Google Cloud Dataflow Experten in Deutschland

• Entwicklung von KPI-Dashboards mit Power BI und DAX für 4+ Geschäftsbereiche, wodurch die Transparenz im Reporting und die strategische Entscheidungsunterstützung verbessert wurden.
• Migration von unternehmensweiten Finanzdatenansichten in dbt-Modelle mit modularen SQL-Transformationen, versionierten Datenpipelines und automatisierter Dokumentation zum Aufbau einer skalierbaren Analytics-Schicht.
• Aufbau dimensionaler Datenmodelle in Snowflake für unternehmensweite Finanzdaten zur Unterstützung skalierbarer Prognosen und von Managemententscheidungen.
• Entwicklung von End-to-End-ETL/ELT-Pipelines mit Snowflake und SAP HANA unter Integration von Daten aus 3+ Unternehmenssystemen.
• Automatisierung monatlicher Reporting-Workflows mit SQL und Power BI, wodurch der manuelle Aufwand um 80% reduziert und ein deutlicher Geschäftsnutzen erzielt wurde.
• Zusammenarbeit mit Stakeholdern aus dem Finanzbereich zur Überführung von Geschäftsanforderungen in analytische Datenmodelle, die strategische Entscheidungsprozesse unterstützen.
• Erstellung von Ad-hoc-Finanzberichten mit Power BI, wodurch die Bearbeitungszeit um 60% reduziert wurde.
• Implementierung von Datenvalidierungslogik in SQL und Behebung von 95% der wiederkehrenden Datenqualitätsprobleme.

• 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.

• Mentor eines Teams aus 6 ML-Platform-Engineers durch wöchentliche 1:1s, technische Design-Reviews und Best Practices; Verbesserung der Team-Produktivität um 35% durch strukturierte Sprint-Planung und Programme zur Skill-Entwicklung
• Definition der ML-Plattform-Roadmap 2025–2026 in Zusammenarbeit mit Data Science, Cloud Engineering und Product Teams; Priorisierung von automatisierter Model Governance, Cost-Attribution-Systemen und Multi-Environment-Deployment-Strategien
• Zusammenarbeit mit Stakeholdern aus Data Science, SRE und Product, um die Fähigkeiten der ML-Plattform mit den Geschäftszielen abzustimmen; Reduktion der Deployment-Hürden für Data Scientists um 60% durch Self-Service-Plattformen
• Architektur und Lieferung einer produktionsreifen MLOps-Plattform für 50+ Modelle in Produktion mit automatisierten Promotion-Pipelines, Versionierung und Rollback-Funktionen; Erreichung eines SLA von 99,5% Plattform-Uptime
• Design einer verteilten ML-Pipeline-Architektur mit Metaflow und Argo Workflows (Vertex Pipelines-kompatibel); Verkürzung der Modell-Trainingszeit um 30% und der Deployment-Zyklen von 2 Wochen auf 3 Tage durch vollständige CI/CD-Automatisierung
• Aufbau containerisierter ML-Services auf Kubernetes mit Auto-Scaling-Policies, Resource Quotas und Multi-Tenancy-Isolation; Optimierung der Infrastrukturkosten um 180K $ pro Jahr (25% Reduktion)
• Implementierung von Monitoring, Alerting und Performance-Tracking mit Prometheus, Grafana und Custom Instrumentation; Reduktion der Debugging-Zeit für Modelle um 50% und Einführung von SLOs für die Modell-Performance
• Leitung der Entwicklung einer RAG-basierten Document-Intelligence-Plattform mit LangChain, LangGraph und Vektor-Datenbanken; Implementierung von Agentic-AI-Workflows für die automatisierte Verarbeitung von Finanzdokumenten
• Implementierung von Infrastructure-as-Code mit Terraform für reproduzierbare Umgebungseinrichtung und GitOps-Workflows; Reduktion von Infrastruktur-Drift-Vorfällen um 80%
• Design von rollenbasiertem Zugriff für die ML-Plattform, Implementierung von Model-Lineage-Tracking und Aufbau von Audit Trails für regulatorische Compliance nach Enterprise-IAM-Best Practices

• Konzipierte eine Self-Service-Plattform mit Google Kubernetes Engine (GKE) für eine große Finanzinstitution (Commerzbank), die über 1000 Nutzer in Hunderten von Produktteams befähigte, Ressourcen eigenständig bereitzustellen und Entwicklungszyklen deutlich zu beschleunigen.
• Entwarf eine datenproduktorientierte Plattformarchitektur für das britische Verkehrsministerium (Department for Transport, DfT), um mehr als 1500 direkte Endanwender und zahlreiche angebundene Drittsysteme zu bedienen, wodurch Datenzugänglichkeit und Governance verbessert wurden.
• Trieb das Geschäftswachstum voran, indem ich die strategische Roadmap für die Geschäftslinie 'One Cloud' entwickelte, mit dem Ziel einer Umsatzsteigerung von 10 %.
• Diente als Kernmitglied der CTO-Authority und gab strategische Empfehlungen zu internen Cloud-Initiativen und Best Practices.

