Verantwortlich für die End-to-End-Umsetzung und den Support von Datenmanagement- und Integrationslösungen auf Grundlage moderner Technologien. Schlüsselaufgaben umfassen:

• Datenpipelines und ETL-Entwicklung: Implementierung und Optimierung von Datenpipelines mit Talend und SSIS zur Automatisierung des Datenaustauschs zwischen IT-Systemen.
• API-Implementierung und Management: Entwicklung und Wartung von APIs inklusive Routing-Policies und API-Secure-Authentifizierung (z. B. SSO).
• Systeminfrastruktur: Verwaltung und Optimierung von Linux-basierten Servern, einschließlich Docker-Container und Ansible-Playbooks, zur Sicherstellung von Stabilität und Sicherheit.
• Incident- und Supportmanagement: Bearbeitung von Incidents und Service Requests über IT-Service-Portale (z. B. IT4U), Ursachenanalysen sowie Zusammenarbeit mit Softwareherstellern und 2nd-/3rd-Level-Support.
• Dokumentation und Prozessdesign: Erstellung detaillierter Dokumentationen und Prozessbeschreibungen, um hohe Qualität und Nachvollziehbarkeit sicherzustellen.

Erfolge:

• Effiziente Automatisierung des Datenaustauschs und stabiler Betrieb von Integrationsplattformen.
• Proaktive Identifikation und Behebung von Problemen durch kontinuierliches Monitoring und Wartung.

Entwicklung eines effizienten WebScraping-Tools zur Extraktion von Produktdaten von der Website Bogensportwelt. Mit der Go Colly-Bibliothek wurde eine robuste Lösung umgesetzt, die Daten wie Artikelvarianten (Größe, Farbe) gesammelt und im CSV-Format bereitgestellt hat – kompatibel mit dem JTL-Ameise-Importsystem.

Herausforderungen

• Komplexe Seitenstruktur: Dynamische Inhalte und Variationsdaten (Vater-Kind-Artikel) korrekt zu extrahieren.
• Datenformat: Sicherstellung, dass die CSV-Daten den Anforderungen des JTL-Imports entsprechen.

Lösungsansatz

• Einsatz von Go Colly zur rekursiven Durchsuchung der Marken (z.B. ElToro, Drake), um strukturierte Daten wie Namen, Kategorien und Variationen effizient zu sammeln.
• Automatischer CSV-Export, optimiert für die JTL-Importstruktur mit Vater- und Kindartikeln.

Ergebnisse

• Automatisierte Extraktion: Erfolgreiches Sammeln aller Produktvariationen (~30 % Zeitersparnis).
• Exakter CSV-Output: Ermöglicht den direkten Import in JTL ohne Nachbearbeitung.
• Wartungsfähig: Wiederverwendbares Go-Scraping-Tool für zukünftige Anforderungen.

Das Projekt führte zu einer schnellen, verlässlichen Lösung, um fehlende Produktvariationen zu ergänzen und JTL effizient mit Daten zu versorgen.

Als Cloud-Administrator bei einer großen deutschen Kreditbank lag mein Schwerpunkt auf der Administration und Konzeption von Azure-Cloud-Infrastrukturen. In dieser Zeit konnte ich als Teil eines agilen Teams entscheidend dazu beitragen, innovative Konzepte umzusetzen und zentrale Projekte erfolgreich abzuschließen.

Hauptverantwortlichkeiten und Erfolge

1. Migration geschäftskritischer Anwendungen

• Migration zentraler Anwendungen von einer lokalen Umgebung in die Azure-Cloud mit Terraform und ARM (IaC).

2. Entwicklung eines AI-gestützten Chatsystems

• Umsetzung eines AI-Chatsystems mit Azure OpenAI und Cognitive Search.
• Skalierung der Infrastruktur und Optimierung der CI/CD-Pipelines mit Azure DevOps.

