🧱 Akademie-Akkreditierung: Databricks-Grundlagen (Fundamentals) Offizielle Akkreditierung von Databricks Academy (Oktober 2026) Schwerpunkte: Lakehouse-Architektur, Delta Lake (ACID & Time Travel), PySpark, Unity Catalog & Spark SQL. 🔗 Badge-Nachweis: credentials.databricks.com/59508dd3-5419-40e9-8d35-8005850f3bc6 →
	❄️ Snowflake Hands-On Essentials: Data Warehousing Workshop Workshop-Badge von Snowflake Inc. (praktische Aufgaben automatisch geprüft über DORA) Schwerpunkte: Multi-Cluster-Shared-Data-Architektur, Virtual Warehouses, Stages (intern & extern über AWS S3), Dateiformate (CSV, TSV, JSON, XML), Verarbeitung semistrukturierter Daten (VARIANT, LATERAL FLATTEN), 3NF & dimensionale Modellierung. 🔗 Badge-Nachweis: achieve.snowflake.com/39919e7c-4de3-46d3-80a5-de041ca1ffc5 ➔
	❄️ Snowflake Hands-On Essentials: Collaboration, Marketplace & Cost Estimation Workshop Workshop-Badge von Snowflake Inc. (praktische Aufgaben automatisch geprüft über DORA) Schwerpunkte: Multi-Cloud-Infrastruktur (AWS Frankfurt, GCP US-Central1, Azure West US 2), Secure Data Sharing (cloud- und kontoübergreifend ohne Datenkopie), Snowflake Marketplace (Listings anbieten & nutzen), Secure User-Defined Table Functions (UDTFs), FinOps & Kostenüberwachung (gestaffelte Credit-Warnungen & Resource Monitors). 🔗 Badge-Nachweis: achieve.snowflake.com/08fa3f9a-ca45-4ae0-9bb0-d869233af4ff#acc.sX9QkHTd ➔

💼 Übersicht aller Snowflake-Badges: achieve.snowflake.com/profile/alexanderfritzler918558/wallet

Mein Schwerpunkt liegt auf dem Aufbau robuster, skalierbarer End-to-End-Datenplattformen — von der Rohdaten-Ingestion und Bereinigung über die Medallion-Architektur (Bronze ➔ Silver ➔ Gold) bis hin zur Bereitstellung im analytischen Gold Layer & Semantic Layer:

[OLTP / ERP / Cloud Stages] ──▶ [Ingestion & CDC (Fabric / Snowflake)] ──▶ [Gold-DWH & Sternschema (SQL / PySpark)] ──▶ [Semantic Layer]

Snowflake: Medallion-Architektur (Bronze ➔ Silver ➔ Gold) · JSON-/IoT-Verarbeitung (VARIANT & LATERAL FLATTEN) · Kimball-Sternschema · Zero-Copy Cloning & Time Travel

• Architekturfokus: Aufbau einer dreischichtigen Cloud-Data-Warehouse-Plattform (EUROLOGISTIK_DWH_DB) für B2B-Logistik- und IoT-Sendungsdaten in der DACH-Region (Deutschland, Österreich, Schweiz).
• Kernbestandteile:
  • 📦 Bronze ➔ Silver (VARIANT, LATERAL FLATTEN & QUALIFY): Hybride Ingestion relationaler ERP-Stammdaten und verschachtelter JSON-Telemetrieevents, Deduplizierung beim Laden via QUALIFY ROW_NUMBER() OVER (...) = 1 sowie Normalisierung mehrteiliger Positions-Arrays in relationale Tabellen.
  • ⭐ Gold Layer (Kimball-Sternschema): Modellierung der Dimensionen (DIM_KUNDEN, DIM_LOGISTIKZENTREN) und der Faktentabelle (FCT_LIEFERUNGEN) inklusive automatischer SLA-Laufzeitbewertung und Storno-Isolierung (IST_UMSATZRELEVANT).
  • 🛡️ Snowflake-Funktionen: Speicherkostenfreies Zero-Copy Cloning (EUROLOGISTIK_DEV_CLONE) für Testumgebungen sowie sofortige Tabellenwiederherstellung via Time Travel (UNDROP TABLE).
• 🔗 Repository: alefritz19/EuroLogistik-Snowflake-Medallion-DWH ➔

Cloud Data Engineering & Lakehouse-Architektur (Bronze ➔ Silver ➔ Gold ➔ Direct Lake / DP-700)

• Architekturfokus: Migration und Skalierung operativer Transaktionsdaten (~755.000 Positionen) in eine moderne SaaS-Lakehouse-Infrastruktur auf Microsoft Fabric.
• Kernbestandteile:
  • ⚡ Bronze ➔ Silver (PySpark-ETL-Pipelines): Automatisierte Schemavalidierung, Datentyp-Konvertierung, Bereinigung und Delta-Lake-Speicheroptimierung via Z-ORDER BY (EinkaufDatum, FilialeID, ProduktID) und V-Order.
  • 🏛️ Gold Layer (Fabric Data Warehouse): Datenbankübergreifende CTAS-Aggregationen, dimensionale Views und Stored Procedures für performante Abfragen.
  • 🚀 Bereitstellung ohne Datenkopie (Direct Lake): Direkte Anbindung des semantischen Modells an Delta-Parquet-Dateien im OneLake ohne Datenkopien oder Import-Latenzen.
• 🔗 Repository: alefritz19/Supermarkt-Medallion-Lakehouse-Fabric ➔

