting-Plattform.

• Erarbeitung eines Vorschlags zur notwendigen Weiterentwicklung der Prozesse sowie der Power-BI-Plattform.

• Aufnahme der IST-Geschäftsprozesse und Ableitung unternehmensweiter KPIs inklusive Abstimmung mit Stakeholdern.

• Analyse und Bestandsaufnahme der Power-BI-Plattform des Kunden.

• Analyse von Prozessen und Data-Governance.

• Aufnahme und Dokumentation der IST-Geschäftsprozesse.

• Erarbeitung von Empfehlungen zur Weiterentwicklung von Prozessen und Reporting-Plattform.

• Konzeption und Umsetzung von Dashboards in Power BI.

• Erarbeitung unternehmensweiter KPIs und Abstimmung mit Stakeholdern.

• Microsoft Power BI.

• Data-Analytics.

• KPI-Definition und Reporting.

• Dashboard-Konzeption und Datenvisualisierung.

• Stakeholder-Management und Anforderungsmanagement.

Ich bin darauf spezialisiert, komplexe Daten aus unterschiedlichen Umgebungen durch überzeugendes visuelles Storytelling in konkreten Geschäftsnutzen zu übersetzen. Ich verfüge über umfassende Erfahrung darin, umsetzbare Erkenntnisse zu gewinnen und Empfehlungen für geschäftliche Stakeholder aufzubereiten. Meine technischen Kenntnisse in SQL, Python und führenden Datenvisualisierungstools wie Tableau und Power BI ermöglichen es mir, eine neue Generation von Self-Service-Tools und Analytics-Services bereitzustellen.

• Datenvisualisierung & Storytelling: Erstellung aussagekräftiger Datenvisualisierungen und Dashboards in Tableau und Power BI, um Erkenntnisse verständlich zu vermitteln und umsetzbare Empfehlungen für C-Suite-Stakeholder und Führungskräfte zu präsentieren.
• Stakeholder-Management: Aufbau effektiver Arbeitsbeziehungen mit wichtigen geschäftlichen Stakeholdern, Data Engineers und weiteren Partnern, um gemeinsame datenbasierte Ziele und Vorgaben zu erreichen.
• Erkenntnisse & Empfehlungen: Gewinnung umsetzbarer Erkenntnisse aus komplexen Datenanalysen zu Funnel-Konversion, Marketingleistung und ROI, mit direktem Einfluss auf Geschäftsleistung und Strategie.
• Datenzusammenarbeit & Befähigung: Enge Zusammenarbeit mit funktionsübergreifenden Teams zur Unterstützung des laufenden Datenbedarfs interner Partner und zur Optimierung interner Datenprozesse und Arbeitsabläufe.
• BI- & Datenexpertise: Einsatz umfangreicher Erfahrung in Datenmodellierung, Datenerfassung, Data Mining und Analyse zur Bereitstellung ganzheitlicher analytischer Lösungen – von der Bedarfsermittlung mit Stakeholdern bis zur Produktivsetzung.

• Leitete die ganzheitliche Umsetzung von ML-/KI-Anwendungen für die QuantistryLab-Simulationsplattform – von der Anforderungsdefinition und Lösungsplanung über Entwicklung, Tests und Bereitstellung bis zur Unterstützung im Produktivbetrieb. Dabei koordinierte ich die Zusammenarbeit der Back-End-, DevOps- und ML-Teams.
• Entwarf und implementierte ein System zur Suche nach Verbindungen mit einem LLM mit offenen Gewichten, dem Agenten-Framework Pydantic AI und dem Model Context Protocol (MCP) und stellte es über FastAPI-Endpunkte bereit.
• Stellte den LLM-Service auf Basis von vLLM auf Kubernetes bereit und konfigurierte ihn.
• Entwickelte CI/CD-Pipelines und Helm-Charts, um Bereitstellungen in Staging- und Produktionsumgebungen zu automatisieren.
• Ergänzte das Suchsystem um OpenTelemetry-Spans und -Traces und integrierte es in die Observability-Plattform Honeycomb, um die Latenz einzelner Komponenten und Funktionsfehler zu überwachen.
• Entwickelte einen benutzerdefinierten Evaluierungsdatensatz und setzte Auswertungen für die Relevanz der Suchergebnisse, die Richtigkeit der Antworten, die Genauigkeit von Tool-Aufrufen und den Erfolg der Aufgaben von Anfang bis Ende um.
• Verkürzte die Vorhersagezeit für Infrarotspektren um 83 % (von 60 auf 10 Minuten), indem ich ein quantenmechanisches Modell durch ein vortrainiertes graph-neuronales Netzwerk ersetzte. Ich trainierte das Modell mit PyTorch weiter, entwickelte und containerisierte die Inferenzpipeline mit Docker und integrierte sie in die Plattform.
• Implementierte eine MLflow-Modellregistrierung mit MinIO-gestützter Artefaktspeicherung.
• Beriet Vertriebs- und Wissenschaftsteams zu ML-/KI-Anwendungen für potenzielle Kundenprojekte und brachte technisches Fachwissen in die Entwicklung vorgeschlagener Lösungen und Prototypen ein.

