Lakehouse-Plattformen auf Databricks und Microsoft Fabric.
Beratung und Engineering für Unternehmen, die aus ihren Daten belastbare Entscheidungen machen wollen – skalierbar, wartbar und nachvollziehbar.
Bronze, Silver, Gold – und alles, was dazwischen schiefgehen kann.
Eine Medallion-Architektur ist schnell gezeichnet. Der Unterschied liegt in Historisierung, Governance, Infrastruktur als Code, Tests und Deployments – dort, wo Plattformen im Alltag scheitern.
appendscd2kpiSieben Dinge, die wir richtig gut können.
Lakehouse-Architektur
Medallion-Design mit Bronze-, Silver- und Gold-Schicht, Data Contracts und Governance über Unity Catalog.
- Zielarchitektur und Roadmap
- Namenskonventionen und Schichtenmodell
- Berechtigungskonzept
Azure Databricks
Workspace-Setup, Lakeflow und Delta Live Tables, Jobs, Cluster-Strategie und Performance-Tuning.
- Workspace- und Katalog-Struktur
- Pipeline-Frameworks
- Kostenkontrolle
Microsoft Fabric
OneLake, Lakehouse und Warehouse, Anbindung an Power BI und Planung der Kapazitäten.
- Fabric-Einführung
- Direct Lake und Semantic Models
- Kapazitätsplanung
Data Engineering
Pipelines, die auch nach der Übergabe laufen: Historisierung, Merge-Frameworks, Orchestrierung, Datenqualität, KPI-Modelle im Gold Layer.
- Historisierung und Surrogate Keys
- Wiederverwendbare Merge-Utilities
- Data-Quality-Checks
Infrastructure as Code
Databricks-Workspaces, Unity Catalog, Storage, Netzwerke und Fabric-Kapazitäten legen wir als Code an – reproduzierbar über DEV, QAS und PROD, nachvollziehbar im Git und jederzeit neu ausrollbar.
- Terraform und Bicep für Azure und Databricks
- Databricks Asset Bundles für Jobs, Pipelines und Cluster
- Berechtigungen, Secrets und Netzwerk als Code
- Drift-Erkennung und dokumentierte Zielzustände
CI/CD und DevOps
Git-Workflows und automatisierte Deployments über DEV, QAS und PROD – für Code, Pipelines und Infrastruktur gleichermaßen.
- Branching- und Release-Strategie
- Automatisierte Tests und Quality Gates
- Azure DevOps und GitHub Actions
Migration und Entscheidungsvorlagen
Ablösung bestehender Data Warehouses oder Plattformwechsel – mit einer Vorlage, die das Management versteht.
- Ist-Analyse und Scope
- Optionen mit Kosten und Risiken
- Schrittweise Migration
So arbeiten wir mit Ihrem Team.
Projektverantwortung: Architektur und Engineering
Wir übernehmen die technische Führung Ihres Datenprojekts – Architektur, Infrastruktur, Standards, Code-Reviews und die Umsetzung der kritischen Teile.
- Für Unternehmen, die eine Plattform neu aufbauen oder migrieren
- Projektbasiert, meist über mehrere Monate
- Remote mit regelmäßigen Terminen vor Ort
Technische Beratung und Review
Sie haben ein eigenes Team, brauchen aber einen Partner, der Entscheidungen prüft, Architekturen bewertet und bei Databricks-, Fabric- oder Infrastrukturfragen weiterhilft.
- Für Unternehmen mit eigenem Data-Team
- Stundenkontingent oder feste Tage pro Monat
- Kurzfristig verfügbar
Ein typisches Projekt.
Workshops mit Fachbereich und IT, Sichtung der Quellsysteme, Klärung der Ziele.
Zielbild, Schichtenmodell, Governance, Kostenschätzung und Entscheidungsvorlage.
Infrastruktur als Code, Pipelines und erste Datenprodukte – in zweiwöchigen Iterationen mit Demo.
Dokumentation, Schulung Ihres Teams, optional weitere Betreuung.
Häufige Fragen
Databricks oder Microsoft Fabric – was passt zu uns?
Das hängt von Teamgröße, bestehendem Microsoft-Stack, Datenvolumen und Anforderungen an Engineering-Tiefe ab. Fabric ist oft der schnellere Einstieg für Power-BI-nahe Teams, Databricks die robustere Wahl für komplexe Engineering-Workloads. Wir bewerten beides für Ihren Fall – auch in Kombination.
Arbeiten Sie remote oder vor Ort?
Überwiegend remote, mit Terminen vor Ort für Workshops, Kick-offs und wichtige Abstimmungen. Für Kunden in der Region ist auch ein fester Tag pro Woche vor Ort möglich.
Wie läuft die Zusammenarbeit vertraglich?
Projektbasiert – nach Aufwand oder als Festpreis für klar abgegrenzte Pakete wie eine Entscheidungsvorlage oder ein Plattform-Setup. Für laufende Unterstützung bieten wir feste Kontingente pro Monat.
Unterstützen Sie auch bestehende Teams?
Ja. Ein großer Teil unserer Projekte ist die Verstärkung bestehender Data-Teams – in der technischen Führung, im Review oder für einzelne Themen wie Historisierung, Performance, IaC oder CI/CD.
Und der Teil mit „AI“?
Eine gute Datenplattform ist die Voraussetzung für jedes KI-Vorhaben. Wir bauen die Grundlage – saubere, governte, aktuelle Daten – und binden Modelle über Databricks und Fabric an. Für die Modellentwicklung selbst arbeiten wir mit spezialisierten Partnern zusammen.
Erstgespräch
Welche Frage soll Ihre Datenplattform beantworten?
Erzählen Sie uns davon. Wir sagen Ihnen offen, ob Databricks, Fabric oder etwas anderes der richtige Weg ist.