Das ist der Job
Aufgaben Du konzipierst und implementierst End-to-End-Lösungen auf Basis von Databricks in Kombination mit einem führenden Hyperscaler (Azure, AWS, GCP) und entwickelst Best Practices sowie Standards für unsere Kunden.
Du spielst eine zentrale Rolle neben der Geschäftsführung mit der Möglichkeit, Personen zu entwickeln, Geschäftsfelder zu erweitern und Kundenbeziehungen aufzubauen.
Das brauchst du
Profil & Qualifikationen Abgeschlossenes Studium im MINT-Bereich oder in Wirtschaftsinformatik – oder vergleichbare Qualifikation. Fundierte Kenntnisse in Python, SQL, Apache Spark, Delta Lake und Terraform. Kenntnis von Infrastructure as Code (z.B.
Starke analytische Fähigkeiten, technologische Neugier, ausgeprägte Kommunikations- und Teamorientierung mit Fokus auf Prozessoptimierung.
Darum lohnt es sich
Tech Lead - Data Engineering (m/w/d) Azure und Databricks End-to-End-Lösungen mit Databricks & Hyperscalern (Azure/AWS/GCP) entwickeln, ein Data Engineering-Team führen und fördern, zentrale Rolle neben der Geschäftsführung mit Fokus auf Geschäfts- und Kundenentwicklung, strategische Ausrichtung mitprägen und Innovation in Data Ingestion & Preparation vorantreiben.
Du führst ein Team von Data Engineers, förderst deren Weiterentwicklung und agierst als Mentor, um Exzellenz im Data Engineering zu etablieren. Du übernimmst eine zentrale Rolle in unserer internen Produktentwicklung mit Schwerpunkt Data Ingestion und Data Preparation und treibst Innovationen in diesem Bereich voran.
Benefits Wir unterstützen Dich bei fachlichen Weiterbildungen und Zertifizierungen, bieten flexible Arbeitsbedingungen (Hybrid Work), betriebliche Altersvorsorge, Gesundheitsvorsorge (Urban Sports Mitgliedschaft), individuelle Hardwarewahl, Job‑Ticket für ganz Deutschland, leistungsbezogene Prämie bis zu 200 % und vielfältige Meet‑Ups & Messen zur Weiterentwicklung. #J-18808-Ljbffr Mindestens fünf Jahre Berufserfahrung im Bereich Data Engineering, insbesondere mit End-to-End-Lösungen und Databricks.
Erfahrung mit Data Lakehouse-Architekturen, ETL/ELT-Pipelines, Streaming-Technologien und verteiltem Rechnen. Terraform) und CI/CD-Pipelines für Data Workloads.
