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
3 Artikel
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 →