Data Scientist

4/2022 – 12/2022

Aktive Beteiligung an der Entwicklung eines Alarmsystems, das die Markenleitung bei wesentlichen Änderungen umgehend benachrichtigen soll. Dazu gehörte vor allem die Arbeit mit SQL-Abfragen, um bestimmte Bedingungen zu ermitteln, die das System auslösen würden. Sobald diese Bedingungen erfüllt waren, wurde ein Auslöser aktiviert, der das Senden einer Nachricht an das System initiierte.

Thema: Implementierung von Lambda Funktionen
Branche: E-Commerce
Verwendete Tools: SQL, snowflake, CDK, AWS, Lambda-Funktionen

Amazon Web Services (AWS), Snowflake, SQL

5/2021 – 3/2022

In dieser Funktion drehte sich das zentrale Ziel um die Entwicklung eines praktischen Prototyps, der auf Vorhersage ausgerichtet ist Umsatzwachstum und visuell zugängliche Vermittlung dieser Erkenntnisse. Dieses Bestreben beinhaltete den Zusammenschluss von Daten aus SQL- und Excel-Quellen, die nahtlos in eine Reihe sorgfältig formulierter Annahmen integriert wurden. Das Übergeordnetes Ziel war es, ein umfassendes Dashboard zu konstruieren, das die Entwicklung effektiv beleuchten würde Landschaft der Verkaufstrends und Schlüsselentwicklungen.

Die treibende Kraft hinter dieser Initiative war die Verpflichtung, Entscheidungsprozesse datengesteuert zu verbessern Einblicke. Der Prototyp wurde nicht nur als Vorhersagewerkzeug konzipiert, sondern auch als Mittel, um die Stakeholder mit einem zu stärken tiefes Verständnis der zugrunde liegenden Faktoren, die die Verkaufstrends beeinflussen. Auf diese Weise sollte eine Information ermöglicht werden strategische Planung und Anleitung kritischer Geschäftsentscheidungen, was die unverzichtbare Rolle der Datenanalyse unterstreicht und Visualisierung im Streben nach Geschäftserfolg.

Hauptaufgaben
Prototyperstellung: Entwickelte einen Prototyp zur Vorhersage des Verkaufswachstums mit Python- und Azure-Funktionen.
Datenintegration: Integrierte SQL- und Excel-Datenquellen mit Azure-Funktionen für eine umfassende Analyse.
Dashboard-Visualisierung: Verwendete Power BI, um visuell informative Sales-Trend-Dashboards zu erstellen.
Annahmetests: Angestelltes Python zum strengen Testen und Implementieren von Annahmen zum Umsatzwachstum.
Übergang zu SSIS ETL-Prozessen: Ersetzte Azure-Funktionen durch SSIS ETL-Prozesse und optimierte SQL-Abfragen für effiziente Datentransformation und -belastung.

Power Bi, SQL, Python, Microsoft Azure

5/2021 – 3/2022

In dieser Rolle lag der Schwerpunkt auf der Bereitstellung wertvoller Hilfe bei der Einrichtung und Wartung von ETL (Auszug, Transformations-, Last-) Prozesse zum Zwecke der Preisoptimierung mit Ziant. Dies umfasste eine Reihe von Verantwortlichkeiten zur Optimierung von Preisstrategien und zur Gewährleistung eines effizienten Datenflusses.

Hauptaufgaben
ETL-Prozesseinrichtung: Zusammenarbeit beim Einrichten von ETL-Prozessen, wobei die Funktionen von Ziant zum Extrahieren genutzt werden relevante Preisdaten, transformieren Sie sie, um bestimmte Geschäftsanforderungen zu erfüllen, und laden Sie sie in das System.

Datenintegration: Spielte eine entscheidende Rolle bei der Integration verschiedener Datenquellen, um eine umfassende zu ermöglichen Analyse von Preisfaktoren, die letztendlich eine bessere Entscheidungsfindung unterstützen.

Wartung und Optimierung: Beteiligte sich aktiv an der laufenden Wartung der ETL-Prozesse und stellte Daten sicher Genauigkeit und kontinuierliche Optimierung dieser Prozesse für verbesserte Effizienz und Genauigkeit.

Preisoptimierungsunterstützung: Unterstützung bei der Verwendung der Tools und Techniken von Ziant zur Optimierung von Preisstrategien, Beitrag zur Fähigkeit des Unternehmens, wettbewerbsfähige und profitable Preise festzulegen

Thema: Preisoptimierung
Branche: Großhandel - E-Commerce
Tools: SQL

SQL

4/2021 – 8/2021

Das Hauptziel dieser Aufgabe war es, einen gründlichen Vergleich zwischen zwei Datenbanken durchzuführen, eine aus der Controlling Abteilung und die andere von Finance. Der spezifische Schwerpunkt lag auf der Aufdeckung von Abweichungen bei den Verkaufszahlen und die Ursprünge dieser Unterschiede verstehen.

Um dies zu erreichen, wurde eine Kombination von Tools gekonnt eingesetzt, darunter SQL, Python und Excel. SQL wurde verwendet, um Extrahieren, transformieren und analysieren Sie Daten aus beiden Datenbanken, um die Identifizierung von Unterschieden zu erleichtern. Python gespielt eine wichtige Rolle bei der Automatisierung von Datenanalyseprozessen und bei Bedarf bei komplexeren Berechnungen. Excel, mit Seine vielseitigen Datenvisualisierungsfunktionen wurden verwendet, um Ergebnisse klar und verständlich darzustellen.

Hauptaufgaben
Datenextraktion und -transformation mit SQL: Extrahierte relevante Daten aus Controlling- und Finanzdatenbanken unter Verwendung von SQL und führte die erforderlichen Datentransformationen durch, um es für den Vergleich vorzubereiten.

Datenanalyse mit Python: Verwendete Python für eine eingehende Datenanalyse, einschließlich der Ermittlung von Umsatzunterschieden Zahlen und untersuchen ihre Grundursachen.

Berechnungsautomatisierung: Verwenden Sie Python, um Berechnungen zu automatisieren und komplexe Datenvorgänge durchzuführen, um dies sicherzustellen Genauigkeit in der Analyse.

Datenvisualisierung mit Excel: Präsentierte die Ergebnisse und Erkenntnisse visuell klar und verständlich Verwendung der Datenvisualisierungsfunktionen von Excel.

SQL, Python, Microsoft Excel