Data Platform Architect | Snowflake · dbt · Power BI | Energiewirtschaft & DWH-Modernisierung

2/2026 – offen

Aufbau einer Snowflake/dbt-Datenplattform für den Kundenservice (Genesys Contact Center).

Architektur:
- Medallion Architecture (Bronze → Silver → Gold) mit dbt
- Multi-Developer-Schema-Isolation via custom generate_schema_name Macro
- Incremental Models mit 14-Tage-Lookback für den Business Layer (Performance + Late-Arriving Data)
- Snowflake Organizational Marketplace Listings für bereichsübergreifenden Datenaustausch (Secure Views, Column-Level Comments, Data Stewards)

Impact:
- Belastbare Kundenzufriedenheits-KPIs für das Management
- Reproduzierbare, testbare Datenmodelle
- Neue Entwickler in Stunden statt Wochen produktiv durch klare Schema-Konventionen

Data Warehousing, Snowflake, Data Engineer

12/2025 – 3/2026

Initiative 1 — Tableau Server Stabilisierung

Problem: Fragile, unübersichtliche Data Flows auf dem Tableau Server mit häufigen Abbrüchen; parallel viele veraltete Legacy-Flows aktiv.
Architektur: Migration der kritischen Data Flows vom Tableau Server ins MSSQL-Backend; Deaktivierung aller nicht mehr genutzten Legacy-Flows.
Impact: Stabile Laufzeiten und höhere Datenqualität. Fehler wieder erkennbar, weil veraltete Flows sie nicht mehr überdeckten. Spürbare Ressourceneinsparung auf dem Tableau Server.

Initiative 2 — Automatisiertes Bauteil-Tracking auf Tableau-Karte

Problem: Keine zentrale Übersicht, an welchem physischen Standort sich welches Bauteil befindet.
Architektur: Automatisiertes Auslesen der Bauteil-Standorte und Visualisierung auf einer Tableau-Karte mit laufender Aktualisierung.
Impact: Jederzeit klare Standort-Transparenz. Operative Entscheidungen (Logistik, Fertigung) ohne manuelle Rückfragen.

Initiative 3 — Management Report mit 9 KPIs und Ampellogik

Problem: Keine klare Sicht auf Bottlenecks — fragmentierte, uneinheitliche Kennzahlen verhinderten gezieltes Management-Handeln.
Architektur: Management-Report mit 9 strategischen KPIs und Ampellogik (definierte Thresholds); automatisierte Aktualisierung auf Tages-, Wochen- und Monatsbasis.
Impact: Bottlenecks erstmals sichtbar — Management weiß, wo es intervenieren muss. Klare, datenbasierte Entscheidungen automatisiert möglich.

Tech: Tableau, Tableau Server, MSSQL, SQL, Data Modeling

Tableau, Microsoft SQL-Server (MS SQL), SQL

6/2024 – 7/2025

Initiative 1 — Excel-Reporting → Automatisierter Snowflake Gold Layer

Problem: Fragmentierte Reporting-Landschaft mit Excel als Datengrundlage. Monatliche Aufbereitung kostete Tage, war fehleranfällig und uneinheitlich zwischen Bereichen.

Architektur: Gold Layer in Snowflake, automatisiert auf Star-Schema-Tabellen; Migration unversionierter Snowflake-Queries nach dbt mit CI/CD in Azure DevOps. Einheitlicher Core-Report ("Douglas Beauty Card Core") für die zentralen Loyalty-KPIs (Neukunden, AOV, Churn, Contact Permissions).
Impact: Kein manueller Aufbereitungsaufwand mehr. Einheitliche Kennzahlen-Definitionen bereichsübergreifend. Verlässliche Basis für strategische Loyalty-Entscheidungen.

Initiative 2 — Ticket-basierte Brand-Analysen → Self-Service in Tableau

Problem: Brand-Profilierungs-Analysen (KPI-Vergleiche einer Marke gegen vergleichbare Marken) liefen als manuelle Analyst-Tickets mit wochenlangen Bearbeitungszeiten; pro Anfrage nur eine Kombination.

Architektur: Übersetzung der Ticket-Templates in ein parametrisiertes Tableau-Dashboard. Anwender wählen Zielmarke und Vergleichsset per Klick, KPI-Vergleiche werden automatisch berechnet.
Impact: Bearbeitungszeit von Wochen auf Sekunden. Marketing-Fachanwender explorieren erstmals beliebig viele Kombinationen selbst — eine Analysetiefe, die manuell nicht leistbar war. Bessere Entscheidungen bei Brand-Kooperationen.

Tech: Snowflake, dbt, Tableau, Azure DevOps, Git, Python, SQL, Star Schema

Tableau, SQL, Continuous Delivery, Continuous Integration, Git, Snowflake, Microsoft Azure