Data Engineer

Arbeitszeit: Die regelmäßige Arbeitszeit liegt verlässlich zwischen 5 und 14 Uhr CEST. Dieses Fenster muss am Arbeitsort normalen Tagesarbeitszeiten entsprechen, ungefähr in GMT+4 bis GMT+8.
Erfahrung: Erforderlich sind mindestens drei Jahre Erfahrung im operativen Data Engineering in einer Produktionsumgebung sowie genügend Erfahrung für selbstständiges Arbeiten.
Vergütung: Gehalt nicht angegeben

Die Rolle in Kürze

Die Rolle verantwortet Betrieb und Weiterentwicklung einer bestehenden Datenplattform zu ungefähr gleichen Teilen. Sie gewährleistet morgens eine verlässliche Plattform für das europäische Team und arbeitet eng mit BI, Analytics und Datenverantwortlichen zusammen. Dazu gehören Fehlerbehebung, Datenmodellierung, Qualitätskontrollen, Leistungsoptimierung und die Prüfung KI-gestützter Entwicklung.

Deine Aufgaben

Die nächtliche Verarbeitung wird überwacht; Wartungsbedarf, fehlgeschlagene Jobs und Qualitätsvorfälle werden während der regulären Arbeitszeit bearbeitet. Jeden Morgen wird dem europäischen Team eine funktionierende Plattform übergeben.
Airflow-DAGs und zugehörige Python-Jobs auf Windows- und Linux-VMs werden betrieben und entstört. Dazu gehören fehlgeschlagene Tasks, Backfills und Abhängigkeiten entsprechend dem tatsächlichen Datenfluss.
Wiederkehrende Probleme der lokalen Microsoft-SQL-Server-Umgebung werden untersucht und behoben, einschließlich systemübergreifender Zugriffe über Linked Servers, OPENQUERY und PolyBase.
Veraltete Datenzuflüsse, fehlerhafte Joins und unbemerkte Änderungen an Quellsystemen werden gemeinsam mit den Datenverantwortlichen geklärt. Automatische Qualitätsprüfungen kontrollieren Aktualität, Volumen, referenzielle Integrität und Geschäftsregeln.
Neue Quelldomänen werden im Warehouse modelliert und in verständliche, für Analysten nutzbare Datenmodelle überführt, während das Unternehmen wächst.
Langsame SQL-Abfragen, gespeicherte Prozeduren, Indizes und Ausführungspläne werden optimiert, damit die Plattform mit zunehmendem Unternehmenswachstum schneller wird.
Wiederkehrende Fehler werden durch bessere Alarmierung, Protokollierung, Runbooks und Automatisierung dauerhaft behoben.
KI-Werkzeuge werden intensiv eingesetzt. Vor dem Produktiveinsatz werden generiertes SQL und Pipeline-Code abschließend geprüft, Ausführungspläne bewertet, Ergebnisse mit Quelldaten abgeglichen und unterstützende Tests entwickelt.

