Angela B.

• Suunnittelin ja otin käyttöön automatisoituja datapiput Apache Airflow'lla ja AWS Gluella integroidakseni yritysdataa SAP:sta ja Salesforcesta
• Rakensin ETL/ELT-työnkulkuja lähdedatan muuntamiseksi ja standardoimiseksi, toimittaen tuotantovalmiita aineistoja Amazon Redshiftiin globaalia analytiikkaa varten
• Mahdollistin yritysraportoinnin tukemalla Power BI -hallintapaneeleita, joita globaalit talous-, myynti- ja operaatiotiimit käyttävät
• Suunnittelin ja otin käyttöön serverittömiä datapiput Python-pohjaisilla AWS Lambda -funktioilla, jotka provisioitiin Terraformilla
• Toteutin skaalautuvia, vikasietoisia datankäsittelyputkia tukemaan kasvavia datamääriä minimoiden samalla operatiivisen ylikuorman

• Johdin täysimittaista migraatiota Microsoft SQL Serveristä PostgreSQL:ään, suunnitellen uudelleen datamallit, skeemat ja indeksointistrategiat suorituskyvyn, skaalautuvuuden ja ylläpidettävyyden parantamiseksi
• Suunnittelin ja toteutin data-alustan käyttäen Azure Data Factorya, Azure Synapsea ja Microsoft Fabricin varhaisia versioita
• Perustin yritystason datahallinnan ja metadatanhallinnan käyttäen Microsoft Purview'ta, Data Vault -periaatteita ja Unity Catalogia, varmistaen turvallisen pääsynhallinnan, datan alkuperän jäljitettävyyden ja skeemayhtenäisyyden
• Otin käyttöön Apache Airflow'n Astronomerilla työnkulkujen orkestrointiin ja integroin CI/CD-putket GitLab Cloudilla
• Toteutin automatisoidun skeeman, datan laadun ja infrastruktuurin validoinnin Azure DevOps -pipeline-porttien avulla, mahdollistaen hallitun etenemisen kehitys-, testi- ja tuotantoympäristöjen välillä
• Kehitin suorituskykyisiä Python-pohjaisia Airflow DAG:eja, optimoin tietokannan suorituskykyä ja johdin tehtävien delegointia data engineering -tiimissä
• Vähensin datan latausaikoja ja pipeline-koodin monimutkaisuutta noin 70 %, mikä nopeutti datan toimitusta ja vähensi operatiivista ylikuormaa

• Suunnittelin ja toteutin normalisoidun yritystason tietovaraston tukemaan skaalautuvaa, korkealaatuista analytiikkaa eri liiketoiminta-alueilla
• Rakensin päästä päähän -datapiput käyttäen Azure Data Factorya, Azure Storagea, Databricks Autoloaderia ja Azure Data Lakea
• Toteutin striimaus- ja inkrementaalisia tiedonkeruuputkia Databricksissa toimittaakseni luotettavaa dataa analytiikkaa ja raportointia varten
• Rakensin uudelleen ja optimoin tiedonkeruuputkia Azure Synapse Analytics -migraation aikana, parantaen kyselysuorituskykyä ja ottaen käyttöön automatisoituja datan laatutarkastuksia Azure DevOps -putkien kautta
• Toteutin datahallinnan, pääsynhallinnan ja alkuperän jäljitettävyyden (lineage) Unity Catalogin avulla
• Johdin migraatiota Microsoft Fabriciin, modernisoiden data-alustan ja yksinkertaistaen operatiivista hallintaa

• Suunnittelin ja toteutin päästä päähän -ETL/ELT-putket, jotka yhdistivät dataa yli 15 heterogeenisesta lähteestä, mukaan lukien SAP, Salesforce, MongoDB, Hadoop, Oracle, Snowflake, API:t ja data lakeja, keskitettyyn PostgreSQL-tietovarastoon
• Rakensin automatisoituja tiedonkeruu- ja muunnostyönkulkuja käyttäen AWS Gluea, Azure Data Factorya, Apache Airflow'ta, dbt:tä ja Dataikua, mahdollistaen luotettavat päivittäiset datapäivitykset analytiikkaa, KPI-raportointia ja koneoppimisen työkuormia varten
• Suunnittelin ja otin käyttöön serverittömiä datapiput käyttäen AWS Lambdaa ja Azure-palveluita, provisioituna Terraformilla, mikä vähensi manuaalista operatiivista työtä noin 70 %
• Johdin ennustavan koneoppimisen hankkeita Dataikussa, toimittaen malleja, joiden ennustustarkkuus oli jopa 99 % ja joilla oli mitattavissa oleva liiketoimintavaikutus
• Toimin data engineering -tiimin teknisenä johtajana, koordinoiden tehtäväsuunnittelua, koodikatselmuksia sekä yhteistyötä analytiikan, koneoppimisen ja liiketoiminnan sidosryhmien kanssa
• Loin standardit datan laadulle, hallinnalle ja alkuperän jäljitettävyydelle (lineage) tukemaan yritysraportointia ja säädöstenmukaisuutta

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.