NoSQL Experten

• Aufbau einer Datenintegrationsplattform für Hoch-, Mittel- und Niederspannungs-Assets zur kontextuellen Analyse von Zeitreihen mit Stammdaten aus dem SCADA-Leitsystem (IEC 60870 104), INIS und SAP.
• Verantwortung für Architektur und Implementierung der Lösung sowie Sparringpartner für den Product Owner.
• Einsatz von Kotlin, Spring Boot, Maven, TimescaleDB, PostgreSQL, liquibase, Elements IoT, Docker, Kubernetes, Grafana, Python, Jupyter und verschiedenen API-Gateways.

• Mitfahr- und Busplattform, live erreichbar und funktionsfähig. Backend Spring Boot 4.1 auf Java 21, PostgreSQL mit Flyway, Testcontainers-Integrationstests. Betrieb im eigenen AWS-Konto (ECS Fargate, ALB, ECR, IAM Least-Privilege) mit CI/CD via GitHub Actions und OIDC-Federation ohne statische Zugangsdaten. Entwicklung durchgehend AI-gestützt mit Claude Code, inklusive eigener Skills und projektspezifischem Memory. Spring Boot · Java 21 · PostgreSQL · Flyway · Docker · AWS ECS/ALB/ECR · CI/CD · GitHub Actions · Claude Code

Ich bin ein erfahrener Data Engineer mit Spezialisierung auf End-to-End Data Integration, Cloud-DWH-Architekturen und hochwertige, gesteuerte Datenprodukte.

Ich habe folgende Projekte und Einsätze als Freelancer umgesetzt.

• Data Migration des CRM-Systems für AL-FA Objekt Service Gmbh
• Microsoft Software Resales Partnership

Ich suche freiberufliche Rollen 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-Patterns, robuste Pipelines, Monitoring/Recovery, Data Lineage & Impact Analysis, Medallion Architecture mit Bronze/Silver/Gold-Layern
• DWH & Cloud: Azure SQL / Data Lake / Synapse, AWS Redshift/S3, on-prem SQL/Oracle – skalierbare Data Marts mit starkem Kosten-Nutzen-Fokus.
• Data Modeling: Atomic (Inmon) und Dimensional (Kimball), Data Vault (Linstedt), Domain-Driven Design, klare Herkunft & Verträge.
• MDM & Governance: Informatica MDM, IBM MDM, Stewardship-Prozesse, Data-Quality-Regeln, Survivorship/XREF, Katalog/Glossar, SIF/BES/REST-Publikation.
• Analytics/BI: Power BI, SSAS, Cognos – geschäftsreife, wartbare Datenprodukte.

Qualität von KI-Modellen im großen Maßstab vorantreiben – Bewertung der Prompt-Antwort-Genauigkeit, Erkennung von Randfällen und Einhaltung SLA-konformer Workflows über verteilte globale Teams hinweg.

• Analyse von KI-Prompts und nebeneinander gestellten Modellausgaben zur Bewertung der Antwortqualität, Sachgenauigkeit, Relevanz, Konsistenz und Einhaltung der Projektbewertungsrichtlinien.
• Durchführung von Faktenprüfungen, Datenvalidierung, Fehlerbehebung, Identifizierung von Problemen und Überprüfung von Randfällen zur Verbesserung der Qualitätsstandards in den KI-Trainingsunterstützungs-Workflows.
• Verwendung von Google Sheets, Google Docs und browserbasierten Tools zur Dokumentation von Ergebnissen, Führung von Bewertungsprotokollen, Verfolgung von Problemmustern und Unterstützung der Workflow-Optimierung in einer Remote-Umgebung.
• Erstellung klarer schriftlicher Begründungen, Review-Zusammenfassungen und KPI-orientierter Berichte mit Fokus auf Genauigkeit, Durchlaufzeit, Vollständigkeit der Dokumentation, Fehlererkennungsrate und SLA-Einhaltung.

