Qualitätsingenieur bei der Zulassung nach DO 254 (Hardware) und Do 178 (Software) jeweils nach der höchsten Kritikalitätsstufe DAL A

Die Zertifizierungsprojekte erfolgten nach den Regularien DO178 (Software, DAL A) und DO 254 (Hardware, DAL A) 

• Als Qualitätsingenieur war ich verantwortlich für die Erstellung der Prozesskonformen Planungsdokumente und Entwicklungsprozesse (Requirements Engineering). Weiter für die  Planung und Durchführung der Validierung (auch FPGA;VHDL-Code), Planung und Durchführung der Verifikation (auch FPGA,VHDL), Planung und Durchführung der Systemtest (Flugtests, Performancetest, Hardware- und Softwaretests, EMC Tests) und war beteiligt an den Audits der Zulassungsbehörde (EASA).

• Erstellung des Reporting mit Power BI
• Datenanalyse im Bereich CRM
• Analysieren der Google Analytics 4 Daten
• Web Dashboard Looker

• SAP R3 / S4
• Aufnahme des Ist-Zustandes
• Erstellung eines R/Shiny Programms zur Analyse der Durchlaufzeit; R- library Tidyverse und Shiny Anpassung mit JavaScript, HTML & CSS
• Prozessanalyse der Datenflüsse, Prozessaufnahme
• Definition des neuen Soll-Zustandes
• Unterstützung der Enterprise Architecture
• Aufbau Datenstruktur für eCommerce
• Datenanalyse im Bereich CRM
• Business Partner SAP HANA
• Forecast Berechnungen eCommerce
• Erstellung des Reporting mit Power BI
• Projektmanagement nach SCRUM

Berichterstattung und Zusammenarbeit über alle Stakeholder Ebenen.
Erstellung einer GMP gerechten Analysesoftware zum Monitoring von Prozessdaten im Qualitätsbereich und Produktion. Datenquellen waren MS SQL Datenbanken und SAP System. Erstellung von KPI Reports mit Power BI.

• SAP R3 QM-System
• MS SQL Datenbank
• Datenmodel Snowflake
• Vergleich Datenvisualisierung mit Power BI und Tableau
• Analyse und Visualisieren Daten mit R und Shiny
• Erstellung eines R/Shiny Programms zur Analyse der Produktionsdaten; R- library Tidyverse und Shiny Anpassung mit JavaScript, HTML & CSS
• Ausrollen über Shiny Proxy in einer Docker Umgebung
• Erstellung des Reporting
• Prozessanalyse der Datenflüsse, Prozessaufnahme
• Messmittelanalyse nach GUM

• Erstellung der Prozesskonformen Planungsdokumente (PEP Prozess)
  
• Audits entlang des PEP 
• Review der Entwicklungsdokumente 
• Entwicklungsprozesse (Requirements Engineering)
• Planung und Durchführung der Validierung
• Planung und Durchführung der Verifikation
• Planung und Durchführung der Systemtest (Flugtests, Performancetest, Hardware- und Softwaretests, EMC Tests)
• Teilnahme an den Audits der Zulassungsbehörde (EASA)
• Lieferantenaudits (weltweit)
• Betreuung der Serieneinführung, Yieldanalyse (FIRST PASS Yield), Root Cause Analysen
• Projekt Reporting
• Projektmanagement nach SCRUM

Berichterstattung und Zusammenarbeit über alle Stakeholder Ebenen
Analyse und neu Organisation der firmenweiten Materialstammdaten für das Projekt ?Digitalisierung und eCommerce?

• SAP R3 MM
• SAP HANA MM
• Business Partner SAP HANA
• Produktinformationsmanagement System Stibo
• Oracel Datenbanken PL/SQL Abfragen
• Analyse und Transformation der Daten mit R in XML Schemata
• Erstellung eines R/Shiny Programms zur Analyse der Materialstammdaten R- library Tidyverse und Shiny Anpassung mit JavaScript, HTML & CSS
• Ausrollen über Shiny Proxy in einer Docker Umgebung
• Optimierung Datenstruktur hinsichtlich Zugriffszeiten
• Erstellung des Reporting mit Power BI
• Forecast Berechnungen eCommerce
• Datenanalyse im CRM Bereich
• Dashboard Erstellung mit Looker
• Unterstützung der Enterprise Architecture
• Einsatz AWS S3 und EC2
• Aufbau Datenstruktur für eCommerce
• Prozessanalyse und Optimierung der Datenflüsse, Prozessaufnahme
• Projektmanagement nach SCRUM

• Entwicklung Datenmodell
• DAX Skripte erstellt
• Entwicklung und Erstellung von Dashboards in Power BI
• Analyse der Daten
• Oracel Datenbanken PL/SQL Abfragen
• Forecast Berechnungen
• Erstellung des Reporting

• Umstellung der SW auf neustes Release
• Optimierung der Parallelisierung
• Optimierung vom OpenMP Code
• Softwarebereitstellung über CI/CD
• Analyse und Optimierung Virtueller Maschinen
• Validierung der SW
• Durchführen von Simulationen

