Kategorien durchsuchen
Entdecken
Fiverr Pro
Deutsch
$
USD
Ich werde Data Warehouse auf Redshift, BigQuery, Postgres aufbauen
Senior Data Analyst, Cloud Data Engineer und Data Warehouse Experte
Ich helfe Unternehmen dabei, chaotische Daten in übersichtliche Dashboards, automatisierte Berichte und zuverlässige Datenpipelines umzuwandeln.
Mit über 7 Jahren Erfahrung in Datenanalyse und Data E...
Level 1
Hat bestimmte Leistungskriterien erfüllt und zeigt großes Potenzial auf dem Marktplatz.
Über diesen Service
Suchst du nach einer zuverlässigen Data Pipeline-Lösung, die Analysen frisch und genau hält?
Ich implementiere moderne Data Engineering Pipelines & Data Warehouses auf Redshift, Google BigQuery, ClickHouse und Postgres.
Batch ETL/ELT Pipelines und Echtzeit-Streaming-Architekturen, die zuverlässige, automatisierte und skalierbare Datenflüsse für Analysen und AI/LLM-Modelle gewährleisten.
Was du bekommst:
- ETL / ELT Pipelines für automatischen Datenimport und -transformation
- Batch-Pipelines (geplant stündlich, täglich oder nach Wunsch)
- Streaming-Pipelines mit Kafka, Pub/Sub, Kinesis oder CDC
- Data Warehouse Einrichtung auf Redshift, BigQuery, PostgreSQL oder ClickHouse
- dbt-Modelle inklusive Staging, inkrementellen Modellen, Tests und Dokumentation
- Orchestrierung der Data Pipeline mit Airflow, Dataflow oder Cloud-Scheduler
- AI-ready Datensätze für ML-Modelle und LLMs vorbereitet
Mein Stack:
- Redshift, Glue, Lambda, Kinesis, DMS, Athena
- BigQuery, Dataflow, Pub/Sub, Datastream
- PostgreSQL, MySQL, MongoDB
- Kafka, Debezium, CDC Pipelines
- dbt, SQL, Python
- Airflow, Cloud Composer
Warum ich:
Data Engineer mit über 7 Jahren Erfahrung. Ich spezialisiere mich auf Redshift, BigQuery, PostgreSQL und individuelle Data Warehouse-Architekturen.
Mein Portfolio
Meine weiteren Dienstleistungen im Bereich Datentechnik
FAQ
Automatische Übersetzung
Was ist der Unterschied zwischen ETL- und ELT-Pipelines?
ETL extrahiert, transformiert und lädt Daten; ELT lädt Rohdaten und transformiert sie im Warehouse (häufig bei BigQuery). Wir können je nach Bedarf beides umsetzen.
Welches Warehouse ist das beste für mich?
Redshift eignet sich am besten für große AWS-Analytik-Workloads. BigQuery ist ein vollständig serverloses GCP-Warehouse für schnelle, skalierbare Abfragen. PostgreSQL ist ideal für moderate Datenmengen und komplexe SQL-Abfragen. ClickHouse ist hervorragend für Hochgeschwindigkeits-OLAP und Echtzeit-Analysen. Die Wahl hängt von deinem Datenvolumen und Anwendungsfall ab.
Kannst du Streaming-Daten verarbeiten?
Ja – ich baue Echtzeit-Pipelines mit Kafka, Kinesis oder GCP Pub/Sub. Streaming ETL ist im Premium-Paket enthalten für aktuelle Datenflüsse.
Was benötigen Sie von mir, um zu beginnen?
Bitte gib Details zu deinen Datenquellen (Typ, Zugriff), gewünschtes Warehouse, Beispiel-Daten/Schema und Projektziele (Berichte, ML-Nutzung) an. Das hilft, die Lösung individuell anzupassen.
Wie nutzt du AI in der Pipeline?
Ich setze AI-Tools ein, um Teile des Workflows zu automatisieren – zum Beispiel GPT, um Transformationscode zu entwerfen oder Daten-Schemas zu inferieren, sowie BigQuery ML/Redshift ML-Modelle via SQL für prädiktive Funktionen (wo relevant).