Tätigkeit:

• Design und Aufbau eines Proof-of-Concept (PoC) für eine zukunftsfähige Virtualisierungsplattform unter Berücksichtigung sicherer Systemarchitekturen
• Bewertung des Ist-Standes bestehender Infrastrukturen und Erarbeitung von Auswahl- und Bewertungskriterien für die geeignete OS-Virtualisierungsplattform
• Durchführung der Anforderungsanalyse mit nachfolgender Erstellung und Priorisierung von Tickets im Ticketsystem
• Fertigstellung und kontinuierliche Vervollständigung einer Tool-Bewertungsmatrix basierend auf PoC-Ergebnissen
• Unterstützung des Wissensaufbaus im Team durch nachvollziehbare Dokumentation der Vorgehensweise und Ergebnisse in Confluence
• Enterprise-Analyse der Bestandshardware (Erstellen verschiedener BoMs)

Technologien: Vmware, Vmware Aria Operations, Osism, Canonical OpenStack, FishOs, Linux, Terraform, Ansible, Confluence, Alma

• 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 und evolutionäre Weiterentwicklung einer hochverfügbaren, cloud-nativen Microservice- und Integrationsarchitektur für Dealer- und Retail-Prozesse im Porsche Car Configurator.

Verantwortlichkeiten

• Entwicklung Java-/Kotlin-basierter Backend-, API- und Integrationskomponenten (Spring Boot)
• Integration interner und externer Systeme über REST/OpenAPI, GraphQL, Apache Kafka und AWS SQS (synchron und asynchron)
• Umsetzung stabiler, performanter Kommunikations- und Datenflüsse in einer cloud-nativen Plattformarchitektur
• Verarbeitung strukturierter Datenformate (JSON, Protobuf, GraphQL-Schemas) auf Basis bestehender API-Pattern
• Performanceoptimierung verteilter Microservices mit reduzierten Antwortzeiten und höherer Betriebsstabilität
• Technische Tests (Unit-, Integrations- & API-Tests) sowie Fehleranalyse in produktionsnahen Umgebungen
• AWS Infrastructure as Code mit Terraform und AWS CDK
• CI/CD-Automatisierung (Build-, Test- & Deployment-Pipelines) mit GitHub Actions
• KI-gestützte Feature-Implementierung (GitHub Copilot Agent)

Label: Kotlin, Java 25, Spring Boot 4, Protobuf, TypeScript, AWS, Terraform, CDK, Apache Kafka, AWS SQS, REST/OpenAPI, GraphQL, JSON, PostgreSQL, Docker, GitHub Actions, Maven, Gradle, JUnit, Mockito, Testcontainers

• Freiberuflicher Product Owner, Scrum Master und Agile Coach in verschiedenen Projekten von lokalen Agenturen bis hin zu multinationalen Konzernen in diversen Branchen.

• Letzte Projekte:

• Adevinta: Technischer Projektmanager, verantwortlich für die Koordination mehrerer Teilprojekte zur Erstellung der weltweit größten Multi-Tenant-Plattform für Kleinanzeigen.

• Aroundhome (ein Unternehmen der ProSiebenSat.1): Product Manager, der auf Unternehmensseite ein Konzept zur digitalen Qualifizierung von Nutzeranfragen für passende Dienstleister umsetzt und überprüft.

• Peek & Cloppenburg Düsseldorf: Product Manager Mobile, Beratung und Begleitung beim Neuaufbau der Android- und iOS-Apps.

• Visual Meta GmbH (ein Unternehmen der Axel Springer SE), Berlin: Director Product, gemeinsame Leitung der Abteilung Produkt & Engineering zusammen mit dem Director Engineering.

• Verantwortlichkeiten bei Visual Meta GmbH:

• Definition und Umsetzung einer Produktstrategie mit 3–5-Jahres-Horizont inklusive Produktvision und Mission im Einklang mit der Unternehmensstrategie und Strategien angrenzender Abteilungen.

• Weiterentwicklung eines bestehenden OKR-Prozesses zusammen mit dem OKR-Master und Abteilungsleitern, um Fokus und Ergebnisse zu steigern.

• Unterstützung des Director Engineering bei der Erstellung einer Plattform-Transformationsstrategie, um einen monolithischen On-Premise-Tech-Stack in eine serviceorientierte, cloudbasierte Architektur zu überführen und eine domainbasierte Organisationsstruktur aufzubauen.

