• Architect the platform. Set our warehouse/lakehouse direction and stand up the data lake and layered architecture that turns our raw system of record into trustworthy, queryable, intelligence-ready data. • Build the pipelines. Design and run batch and streaming pipelines that move data reliably out of our production systems - CDC, ELT, and real-time where it matters. • Model the data. Define the canonical datasets and models the whole company depends on, getting the grain, semantics, and contracts right. • Own reliability and accuracy. This is financial data, so correctness is non-negotiable. You'll own data quality, observability, integrity checks, and the testing and monitoring that let us trust it. • Build for a regulated environment. Design in role-based access, masking, lineage, and auditability from day one, and keep sensitive financial data out of places it doesn't belong. • Enable AI/ML and analytics. Build the feature pipelines and trustworthy data foundation our intelligence work relies on, moving us from systems of record toward systems of intelligence and action. • Set the standard. Establish the practices, tooling, and CI/CD for data that the future team inherits. You're setting the bar, not just clearing it.

Role Description Dein täglicher Verantwortungsbereich: - Entwicklung und Verantwortung der Architektur sowie Implementierung skalierbarer ETL‑Pipelines auf Basis von Microsoft Fabric. - Effiziente, automatisierte Integration heterogener Datenquellen, darunter MySQL‑Datenbanken, APIs und weitere. - Konzeption, Planung und Umsetzung von KI- und Automatisierungsprojekten. - Weiterentwicklung der Data‑Warehouse‑Architektur durch kontinuierliche Anpassung von Datenmodellen und Strukturen an neue Anforderungen. - Entwicklung robuster Prozesse für Datenmodellierung, -gewinnung und -produktion zur Schaffung einer stabilen Grundlage für Reporting, Analytics und KI‑Anwendungen. - Hohe Standards der Datenqualität, Sicherheit und Zuverlässigkeit im Blick behalten und Integrität, Verfügbarkeit und Vertraulichkeit entlang der gesamten Pipeline sicherstellen. - Aktives Verfolgen von Trends und technologischen Entwicklungen im Bereich Data Engineering, KI und Automatisierung. Qualifications - Abgeschlossenes Bachelor- oder Masterstudium in Informatik, Informationstechnologie oder einem vergleichbaren Fachgebiet. - Mindestens 5 Jahre Berufserfahrung mit tiefem Verständnis für die Entwicklung und Implementierung moderner ETL-Pipelines. - Praktische Erfahrung im Einsatz von Automatisierungs-Tools wie Azure Logic Apps, n8n oder Make. - Kenntnisse im Umgang mit Large Language Models sowie gängigen Patterns rund um generative KI. - Fundierte Kenntnisse in Microsoft Fabric oder Microsoft Data Factory, Apache Spark und Notebooks. - Ausgeprägtes Know-how in MySQL und Routine im Umgang mit unterschiedlichen Datenbanken und Data‑Warehousing-Lösungen. - Nachweisbare Erfolgsbilanz in der Stapelverarbeitung und der Arbeit mit strukturierten Daten (idealerweise im Immobilienumfeld). - Freude an der Weiterentwicklung im Bereich Power BI. - Fließende Deutsch- und sehr gute Englischkenntnisse. Benefits - Remote Work: Flexibles Arbeitsmodell – Arbeite bis zu 100% remote innerhalb Deutschlands oder nutze unser modernes Office in Hamburg nach Bedarf. - Workation: Arbeitsumfeld mit Urlaubsfeeling – genieße die perfekte Symbiose aus produktiven Schaffen und entspannter Atmosphäre im europäischen Raum. - Wellbeing: Betriebliches Gesundheitsmanagement – ein jährliches Gesundheitsbudget sowie eine bezuschusste Mitgliedschaft beim Urban Sports Club. - Altersvorsorge: Attraktive Bezuschussung zur betrieblichen Altersvorsorge. - Hardware: Modernste Technik – damit wir gemeinsam innovativ bleiben. - Rabatte: Attraktive Angebote bei über 1.500 Anbietern aus den Bereichen Sport, Mobilität, Mode und Reisen. - Knowledge Base: Vielfältige, individuelle Entwicklungs- und Weiterbildungsmöglichkeiten. - Networking: Regelmäßige Teamevents. - Kostenlose Limonade und Obstkorb.

Write and review maintainable code, optimize data pipelines, collaborate with cross-functional teams, and continuously improve team performance while managing efficient data systems using Databricks, Delta Lake, Python, SQL, and PySpark.

• Diseñar el esquema físico (Target) en Amazon RDS PostgreSQL, optimizando índices, llaves foráneas y particionamiento. • Entregar los diccionarios de datos al cliente para guiar la extracción desde el sistema AS/400 (DB2). • Crear scripts de certificación de calidad de datos (Data Quality) para asegurar que la información migrada por el banco hacia AWS entre completamente limpia y normalizada a la nueva arquitectura.