3. Sicherheitsrichtlinien & Incident-Management

• Implementierung granularer Azure Policies, um Compliance-Standards sicherzustellen.
• Unterstützung von Incident-Management in Kubernetes-Umgebungen.

4. Agile Koordination und Wissenstransfer

• Steuerung von Projekten nach der Scrum-Methode und enge Zusammenarbeit mit cross-funktionalen Teams.

Ergebnisorientierung und Weiterentwicklung

Durch moderne, skalierbare Cloud-Lösungen und die Integration von AI-Technologien habe ich Prozesse vereinfacht und zukunftssicher gestaltet. Meine Kenntnisse in Azure-AI-Lösungen, Cloud-Betrieb und DevOps habe ich dabei kontinuierlich vertieft.

Um die logistischen Abläufe an einem großen deutschen Flughafen zu optimieren, werden umfangreiche Flughafenauswertungen durchgeführt. Hierbei werden viele Analyse-Daten gesammelt. Um die großen Datenmengen schneller und sicherer zu verarbeiten, soll die aktuelle Big Data-Architektur in Hadoop durch eine Big Data-Architektur in Azure ersetzt werden. Die Tätigkeitsinhalte umfassen:

• Konzeption und Aufbau einer Data-Lake-Struktur mit Integration des vom Kunden bereitgestellten Rechtekonzepts
• Konfiguration von Azure Databricks und Azure-Databricks-Umgebung
• Datenmigration der strukturierten Daten von HDFS nach Azure Storage Account und Migration der bestehenden On-Premise-Installation von MLflow in die von Databricks bereitgestellte Instanz
• Aufbau und Administration eines Azure Datawarehouses mit ETL-Stecke und Maschine Learning-Umgebung, um Auswertungen aus den gesammelten Daten zu erstellen und Prognosen für die Zukunft zu treffen
• Migration bestehender Spark-Jobs nach Databricks und bestehender Python-Jobs nach Databricks
• Optimierung der vorhandenen Jobs hin zu optimaler Ressourcennutzung in Databricks und Integration der neuen Databricks-Jobs in das bestehende Apache Airflow.

Analyse eines langsamen Qlik Sense Servers und Vorschläge für die Optimierung dieses Servers. Untersucht wurden interne Qlik Sense Monitoring Apps. Diese wurden entsprechend reparieret bzw. neu erzeugt. Des Weiteren wurden die Server Logs auf auffällige Fehler untersucht und entsprechende Maßnahmen eingeleitet. Die von TIQ erstellte Qlik Sense-PrintAPI wurde auf Schwachstellen und Performanceoptimierung untersucht und optimiert.

Beim Kunden werden mittels Social Listening und Künstlicher Intelligenz diverse Stimmungsbarometer in verschiedenen Ausprägungen sowie sogenannte Siegelstudien für Unternehmen und Marken erstellt. Die dafür notwendigen Schritte müssen automatisiert werden, um der wachsenden Nachfrage und Datenmenge gerecht zu werden. Dafür werden eine komplette neue IT-Infrastruktur in einer Datawarehouse Infrastruktur aufgebaut, die Schritte für die automatisierte Datenanalyse integriert und ein Reporting aufgesetzt.

Aufbau und Administration eines Azure Datawarehouses mit ETL-Stecke und Maschine Learning Umgebung, um Auswertungen aus den gesammelten Daten zu treffen und Prognosen für die Zukunft zu treffen.

Zudem ist eine parametrisiert Abfragemethode die Daten direkt in eine Excel Tabelle bzw. ein Power BI Dashboard mittels Power Query gewünscht.

Beim Kunden werden mittels Social Listening und Künstlicher Intelligenz diverse Stimmungsbarometer in verschiedenen Ausprägungen sowie sogenannte Siegelstudien für Unternehmen und Marken erstellt. Die dafür notwendigen Schritte müssen automatisiert werden, um der wachsenden Nachfrage und Datenmenge gerecht zu werden. Dafür werden eine komplette neue IT-Infrastruktur auf Big Data Architektur aufgebaut, die Schritte für die automatisierte Datenanalyse integriert und ein Reporting aufgesetzt.

