Angela B.

• Designade och driftsatte automatiserade datapipelines med Apache Airflow och AWS Glue för att integrera företagsdata från SAP och Salesforce
• Byggde ETL/ELT-arbetsflöden för att transformera och standardisera källdata, och levererade produktionsklara dataset till Amazon Redshift för global analys
• Möjliggjorde företagsrapportering genom att stödja Power BI-dashboards som används av globala finans-, försäljnings- och verksamhetsteam
• Arkitekterade och driftsatte serverlösa datapipelines med hjälp av Python-baserade AWS Lambda-funktioner som provisionerades med Terraform
• Implementerade skalbara, feltoleranta databehandlingspipelines för att stödja växande datavolymer samtidigt som den operativa overheaden minimerades

• Ledde en fullskalig migrering från Microsoft SQL Server till PostgreSQL, och omdesignade datamodeller, scheman och indexeringsstrategier för att förbättra prestanda, skalbarhet och underhållbarhet
• Arkitekterade och implementerade dataplattformen med hjälp av Azure Data Factory, Azure Synapse och tidiga versioner av Microsoft Fabric
• Etablerade företagsomfattande datastyrning och metadatahantering med hjälp av Microsoft Purview, Data Vault-principer och Unity Catalog, vilket säkerställde säker åtkomstkontroll, datahärkomst och schemakonsekvens
• Driftsatte Apache Airflow på Astronomer för orkestrering av arbetsflöden och integrerade CI/CD-pipelines med GitLab Cloud
• Implementerade automatiserad validering av scheman, datakvalitet och infrastruktur genom Azure DevOps pipeline-grindar, vilket möjliggjorde kontrollerad befordran mellan utvecklings-, test- och produktionsmiljöer
• Utvecklade högpresterande Python-baserade Airflow DAG:er, optimerade databasprestanda och ledde uppgiftsdelegering inom dataingenjörsteamet
• Minskade dataladdningstider och pipeline-kodkomplexitet med cirka 70 %, vilket påskyndade dataleverans och minskade den operativa overheaden

• Designade och implementerade ett normaliserat företagsdatalager för att stödja skalbar, högkvalitativ analys inom olika affärsdomäner
• Byggde end-to-end datapipelines med hjälp av Azure Data Factory, Azure Storage, Databricks Autoloader och Azure Data Lake
• Implementerade strömmande och inkrementella inmatningspipelines i Databricks för att leverera pålitlig data för analys och rapportering
• Byggde om och optimerade inmatningspipelines under migreringen till Azure Synapse Analytics, vilket förbättrade frågeprestanda och införde automatiserade datakvalitetskontroller genom Azure DevOps-pipelines
• Implementerade datastyrning, åtkomstkontroll och datahärkomst med hjälp av Unity Catalog
• Ledde migreringen till Microsoft Fabric, vilket moderniserade dataplattformen och förenklade den operativa hanteringen

• Designade och implementerade end-to-end ETL/ELT-pipelines som konsoliderade data från mer än 15 heterogena källor, inklusive SAP, Salesforce, MongoDB, Hadoop, Oracle, Snowflake, API:er och datasjöar, till ett centraliserat PostgreSQL-datalager
• Byggde automatiserade inmatnings- och transformationsarbetsflöden med hjälp av AWS Glue, Azure Data Factory, Apache Airflow, dbt och Dataiku, vilket möjliggjorde pålitliga dagliga datauppdateringar för analys, KPI-rapportering och maskininlärningsarbetsbelastningar
• Arkitekterade och driftsatte serverlösa datapipelines med hjälp av AWS Lambda och Azure-tjänster, provisionerade med Terraform, vilket minskade den manuella operativa insatsen med cirka 70 %
• Ledde prediktiva maskininlärningsinitiativ i Dataiku, och levererade modeller med upp till 99 % prediktiv noggrannhet och mätbar affärspåverkan
• Tjänstgjorde som teknisk ledare för dataingenjörsteamet, och samordnade uppgiftsplanering, kodgranskningar och samarbete med analys-, maskininlärnings- och affärsintressenter
• Etablerade standarder för datakvalitet, styrning och härkomst för att stödja företagsrapportering och regelefterlevnad

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.