Angela B.

• Entwurf und Bereitstellung automatisierter Datenpipelines mit Apache Airflow und AWS Glue zur Integration von Unternehmensdaten aus SAP und Salesforce
• Aufbau von ETL/ELT-Workflows zur Transformation und Standardisierung von Quelldaten, mit Bereitstellung produktionsreifer Datensätze für Amazon Redshift für globale Analysen
• Ermöglichung von Enterprise-Reporting durch Unterstützung von Power-BI-Dashboards, die von globalen Finanz-, Vertriebs- und Operations-Teams genutzt werden
• Konzeption und Bereitstellung serverloser Datenpipelines mit Python-basierten AWS-Lambda-Funktionen, bereitgestellt mit Terraform
• Implementierung skalierbarer, fehlertoleranter Datenverarbeitungspipelines zur Unterstützung wachsender Datenvolumen bei minimalem operativem Overhead

• Leitung einer umfassenden Migration von Microsoft SQL Server zu PostgreSQL, mit Neugestaltung von Datenmodellen, Schemas und Indexierungsstrategien zur Verbesserung von Leistung, Skalierbarkeit und Wartbarkeit
• Konzeption und Implementierung der Datenplattform mit Azure Data Factory, Azure Synapse und frühen Versionen von Microsoft Fabric
• Etablierung einer unternehmensweiten Data Governance und Metadatenverwaltung mit Microsoft Purview, Data-Vault-Prinzipien und Unity Catalog, zur Sicherstellung von sicherer Zugriffskontrolle, Datenherkunft (Lineage) und Schema-Konsistenz
• Bereitstellung von Apache Airflow auf Astronomer zur Workflow-Orchestrierung sowie Integration von CI/CD-Pipelines mit GitLab Cloud
• Implementierung automatisierter Validierung von Schema, Datenqualität und Infrastruktur mittels Azure-DevOps-Pipeline-Gates, wodurch eine kontrollierte Beförderung zwischen Entwicklungs-, Test- und Produktionsumgebungen ermöglicht wurde
• Entwicklung leistungsstarker, Python-basierter Airflow-DAGs, Optimierung der Datenbankleistung und Leitung der Aufgabenverteilung im Data-Engineering-Team
• Reduzierung der Datenladezeiten und der Pipeline-Codekomplexität um etwa 70 %, wodurch die Datenbereitstellung beschleunigt und der operative Overhead gesenkt wurde

• Entwurf und Implementierung eines normalisierten Enterprise-Data-Warehouses zur Unterstützung skalierbarer, hochwertiger Analysen über alle Geschäftsbereiche hinweg
• Aufbau von End-to-End-Datenpipelines mit Azure Data Factory, Azure Storage, Databricks Autoloader und Azure Data Lake
• Implementierung von Streaming- und inkrementellen Ingestion-Pipelines in Databricks zur Bereitstellung zuverlässiger Daten für Analysen und Berichterstattung
• Neuaufbau und Optimierung von Ingestion-Pipelines im Rahmen der Migration zu Azure Synapse Analytics, wodurch die Query-Performance verbessert und automatisierte Datenqualitätsprüfungen über Azure-DevOps-Pipelines eingeführt wurden
• Implementierung von Data Governance, Zugriffskontrolle und Datenherkunft (Lineage) mit Unity Catalog
• Leitung der Migration zu Microsoft Fabric, wodurch die Datenplattform modernisiert und das operative Management vereinfacht wurde

• Entwurf und Implementierung von End-to-End-ETL/ELT-Pipelines, die Daten aus mehr als 15 heterogenen Quellen – darunter SAP, Salesforce, MongoDB, Hadoop, Oracle, Snowflake, APIs und Data Lakes – in einem zentralisierten PostgreSQL-Data-Warehouse konsolidierten
• Aufbau automatisierter Ingestion- und Transformationsworkflows mit AWS Glue, Azure Data Factory, Apache Airflow, dbt und Dataiku, wodurch zuverlässige tägliche Datenaktualisierungen für Analysen, KPI-Reporting und Machine-Learning-Workloads ermöglicht wurden
• Konzeption und Bereitstellung serverloser Datenpipelines mit AWS Lambda und Azure-Diensten, bereitgestellt mit Terraform, wodurch der manuelle operative Aufwand um etwa 70 % reduziert wurde
• Leitung prädiktiver Machine-Learning-Initiativen in Dataiku, mit Modellen mit einer Vorhersagegenauigkeit von bis zu 99 % und messbarer geschäftlicher Wirkung
• Tätigkeit als technischer Leiter des Data-Engineering-Teams, mit Koordination von Aufgabenplanung, Code-Reviews und Zusammenarbeit mit Analytics-, Machine-Learning- und Business-Stakeholdern
• Etablierung von Standards für Datenqualität, Governance und Lineage zur Unterstützung von Enterprise-Reporting und regulatorischer Compliance

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.