Technologien: AWS, Hetzner, Kubernetes, Helm, Docker, vLLM, Pydantic AI, MCP, Qwen, Llama 3, MLflow, MinIO, GitHub Actions, Python, FastAPI, OpenTelemetry, Honeycomb, PyTorch, Polars, pytest

Ergebnisse:

• Schwachstellen im MMM Setup und ganzheitlich in der Attribution gefunden

Aufgaben:

• Audits Marketing Mix Modelling, Multi-Touch-Attribution, Incrementality Testing

Kanäle & Tools: SEA, Affiliate, TV, Adtriba MTA & MMM, Google Meridian MMM

Statistischer Prognosealgorithmus

• Verbesserung eines statistischen probabilistischen Prognosealgorithmus für Umsätze + Evaluierung
• Migration von R/On-Premise zu Python/Snowflake
• Überführung in den Produktivbetrieb auf Snowflake in Zusammenarbeit mit Data Engineers & DevOps

Monitoring-Dashboard

• Data Engineering zur Aufbereitung & Bereitstellung notwendiger Daten/Ressourcen auf Snowflake
• Entwicklung & Bereitstellung eines Streamlit-Dashboards in Snowflake

ML-basierte probabilistische Prognosen auf Vertex AI

• Entwicklung eines ML-basierten probabilistischen Prognosealgorithmus von Grund auf
• Implementierung einer MLOps-Pipeline in Kubeflow auf Google Cloud Vertex AI

Tech Stack: Python, Snowflake/Snowpark, R, Streamlit, Gitlab/Gitlab CICD, Terraform, Google Cloud, Vertex AI (aiplatform SDK, gcloud CLI, Feature Store, Model Registry usw.), kubeflow

• Senkte die Abwanderung in den ersten 30 Tagen nach dem Abonnement von 45% auf 20%, indem ich das Onboarding überarbeitete und die Time-to-Value optimierte.
• Steigerte den LTV innerhalb von 6 Monaten durch Retention- und Monetarisierungsexperimente entlang des gesamten Kundenlebenszyklus um das 3-fache.
• Verantwortete das App-Redesign und die Umsetzung von Funktionen, wodurch der NPS der aktiven Nutzer von 6.3 auf 8.5 stieg.

• 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.

• Skalierbare ETL/ELT-Pipelines mit Python, SQL, dbt, AWS und Informatica entworfen und implementiert, um Daten aus Quellen wie APIs, relationalen Datenbanken und Flatfiles in Snowflake zu laden und die Laufzeit der Pipelines um ~30% zu reduzieren.
• Daten mit hohem Volumen mithilfe von AWS-Services (S3, Glue, Step Functions, IAM) von lokal betriebenem Teradata nach Snowflake migriert und dabei Datenkonsistenz und -integrität sichergestellt.
• Die Kimball-Methode zur Entwicklung von Star- und Snowflake-Schemas angewendet, wodurch die Abfrageleistung verbessert und die Snowflake-Computekosten gesenkt wurden.
• Automatisierte Datenqualitätsprüfungen mit SQL-basierten dbt-Tests und dem Great Expectations Framework implementiert, um Anomalien zu erkennen und die Datenqualität vor Produktionsläufen sicherzustellen.
• ETL-Workflows in Airflow mit Python orchestriert und Code-Bereitstellungen über Git nach CI/CD-Best-Practices verwaltet, um die Zuverlässigkeit der Bereitstellungen zu erhöhen und die Verfügbarkeit der Pipelines sicherzustellen.
• Interaktive Power BI-Dashboards und aufbereitete Datensätze erstellt, um Stakeholder bei datenbasierten Entscheidungen zu unterstützen.
• Technische Dokumentation für ETL-Workflows in Confluence gepflegt und Wissensaustausch-Sessions für neue Mitarbeitende geleitet.

• Entwicklung einer Blockchain-basierten Lernplattform mit ereignisgesteuerter Architektur und Integration von RESTful APIs für personalisierte Lernpfade
• Entwicklung skalierbarer Microservices mit Java, Python und React in Kubernetes für die Echtzeitverarbeitung von Daten
• Implementierung von Smart Contracts (Solidity) für sichere Kurskäufe und die Einbindung von Mentoren
• Leitung eines KI-gestützten Matching-Systems (DecisionTreeRegressor) zur Optimierung von Lernempfehlungen