01 · Start
In Tagen startklar, nicht in Monaten
Ein erprobtes Deployment-Playbook und Beratung zu den Setup-Entscheidungen, die sich später nur schwer rückgängig machen lassen: Workspaces, Unity Catalog, Netzwerk, Identitäten.
Azure Databricks · Lakehouse-Architektur · KI-fähige Datenplattformen
In den letzten fünf Jahren stand in jedem Projekt Azure Databricks im Mittelpunkt, zusammen mit der Arbeit drumherum: Azure-Setup, Quellsysteme, Governance und Reporting. Du bekommst einen erfahrenen Blick darauf, was du früh entscheiden solltest, was flexibel bleiben darf und was dir in Produktion auf die Füße fällt.
Was wir tun
Die meisten Teams brauchen in jeder Phase eine andere Art von Unterstützung. Wir holen dich dort ab, wo du stehst, und hinterlassen eine Plattform, die dein eigenes Team betreiben kann.
01 · Start
Ein erprobtes Deployment-Playbook und Beratung zu den Setup-Entscheidungen, die sich später nur schwer rückgängig machen lassen: Workspaces, Unity Catalog, Netzwerk, Identitäten.
02 · Ausbau
Blueprints für robuste, skalierbare Ingestion, neue Quellen genau dann, wenn du sie brauchst, und Datenprodukte, die aus neuen Datenideen etwas machen, das tatsächlich genutzt wird.
03 · Betrieb
Neue Databricks-Features gezielt einführen, Datenqualitäts- und Pipeline-Probleme schnell beheben und die Plattform aktuell halten, ohne großes Ops-Team.

Mit wem du arbeitest
Martin arbeitet seit 2018 mit Azure Databricks und hat SNOWGLOBE 2022 gegründet, um Databricks-Plattformen von Anfang bis Ende aufzubauen, von der Azure-Infrastruktur darunter bis zum Reporting obendrauf. Davor war er der erste Data Scientist bei EDEKA und hat dort das Data & Analytics Team auf mehr als 20 Personen ausgebaut.
Wenn du SNOWGLOBE beauftragst, arbeitest du direkt mit ihm. Keine Übergabe an ein Junior-Team.
The Lakehouse Path
Dreißig Minuten, keine Folien. Bring die Frage mit, die immer wiederkommt.