• Verantwortung für ein motiviertes und talentiertes Team von 5 Führungskräften auf Head-Level und 17 operativen Teammitgliedern aus Produktmanagement, Daten und UX/UI-Design.

• Wichtige Erfolge bei Visual Meta GmbH:

• Definition und Umsetzung einer Produktstrategie mit 3–5-Jahres-Horizont inklusive Produktvision und Mission.

• Erhöhter Fokus im OKR-Prozess durch Reduzierung von 10 unternehmensweiten Zielen auf 2 und von mehreren hundert teambezogenen Key Results auf einige Dutzend.

• Erstellung eines Karrierepfad-Frameworks für das Produktteam mit Festlegung von Rollen und Verantwortlichkeiten von Junior- bis Head-Level.

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.

• Koordination von Projektplanung und Organisation.
• Optimierung von Aufgaben, Zeitplänen und Ressourcen, um operative Effizienz sicherzustellen.
• Unterstützung bei internen Prozessverbesserungen und der Verwaltung der Unternehmenswebsite, was zu besserer Kommunikation und einer besseren Nachverfolgung des Projektfortschritts beigetragen hat.

• Aufbau und Betrieb einer End-to-End-MLOps-Plattform auf Azure ML und Kubernetes (Kubeflow) zur automatisierten Bereitstellung, Überwachung und Skalierung von Forecasting-Modellen (u. a. Temporal Fusion Transformer, Informer, Autoformer).
• Implementierung von CI/CD-Pipelines in Azure DevOps für den vollständigen ML-Lifecycle – von Ressourcbereitstellung (Terraform), Datentransformation (Hugging Face Datasets, Pandas, PyTorch, CUDA-Cluster) über Training und Evaluation bis hin zu Model Registry und Endpoint-Deployment.
• Integration von MLflow für Experiment-Tracking, Modellversionierung, Performance-Monitoring und automatisierte Registrierung in der Azure Model Registry.
• Entwicklung und Containerisierung von PyTorch-Trainingsjobs (Azure Notebook, Jupyter Notebooks) für Preis- und Zeitreihenprognosen (PFC-Modelle) mit automatischem Rollout über Azure ML Endpoints und REST/gRPC-Schnittstellen, Docker-Containerisierung, Absicherung über OAuth 2.0.
• Einrichtung von Monitoring- und Alerting-Mechanismen (Prometheus, MLflow Metrics), Log-Zentralisierung und Kostenüberwachung.
• Automatisierung der Infrastruktur-Bereitstellung und Modellbereitstellung mittels Terraform, Helm und Azure CLI; Anbindung an bestehende Marktdatensysteme und Event-Pipelines.
• Migration bestehender Workloads und Datenbanken (IONOS → Azure, MongoDB) mit Integration in zentrale MLOps-Workflows und interne Netzwerke.
• Erweiterung der Plattform um LLM-basierte Tools (LangChain, LangServe) zur Integration von GPT-basierten Analysemodulen in bestehende Spring-Boot-Dienste für Marktanomalie-Erkennung und automatisierte Reports.
• Analyse, Architektur einer Softwarelösung zur effizienten Verarbeitung von Massendaten (>3000 Nachrichten/Sek.) (Market Data Store).
• Spring Boot / Java 21 Container-Entwicklung mit RabbitMQ zur Verteilung von Börsendaten über MongoDB (Kubernetes) mit Schnellspeicherung von Daten in Redis RMaps, Deduplizierung und Weiterleitung von Nachrichten an Read-Model-Queues, Aufbau von Read Models für die UI-Anzeige in MongoDB.
• Einbindung von RESTHeart zur Erzeugung einer REST API gegen MongoDB.
• Aufbau eines Angular-Frontends zur Vereinfachung der Datenabfrage und Stammdatenpflege.
• Agentic Coding mit remote und local LLM (Claude Sonnet, Ollama Qwen) und MCP-Servern.
• Entwicklung von Python-Skripten zur Transformation und Bereinigung eingehender Börsendaten (Pandas, scikit-learn).