Aufbau und Administration einer Cloudera Plattform in der Azure Deutschland Cloud: Aufbau der Azure Umgebung mit allen VM bzw. Server, Netzwerken und Zugangspunkten die Cloudera benötigt. Zudem noch den Aufbau des Cloudera Manager und Cloudera Agenten mit den Services die im Cloudera Cluster benötigt werden.

Automatisierter Aufbau eines Cloudera Clusters in der Azure Cloud

Entwicklung einer Automatisierung für den Cloudera Manager mit Ansible Moduls, mit welcher man das Cloudera Cluster über Ansible managen kann und folgende Tasks automatisiert abgebildet werden:

• Automatisches Erstellen der benötigen virtuellen Maschinen in der Cloud.
• Provisionierung eines Cluster-Management mit automatischer Installation und Konfiguration von OpenVPN-, LDAP- und DNS-Diensten
• Installation der Cloudera Packages
• Konfiguration Basis Cloudera Cluster

Entwicklung und Bereitstellung eines Cloud-basierten Big Data Stack für die Nutzung als Reporting und Advanced Analytics Plattform.

Ziel ist die unkomplizierte Bereitstellung einer vollständig vorkonfigurierten Plattform für individuelle Prozesse und Analysen.

Unterstützung:

Installation und Konfiguration eines Cloudera Clusters in der Azure Cloud für den produktiven Einsatz mit Hilfe von Ansible.

Konzeption und Erstellung eines Webservice zur Anbindung der Graphdatenbank Neo4J an Qlik Sense und QlikView.

Ziel ist es, die Graphendatenbank Neo4J in den Qlik Produkten zur Verfügung zu stellen und mit den so gewonnenen Daten arbeiten zu können.

Unterstützung:

Evaluierung des Funktionsumfangs eines Java-Webservers und eines mit AngularJS programmierten Frontend. Erweiterung der Java-Webservers um Endpoints und JUnit-Test.

Unterstützung bei der Entwicklung einer „PrintAPI“ zur Konfiguration und Automation eines Druckprozesses im Qlik Sense für die Erstellung von Wirtschaftsberichten im PDF-Format. Supportleistungen zur Optimierung und Weiterentwicklung des definierten Druckprozesses.

Entwicklung eines leistungsfähigen PHP-Backends zur Aufbereitung und Weiterverarbeitung von Daten.
Das Backend war mit einem JavaScript- und Vue.js-basierten Frontend integriert, welches die Ansicht der aufbereiteten Daten und Verarbeitungspipelines ermöglichte.

Leistungen:

• Implementierung von REST-Schnittstellen für die Datenkommunikation.
• Automatisiertes Testing mit PHPUnit und End-to-End-Tests mit Selenium.
• Erstellung eines Codestyle-Guides und Dokumentation für eine nachhaltige Entwicklung.
• Enge Zusammenarbeit mit Frontend-Entwicklern zur Anbindung des Vue.js-Frontends.

Ich habe ein Data-Crawler-Plugin für den Aspire-Webserver entwickelt, einem leistungsstarken Framework für die Inhaltsindizierung und -verarbeitung. Meine Arbeit konzentrierte sich auf die Optimierung von REST-Schnittstellen sowie die Entwicklung und Integration neuer Funktionen, um Inhalte effizient zu erfassen, zu verarbeiten und für Suchmaschinen bereitzustellen. Dabei habe ich Technologien wie Java und Groovy genutzt und durch automatisierte Tests mit JUnit die Zuverlässigkeit und Qualität sichergestellt. In einer agilen Umgebung unterstützte ich die Skalierbarkeit und Erweiterbarkeit des Systems unter Berücksichtigung von Funktionen wie der inkrementellen Verarbeitung sowie der Widerstandsfähigkeit gegen Systemausfälle.