Data Analytics Engineer (m/w/d)
we make the world better with data
Die Woodmark Consulting GmbH gehört zu den führenden deutschen IT-Beratungsunternehmen für AI, Data & Analytics. Wir begeistern Menschen durch unsere Leidenschaft für Daten & Innovation. Das Leben unserer Werte Respekt, Offenheit, Vertrauen und Fürsorge sorgt für eine ausgezeichnete Unternehmenskultur und ist die Basis unseres Erfolgs. Nutze auch du deine Leidenschaft für Daten & Innovation und erschließe mit uns deren Potential. So schaffen wir gemeinsam einen Mehrwert für Kunden, Gesellschaft und Umwelt.
deine bunte aufgabenpalette
Anforderungen visualisieren: Basierend auf den Anforderungen des Kunden erstellst und pflegst du analytische Daten-Modelle und Dashboards, um sicherzustellen, dass sie den neuesten Geschäftsanforderungen entsprechen. Datenintegrität und Datenqualität sicherstellen: Zur performanten Nutzung der Reports und Dashboard erstellst Du modulare Datenmodelle, die zugleich Datenintegrität und -qualität sicherstellen. DevOps wird durchgehend gelebt: Du entwickelst in einem DevOps Team eigenverantwortlich Datenquellen und Datenpipelines, um eine effektive Datenbereitstellung für Use Cases und deren Nutzung zu gewährleisten. Kommunikation ist das Maß aller Dinge: Du bist stets im intensiven Austausch mit
- deinen Kunden, um ein professionelles Erwartungsmanagement und deren Zufriedenheit sicherzustellen,
- deinem Projektteam, um den Projekterfolg zu gewährleisten und natürlich
- dem Woodmark Team, um den Wissensaustausch und die gegenseitige Unterstützung zu stärken.
das hast du auf lager
Projekterfahrung: Du hastmindestens zwei Jahre Erfahrung in der Entwicklung von Datenquellen und -pipelines, Datenmodellierung und -analyse, Datenvisualisierung und -reporting. Expertise ist selbstverständlich: Du fühlst dich zuhause mit
- der Verwendung von Datenanalyse-Tools wie z.B. Tableau, Microsoft Power Plattform (Power Query, Power BI, Power Flows, Power App), AWS Quicksight, Knime, AWS Glue
- der Umsetzung von analytischen Datenmodellen z.B. in Data Vault 2.0 mittels nativem SQL, dbt Core oder Python
- der Verwendung von Datenschutz- und Sicherheitsrichtlinien sowie der Einhaltung von Best Practices in diesem Bereich
- dem Umgang mit unterschiedlichen Datenstrukturen (relational, json, xml) und derer Speicherformen in Layer-Modellen (3NF, Data Vault, Star Schema) und besitzt ein weiterführendes Verständnis
- der Arbeit mit verschiedenen Datenquellen und -typen, einschließlich unstrukturierter Daten
Originally posted on