Das solltest du mitbringen

Erforderlich

Erforderlich sind mindestens drei Jahre Erfahrung im operativen Data Engineering in einer Produktionsumgebung und ausreichend Erfahrung für selbstständiges Arbeiten.
Erwartet werden die selbstständige Fehleranalyse anhand von Logs, SQL und Python, ein ausgeprägter Qualitätsanspruch und die Sicherheit, Datenverantwortlichen fehlerhafte Datenzuflüsse samt Ursachen und Lösungsvorschlägen zu erläutern.
Vorausgesetzt werden professionelle Microsoft-SQL-Server-Kenntnisse, hervorragendes T-SQL und fundierte Optimierungskenntnisse zu Indexstrategien, Ausführungsplänen, Abfrageoptimierung und Partitionierung. Dazu gehören die passende Auswahl dieser Maßnahmen und sicherer systemübergreifender Zugriff mit Linked Servers, OPENQUERY und PolyBase.
Erforderlich ist Urteilsvermögen bei der Datenmodellierung: Warehouse-Tabellen und dimensionale Modelle müssen veränderten Quellen und neuen Analysefragen standhalten. Qualitätsprüfungen müssen so platziert werden können, dass sie Probleme erkennen und keine unnötigen Meldungen erzeugen.
Erforderlich sind fundierte Python-Kenntnisse für Pipelines, Transformation und Automatisierung sowie praktische Airflow-Erfahrung im Produktivbetrieb. DAGs müssen selbst erstellt, betrieben und debuggt worden sein, einschließlich Scheduling, Wiederholungsversuchen, Backfills, Abhängigkeiten und Ursachenanalyse fehlgeschlagener Tasks statt bloßer erneuter Freigabe.
Zwingend erforderlich sind sowohl praktische Erfahrung mit Claude Code oder einem vergleichbaren agentischen Coding-Werkzeug, MCP-Servern und LLM-gestützten Abläufen als auch deren kritische Prüfung. Dazu gehören das Lesen generierten SQLs, die Bewertung von Ausführungsplänen und der Abgleich der Ergebnisse mit den Quellen.
Git und GitLab mit Branching, Merge Requests, Code-Reviews und CI/CD-Pipelines müssen zum Arbeitsalltag gehören.
Erforderlich sind Debugging-Fähigkeiten auf Windows- und Linux-VMs sowie anwendbare Kenntnisse mindestens einer großen Cloudplattform, Azure oder AWS.
Erwartet werden eigenständige Ursachenanalyse statt bloßer Neustarts und die durchgängige Verantwortung für Probleme ohne ausdrückliche Aufforderung.
Englischkenntnisse müssen ausreichen, um Datenverantwortlichen fehlerhafte Datenzuflüsse klar und überzeugend zu erläutern.
Erforderlich ist die dauerhafte Verfügbarkeit von 5–14 Uhr CEST in einer Zeitzone, in der dies normale Tagesarbeitszeiten sind; genannt wird ungefähr GMT+4 bis GMT+8.

Von Vorteil

Wünschenswert ist Erfahrung mit Microsoft Fabric, insbesondere Lakehouse oder Warehouse, Data-Factory-Pipelines und OneLake. Die Plattform wird derzeit lokal betrieben; Fabric wird als mögliche Entwicklungsrichtung geprüft.
Wünschenswert ist Erfahrung im Bau eigener MCP-Server oder interner LLM-Werkzeuge über deren bloße Nutzung hinaus.
Wünschenswert ist Vertrautheit mit Power BI oder einem anderen BI-Werkzeug als Anwendungsschicht zur Datennutzung.
Wünschenswert sind Einblicke in schnell wachsende B2C-Unternehmen oder Unternehmen mit abonnementbasiertem Geschäft.

So ist Remote hier geregelt

Die Zusammenarbeit erfolgt nach dem Remote-first-Prinzip in einem globalen Team.
Der Arbeitsort muss in einer Zeitzone liegen, in der 5–14 Uhr CEST normale Tagesarbeitszeiten sind; genannt wird ungefähr GMT+4 bis GMT+8.
Zur Zusammenarbeit gehören Treffen in der EU und eine jährliche gemeinsame Sommerreise.

Das wird angeboten

Geboten werden Remote-first-Zusammenarbeit in einem globalen Team, Treffen in der EU und eine jährliche gemeinsame Sommerreise.
Die Rolle bietet klare, planbare Arbeitszeiten von 5–14 Uhr CEST; die operativen Aufgaben sind innerhalb dieses Zeitfensters vorgesehen.
Die operative Plattformverantwortung ist mit eigenständiger Arbeit und Vertrauen in deren Ausführung verbunden.
Das Team setzt KI-Werkzeuge produktiv ein und erwartet offene Rückmeldungen bei unzureichenden Ergebnissen. Die Zusammenarbeit legt Wert auf Klarheit, Struktur und langfristiges Denken.
Die Rolle arbeitet eng mit BI, Analytics und Datenverantwortlichen im gesamten Unternehmen zusammen.

Veröffentlicht: 10.08.2026 · Quelle geprüft: 19.10.2026.

Die Angaben sind für RemoteFruit einheitlich aufbereitet. Maßgeblich bleibt die Originalanzeige. RemoteFruit steht in keiner Partnerschaft mit dem ausschreibenden Unternehmen.