Davide Imperati

• Föderierung von Daten über drei Hauptmarken und mehrere Nebenmarken
• Ziel-Datenmodell definiert und Migration von Altsystemen zum Snowflake Data Warehouse geleitet
• Stammdatenmanagement im SaaS-Tool des Anbieters (Step von Stibo) implementiert
• Daten aus Altsystemen extrahiert, für Kompatibilität mit dem neuen Modell transformiert und unter Erhalt der Herkunft in das Data Warehouse geladen
• Frontend-Team befähigt, Daten aus dem einheitlichen System abzurufen, um Cross-Selling über Marken hinweg zu unterstützen
• Daten-Governance zentralisiert, indem Data Stewards Governance basierend auf Geschäftsbereichen durchführen konnten
• Logging, Monitoring und erweiterte aggregierte Datenvisualisierung (Basis-Analytics) über zwei Jahre unter Dual-Run-Bedingungen implementiert

Technologien: Python, Pandas, SciPy, FastAPI, Flask, Django, Git, GitHub, Jenkins, Jira, ClickMe, CI/CD, TDD, DevOps, Terraform, Docker, Snowflake, PostgreSQL, AS400, Matillion, AWS (S3, ECS, ELB, Route53, ECR), sFTP, dbt, API, Step (Stibo), Linux, Bash Scripting.

• Migration der Big-Data-Plattform von Vodafone zu Google Cloud für alle europäischen Märkte geleitet, die Terabytes pro Tag verarbeiten
• Fähigkeiten des Core Data Engineering-Teams nach IR35-Auswirkungen wiederhergestellt, technische Schulden bewertet und gemindert
• Umfangsreduzierung mit Stakeholdern verhandelt, um Zeitpläne und Budget unter COVID-19-Bedingungen einzuhalten
• Migration trotz Wissensverlust und fehlender Dokumentation mit minimaler Verzögerung geliefert

Technologien: Java EE, Scala, Python, PySpark, GitHub, Jenkins, Jira, CI/CD, TDD/BDD, DevOps, Testautomatisierung, Load-/Stress-Testing, Kostenoptimierung, GCP (Dataflow, Composer, Dataproc, Cloud Storage, BigQuery, Bigtable, Spanner, Flink), Kubernetes, Docker, Terraform.

• Projekt „James“ umgesetzt, eine Reinforcement-Learning-KI zur Direktmarketing-Optimierung im Rahmen eines Google-Innovationsstipendiums
• Eine teilweise implementierte Plattform bewertet, den Kern mit modernen Tools neu aufgebaut und für den Produktionseinsatz termingerecht optimiert
• Zeitdruck, unvollständige Dokumentation und fehlende vorherige Fallstudien gemeistert
• Churn-Reduktion revolutioniert und ein preisgekröntes Contact Center unterstützt

Technologien: Python, Pandas, SciPy, NumPy, TensorFlow, Django, Flask, GitHub, Jenkins, Jira, GitOps, CI/CD, DevOps, Kubernetes, Docker, Terraform, Microservices, Confluence.

• Verantwortete die Bereitstellung einer Cloud-Logging- und Monitoring-Plattform mit einem 20-köpfigen Team an drei Standorten für die AWS Public Cloud-Einführung
• Überprüfte die Architektur nach dem PoC und skalierte die Plattform, um 5TB/Tag (5 Mrd. Nachrichten, 1,3 Mrd. Spitzenlast) zu bewältigen
• Erfüllte strenge Anforderungen an Cybersicherheit, Verfügbarkeit, Disaster Recovery und SLA/SLO unter Einschränkungen genehmigter Dienste
• Ermöglichte das Monitoring von fünf geschäftskritischen Cloud-Anwendungen, indem neue Muster und eine skalierbare Architektur eingeführt wurden

Technologien: AWS (API Gateway, Route53, S3, DynamoDB, Kinesis, Elastic Beanstalk, Lambda, ELB, IAM, CloudWatch, CloudTrail), MySQL, Boto, Terraform, FluentD, Flink, Kafka, Kafka Streams, Kinesis Firehose, NiFi, Cassandra, CQL, Elasticsearch, Logstash, Kibana, Java EE, Python, Bitbucket, Jenkins, Jira, CI/CD, TDD, BDD, DevOps, Docker, Kubernetes, Datadog.

• Entwickelte Meta-Analytics für die Unternehmens- und Investmentbank, kennzeichnete und bewertete alle Datenbestände und Softwareprodukte
• Definierte Metriken zur Datenqualität und formale Ontologien für logische Datenmodelle
• Scannte Metadaten, um physische Modelle abzuleiten, und verband sie heuristisch mit manueller Verfeinerung durch Informationsarchitekten
• Steigerte die Produktivität der Informationsarchitekten um den Faktor 4,7 durch teils automatisierte Prozesse

Technologien: Java, Spring, Python, RDF, OWL, Semantic-Web-Standards, Ontologien, Knowledge Graphs, BigQuery, ISO11179, Bitbucket, Jenkins, Jira, CI/CD, TDD, DevOps.