End-to-End-DWH: Von 3NF-OLTP-Rohdaten zum validierten Kimball-Sternschema

• Architekturfokus: Entwurf und Implementierung einer zentralen Data-Warehouse-Schicht (dwh-Schema) auf Microsoft SQL Server für 40.000 B2B-Aufträge (363,82 Mio. € realisierter Nettoumsatz).
• Kernbestandteile:
  • 🛠️ ELT & Datenabstimmung: Zusammenführung normalisierter Belegkopf- und Positionsdaten (1:n), Referenzintegritätsprüfung und exakte Festkomma-Typisierung (DECIMAL(18,2)).
  • 🛡️ Status-Flag-Logik (IstUmsatzrelevant): Technische Isolierung stornierter Aufträge (26,46 Mio. € Abweichungsprävention) ohne Verlust historischer Prozessdaten für Stornoquoten-Analysen.
  • 🔄 Automatisierte Bereitstellung & Prüfung: Rekursive CTE-Kalendergenerierung, kapselnde DWH-Views (vw_fct_bestellungen, vw_dim_produkte, vw_dim_kunden, vw_dim_vertrieb), PowerShell-Export-Pipelines sowie centgenaue Abstimmung (100 %) mittels DAX Studio.
• 🔗 Repository: alefritz19/NexusTech-B2B-ERP-DataPlatform ➔

Praxisorientierte T-SQL-Muster für Datenbereinigung, Deduplizierung & Pipeline-Prüfung

• Architekturfokus: Standardisierte SQL-Muster zur Transformation und Qualitätsprüfung unstrukturierter Rohdaten vor der Übernahme in den Gold Layer.
• Kernbestandteile:
  • 🧹 Datenbereinigung & Deduplizierung (DATA_CLEANING_MASTER.sql): Bereinigung von String-Artefakten beim Laden, fehlertolerante Typkonvertierung (TRY_CONVERT) und Dubletten-Bereinigung via ROW_NUMBER() OVER (PARTITION BY ...).
  • 📈 Analytische Fensterfunktionen (WINDOW_FUNCTIONS_MASTER.sql): Zeitreihen-Offsets via LAG()/LEAD(), Rankings je Partition (DENSE_RANK()) und gleitende Fensteraggregationen (ROWS BETWEEN 6 PRECEDING).
  • 🔍 Segmentierungs- & Kohorten-Logik (ADVANCED_ANALYTICS_MASTER.sql): Skalierbare CTE-Pipelines für mehrstufige Datenklassifizierung (NTILE) und Retention-Matrizen.
• 🔗 Repository: alefritz19/sql-analyst-toolkit ➔

Dimensionale Modellierung & Bereitstellung des Semantic Layer (6 Dimensionen · 2 Faktentabellen)

• Architekturfokus: Bereitstellung einer performanten Gold-Layer-Datenarchitektur nach Ralph Kimball als Schnittstelle zwischen Data Warehouse und Fachbereich.
• Kernbestandteile:
  • ⭐ Strikte Sternschema-Modellierung: Saubere Trennung von Fakten (fct_verkaeufe, fct_abschreibungen) und Dimensionen (dim_produkt, dim_kunde, dim_filiale, dim_datum, dim_mitarbeiter, dim_aktionen) mit 1:n-Kardinalität.
  • ⚡ Power Query (M) & VertiPaq-Optimierung: Vorgelagerte Transformationen und speichereffiziente Spaltenmodellierung für schnelle Abfragezeiten auf ~755.000 Transaktionszeilen.
• 🔗 Repository: alefritz19/PowerBI-Supermarkt-Analytics ➔

MS Fabric

Snowflake

SQL Server

PySpark

Python

Git

Gold Layer

• ☁️ Cloud-Datenplattformen & Lakehouse: Microsoft Fabric (OneLake, Lakehouse, Data Warehouse, PySpark Notebooks, Direct Lake, DP-700) · Snowflake (Virtual Warehouses, Stages, Snowpipe, Streams/CDC, Tasks, Dynamic Tables, Time Travel, Zero-Copy Cloning) · Delta Lake & Parquet
• 🏛️ Data Warehousing & SQL: Microsoft SQL Server · Dimensionale Modellierung nach Kimball (Sternschema) · Medallion-Architektur (Bronze / Silver / Gold) · T-SQL & Snowflake SQL · CTE-Pipelines · Fensterfunktionen · Referenzintegrität & Datenabstimmung
• ⚙️ ETL/ELT-Automatisierung & Werkzeuge: Python · PySpark · PowerShell-Pipelines · Git & GitHub CLI · VS Code
• 📊 Semantic Layer (Zusatzkompetenz): Bereitstellung und Validierung von Gold-Layer-Modellen mit DAX Studio & Power BI (Sternschema-Beziehungen, VertiPaq-Performance-Analyse)