> Markdown version of [/jobs/ext/4764864-senior-data-engineer-data-architect](https://www.wearedevelopers.com/jobs/ext/4764864-senior-data-engineer-data-architect). 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). --- # Senior Data Engineer / Data Architect - **Company:** Parfümerie Douglas - **Location:** Heilbronn, Germany (Remote available) - **Experience:** Expert - **Contract:** Permanent contract - **Skills:** .NET Framework, Artificial Intelligence, Airflow, Data Analysis, Microsoft Azure, BigQuery, C Sharp (Programming Language), Spreadsheets, Cloud Computing, Cloud Database, Data Architecture, Extract Transform Load (ETL), Data Warehousing, Data Flow Control, Microsoft SQL Server, SQL Azure, Feature Store, Feature Engineering, Azure Data Factory, Change Data Capture, Data Lakes, Star Schema, Code Restructuring, Azure Synapse Analytics - **Published:** November 18, 2026 - **Apply:** https://jobs.meinestadt.de/heilbronn/standard?id=260826752 ## About the Role Tiefes MSSQL-Know-how - Execution Plans lesen, Index-Strategien verstehen, Wait Stats interpretieren ist für dich Handwerk, kein Aufwand. Solides Verständnis von .NET / C# - du musst kein Fullstack-Entwickler sein, aber du kannst EF-generierte Queries lesen, nachvollziehen wie unsere Applikationen auf die DB zugreifen und im Zweifel auch einen kleinen Konsolenjob oder ein Script bauen. Unser Stack ist durchgängig .NET - ein Data Engineer, der die Anwendungsseite nicht liest, optimiert ins Blaue. Nachweisbare Erfahrung mit Data Warehousing - Star Schema, SCD, Staging Layer sind keine Buzzwords für dich. Solide ETL/ELT-Erfahrung - du hast Datenpipelines gebaut, die auch nach einem Jahr noch laufen. Verständnis für ML-Datenanforderungen - du weißt was Feature Engineering braucht, auch wenn du kein Data Scientist bist. Erfahrung mit Datenmodell-Refactoring in laufenden Produktivsystemen - du kennst den Unterschied zwischen Greenfield und Realität. Eigenverantwortliches Arbeiten: Du analysierst, priorisierst und machst einen Vorschlag - du wartest nicht auf ein Ticket. Nice to have Kenntnisse in Columnstore Indexes und Partitionierungsstrategien für große Tabellen. Erfahrung mit Data Contracts oder schema-getriebenen Pipelines. Erfahrung mit GCP-Datendiensten (BigQuery, Dataflow, Pub/Sub, Cloud SQL) - gerne als primäre Cloud-Erfahrung. Erfahrung mit modernen Pipeline-Tools wie dbt, Airflow, Azure Data Factory oder Synapse Analytics. Kenntnisse in Azure-Diensten rund um Daten (Azure SQL, Synapse, Fabric, Data Lake). Erfahrung mit CDC (Change Data Capture) oder Event-Driven-Architekturen. ## Description Data Lake SQL Azure Arbeit mit Menschen mit Behinderung Dienstleistungen START Cloud C# E-Commerce Hybrid Make Optimierung Data Warehouse Kosmetik ETL Engineering Refactoring Verantwortungsvolle Arbeitsweise Flexibilität Eigenmotivation, Deine Aufgabe ist nicht, etwas von Grund auf neu zu bauen - sondern das Vorhandene auf ein professionelles Niveau zu heben und die Datenbasis für die nächste Generation unserer ML- und AI-Produkte vorzubereiten. Parallel begleitest du den schrittweisen Aufbau unserer Datenplattform auf GCP. AUFGABEN MIT IMPACT Performance & MSSQL-Optimierung: Du analysierst unsere teuersten Queries, bereinigst redundante und ungenutzte Indizes, löst Trigger-Logik in saubere Domänen auf und eliminierst systematisch die größten Performance-Killer. ML/AI Datenvorbereitung: Du schaffst die Grundlage, auf der unser ML Engineer und AI Engineer arbeiten können - saubere Feature-Strukturen, konsistente Historisierung, erklärbare Datenherkunft. Governance & Datenqualität: Du setzt Konventionen, die halten. Zeitlogik, Soft Deletes, Naming, Data Contracts - du schaffst Struktur, wo heute Wildwuchs ist. Datenmodell-Refactoring: Altlasten identifizieren, Domänen sauber schneiden, Dead Columns und Dead Tables systematisch abbauen - du machst die Daten lesbar und wartbar. Hybrid-Datenplattform: Du hilfst dabei, relevante Datenströme von MSSQL Richtung GCP (BigQuery & Co.) aufzubauen - ohne das Produktivsystem zu gefährden. Analytics, Feature Stores und AI-Anwendungsfälle sollen dort performant laufen, wo sie hingehören.