Senior Data Scientist. Multiple Certified. Advanced Analytics. Machine Learning. Enterprise Reporting. SAS, Python.
Aktualisiert am 23.01.2024
Profil
Referenzen (1)
Freiberufler / Selbstständiger
Remote-Arbeit
Verfügbar ab: 01.02.2024
Verfügbar zu: 100%
davon vor Ort: 100%
SAS
Data science
Power BI
BASE
SQL
Macro
Python
SPSS
SAS Studio
Viya
Applied Statistics
Numpy
Pandas
Machine Learning
SciPy
Matpltlib
Seaborn
Scikit-Learn
Pytorch
Enterprise Guide
Datenanalyse
Dashboard
Automate
Deutsch
Muttersprache
Englisch
Sehr gut mündlich und schriftlich
Italienisch
?Gut? (Zertifikat)
Französisch
Basics mündlich und schriftlich
Chinesisch
Basics mündlich

Einsatzorte

Einsatzorte

Deutschland, Österreich, Schweiz

Schweiz: Arbeitserlaubnis liegt vor.

möglich

Projekte

Projekte

6 Monate
2023-04 - 2023-09

Klinische Studie zur Behandlungsqualität

Scientific Consulting Statistik Python (Anaconda) Spyder; Libraries/Module: Pandas ...
Scientific Consulting

  • Wissenschaftliche Beratung
  • stellvertretende Projektleitung
  • Entwicklung mit Python zu Datenqualität
  • Visual Analytics (Customized Tables mit Klinik Logo)
  • Hypothesentests: u.a. zu Messwiederholungsdesigns
  • statistische Beratung

Statistik Python (Anaconda) Spyder; Libraries/Module: Pandas SciPy.stats Numpy. Plotly (Graphic Objects Express) Matplotlib Seaborn; SciPy Statsmodels ResearchPy
Klinik (CH)
Schweiz
4 Monate
2022-12 - 2023-03

Sabbatical

  • Erforderliche operative Eingriffe einschl. Reha (Davos, CH
  • Parallel: Weiterbildungen in SAS, Power BI, Python, Statistik und Machine Learning.

7 Monate
2022-05 - 2022-11

Requirements-Engineering und SAS Programmierung

SAS Entwickler im Bankenumfeld (Regulatory Reporting, MEWE) SAS BaFin Reporting Makro ...
SAS Entwickler im Bankenumfeld (Regulatory Reporting, MEWE)
  • Planung und Aufbau der neuen COREP-Verarbeitungsstrecke im Hinblick auf CRR3 (CAPA25-Architektur). 
  • Analyse der alten Adapter-Strecke (Module). 
  • Priorisieren von regulatorisch-technischen Anforderungen (Use Cases, Wiederholungsläufe, Data Lineage usw.). 
  • Entwicklung und Test (z.B. modular und funktional) des geschriebenen SAS Codes. Dokumentation im QC. Verarbeitung für das Meldewesen (MEWE, Meldewesen bzw. Mehrwertdienste). 
  • Projekt OST («Offene Schnittstelle»): Reparatur von DepotA, MoC, sowie Encumbrance. 
  • Fehlerbehebung, technische Anpassungen (RDS), sowie funktionale Optimierungen (Behebung von «Sollbruchstel-len»). 
  • Programmierung und Test von Prototyp «OST 2.0». 
  • Architektur- und Implementierungs-Roadmaps inkl. Meilensteinen, WorkPackages und Planungshorizonten (u.a. SAS Viya). 
  • Regel-mäßige Kommunikation mit Fachbereich und Entwicklern (SAS-COREP und Architektur).
SAS Enterprise Guide Host (Endevor Linux) IDz (IBM Developer for z/OS) UltraEdit(sas.uew) WinSCP PUTTY DbVisualizer Pro Xming WebEnabler 3270 Session Starter Jedit ETAPS TWS(aka IWS) BetaView(Beta92) SR+ ITIM (IBM Identity Management) Confluence(Atlassian) Skype/WebEx Zebra
SAS BaFin Reporting Makro Citrix Frame MS Project MS Visio MS Office Apps usw.
Frankfurt/M
4 Monate
2022-01 - 2022-04

Regulatory Reporting (BMWD)