• Aufbau und Betrieb datengetriebener Analyse- und Reportingprozesse in Power BI, Tableau und SAP

• Integration von SAP FICO- und Workday-Daten in Power Platform Workflows zur Automatisierung von HR-Reports

• Entwicklung prädiktiver ML-Modelle zur Personalbedarfsplanung und KPI-Steuerung

• Nutzung von Azure und GCP (BigQuery, Dataflow) zur Verarbeitung großer Datenmengen (Big Data Pipelines)

• Automatisiertes Reporting steigerte Analyseeffizienz um +40 %

• Einführung eines GCP-gestützten Analysemodells zur Mitarbeiterfluktuation

• Agiles Anforderungsmanagement nach Vorgaben der Konsultation
• Entwicklung eines Stammdatensystems
• Vorbereitende Tätigkeiten für Audits
• Steuerung des Entwicklungsteams für die Entwicklung der Micro-Services zur Abrechnungsvorbereitung und -durchführung
• Konzipierung der Anbindung an diverse interne und externe Schnittstellen
• Konzipierung der Release-Zyklen und Planung des Notfall-Managements

• Lead-Architekt für die Gestaltung und Umsetzung des Data Lake und der ETL-Pipeline mit dem AWS-Stack
• Leistungsoptimierung der Datenaufnahme der ETL-Pipeline
• Entwicklung der Datenvalidierung mit Great Expectations
• Leitung der Datenmigration für zwei Quellsysteme
• Datenmodellierung in AWS Redshift

MLOps

• Implementierung der Modell-Inferenz mit mlflow und AWS SageMaker
• Feature Engineering für die laufenden ML-Modelle (Recommender Engineer, Clustering)
• Implementierung von Model Registry und Artifactory mit mlflow
• Historisierung und Profiling der Eingabedaten mit AWS Glue Crawler und AWS Data Catalog
• Feature Importance mit mlflow

Tech. Stack: Python 3, AWS Glue, AWS Step Function, AWS Lambda, AWS EventBridge, AWS IAM Role, AWS SageMaker, AWS EC2, AWS Glue Crawler, AWS CloudWatch, MLFlow, ETL, Data Lake, GitHub Action, Terraform, Jenkins, Ansible Playbooks (Infrastructure as Code), CI/CD, GitLab, SQL, PySpark, Scrum, Agile, Jira, Big Data, VSCode, DBeaver, MSSQL, MySQL, Grafana, Docker, Linux, Bash, MapReduce, Datenmodellierung (ORM), Pandas, YAML, SQL-Alchemy

• Leitete ein Team von 6 Softwareentwicklern zur Entwicklung und Wartung einer KI-gesteuerten Gesundheitsplattform, die automatisierte Diagnosen und Verschreibungen auf Basis von Echtzeit-EKG-Datenanalysen ermöglicht
• Entwarf und entwickelte ein robustes Revenue-Cycle-Management-(RCM)-System, das HL7- und FHIR-APIs integriert, um nahtlose Interoperabilität, Echtzeit-Datenaustausch und HIPAA-konforme Datenverarbeitung zu ermöglichen, wodurch die Abrechnungseffizienz, die Anspruchsbearbeitung und die Einhaltung gesetzlicher Vorgaben im Gesundheitswesen verbessert wurden
• Migrierte eine veraltete monolithische Anwendung zu einer skalierbaren Microservices-Architektur, steigerte die Systemmodularität, Skalierbarkeit und Wartbarkeit und setzte dabei wichtige Designmuster wie Strangler, Database-per-Service, API-Gateway, Saga und CQRS für eine effiziente Service-Kommunikation und Transaktionsverwaltung um
• Konzipierte und leitete ein C# 9/.NET 6 Microservices-Ökosystem für Hotelreservierungen, Zahlungen und Treueprogramme, das eine Verfügbarkeit von 99,99 % über mehr als 10 Dienste ermöglicht
• Definierte OpenAPI-/Swagger-Verträge und generierte automatisch Client-SDKs, wodurch die Integrationszeit zwischen Frontend und Backend um 50 % reduziert wurde
• Containerisierte jeden Service mit Docker und orchestrierte Bereitstellungen mit Kubernetes, wodurch die Release-Zeit von Tagen auf Stunden verkürzt wurde
• Entwarf PostgreSQL-Schemata, optimiert für hochvolumige Transaktionslasten, und implementierte Redis-Caching-Schichten, um leseintensive Endpunkte um 80 % zu beschleunigen
• Erstellte Kafka-Streaming-Pipelines für Echtzeit-Verfügbarkeitsupdates und Audit-Logs, verarbeitete über 2 Millionen Ereignisse pro Stunde mit Ende-zu-Ende-Zustellungsgarantie
• Implementierte Unit- und Integrationstests für React-Anwendungen mit Jest und React Testing Library, erreichte über 80 % Testabdeckung, verbesserte die Zuverlässigkeit der Komponenten und verhinderte Regressionen
• Definierte und implementierte AWS-Cloud-Infrastruktur mit Terraform, containerisierte und orchestrierte Microservices mit Docker und Kubernetes und verbesserte so die Automatisierung und Skalierbarkeit des Systems
• Entwickelte eine skalierbare Full-Stack-Buchungsanwendung mit React 18 und Django REST Framework, integrierte Celery und Redis für asynchrone Task-Verarbeitung und setzte die Anwendung auf GCP mit Cloud Run und Firestore ein, um Echtzeit-Planung, Zahlungsabwicklung und automatisierte Benachrichtigungen zu ermöglichen
• Betreute Junior-Entwickler durch Code-Reviews, Pair Programming und Wissensaustausch-Sessions, steigerte die Team-Effizienz um 30 % und pflegte gleichzeitig umfassende API-Dokumentation mit Swagger/OpenAPI