Methodische und technologische Skills:

- Fundierte Kenntnisse in Mathematik, Statistik und Betriebswirtschaftslehre
- Analytisches und lösungsorientiertes Denken innerhalb komplexer Strukturen
- Sehr gute Branchenkenntnisse und Wissen über die jeweilige Daten-Domäne
- Kenntnisse in diversen Programmiersprachen wie Python, Java, C++, R, VBA
- Erfahrung im Einsatz von Analyse-Tools wie SAS, KNIME oder RapidMiner
- Kenntnisse in der Verwendung und Abfrage von relationalen Datenbanken
- Sicherer Umgang mit Data Visualization Tools wie Tableau, MicroStrategy, Power BI und QlikView einschließlich Skills in Präsentation und Kommunikation

Typische Aufgaben:

- Definition von Zielen, Anforderungen und Fragestellungen der Datenanalyse
- Sammlung von strukturierten und unstrukturierten Daten aus externen und internen Datenquellen
- Implementierung geeigneter Systeme zur Datensammlung und Speicherung
- Datenmodellierung, Konsolidierung, Aggregation und Verknüpfung von Daten
- Bereinigung von Datensätzen in Datenbanken, Fehleranalyse und -korrektur
- Analyse und Interpretation von Mustern, Zusammenhängen und Trends
- Visualisierung der Ergebnisse und Präsentation gegenüber Fachbereichen

Methodische und technologische Skills:

- Expertenwissen in Mathematik, Statistik, KI/ML und Operations Research
- Phasenmodell zur Strukturierung von Data-Mining- und Analytics-Projekten
- Analytisches und lösungsorientiertes Denken innerhalb komplexer Strukturen
- Sehr gute Branchenkenntnisse und Wissen über die jeweilige Daten-Domäne
- Expertise in Programmiersprachen, Analytics und Machine-Learning-Tools wie z. B. Python, R, KNIME, Spark, RapidMiner, Alteryx, TensorFlow, scikit-learn
- Sicherer Umgang mit Data-Visualization-Tools wie Tableau, Power BI und QlikView sowie Entwicklung von Visuals mittels R Shiny oder JavaScript API
- Ausgeprägte Skills in Präsentationstechniken und Kommunikation

Typische Aufgaben:

- Ansprechpartner für Experten für Data Science aus verschiedenen Domänen
- Identifikation und Ausarbeitung von datenbasierten Use Cases und den dazu passenden internen und externen (Big-Data-)Datenquellen
- Anbindung von Datenquellen, Zugriff auf Data Warehouse oder Data Lakes
- Datenqualitätsprüfungen, deskriptive Analyse von Rohdaten, Ableitung von Attributen (Feature Engineering) für Machine-Learning-Modelle
- Trainieren, Testen, Validieren und Rollout von Machine-Learning-Modellen
- Entwicklung von Predictive-Analytics-Lösungen auf Basis von KI-Methoden wie neuronale Netze, Fuzzy Logic, genetische Algorithmen und Simulationen

Methodische und technologische Skills:

- Umfassende Kenntnisse in der Datenverarbeitung und Business Intelligence
- Wissen im Bereich UI/UX, Grafikdesign sowie Kenntnisse des Storytellings
- Regeln und Best Practices zur Erstellung verständlicher Dashboards (IBCS)
- Expertise im Umgang mit Data-Visualization-Tools wie Tableau und Power BI
- Kenntnisse von Business-Intelligence-Architekturen und Self-Service BI
- Grundlagen der Verwendung und Abfrage von relationalen Datenbanken
- Anforderungsmanagement sowie analytisches Denken und Verständnis
- Abstraktionsfähigkeit, Kommunikationsfähigkeit und Überzeugungskraft

Typische Aufgaben:

- Grafische Aufbereitung von Daten durch Verwendung visueller Elemente
- Umwandlung komplexer Informationen in verständliche Sachverhalte
- Erstellung von Diagrammen, Dashboards, Reports und Präsentationen
- Vorgefertigte Visualisierungen in Bibliotheken (mit permanenter Erweiterung)
- Entwicklung eigener Visualisierungen (Custom Visuals) mit R Shiny oder JavaScript API zur Einbindung in das Reporting oder in Analysen
- Nutzung moderner Methoden, wie IBCS®, für ein abgestimmtes Reporting
- Nutzung von APIs und Interfaces zur Integration von R- oder Python-Code