SAS Entwickler SAS Entwicklung/Methoden Makro ...
SAS Entwickler
  • Verwalten und (Re-)Priorisieren von Anforderungen. 
  • Entwicklung in SAS (DATA Step, SQL, SAS Macro) und DB2 SQL. 
  • Testen (z.B. modular und funktional) des entwickelten SAS Codes. 
  • Dokumentation der Tests im TestLab des Quality Centers (ALM). 
  • Vorverarbeitung für das Meldewesen (BMWD, Basismehrwertdienste) in der OSPlus-Umgebung (OSPlus-Portal, OSPlus_neo). 
  • Debugging von Fremdcode, Behebung von Fehlern, Programmierung und Testen von Prototypen. 
  • Regelmäßige Kommunikation in BMWD Stand-Ups. 
  • Wöchentliches Tracking des Gesamtfortschritts in Meetings mit Entwicklern einschl. SCD und Finanzgeschäfte.
SAS Enterprise Guide Host (Endevor Linux) Application Lifecycle Management ("Quality Center") UltraEdit(sas.uew) DbVisualizer Pro WinSCP PUTTY Xming
SAS Entwicklung/Methoden Makro BaFin Reporting
Hannover (remote)
11 Monate
2021-02 - 2021-12

SAS Viya: Implementierung von Kreditrisikomodellen, z.B. Dutch Mortgage LGD, CPF PD, LGD, und EAD (IPRE)

SAS Viya Entwickler / Business Analyst / Kreditrisiko Implementierer Scrum Kreditrisiko
SAS Viya Entwickler / Business Analyst / Kreditrisiko Implementierer

Im Credit Risk Tribe, Mitglied des FitLab Teams für die Implementierung von Kreditrisikomodellen, z.B. Dutch Mortgage LGD, CPF PD, LGD, und EAD (IPRE) etc. Diese Aufgabe erforderte einen Mix aus Fachwissen in den Bereichen Geschäftsanalyse, Kreditrisiko und SAS 9.4/Viya. Die Aufgabe bestand darin, verschiedene, in SAS 9.4 geschriebene Kreditrisikomodelle auf die zentralisierte SAS Viya 3.5 Plattform zu übertragen. Die Arbeit begann mit der Analyse der ursprünglichen ING SAS 9.4 ISDs und der Sammlung von Requirements für das Umschreiben von Code vor der Implementierung. Zu den Requirements gehörten die Standards von SAS 9.4/Viya 3.5, die Korrektheit des Codes und der Statistiken sowie die Angemessenheit der aktuellen Architekturstandards. Anschließend wurde der Code in SAS Viya (Studio) unter Verwendung von BASE oder DS2 neu geschrieben und getestet (Unit etc.), und später wurde der validierte Modellcode in SAS Decision Mgr und Model Mgr übertragen: SAS Decision Mgr (Kombinieren von Modellen mit Regeln; Erstellen eines Entscheidungsflusses inkl. der Modelle; Veröffentlichung in MAS, um einen API-Aufruf zu ermöglichen). SAS Model Mgr (Modell-Deployment; Registrierung von Modellen und Durchführung technischer Tests). SAS Studio zur Erstellung von eigenem Code. SAS Visual Analytics für spezielle Analyseprojekte, z.B. Ergebnisvariation.

Umgebung: Windows 365, ServiceNow, Confluence, Sharepoint, ING Citrix Access/Authenticator, Aveska/ACE etc.

Projektmanagement: Scrum (Standups, Epics/Storys/Aufgaben, Backlogs/Refinements/Sprints, Demos/Retros). ING wird in ihrem agilen WOW hoch bewertet, eine Bank, die technischen Philosophien, Tools und Methoden folgt.

Inhouse-Schulungen und Zertifizierungen: Banker's Oath, KYC, PIP, AML/Fraud, Fraud Awareness, Agile Basics for New Joiners, einige Spezialschulungen von SAS Institute usw. Siehe Liste unten.

Auswirkungen: Spürbare Fortschritte durch die Implementierung von CR-Modellen mit SAS Viya. Eine von einem Mitarbeiter vorbereitete und gehaltene grenzüberschreitende Präsentation über Erkenntnisse und Lösungen zur Erreichung der Ziele der MPS-Initiative verbesserte die Transparenz der Prozesse und die Zusammenarbeit zwischen Abteilungen und Ebenen.

Anmerkung: Remote, 100%.

SAS Viya SAS Visual Analytics CAS): SAS Drive SAS Decision Manager 5.5 (Intelligent Decisioning) SAS Model Manager 15.3 (Manage Models) SAS Data Explorer 2.5 (Manage Data) SAS Studio (Enterprise) 5.2 (Develop SAS Code) SAS Risk Model Manager SAS XML Mapper 94. Sonstiges: z.B. ServiceNow Backlog Mgmt Azure DevOps.
Scrum Kreditrisiko
7 Monate
2020-03 - 2020-09

