Schnelle Queries, skalierbare Pipelines und Daten, denen man vertraut.
Datensysteme versagen leise: Eine Query, die bei tausend Zeilen schnell war, kriecht bei einer Million; eine Pipeline, die im Demo lief, verliert unter Last Datensätze. Datensysteme schnell und korrekt zu halten, während das Volumen wächst, ist eine eigene Disziplin — eine, die ich über Produktiv-Pipelines und Analytics-Workloads praktiziere.
Artikel in diesem Hub
9 Artikel
FortgeschrittenPostgres vs. MySQL 2026: Performance, Syntax und die echten Unterschiede
Worin sich Postgres und MySQL wirklich unterscheiden — Speicherung, MVCC, Verbindungsmodell, SQL-Syntax und Betrieb — plus wo SQLite und MariaDB hingehören und wie man tatsächlich wählt.
Artikel lesen
EinsteigerIceberg vs. Delta Lake 2026: Ein verständlicher Leitfaden zur Auswahl
Was ein Tabellenformat wirklich ist, worin sich Iceberg und Delta Lake 2026 tatsächlich unterscheiden, und warum die Entscheidung von Ihrem Katalog und Ihrer Query-Engine getroffen wird statt vom Format selbst.
Artikel lesen
FortgeschrittenBrauchst du eine Graphdatenbank? Was die GA von BigQuery Graph wirklich ändert
BigQuery Graph ist seit dem 1. September 2026 allgemein verfügbar. Bevor Sie irgendetwas als Graph modellieren: der ehrliche Test, ob Sie überhaupt einen brauchen — und die Zeile in der Preisdokumentation, die entscheidet, ob Sie GQL ausführen dürfen.
Artikel lesen
FortgeschrittenBrauchst du eine Vektordatenbank? Postgres vs. dedizierte Engines 2026
Die meisten Teams, die semantische Suche einbauen, brauchen keine separate Vektordatenbank. Ein praktischer Leitfaden 2026: was pgvector wirklich kann, an welchen vier Mechanismen es scheitert und wofür du bei einer dedizierten Engine tatsächlich bezahlst.
Artikel lesen
EinsteigerSQL vs. NoSQL 2026: Datenbanktypen, ACID vs. BASE und wie man richtig wählt
"SQL vs. NoSQL" ist die falsche erste Frage. Ein praxisnaher Leitfaden 2026 zu Datenbanktypen, was "relational" wirklich bedeutet, ACID vs. BASE und einem Entscheidungsrahmen, der nach Zugriffsmustern wählt — nicht nach Hype.
Artikel lesen
FortgeschrittenData Governance auf GCP 2026: Wer darf diese Daten sehen?
Ein praktischer Leitfaden zu Data Governance auf Google Cloud 2026: die vier Fragen, die jedes Programm beantworten muss, und die Dienste, die sie beantworten — Knowledge Catalog (Dataplex), Sensitive Data Protection, BigQuery Policy Tags und VPC Service Controls — mit Vergleichstabelle und Entscheidungshilfe.
Artikel lesen
FortgeschrittenCloud Bigtable 2026: Wann Wide-Column BigQuery, Spanner und Cassandra schlägt
Ein praktischer 2026-Leitfaden zu Cloud Bigtable: was Wide-Column-Speicher wirklich ist, wie Bigtable intern funktioniert, wann es BigQuery, Spanner, Cassandra und DynamoDB schlägt, und die eine Entscheidung — das Row-Key-Design — die alles bestimmt.
Artikel lesen
FortgeschrittenBigQuery vs Snowflake 2026: Ein ehrlicher Vergleich von einem GCP-Engineer
Ein praktischer Vergleich von BigQuery und Snowflake in 2026 ohne Marketing — wie sich Architektur, Abrechnung, Performance und KI wirklich unterscheiden und wie du das richtige Warehouse fuer deinen Workload waehlst.
Artikel lesen
FortgeschrittenSQL Query Optimization 2026: 7 einfache Techniken fuer schnellere Datenbank-Performance
Sieben praktische SQL-Query-Optimierungstechniken fuer schnellere Datenbank-Performance, mit PostgreSQL-Beispielen fuer JOINs, IN-Listen, EXISTS, Datumsbereiche, Aggregationen und Deduplizierung.
Artikel lesen
Häufige Fragen
Welchen Data-Engineering-Hintergrund haben Sie?
Sind Sie verfügbar für eine Zusammenarbeit?
Wie starten wir eine Zusammenarbeit?
Hält Ihre Datenschicht mit?
Von langsamen Queries über fragile Pipelines bis zur groß angelegten Sammlung helfe ich Teams, Datensysteme zu bauen, die schnell und korrekt bleiben.
Data-Engineering-Leistungen ansehen →