Angela B.

• Designede og udrullede automatiserede datapipelines ved brug af Apache Airflow og AWS Glue til at integrere virksomhedsdata fra SAP og Salesforce
• Byggede ETL/ELT-workflows til at transformere og standardisere kildedata, og leverede produktionsklare datasæt til Amazon Redshift til global analyse
• Muliggjorde virksomhedsrapportering ved at understøtte Power BI-dashboards, som anvendes af globale finans-, salgs- og driftsteams
• Arkitekterede og udrullede serverløse datapipelines ved brug af Python-baserede AWS Lambda-funktioner provisioneret med Terraform
• Implementerede skalerbare, fejltolerante databehandlingspipelines til at understøtte voksende datamængder, samtidig med at den operationelle overhead blev minimeret

• Ledte en fuldskala migrering fra Microsoft SQL Server til PostgreSQL, hvor datamodeller, skemaer og indekseringsstrategier blev redesignet for at forbedre performance, skalerbarhed og vedligeholdelse
• Arkitekterede og implementerede dataplatformen ved brug af Azure Data Factory, Azure Synapse og tidlige versioner af Microsoft Fabric
• Etablerede virksomhedsomfattende datastyring og metadatahåndtering ved brug af Microsoft Purview, Data Vault-principper og Unity Catalog, hvilket sikrede sikker adgangskontrol, datalineage og skemakonsistens
• Udrullede Apache Airflow på Astronomer til workflow-orkestrering og integrerede CI/CD-pipelines ved brug af GitLab Cloud
• Implementerede automatiseret validering af skema, datakvalitet og infrastruktur gennem Azure DevOps pipeline-gates, hvilket muliggjorde kontrolleret forfremmelse på tværs af udviklings-, test- og produktionsmiljøer
• Udviklede højtydende Python-baserede Airflow DAG'er, optimerede databaseperformance og ledte opgavedelegering på tværs af data engineering-teamet
• Reducerede dataindlæsningstider og pipeline-kodekompleksitet med cirka 70 %, hvilket fremskyndede datalevering og reducerede den operationelle overhead

• Designede og implementerede et normaliseret virksomhedsdatawarehouse for at understøtte skalerbar, høj kvalitets analyse på tværs af forretningsdomæner
• Byggede end-to-end datapipelines ved brug af Azure Data Factory, Azure Storage, Databricks Autoloader og Azure Data Lake
• Implementerede streaming- og inkrementelle indtagelsespipelines i Databricks for at levere pålidelig data til analyse og rapportering
• Genopbyggede og optimerede indtagelsespipelines under migreringen til Azure Synapse Analytics, hvilket forbedrede queryperformance og introducerede automatiserede datakvalitetstjek gennem Azure DevOps-pipelines
• Implementerede datastyring, adgangskontrol og lineage ved brug af Unity Catalog
• Ledte migreringen til Microsoft Fabric, hvilket moderniserede dataplatformen og forenklede den operationelle håndtering

• Designede og implementerede end-to-end ETL/ELT-pipelines, der konsoliderede data fra mere end 15 heterogene kilder, herunder SAP, Salesforce, MongoDB, Hadoop, Oracle, Snowflake, API'er og data lakes, i et centraliseret PostgreSQL-datawarehouse
• Byggede automatiserede indtagelses- og transformationsworkflows ved brug af AWS Glue, Azure Data Factory, Apache Airflow, dbt og Dataiku, hvilket muliggjorde pålidelige daglige dataopdateringer til analyse, KPI-rapportering og machine learning-arbejdsbelastninger
• Arkitekterede og udrullede serverløse datapipelines ved brug af AWS Lambda og Azure-tjenester, provisioneret med Terraform, hvilket reducerede den manuelle operationelle indsats med cirka 70 %
• Ledte prædiktive machine learning-initiativer i Dataiku og leverede modeller med op til 99 % prædiktiv nøjagtighed og målbar forretningsmæssig effekt
• Fungerede som teknisk leder for data engineering-teamet og koordinerede opgaveplanlægning, code reviews samt samarbejde med analytics-, machine learning- og forretningsinteressenter
• Etablerede standarder for datakvalitet, governance og lineage for at understøtte virksomhedsrapportering og regeloverholdelse

NLB Bank is a leading financial institution operating across multiple European markets, providing retail and corporate banking services.

• Built secure and scalable data pipelines using Azure infrastructure, MSSQL, SSIS, and Python to process high-volume transactional and customer data.

• Integrated diverse data sources, including APIs, flat files, and cloud-based systems, ensuring consistency and reliability across financial datasets.

• Implemented regulatory-compliant data workflows aligned with GDPR and PCI-DSS requirements for sensitive financial and customer information.

• Enabled continent-wide real-time fraud alerting systems, significantly improving detection speed and operational response.

• Improved overall data processing performance and stability by optimizing failing jobs and refining ETL logic.

• Delivered enterprise reporting solutions using Power BI and SQL Server Reporting Services (SSRS), supporting global financial reporting needs.

Confidential digital marketing project focused on building scalable, cloud-native data platforms on AWS to support business-critical applications.

• Architected a fully automated ETL pipeline on AWS using S3, DynamoDB, Glue, DMS, and Step Functions to support a scalable data warehouse on Amazon Aurora.

• Led the migration of legacy on-premise data to AWS by automating schema conversion and data transfer with AWS DMS.

• Designed secure, high-performance data ingestion and transformation workflows to support application backends and analytics use cases.

• Improved system reliability and scalability by leveraging managed AWS services and event-driven orchestration patterns.

• Ensured data security, access control, and performance optimization across the cloud environment.

Deutsche Telekom is one of Europe’s largest telecommunications providers, serving millions of customers across mobile, broadband, and enterprise services.

• Supported senior data engineers in developing and maintaining enterprise data warehouse pipelines.

• Monitored existing production data workflows, identifying and debugging pipeline failures and performance issues.

• Assisted in maintaining Azure-based data platforms, ensuring data freshness and operational stability.

• Gained hands-on experience with enterprise-scale data engineering practices in a regulated telecom environment.