Business Analyse: Data Quality, Data Lineage und Data Governance

Data Engineer / Business Analyst Windows 10. SAS9.4 Viya ...
Data Engineer / Business Analyst
  • Business Analyse: Unterstützung bei Initiativen zu Data Quality, Data Lineage, und Data Governance: Pflege und Verwaltung von Datenattributen durch ein gemeinsames Datenmodell. Erstellen und Verwalten von business terms. Analysieren von Beziehungen zwischen Datentransformationsjobs und Datenmodellen von SAS und Drittanbietern. Ausrichten von Business und IT, MDM für eine einzige Sicht. Erstellung und Austausch von Informationen über DG Initiativen.
  • Data Engineer: Unterstützung bei der Vorbereitung von SAS-Programmen für Cloud Analytic Services (CAS). Umschreiben von Original-SQL in FEDSQL-Versionen. Ausführliche Tests: SQL, SAS fedSQL, Viya fedSQL. Schwerpunkt auf federated queries (hauptsächlich Oracle) und expliziten/impliziten Pass-Throughs. Überprüfung der Verarbeitung im Detail, z.B. angemessene Behandlung von Datums- und Zeitwerten in CAS.
  • Impact: Spürbarer Informationsgewinn durch BA Rolle. DE Rolle: Spürbare Leistungsverbesserung in der Datenverarbeitung.


Windows 10. SAS9.4 Viya SAS Management Console CAS
Führende Bank (HES, DE)
8 Monate
2019-05 - 2019-12

Business Analyse: Datenflüsse und Ebenen der Produktionslinien gemäß ISA-95-Standards

Data Analyst (SAS JMP) Windows 10 JMP 15.0/14.0 Visio ...
Data Analyst (SAS JMP)
  • Business Analysis: der Datenflüsse und Ebenen der Produktionslinien gemäß den ISA-95-Standards (und später). Von den Sensoren in der Produktion bis hin zu MES und (Web) FabEagle etc. Integration von verteilter Dokumentation. Konzeptionelle Erweiterung des bestehenden Betriebsplans um Umweltvariablen wie z.B. Kontamination. Identifizierung von Black Boxes. Ersatz von manuellen Prozessen durch automatische Berichte. Fabrikweite Workshops, um sicherzustellen, dass alle betroffenen Abteilungen teilnehmen und sich auf die erforderlichen KPIs und deren Definitionen einigen. Schnittstelle zu international verteilten Projekten (z.B. Deutschland, Italien, Ungarn, Brasilien).
  • Data Analysis: Managte und koordinierte mehrere Datenanalyseprojekte. Unterstützte die Analyse, Optimierung und Vorhersage von Daten zu Prozessen, Ausstattung und Produkten mit statistischen Methoden. Beginn der Lösung von DQ-Anomalien. Entwicklung von Prototypen aus verschiedenen Quellen auf der Grundlage von Ansätzen wie SPC, 6Sigma, Data Mining, Visual Analytics und Event Forensics. Unterstützte den Entwurf und die Automatisierung von Routineanalysen (JMP), Berichten (FabEagle) oder Dashboards (CroNet) für die unternehmensweite Prozessentwicklung und -produktion. Visualisierte intuitive Daten, z.B. auf die Produktionslinie ausgerichtete Heatmaps oder interaktive Parallel-Koordinatendiagramme. Die Analytik umfasste Zielanalyse und Assoziationen unter produktionsweiten KPIs. Data Mining beinhaltete die automatische Auswahl der u.a. "Top Ten" der instabilsten Prozess-KPIs. Funktionaler PoC mit Power BI und anderen.
  • Impact: Eine aktualisierte Dokumentation der Produktionsdaten und "beleuchtete" Black Boxes ermöglichten aufschlussreichere Analysen. Automatisierte Prozesse sparten Stunden manueller Arbeit, gezielte Fehlerbehebung und verringerten die Verluste durch Ausfallzeiten.
Windows 10 JMP 15.0/14.0 Visio Power BI e.g. FabEagle Trendpanel CroNet
Schott, weltmarkt-führender Glas-Hersteller (St.Gallen, Schweiz)
1 Jahr
2018-04 - 2019-03