Re-Platforming eines E-Commerce-Shops auf Microservice-Architektur

• Ziel: Ablösung eines veralteten Shopware-Systems durch eine skalierbare, zukunftssichere Lösung auf Basis von Microservices und einer Headless-Architektur.
• Führte eine umfassende Architekturberatung durch und definierte die Microservice-Grenzen auf Basis einer Headless-Architektur mit commercetools als PIM/OMS und Next.js als Frontend-Lösung.
• Entwickelte und integrierte mehrere dezentrale Services (z. B. Internationalisierung, Personalisierung).
• Übernahm die Konfiguration zentraler Drittanbietersysteme wie Contentstack und Algolia.
• Realisierte eine stabile Cloud-Infrastruktur auf Google Cloud mit Monitoring über Grafana.

Technologien: commercetools, Next.js, Contentstack, Algolia, Google Cloud, Grafana, TypeScript, Shopware

Entwicklung einer internationalen E-Commerce-Plattform

• Ziel: Entwicklung einer leistungsstarken, benutzerfreundlichen und internationalen E-Commerce-Plattform.
• Definierte eine skalierbare, performante und wartbare Softwarearchitektur, die als Grundlage für die internationale Expansion der Plattform diente.
• Wählte einen Best-of-Breed-Technologie-Stack, der die Entwicklung eines erstklassigen Shops ermöglichte und den Entwicklungsaufwand für neue Features um 30 % reduzierte.
• Stellte die nahtlose Integration kritischer Drittanbieter-Systeme (PIM, CRM, ERP) sicher, um durchgängige Geschäftsprozesse und eine einheitliche Datenbasis zu gewährleisten.
• Implementierte umfassende Tracking- und Analysetools zur kontinuierlichen Performanceüberwachung und Optimierung der Customer Journey.

Technologien: React.js, Next.js, commerceTools, Algolia, Salesforce, Heroku, CI/CD, PHP, Google Analytics

KI-gestützte Personalisierung und Customer-Data-Plattform im E-Commerce

• Ziel: Ablösung statischer Inhalte durch eine dynamische, KI-basierte Personalisierungsstrategie zur Steigerung der Nutzerrelevanz und Automatisierung von Marketingprozessen.
• Konzipierte und baute eine Customer-Data-Plattform zur Aggregation und Zusammenführung von Kunden- und Analyticsdaten aus verteilten Quellen.
• Implementierte eine automatisierte Kategorisierung von Kundenprofilen als Grundlage für die Ausspielung personalisierter Inhalte und Produktempfehlungen im Shopware-Frontend.
• Entwickelte einen Semantic-Similarity-Algorithmus auf Basis von Python und OpenAI zur Berechnung von Produkt- und Inhaltsähnlichkeiten aus Nutzerprofilen.
• Realisierte die technische Anbindung von Retail-Media-Plattformen zur Steuerung externer Werbeplatzierungen entlang der Customer Journey.

Technologien: Shopware 6, Python 3, OpenAI, Elasticsearch, PHP, Symfony, Twig

Shopware-Tracking- & Consent-Architektur (DSGVO) für 4 Onlineshops

• Ziel: Aufbau einer einheitlichen, DSGVO-konformen und shopübergreifenden Tracking-Infrastruktur mit zentralem Consent Management über mehrere Shopware-Instanzen.
• Definition eines umfassenden Tracking-Guides und Entwicklung einer modularen Architektur, kompatibel über mehrere Shopware-Versionen hinweg.
• DSGVO-konforme Integration von Usercentrics und Adobe Launch über einen zentralen Tag Manager.
• Vollständiges Tracking-Setup (Page, Order, Product, User) inkl. partnerspezifischem Tracking (Emarsys, Channelpilot u.a.).
• Detailliertes Event- und Error-Tracking zur proaktiven Identifikation technischer Abbrüche.

Technologien: Shopware, Adobe Analytics, Usercentrics, Tag Manager, PHP, MySQL, DSGVO

KI-/LLM-Suchmaschine mit RAG und Hybrid Search (Python, Elasticsearch)

• Ziel: Aufbau einer KI-gestützten Suchmaschine mit RAG-Architektur und Hybrid Search zur präzisen Vermittlung von Dienstleistern aus über 500.000 Unternehmensdatensätzen.
• Entwicklung einer automatisierten Daten-Pipeline (Web Scraping + LLM), die Unternehmensdaten kontinuierlich crawlt und mittels LLMs in strukturierte Formate überführt.
• Implementierung eines RAG-Workflows inkl. Vektorisierung für semantische Suche zur Steigerung von Suchgenauigkeit und Relevanz.
• Konfiguration und Fine-Tuning von Elasticsearch für Hybrid Search (Vektor- + Keyword-Suche).
• End-to-End-Entwicklung von Backend-API, Frontend und Deployment auf Live-Servern.

