> Markdown version of [/jobs/ext/4041250-data-analytics-data-engineering-lead](https://www.wearedevelopers.com/jobs/ext/4041250-data-analytics-data-engineering-lead). Every page supports `.md` or `Accept: text/markdown`. Links point to the HTML versions so they work for humans too. Agent guide: [/agents.md](https://www.wearedevelopers.com/agents.md).

---

# Data & Analytics - Data Engineering Lead

- **Company:** VIG - VIENNA INSURANCE   GROUP AG
- **Location:** Wien, Austria (Remote available)
- **Experience:** Expert
- **Salary:** €54,751.0
- **Contract:** Permanent contract
- **Skills:** Databases, Information Engineering, Data Integration, Apache Hive, Python (Programming Language), NoSQL, Performance Tuning, DataOps, Software Engineering, SQL Databases, Management of Software Versions, Azure Data Factory, Information Technology, Data Analytics, Databricks
- **Published:** October 8, 2026
- **Apply:** https://jobroom.ams.or.at/jobsuche/FreieSucheVollanzeige.jsp?pk=5486570_4_6e5e07ea-1f92-4f67-b595-27bea3b

## About the Role

* Studium Informatik, Software Engineering, Data Engineering/Data Science oder gleichwertige Praxis
 * der Rolle entsprechende fundierte Data Engineering-Erfahrung, idealerweise mit Führungserfahrung
 * Sehr gute Kenntnisse von Databricks (Python, Spark SQL, Lakehouse), Declarative Pipelines, Jobs/Workflows
 * Erfahrung mit Azure Data Factory, Datenintegration/Orchestration, Datenmodellierung und Performance-Tuning
 * DataOps-Mindset: Versionierung, Tests, automatisierte Deployments, saubere Release-Prozesse
 * Ausgeprägte Führungs- und Kommunikationsstärke, selbstständig, lösungsorientiert; fundierte Englischkenntnisse, Deutsch vorteilhaft, Das Mindestentgelt für die Stelle als Data & Analytics - Data Engineering Lead (m/w/d) beträgt 3.910,79 EUR brutto pro Monat auf Basis Vollzeitbeschäftigung. Bereitschaft zur Überzahlung.

## Description

* Führung und Weiterentwicklung eines Data Engineering Teams; Koordination von Projekten mit Data Scientists, Engineers und Product Ownern
 * Aufbau und Betrieb skalierbarer Databricks-Pipelines mit Python, Declarative Pipelines und Jobs/Workflows
 * Einsatz von Azure Data Factory für Ingestion/Orchestration und Integration von SQL/NoSQL-Datenbanken
 * Einführung von Standards, wiederverwendbaren Templates und Dokumentation für gruppenweite Lösungen
 * Qualitätssicherung durch Versionierung, Testing, Monitoring, SLAs/SLOs und automatisierte Deployments
 * Kosten- und Performance-Management produktiver Pipelines