• Planung, Durchführung, und Aufbau von ETL Strecken
• Erstellen Datenbank in der AWS S3 und EC2
• Erstellung eines R/Shiny Programms zur Analyse der Produktionsdaten R- library Tidyverse und Shiny Anpassung mit JavaScript, HTML & CSS
• Ausrollen über Shiny Proxy in einer Docker Umgebung
• Softwarebereitstellung über CI/CD
• Auswertung der Daten automatischer Produktionsanlagen
• SAP R3 QM-System
• Oracel Datenbanken PL/SQL Abfragen
• Detection von Anomalien in den Datensätzen
• Erstellen von statistischen Modellen und Simulation
• Erstellen von ML Modellen zur Reduzierung der Nacharbeit (supervised und unsupervised learning) mit Python
• Erstellen von statistischen Modellen und Simulation mit Python (Numpy, Scipy, Pandas, Matplotlib, Seaborn, Scikit-Learn, Tensorflow)
• Bereitstellung der Machine Learning Modelle in der Azure Cloud
• Validierung der Simulationsmodelle
• Messmittelanalyse nach GUM
• Yield Analyse
• Vergleich Datenvisualisierung mit Power BI und Tableau

Berichterstattung und Zusammenarbeit über alle Stakeholder Ebenen
Qualitätsingenieur bei der Zulassung nach DO 254 (Hardware) und Do 178 (Software) jeweils nach der höchsten Kritikalitätsstufe DAL A. Die Zertifizierungsprojekte erfolgten nach den Regularien DO178 (Software, DAL A) und DO 254 (Hardware, DAL A).

• die Erstellung der Prozesskonformen Planungsdokumente (PEP Prozess)
• Audits entlang des PEP
• Entwicklungsprozesse (Requirements Engineering)
• Planung und Durchführung der Validierung (auch FPGA;VHDL-Code)
• Planung und Durchführung der Verifikation (auch FPGA,VHDL)
• Planung und Durchführung der Systemtest (Flugtests, Performancetest, Hardware- und Softwaretests, EMC Tests)
• Teilnahme an den Audits der Zulassungsbehörde (EASA)

• Einführung der Monte Carlo Methode für das Projektmanagement
• Schulung der Mitarbeiter in der Monte Carlo Methode
• Evaluierung der verschiedenen SW Anbieter
• Simulation der Projektpläne hinsichtlich Zeit und Kosten
• Erstellung eines R/Shiny Programms zur Analyse der Projektkosten und Projektzeitplan mit Hilfe der Monte Carlo Methode R- library Tidyverse und Shiny Anpassung mit JavaScript, HTML & CSS
• Ausrollen über Shiny Proxy in einer Docker Umgebung
• Erstellen von statistischen Modellen und Simulation

• Vernetzen der Produktionsanlagen
• Aufbau der ETL Strecke zu SAP R3 QM-System / SAP BW
• Aufbau SAP Tabellen
• Aufstellen statistischer Modelle
• Messmittelanalyse nach GUM
• Detection von Anomalien in den Datensätzen
• Einführen und Schulung der SPC Methode
• Erstellen von statistischen Modellen und Simulation mit Python
• Erstellen von statistischen Modellen und Simulation mit Python (Numpy, Scipy, Pandas, Matplotlib, Seaborn, Scikit-Learn, Tensorflow)
• Erstellen von Machine Learning Modellen (supervised und unsupervised learning) mit Python
• Bereitstellung der ML Modelle in der Azure Cloud
• Einzelheiten auf Anfrage
• Datenvisualisierung mit Power BI

Berichterstattung und Zusammenarbeit über alle Stakeholder Ebenen
Ziel des Projektes war die Verknüpfung von Testdaten aus den Produktionsprozessen um den Einfluss verschiedener Faktoren, die während der Produktion anfallen, zu analysieren. Aus den Analysen der großen Datensätze (mehrere Gigabyte) wurde erkannt, welche Faktoren einen entscheidenden Einfluss auf die Qualität des Endproduktes haben

• Vernetzen der Produktionsanlagen
• Aufbau der ETL Strecke zu SAP QM-System
• Aufbau SAP Tabellen
• Aufbereitung der Daten zur Korrelationsanalyse
• Detection von Anomalien in den Datensätzen
• Verknüpfung von Daten verschiedener Produktionsschritte
• Predictive Analytics Modellen mit Python
• Messmittelanalyse nach GUM
• Erstellen von statistischen Modellen und Simulation mit Python (Numpy, Scipy, Pandas, Matplotlib, Seaborn, Scikit-Learn, Tensorflow)
• Erstellen von Machine Learning Modellen (supervised und unsupervised learning)
• Erstellen von statistischen Modellen mit Python
• Datenvisualisierung mit Tableau
• Einzelheiten auf Anfrage

