Data Analytics Engineer (m/w/d) für Databricks, Azure und LLM-Auswertung

Projektbeschreibung

Für ein etabliertes Beratungshaus im Datenumfeld suchen wir einen Data Analytics Engineer. Der Endkunde ist ein Unternehmen aus der Automotive-Branche mit großen Datenbeständen aus Maschinen und Werkzeugen. Ein Teil davon sind Messwerte und Sensordaten, ein anderer Teil besteht aus Freitext, etwa Protokollen, Störungsmeldungen und Wartungseinträgen. Genutzt wird davon bisher wenig.

Deine Aufgabe ist der Aufbau eines POC beziehungsweise MVP für ein Analytics-Werkzeug, das aus diesen Daten verwertbare Aussagen zieht und damit Geschäftsentscheidungen unterstützt. Du arbeitest dafür auf Databricks in einer Azure-Umgebung, baust die Verarbeitung der numerischen Daten auf und setzt LLM-basierte Auswertung auf die Textseite.

Ein erheblicher Teil der Texte ist deutschsprachig und fachlich sehr spezifisch. Ohne verhandlungssicheres Deutsch lässt sich der Kontext dieser Daten nicht erschließen, deshalb ist das eine harte Voraussetzung für die Rolle. Das Projekt ist bewusst als Prototyp angelegt, du hast also Gestaltungsraum bei der Architektur und arbeitest eng mit dem Beratungsteam und den Fachbereichen beim Endkunden zusammen.

Anforderungen

• Fundierte praktische Erfahrung mit Databricks, sicher in Spark und in der Arbeit mit Delta Lake.
• Erfahrung in einer Azure-Datenplattform, zum Beispiel Data Lake Storage, Data Factory oder Synapse.
• Praktische Umsetzung von LLM-Anwendungsfällen, etwa Informationsextraktion aus unstrukturiertem Text, Klassifikation oder RAG-Ansätze.
• Verhandlungssicheres Deutsch, zwingend erforderlich wegen der deutschsprachigen Datengrundlage. Englisch für die Projektkommunikation.
• Erfahrung im Aufbau von POCs oder MVPs, also die Fähigkeit, mit unklarer Datenlage zu starten und schnell etwas Vorzeigbares zu liefern.
• Von Vorteil: Erfahrung mit Graphdatenbanken wie Neo4j, außerdem Kenntnisse aus dem Produktions- oder Automotive-Umfeld.

Kontakt

Bitte sende uns dein Profil mit Angabe deines Stundensatzes und deiner Verfügbarkeit. Wichtig sind konkrete Projektbeispiele zu Databricks und zu LLM-Anwendungsfällen.