Methodische und technologische Skills:

- Kenntnisse im Einsatz von On-Premises-Lösungen bzw Cloud-Computing-Plattformen wie AWS oder Azure
- Expertise in der Verwendung der Technologien Cloudera, Hadoop, Spark, Scala, Hive, Kafka und Splunk
- Erfahrungen in den Programmiersprachen R, Python, Java und SQL
- Kenntnisse in Datenmodellierungstechniken sowie Modellierungstools
- Verarbeitung von Massendaten anhand von Data-Streaming-Lösungen wie Kafka
- Agile Projektmethodik und Einsatz von CI/CD-Konzepten

Typische Aufgaben:

- Verwaltung des gesamten Lebenszyklus einer Big-Data-Umgebung: Auswahl der Plattform, Entwurf der technischen Architektur, Anforderungsanalyse, Anwendungsentwicklung, Design von Tests, Durchführung von Deployments
- Entwurf wiederverwendbarer Big-Data-Architekturen sowie technische Konzepte und Empfehlung von technischen Lösungen zur Umsetzung von Use Cases in den Bereichen Data Lakes, Data Science und Predictive Analytics
- Entwicklung und Implementierung robuster Data Pipelines für Data Lakes zur Speicherung, Bearbeitung und Analyse großer Datensätze
- Sicherstellung und Steigerung von Datenqualität, Datenvollständigkeit und Datenvalidität im Rahmen der Realisierung von Big-Data-Anwendungen

Methodische und technologische Skills:

- Expertenwissen in der Entwicklung mit SQL und relationalen Datenbanken
- Kenntnisse in der Administration von Datenbanken (SQL Server, Oracle DB)
- Verwendung von ETL-Tools (ODI, SSIS, Talend, Informatica) und Big-Data-Technologien (Apache Spark, Cloudera, Hadoop)
- Kenntnisse in NoSQL-Datenbanken (MongoDB, Cassandra, Cosmos DB)
- Kenntnisse im Einsatz von On-Premises-Lösungen bzw. Cloud-Computing-Plattformen (AWS S3, Azure Data Factory, Databricks, Snowflake)
- Kenntnisse in Methoden der Datenverarbeitung und Prozessverständnis

Typische Aufgaben:

- Monitoring und Maintenance sowie Weiterentwicklung von Prozessen rund um die Erstellung, Transformation, Speicherung und Pflege von Datensätzen
- Aufbereitung und Weitergabe von Daten für nachgelagerte Datenanalysen
- Optimierung vorhandener Datenverarbeitungsprozesse und Algorithmen
- Entwicklung von Schnittstellen zwischen verschiedenen Softwaresystemen
- Datenintegration und -transformation (ETL-Tools), Data Quality Management
- Verwendung von Fehlerprotokollen zur Gewährleistung von Datenintegrität, Datenvollständigkeit und Datenaktualität

Methodische und technologische Skills:

- Kenntnisse in Data Governance, Maser Data Management, Datenstrategie, Datenkatalog und Datenqualitätsmanagement
- Versiert im Umgang mit den Themenbereichen Compliance und Data Quality; Kenntnisse in Prozess- und Datenmanagementkonzepten
- Kenntnisse in verschiedenen Datenbanksystemen, Datenmodellierung und Tools zur Entwicklung von ETL-Prozessen
- Erfahrung im Bereich Data Engineering, z. B. mit Azure Data Factory, Einsatz der Datenkatalog-Tools von Informatica, Collibra oder Azure Purview
- Kenntnisse in unternehmensrelevanten Gesetzen und Verordnungen, z. B. Sarbanes-Oxley Act (SOX) oder Datenschutz-Grundverordnung (DSGVO)

Typische Aufgaben:

- Definition der Datenstrategie sowie von Fachkonzepten zum Aufbau einer nachhaltigen Data Governance
- Erstellung von Data-Governance-Frameworks einschließlich der Definition von Prozessen, Richtlinien, Methoden, Organisationen und Rollen
- Modellierung von Datenarchitekturen und -modellen auf Managementebene
- Entwicklung konzernweiter Standards für den Umgang mit Daten
- Einführung von Data-Management-Methoden und -Technologien
- Sicherstellung des Zugriffs auf Daten und Erkennen von Risiken
- Vereinheitlichung des Vokabulars, Standardisierung von Zugriffsprozessen

Methodische und technologische Skills:

- Kenntnisse in Softwarearchitektur, Softwareentwicklung, IT-Architekturen
- Kenntnisse in Data Management, Data Warehousing und Data Lakes
- Viel Erfahrung in der Entwicklung von organisatorischen Datenmodellen
- Erfahrung mit Cloud-Architekturen sowie IaaS-, SaaS- und PaaS-Angeboten
- Kenntnisse in der Architektur relationaler, spaltenbasierter, Graph- oder NoSQL-Datenbanken, Stream- oder Batch-Verarbeitung, Python oder Spark
- Expertise in Datenplattformen, IT-Security-Skills und Modellierungstools
- Datenintegration über mehrere interne und externen Quellen hinweg sowie Verarbeitung und Analyse großer Datenmengen

Typische Aufgaben:

- Konzeption von Datenbanken, Data-Lake-Umgebungen und Big-Data-Plattformen in Verbindung mit Data Engineering und Data Science Pipelines
- Entwicklung organisatorischer Datenarchitekturen und Datenmodelldesigns auf Konzept-, Logik- und Lösungsebene
- Erstellung von Modellen und Diagrammen anhand von Modellierungstools
- Vogelperspektive über die Entwicklung sowie über die Steuerung des Entwicklungsteams
- Weiterentwicklung bestehender Plattformen, Bewertung neuer Technologien
- Integrationskonzepte zur Einbettung von Anwendungen in eine bestehende Architektur

Methodische und technologische Skills:

- Erfahrung mit PIM/MDM-Systemen, z. B. mit Pimcore, Informatica, Stibo, Riversand​
- Kenntnisse in SQL, JavaScript sowie in der Versionsverwaltung mit GitHub​
- Erfahrung mit Compliance, Data Quality, Master Data Management und Business Intelligence und Kenntnisse in Prozess- und Datenmanagementkonzepten​
- Expertise komplexe Ideen zu vereinfachen und zu vermitteln​
- Erfahrung im Bereich Data Engineering, u. a. mit der Erstellung von ETL-Prozessen​
- Erfahren im Projektmanagement, einschließlich eines gründlichen Verständnisses für die Interpretation von Geschäftsanforderungen und deren Umsetzung in betriebliche Anforderungen​

Typische Aufgaben:

- Entwurf der Vision, Erstellung von Konzepten, Planung von Projekten und Entwicklung umfassender PIM/MDM-Lösungen​

- Modellierung von Datenarchitekturen auf Managementlevel und Implementation der konzernweiten Standards für den Umgang mit Daten​

- Analyse von Geschäftsanforderungen und Definition von Regeln, Anforderungen und Verantwortlichkeiten​

- Entwicklung von Datenqualitätsmetriken und Datenpflegekonzepten, um die Aktualität und Qualität von Stamm- und Transaktionsdaten zu garantieren​

- Konzeption und Implementierung performanter ETL-Pipelines​

- Zusammenarbeit mit lokalen und globalen Teams und Steuerung der Stakeholder​

Methodische und technologische Skills:

- Expertenwissen in den Bereichen Künstliche Intelligenz und Machine Learning​
- Erfahrung in der Identifikation von Geschäftsfällen und -anforderungen für KI-Lösungen​
- Kenntnisse in der Analyse und Bewertung von Dateninfrastrukturen​
- Erfahrungen in der Auswahl und Implementierung von KI-Tools und -Technologien​
- Erfahrung in der Zusammenarbeit mit Entwicklungs- und Datenanalyseteams​
- Fähigkeit, komplexe technische Konzepte klar und verständlich zu kommunizieren​
- Erfahrungen in den Programmiersprachen R oder Python und mit KI-Cloud-Plattformen (AWS Sagemaker, Databricks)​
- Kenntnisse bzgl Integration und Automatisierung von Machine-Learning-Modellen in den breiteren Software-Entwicklungs- und Betriebsprozess (MLOps)​

Typische Aufgaben:

- Identifikation von Anwendungsfällen und Anforderungen für KI-Lösungen​
- Auswahl der geeigneten KI-Technologien und -Tools für die Lösung​
- Design und Implementierung von maßgeschneiderten KI-Lösungen​
- Zusammenarbeit mit Entwicklungs- und Datenanalyseteams zur Umsetzung der Lösung​
- Schulung von Kunden in der Verwendung von KI-Technologien und -Tools​
- Kontinuierliche Verbesserung der KI-Lösung durch Feedback und Analyse von Daten​