Technologien: Python, FastAPI, Elasticsearch, LLM, RAG, React, Docker, Web Scraping

KI-/Computer-Vision-System (Python, ML) – Objekterkennung unter schwierigen Bedingungen

• Ziel: Entwicklung eines KI-gestützten Erkennungssystems mit zuverlässiger Performance auch bei Regen, Nebel, Schnee und Dunkelheit.
• Aufbau und Annotation eines umfangreichen Trainingsdatensatzes inkl. schwieriger Bedingungen.
• Training eines YOLO-basierten Objekterkennungsmodells; systematische Fehleranalyse und Optimierung von Datenqualität und Preprocessing.
• Stakeholder-Abstimmung über regelmäßige Status-Updates.

Technologien: Python, Machine Learning, TensorFlow, PyTorch, YOLO, OpenCV

• Infrastrukturmanagement mit Puppet und Terraform für konsistente Umgebungen
• Wartung und Anpassung von Terraform-Skripten für das Azure-Cloud-Deployment
• Migration von Datenbanksystemen und Services in die Azure Cloud
• Einführung von GitOps mit ArgoCD für vollständig automatisierte Deployments
• Anpassung und Entwicklung von GitHub-Pipelines für CI/CD-Workflows
• Erstellung von Helm Charts für standardisierte Deployments
• Migration der Repositories von Bitbucket nach GitHub
• Betrieb und Performance-Optimierung eines Oracle 19c Grid-Clusters (RAC, Dataguard)
• Aufbau und Verwaltung von MongoDB-Instanzen (On-Premise und Azure Kubernetes)
• Aufbau von PostgreSQL-Clustern in On-Premise- und Azure-Kubernetes-Umgebungen
• Migration von Services, Datenbeständen und Stored Procedures von Oracle zu PostgreSQL
• Fehleranalyse und Performance-Tuning komplexer Dateninfrastrukturen
• Installation, Konfiguration und Upgrade von Tableau in der produktiven BI-Umgebung
• Entwicklung von Sanity Checks zur Überwachung von Geschäftsprozessen und Anwendungslogik
• Anpassung der Backup- und Recovery-Strategie an neue Anforderungen
• Durchführung von Disaster Recovery und Point-in-Time Recovery
• Eingesetzte Technologien: Oracle 19c RAC Grid Dataguard, PostgreSQL 16, MongoDB, MySQL Cluster, Kubernetes (Azure), Tableau, Puppet, Terraform, ArgoCD, GitHub/Bitbucket, CheckMK, Prometheus, Grafana, Icinga2, Ubuntu/RHEL

• Neuaufbau der Systemarchitektur für eine Azure-basierte Plattform mit dem Ziel, neue Funktionen schnell zu entwickeln
• Ausarbeitung eines Staging-Konzepts für die unterschiedlichen Anforderungen von Kunden und QA
• Erstellung der Anforderungen für ein Proof-of-Concept-Lieferantenprojekt sowie dessen Begleitung für eine Flutter-App mit hochentwickelten BLE-Funktionalitäten
• Vergleich mehrerer Observability-Plattformen auf Machbarkeit und Passung zu den Anforderungen im Projektumfeld
• Erstellung einer Mobile-App-Architektur auf Basis von Domain-Driven Architecture
• Funktion als technischer Berater und verantwortlicher Solution Architect für zwei Entwicklungsteams
• Durchführung von Architektur-Reviews und Abstimmung von Änderungen mit den architektonischen Vorgaben
• Skills & Technologies: Microsoft Azure , App Services, NodeJS Mono-repository, microservice architecture, domain driven design, self contained systems, requirements engineering, CI/CD, DevOps, API design, solution architecture