Senior Data Architect

Die Rekrutierung eines/einer Senior Data Architect zu steuern bedeutet zuallererst, die Rolle genau zu kennen. Sie wird hier sehr allgemein zusammengefasst und muss an Ihren konkreten Kontext angepasst werden.
(Mitglied des Data-Architecture-Teams, berichtet an den Lead Data Architect oder den Head of Data Architecture)

Der/die Senior Data Architect ist ein technischer Experte als Einzelkontributor und konzipiert, optimiert und implementiert Datenarchitekturlösungen für die komplexen Anforderungen des Unternehmens. Als zentraler Beitragsleistender im Team konzentriert sich die Person auf Datenmodellierung, Systemintegration und die Optimierung der Infrastrukturen und stellt dabei sicher, dass diese auf die vom Lead Data Architect definierte Gesamtstrategie ausgerichtet sind. Sie arbeitet eng mit den Teams aus Data Engineering, Data Governance und den Fachbereichen zusammen, um fachliche Anforderungen in robuste technische Lösungen zu übersetzen, fördert Best Practices und löst komplexe Architekturprobleme.

Aufgaben und Verantwortlichkeiten

1. Datenarchitekturlösungen konzipieren und implementieren

  • Komplexe Datenstrukturen modellieren (relationale Schemata, NoSQL, Graphen), um Analytics, KI und fachliche Prozesse zu unterstützen.
  • Referenzarchitekturen für spezifische Use Cases entwickeln (z. B. Data Mesh, Data Fabric, Hybridlösungen).
  • Technologien (z. B. Snowflake, Databricks, Kafka) nach Anforderungen an Performance, Skalierbarkeit und Kosten bewerten und empfehlen.
  • Architektur-Designs und technische Entscheidungen dokumentieren, um Nachvollziehbarkeit und Wartbarkeit sicherzustellen.

2. Dateninfrastrukturen und Pipelines optimieren

  • Die Performance bestehender Datenplattformen verbessern (z. B. Query-Tuning, Speicheroptimierung, Partitionierung).
  • Prozesse des Datenmanagements automatisieren (z. B. IaC-Deployments, CI/CD-Pipelines).
  • Streaming-Lösungen (Kafka, Flink) integrieren, um die Verarbeitung in Echtzeit zu ermöglichen.
  • Altsysteme auf moderne Architekturen migrieren (Cloud, Microservices).

3. Datenqualität und Compliance gewährleisten

  • Qualitätsstandards definieren und anwenden (Schemavalidierung, Bereinigung, Lineage).
  • Mit den Data-Governance-Teams zusammenarbeiten, um sicherzustellen, dass die Architekturen die Compliance-Regeln einhalten (DSGVO, ISO 27001).
  • Sicherheitskontrollen (Verschlüsselung, Zugriffsverwaltung) in die Architektur-Designs implementieren.
  • An Audits teilnehmen, um die Konformität der Lösungen zu überprüfen.

4. Mit Technik- und Fachteams zusammenarbeiten

  • Mit den Data Engineers zusammenarbeiten, um sicherzustellen, dass die Pipelines die Architekturstandards einhalten.
  • Data Scientists bei der Konzeption passender Lösungen unterstützen (z. B. Feature Stores, Testumgebungen).
  • Fachliche Anforderungen in klare technische Anforderungen für die Entwicklungsteams übersetzen.
  • Die Integration von KI-Modellen in bestehende Architekturen erleichtern.

5. Best Practices fördern und Innovation vorantreiben

  • Neue Technologien bewerten und vorschlagen (z. B. Data Fabric, Lakehouse, fortgeschrittene Streaming-Tools).
  • Infrastrukturkosten optimieren, indem Engpässe und Effizienzpotenziale identifiziert werden.
  • An Innovationsprojekten teilnehmen (z. B. Einführung von Echtzeit-Datenplattformen, Integration generativer KI).
  • Zur Technologiebeobachtung beitragen und Wissen mit dem Team teilen.

6. Komplexe Probleme lösen und punktuelles Mentoring

  • Architekturprobleme diagnostizieren und lösen (z. B. Latenzen, Dateninkonsistenzen, Engpässe).
  • Kreative Lösungen für spezifische technische Herausforderungen vorschlagen.
  • An Code- und Design-Reviews teilnehmen, um die Qualität der Lösungen zu sichern.
  • Junge Teammitglieder punktuell bei fachlich anspruchsvollen Themen als Mentor begleiten.

Beispiele für konkrete Umsetzungen

  • Konzeption und Implementierung einer Data-Mesh-Architektur für einen spezifischen Fachbereich, wodurch die Datenzugriffszeiten um 40 % sanken und die Datenqualität stieg.
  • Optimierung eines Data Warehouse durch Neuorganisation der Schemata und Einführung von Partitionierungsstrategien, wodurch die Speicherkosten um 25 % sanken und die Abfrageperformance stieg.
  • Entwicklung einer Echtzeit-Integrationslösung mit Kafka und Spark, die eine sofortige Analyse von IoT-Daten für die vorausschauende Wartung ermöglicht.
  • Migration eines Altsystems auf eine Cloud-native-Architektur, wodurch die Infrastrukturkosten um 20 % sanken und die Skalierbarkeit verbessert wurde.
  • Lösung eines komplexen Latenzproblems in einer kritischen Pipeline, wodurch die Verarbeitungszeiten durch eine Neugestaltung der Architektur um 70 % sanken.