• Sammeln, priorisieren und verfeinern von Anforderungen von Stakeholdern
• Erstellen und Pflegen eines Produkt Backlogs, in Form von User Stories
• Festlegen der Reihenfolge, in der Features und Aufgaben entwickelt werden, basierend auf dem geschäftlichen Wert
• Klären von Anforderungen gegenüber dem Entwicklungsteam, um sicherzustellen, dass die gewünschte Funktionalität verstanden wird.
• Definieren von klaren Akzeptanzkriterien für jede User Story, dass die Anforderungen erfüllt sind
• Ständiges Verständnis für die Bedürfnisse und Probleme der Kunden und Gewährleistung, dass das Produkt diesen Bedürfnissen gerecht wird

• Ermitteln, Sammeln und Dokumentieren von Anforderungen von Stakeholdern, Benutzern und anderen relevanten Quellen
• Überprüfen und Verstehen der erfassten Anforderungen, um sicherzustellen, dass sie klar, konsistent und umsetzbar sind
• Identifizieren von potenziellen Konflikten oder Lücken in den Anforderungen
• Bewertung der Wichtigkeit und Dringlichkeit von Anforderungen, um die Entwicklungsprioritäten festzulegen
• Klare und effektive Kommunikation mit verschiedenen Stakeholdern, um ein gemeinsames Verständnis der Anforderungen sicherzustellen
• Steuerung von externen Stakeholdern und internen Experten

• Verantwortung und Priorisierung von Funktionalitäten
• Identifizierung von Anwendungsmöglichkeiten von Data Science in der Produktion
• Konzeption und Implementierung von Funktionalitäten in der Software
• Ausarbeitung von Use- Cases
• Analyse von Daten durch statistische und Machine Learning Methoden.
• Datenaufbereitung und Transformation mit Python und SQL
• Entwicklung einer Anomalie-Erkennung für Prozesse in der Produktion

• Definition von Features und Priorisierung
• Aufbau von Real Time Data Flow mit Apache Nifi
• Optimierung von Datenhaltung und Persistieren mit S3, InluxDB und Delta Lake
• Datenbereinigung und Transformation mit Python und Spark
• Analyse von Daten durch statistische und Machine Learning Methoden
• Identifizierung von Optimierungen mit ML-Methoden 
• Training von ML-Modellen und Implementierung eines Empfehlung Systems mittels Scipy & Scikit-Learn

• Verdichtung und Aufbereitung von Sensordaten zu Analysezwecken
• Entwicklung Azure Data Factory Pipelines für die Datenintegration von Echtzeit Daten
• Datenbereinigung und Transformation mit Python und Spark
• Konzeption und Beratung für Azure Data Lake Architektur
• Schulung Apache Spark mit Databricks

• Konzeption und Ausarbeitung des Schulungsprogramms
• Themen: Regression, Klassifizierung, Feature Engineering, Clustering, Text Mining und Time Series Classification
• Durchführung der Schulung und Umsetzung eines definierten Use Cases mit Python (Pandas, Scikit-Learn)
• Nachbearbeitung und Betreuung

• Anforderungsanalyse und Konzeption eines Lösungsansatzes zur Analyse von >200.000 Textdokumenten
• Datenbereinigung, Aufbereitung und Natural Language Processing mit Apache Spark SQL & ML
• Topic Modelling mit Latent Dirichlet Allocation auf Basis von Häufigkeitsvektoren
• Modeling mit K-Means und Tf-idf auf Basis von Word2Vec
• Automatisierte Bereitstellung der Ergebnisse und interaktive Visualisierung in Tableau

Anonymisierung und Verschlüsselung von Geschäftsdaten aus einer Vertriebsdatenbank und anschließend Partitionierung und Export.

Ganztägige Schulung einer Kleingruppe im Umgang mit dem Big Data Framework Spark.