Projekte

Projekte aus regulierten und datenintensiven Branchen.

Ohne Kundennamen – mit Ausgangslage, Vorgehen und Ergebnis.

Pharma & Medizintechnik · 5.000–10.000 MA

Databricks-Plattform mit GenAI als gemeinsamem Dienst

Ausgangslage: Mehrere Fachbereiche wollten GenAI nutzen, ohne dass jedes Team eigene Infrastruktur, Modelle und Sicherheitskonzepte baut.
Vorgehen: Governance mit Unity Catalog und Key Vault, Hub-&-Spoke-Architektur mit Entra-IAM, Vector Search und Model Serving als Plattformdienste, Azure OpenAI und Document Intelligence als Shared Services – alles per Terraform über DEV, UAT und PROD.
Ergebnis: Eine gemeinsame Plattform, auf der Teams neue GenAI-Use-Cases mit vorhandenen Bausteinen umsetzen.

Transport & Logistik · 1.000–5.000 MA

Ausgangslage: Daten aus Oracle, SAP, SQL und Dateisystemen sollten zuverlässig in Data Lake und Databricks ankommen – unter Enterprise-Sicherheitsvorgaben.
Vorgehen: End-to-End-Pipelines mit ADF und Databricks, Performance-Optimierung, CI/CD in GitHub über drei Umgebungen mit eigenen Runnern, Monitoring mit KQL und Alerts.
Ergebnis: Automatisierte, überwachte Datenstrecken statt manueller Ladeprozesse.

Konzern · 5.000–10.000 MA

Ausgangslage: Keine zentrale Datenplattform; Daten aus On-Premise, Azure und Google Cloud sollten für Power BI und Analysen zusammengeführt werden.
Vorgehen: Rolle als Product Owner und Data Architect: Medallion-Architektur, dreistufige Landschaft, Infrastructure as Code, unternehmensweite Datenstrategie mit Richtlinien und Governance.
Ergebnis: Eine Plattform und eine Datenstrategie, auf denen das Unternehmen weitere Use Cases aufbaut.

Automobil · über 10.000 MA

Ausgangslage: Geschäftspartnerdaten sollten zentral und geprüft gepflegt und an viele Systeme verteilt werden.
Vorgehen: Lead-Entwicklung für SAP MDG-C auf S/4HANA, Anbindung externer Dienste zur Adress- und USt-ID-Prüfung, API-Management, Testing und Begleitung der Rollouts.
Ergebnis: Ein führendes System für Geschäftspartner mit automatischen Qualitätsprüfungen.

Industrie & Maschinenbau · über 10.000 MA

Ausgangslage: Engineering- und Stammdaten mussten zwischen SAP, einem Digital-Twin-System, AWS-Diensten und Datenbanken fließen.
Vorgehen: Lösungsarchitektur und Entwicklungsleitung, REST- und SOAP-Integration, standardisierte Webservices, Fiori-Prototyp für die Beschaffung, ETL mit Power BI, Betrieb auf Linux und Docker.
Ergebnis: Verbundene Systeme statt Insellösungen.

Konzern · über 10.000 MA

Ausgangslage: Kundenstammdaten sollten zwischen MDM, SAP-Cloud-Lösungen, SAP Commerce und Salesforce konsistent sein.
Vorgehen: Lösungsarchitektur MDM, Integration von BP Cloud und C4C, Konzept für Cloud Integration, Entwicklung eines Datenqualitäts- und Upload-Tools auf SAP BTP (Cloud Foundry).
Ergebnis: Konsistente Kundenstammdaten über SAP- und Nicht-SAP-Cloudsysteme, Massenpflege von bis zu 10.000 Kunden in einem Schritt.