Senior Data Analystin & Data Consultant

12/2025 – 3/2026

Analysen einer externen Agentur blieben seit Jahren oberflächlich — 17 Jahre Befragungsdaten (~30.000 Datensätze) lagen ungenutzt im SAV-Format. Das Marketing traf Entscheidungen ohne valide Grundlage. Rohdaten eigenständig bei der Befragungsagentur angefordert und Projektaufbau initiiert. Datenpipeline (Python, Prefect) für automatisierte Verarbeitung zukünftiger Befragungszyklen entwickelt. 17-Jahres-Trendanalyse durchgeführt und 5 datenbasierte Kundenprofile per Machine Learning (Decision Tree) modelliert. Cross-Source-Validierung: GA4-Daten und interne Kaufdaten (seit 2018) mit Befragungsergebnissen abgeglichen.

Power Bi, Python, SQL

3/2024 – 11/2024

Ticketpreise wurden ohne Datenbasis gesetzt — teils zu günstig, teils zu teuer. Eine Grundlage für Dynamic Pricing oder Budgetplanung fehlte vollständig. Historische Verkaufsdaten auf Show-Ebene bereinigt und aufbereitet. Vier ML-Modelle evaluiert (Linear Regression, Decision Tree, Gradient Boosting, Random Forest) — Random Forest als bestes Modell identifiziert und implementiert. Zwei Ausgabeformate entwickelt: monatliche Prognose für Budgetplanung und showbezogene Prognose für Dynamic Pricing.

SQL, Python, Scikit-learn

12/2020 – 2/2021

Daten aus Telefonie, E-Mail und Chatbot existierten isoliert — Kapazitätsplanung erfolgte reaktiv und ohne Datenbasis. Stoßzeiten wurden erst erkannt, wenn sie bereits eingetreten waren. Datenpipelines über drei APIs (Telefonie, E-Mail, Chatbot) aufgebaut und in Microsoft SQL zentralisiert. Real-time Dashboard in Grafana für operative Steuerung implementiert. Wöchentliches Management-Reporting in Power BI entwickelt.

Power Bi, Python, SQL-Datenbankadministrator