Data-Science/Data-Engineering/AI-Engineering Experte

Verantwortlich für Konzeption und Implementierung von KI-Agentensystemen auf der AWS-Cloud-Infrastruktur. Stets enger Austausch mit Stakeholdern während des gesamten Projektzyklus, um sicherzustellen, dass die technischen Ergebnisse den Geschäftsanforderungen entsprechen. Zusammenarbeit mit DevOps-Teams zum Aufbau von Deployment-Pipelines und zur Aufrechterhaltung des Systembetriebs. Technologien: Python/ML, Deno/TypeScript, Streamlit | AWS (Bedrock, Lambda, DynamoDB, S3, EventBridge, SAM) | Git, GitHub Actions (CI/CD)

• PoC – Migration von Microservices in Kubernetes auf GCP
• Erstellung verschiedener Manifeste für das Kubernetes-Cluster
• Performance-Tests auf dem Kubernetes-Cluster
• Beratung
• Technologien: Git, CI/CD (GitLab-Pipelines), Google Cloud, Docker, Kubernetes, PostgreSQL, Elasticsearch

• ETL
• Reporting
• Prädiktive Modellierung (Klassifikation, Regression etc.)
• API-Entwicklung
• Klassifikationsmodelle im prädiktiven Verhaltenskontext: Feature-Engineering, Konfusionsmatrix, Lift-Charts
• Technologien: Git, CI/CD (GitLab-Pipelines), PySpark, Pandas, Scikit-learn, Python, SQL, H2O, Docker, FastAPI, TensorFlow, Databricks, PostgreSQL, MongoDB, Terraform, AWS.

• Mentoring.
• End-to-End-Datenlösung
• Entwicklung neuer KPIs für das Kundenengagement.
• Umgang mit komplexen Datenstrukturen mit SQL
• Konzeption und Umsetzung:
• Next-Best-Engagement und Marketing-Cloud-Automatisierung (E2E).
• Inhaltsvorschläge mittels Collaborative Filtering.
• Optimierung äquivalenter Impactwerte mit genetischem Algorithmus.
• Technologien: Linux, CI/CD (Gitlab-Pipelines), Git, Jira, Confluence, AWS, Terraform, MLflow, SQL, Python Jupyter, PySpark, Pandas, Scikit-learn, Seaborn, Matplotlib, Lightfm.

• Erweiterung eines Predictive-Behavioral-Targeting-Systems um Multi-Client-Funktionalitäten (siehe frühere Aufgaben in 11/2019).
• Klassifikationsmodelle im Predictive-Behavioral-Kontext: Feature-Engineering, Konfusionsmatrix, Lift-Charts
• Technologien: Linux, Git, Python, PySpark, Pandas, Scikit-Learn, Numpy, TensorFlow/Keras, H2O.ai und MongoDB.

• Konzeption und Entwicklung einer Machine-Learning-Anwendung (Predictive Analytics), um die Vertriebssteuerung in einem wettbewerbsintensiven Pharmamarkt zu verbessern.
• Umgang mit komplexen Datenstrukturen mit SQL.
• Aufbereitung komplexer Pharmadatenstrukturen für Machine-Learning-Anwendungen.
• Anwenden von Machine-Learning-Algorithmen, Umgang mit Smart Data und Beratung in angewandter Statistik/Data Science.
• Erstellen statistischer Analysen und Diagramme mit Jupyter Lab Notebooks.
• Klassifikationsmodelle im Pharmakontext: Feature Engineering, Konfusionsmatrix, Lift Charts
• Technologien: Git, Jira, Confluence, Jupyter, SQL, Veeva (CRM), AWS Redshift, Kedro, MLflow, Python, Jupyter, Pandas, Scikit-Learn, NumPy, Matplotlib, Seaborn und Plotly.

• Konzeption und Entwicklung einer Machine-Learning-Anwendung zur Vorhersage von Online-Marketing-Segmenten basierend auf dem Online-Surfverhalten.
• Einsatz von Machine-Learning-Algorithmen, Umgang mit Big Data und Beratung in angewandten Data-Science-Fragen.
• Aggregation (ETL) großer Datenmengen zur Vorhersage von Kundensegmenten in großem Maßstab und Monetarisierung der Daten (DMP/DSP).
• Wartung und Monitoring seit 02/2020.
• Technologien: Linux, Git, Jupyter, FastAPI, Docker, Apache Spark, Python PySpark, Pandas, Scikit-Learn, NumPy, TensorFlow/Keras, MongoDB, PostgreSQL, H2O.ai, PyTorch und Tableau.

• Konzeption, ETL und Entwicklung einer Machine-Learning-Anwendung mit Fokus auf Wettereinflüsse für Umsatzprognosen.
• Bewertung von AWS SageMaker hinsichtlich der Skalierbarkeit.
• Erstellung großskaliger Machine-Learning-Modelle und Vorhersagen mit AWS.
• End-to-End-Datenlösung.
• Regressionsmodelle im Handelskontext: Feature Engineering, Modellevaluierung
• Technologien: Linux, Git, CI/CD (GitLab-Pipelines), Jupyter, Docker, Python, Scikit-Learn, Pandas, TensorFlow, PyTorch, AWS Lambda, AWS Glue, AWS S3, AWS Athena, AWS SageMaker, AWS DynamoDB, AWS DocumentDB, AWS SQS, Serverless.com und Tableau.

• Entwicklung einer ETL-App zur Verarbeitung von Big Data und Erstellung von Berichten.
• Betrieb und Monitoring seit 07/2017.
• Technologien: Linux, Git, Jupyter, PostgreSQL, Python und AWS.

• TV-Kampagnenoptimierung, Media Attribution, Segmentierung und Wirkungsmodellierung.
• Zusammenarbeit und Koordination mit verschiedenen Stakeholdern und Partnern.
• Umgang mit Big Data.
• Technologien: MS Office, Linux, PostgreSQL, Spark, R, Python, MongoDB und Hadoop/Hive.

• Beratung in Churn- und Predictive Analytics.
• Technologien: MS Office, MySQL, R, Python, Weka, MongoDB und Linux.

• Konzeption und Entwicklung eines Fingerabdruck-Tracking-Systems.
• Entwicklung von KPIs.
• Beratung im Bereich Predictive Analytics.
• Umgang mit Big Data.
• Technologien: MS Office, MySQL, R, Django, Python, Redis, MongoDB und Linux.

• Segmentierungsanalyse.
• Technologien: SPSS und R.

• Entwicklung eines adaptiven Conjoint-Designs und Durchführung der Studie.
• Serverhosting.
• Analysen (Marktsimulation) und Ergebnisaggregation.
• Technologien: Office, Apache und Sawtooth.

• Conjoint-Analysen mit Kostenoptimierung und Serverhosting (Conjoint-Befragung).
• Technologien: MS Office, Apache und Sawtooth.

• Datenbankmarketing mit Predictive Analytics und Online-Umfragen.
• Technologien: MS Office, SPSS und Weka.

• Beratung in Conjoint-Analysen.
• Technologien: Sawtooth.

• Bewertung von Softwareprodukten für Online-Umfragen.

• Statistische Analysen in der Marktforschung (Conjoint-, Kundenzufriedenheits- und Imagebefragungen usw.)
• Technologien: SPSS, Sawtooth, R, Excel-VBA und MS Office.

• Statistische Analysen in der Marktforschung.
• Technologien: SPSS, R und MS Office.

• Statistische Analysen und Online-Recherchen.
• Technologien: SPSS, MS Office.

• Fingerprint-Tracking.