Data Engineer — Sichtbarkeits-Datensatz

Über die Stelle

Growlis Burggraben ist kein Feature — es ist ein Datensatz, den sonst niemand erhebt: wie jeder große KI-Assistent echte Kauffragen beantwortet, Woche für Woche, über Sprachen und Städte hinweg. Heute lebt dieser Datensatz in einer auf Iterationsgeschwindigkeit gebauten Pipeline; Ihre Aufgabe ist, ihm das Fundament des kategoriedefinierenden Assets zu geben, das er werden muss. Sie verantworten Speicherung, Modellierung, Qualität und Zugriff: Append-only-Beobachtungsspeicher, Aggregationsschichten, die Dashboards in Millisekunden bedienen, Qualitätsmonitore, die Drift vor den Kunden bemerken, und die interne Analytik, die uns sagt, welche Märkte wir als Nächstes vermessen. Jedes künftige Produkt — Benchmarks, Branchen-Indizes, das nationale Unternehmensverzeichnis — baut auf dem auf, was Sie hier legen.

Ihre Aufgaben

• Den Beobachtungsspeicher verantworten: unveränderliche Run-Daten, inhaltsadressierte Antworten und die Schema-Evolutionsstrategie darum.
• Aggregationsschichten bauen, damit Ansichten je Assistent, Stadt und Wettbewerber schnell bleiben, wenn die Daten um das Hundertfache wachsen.
• Datenqualitäts-Monitoring entwerfen: Abdeckung, Frische, Erkennungs-Drift und Kosten pro Beobachtung — alarmiert, nicht per Augenmaß.
• Den Datensatz für Produktexperimente abfragbar machen, ohne den Produktions-Hot-Path zu gefährden.
• Unternehmensübergreifende Benchmarks modellieren, die Tenant-Isolation und unsere Anonymitätsgrenzen respektieren.
• Den Migrationspfad verantworten, wenn wir der aktuellen Storage-Engine entwachsen — gemessen, umkehrbar, langweilig.
• Mit dem AI Engineer an gelabelten Evaluationssets und mit Produkt an neuen Evidenz-Typen arbeiten.

Woran Erfolg sichtbar wird

• Dashboard-Queries bleiben unter 100 ms, während die Beobachtungen um eine Größenordnung wachsen.
• Qualitätsvorfälle fangen Monitore ab, nicht Kunden — mit einem Runbook je Klasse.
• Ein rein aus dem Datensatz gebauter Branchen-Benchmark erscheint als Kundenfeature.
• Die Speicherkosten pro Beobachtung sinken, während die Haltbarkeitsgarantien steigen.

Was wir suchen

• 4+ Jahre Datensysteme in Produktion — Pipelines, Warehouses oder hochvolumiges OLTP.
• Starkes SQL und Python; Sie modellieren Daten für die Abfragen, die sie beantworten müssen, nicht fürs Diagramm.
• Sie haben eine Storage-Migration durchlebt und können sagen, was Sie nie wieder tun würden.
• Sie behandeln Datenqualität als Produkt mit SLOs, nicht als Aufräumarbeit.
• Pragmatisch bei Infrastruktur: das langweilige bewährte Tool schlägt das aufregende neue.
• Bonus: Erfahrung mit Search, Analytics-Produkten oder Multi-Tenant-SaaS-Datensätzen.

Veröffentlicht am 1. September 2026