• Analyse der User Reaktion auf Marketingaktionen
• Analyse mit NLP (Python und R)
• Analyse des User Verhaltens
• Analyse der Kundenreaktionen
• Analyse mit Google Analytics
• Anwendung/Analyse von GIS Analysen
• Erstellen von statistischen Modellen zur Kundenbindung mit Python
• Erstellen von Reports aus Google Analytics
• Datenvisualisierung je nach Fremdenverkehrsamt in Power BI oder Tableau

• Validierung von physikalischen, chemischen und biologischen Testmethoden
• Erstellen von Testplänen
• Erstellen von Berichten
• Analyse der Versuchsdaten
• Erstellen von statistischen Modellen mit Python und Matlab
• Einzelheiten auf Anfrage
• Datenvisualisierung mit Tableau

Ziel des Projektes war die Analyse von Produktionsdaten  um auf die Ausfallwahrscheinlichkeiten der Anlagen zu schließen. Mit den Ergebnissen konnten vorbeugende Wartungen durchgeführt werden.

• Aufbau der ETL Strecke zu SAP
• Aufbau SAP Tabellen
• Aufbereitung der Daten für Predictive Maintenance
• Predictive Maintenance Modelle erstellen mit Python
• Erstellen von statistischen Modellen und Simulation mit Python (Numpy, Scipy, Pandas, Matplotlib, Seaborn, Scikit-Learn, Tensorflow)
• Bereitstellung der ML Modelle in der Azure Cloud
• Erstellen von statistischen Modellen mit Python
• Einzelheiten auf Anfrage
• Datenvisualisierung mit Power BI

Development of an analytical environment for BIG DATA; Technical Architect (Predictive) Analytics

• Software Entwickler R, Python und SQL / Datenanalysten
• Installation und Management über Ambari (Hortonworks)
• Cluster mit 3 Serverinstallation; Lambda Architektur mit Kafka als Ingestion Layer Aufbereitung Speed Layer (Storm)
• Batch Layer (Spark)
• Datenspeicherung in verschiedenen Datenbanken (HBase, Cassandra, MongoDb, ?HDFS?)
• Auswertung wurde hauptsächlich mit Python und R durchgeführt
• Prädiktive Analytics Aufbau mit Python
• Erstellen von statistischen Modellen und Simulation mit Python (Numpy, Scipy, Pandas, Matplotlib, Seaborn, Scikit-Learn, Tensorflow)
• Aufbau und Betrieb eines ETL Prozess mit Talend
• Test von Splunk
• Einzelheiten auf Anfrage
• SQL und NoSQL Datenbanken
• Anwendung/Analyse von GIS Analysen

• Ziel des Projektes war aus den Reaktionen auf Facebook und Twitter auf veröffentlichen Beiträgen eine Aussage über die Kundenzufriedenheit im Tourismusbereich abzuleiten

• Optimierung eines Produktionsprozesses mit Hilfe eines DOE (design of experiments, statistische Versuchsplanung).
• Ziel des Projektes war den Ausschuss zu reduzieren und die Prozessparameter optimal einzustellen..

• Ziel des Projektes war die Verknüpfung von Testdaten aus den Produktionsprozessen um den Einfluss verschiedener Faktoren, die während der Produktion anfallen, zu analysieren.  Aus den Analysen der großen Datensätze (mehrere Gigabyte) wurde erkannt, welche Faktoren einen entscheidenden Einfluss auf die Qualität des Endproduktes haben.

• Ziel des Projektes war die Einstellung von Anlagendaten einer 600 m langen Walzanlage für Weißblech. Die Durchlaufgeschwindigkeit betrug bis zu 300 m/min. Dies wurde mit einem statistischen Versuchsplan (DOE) durchgeführt

• Dieses Projekt war eine Fortführung des Projektes „Einführung SPC vernetzte Arbeitsplätze (INDUSTRIE 4.0)“. Wichtigste Erweiterung war das Einbinden von SAP R3

• Ziel des Projektes war der Aufbau eines SPC Systems (statistische Prozesskontrolle) Mit diesem System wurden Prozesskenngrößen erfasst und statistisch Ausgewertet um die Prozessstabilität der Herstellungsprozess zu garantieren. Hauptziel war es frühzeitig Prozessveränderungen z.B. Verschleiß zu erkennen.
• Die graphische Darstellung der Ergebnisse erfolgte hauptsächlich mit Tableau.
• Benutzt wurden die Ergebnisse von Gruppenleitern und Abteilungsleitern in der Produktion.

Aufbau eines MES Systems auf Basis SAP R3, Einführen Produktionstracking (Einzelfertigung, Kleinserie), Coaching Gruppenleitern und Abteilungsleitern in der Produktion

• Ziel des Projektes war der Aufbau eines SPC Systems (statistische Prozesskontrolle) Mit diesem System wurden Prozesskenngrößen erfasst und statistisch Ausgewertet um die Prozessstabilität der Herstellungsprozess zu garantieren. Hauptziel war es frühzeitig Prozessveränderungen z.B. Verschleiß zu erkennen.
• Die graphische Darstellung der Ergebnisse erfolgte hauptsächlich mit Tableau.