Implementierung eines Management-Berichtssystems gemäß BCBS-239 Standards

SAS Team Lead (Product Owner ?BCBS?) EG7.1 (SAS9.4 SAS9.3) Jira ...
SAS Team Lead (Product Owner ?BCBS?)
  • Umwandlung von Dutzenden von Einzelberichten (einige davon sogar manuell oder Excel-basiert) in ein automatisches, bankweites SAS-basiertes Management-Berichtssystem gemäß BCBS 239-Standards. 
  • Zu den Aufgaben gehören die Leitung des SAS-Teams, die Gestaltung der Berichte (Corporate Design, Standards für das Bankberichtswesen), das Mapping der Input-Datenquellen und SAS-Spezifikationen mit den erforderlichen Berichtsausgaben, die Definition und das Tracken komplexer ETL-Prozesse dazwischen, einschließlich die Schnittstelle mit dem Fachbereich. Umfangreiche SAS-Programmierung und Problemlösung
  • Gründliche Prüfung der technischen Qualität und inhaltlichen Richtigkeit der gelieferten Daten, einschließlich Fehlerbehebung, Dokumentation und Kommunikation
  • Verwendung eines zentralen Workshops auf Visio-Basis, um das erforderliche gegenseitige Verständnis und die gemeinsame Sprache über eine hochkomplexe proprietäre Datenverarbeitungsumgebung ("SAS Batch Framework") zu erarbeiten.
EG7.1 (SAS9.4 SAS9.3) Jira Visio SAS Base SAS Macro Facility PROC SQL Proprietary Applications: ?SAS Batch Framework Windows 10
TeamBank, führende Bank im Bereich der Kreditvergabe Nürnberg
3 Monate
2018-01 - 2018-03

Design und Implementierung eines Reporting-Systems (Projekt ?MonSter?)

SAS Consultant (Product Owner ?MONSTER?) EG7.1 (SAS9.3) SAS Base SAS Macro Facility ...
SAS Consultant (Product Owner ?MONSTER?)
  • Migration einer fehlerhaften proprietären Excel-Anwendung in ein hochleistungsfähiges SAS-Makro. Automatisierung verschiedener Datenimporte [u.a. EMESSO, STORNO, INCASSO]. Replikation von Prozessen und Berechnungen von Original-Excel-Analysen mittels SAS Code und Makros.
  • Während der Migration führte Dr. Schendera weitere Optimierungen durch: Umstellung von mathematischen auf Kalendertag-basierten Berechnungen; Implementierung spezieller Berechnungen inkl. Fälligkeit, Vormonats-Deltas etc.; Eliminierung von Dubletten aus den original Excel-Datenbeständen; automatische kanalspezifische Verteilung der Berichte (E-Mail); Vereinheitlichung der Adressdaten für Marketing-Mailings.


Impact:

Ausrichtung und Konsistenz der anwendungsweiten Metadaten. Die durch die neue Anwendung replizierten Ergebnisse wurden extern verifiziert und waren ausnahmslos korrekt. Generierung benutzerfreundlicher Berichte: Unterschiedliche Berichtsdesigns halfen bei der Differenzierung zwischen unterschiedlichen Berichten durch Hintergrund und traffic-lighting für geschäftsrelevante Werte. Trotz eines deutlich höheren Funktionsumfangs, z.B. erweitert um weitere Berichte und Funktionalitäten, verringerte sich die ursprüngliche Bearbeitungszeit von 9 Stunden auf 12 Minuten. Zuvor beklagtes "Einfrieren" war kein Thema mehr. Bedienung dieser leistungsfähigen SAS-Anwendung durch ein benutzerfreundliches Cockpit durch nur wenige "Schalter", u.a. für das Anfordern von Berichten, Daten-Screenings und Optionen für Datenaktualisierungen.

EG7.1 (SAS9.3) SAS Base SAS Macro Facility PROC SQL MonSter
auf Anfrage
3 Monate
2017-10 - 2017-12

Forderungsmanagement: SAS Reporting u.a. mittels Reverse Engineering einer Black Box Applikation

SAS Risk Consultant Windows 10 EG 7.15 DBeaver 4.2.3 ...
SAS Risk Consultant
  • Entwicklung verschiedener Berichte mit SAS. Replikation und Dokumentation einer "Black-Box-Applikation" (third party). Umfassende Überprüfung der Qualität von manuell erstellten Datenlieferungen Dritter. 
  • Erstellung von Berichten als Self-Service Visualisierung in Power BI und Sisense auf dieser Datenbasis.
  • Tätigkeit vor allem im Bereich Forderungsmanagement, u.a. Mahnstufen (Dunning levels), Änderungen von Ratenplänen, CC1-CC5 Status ("Aktenübersicht"), Wirksamkeit der ausgehenden Telefonie ("Zusagen"), etc.


Impact:

Je nach Grad der Standardisierung der Datenquelle (Teil-)Automatisierung der ursprünglichen manuellen Schritte des Einlesens und der Analyse der Daten, einschließlich einer umfassenden Überprüfung der technischen Qualität und inhaltlichen Richtigkeit der von Dritten gelieferten Daten.
Replikation einer "Black-Box-Anwendung" (Dritter), die ursprünglich in ORACLE PL/SQL geschrieben wurde, unter Verwendung von SAS Base und PROC SQL. Visualisierung und Dokumentation der validierten SAS Version (Ersatz der "Black Box") u.a. mittels Entity-Relations-Diagrammen, gezeichnet mit draw.io.
Forderungsmanagementberichte wurden automatisch als Daten zur Anzeige in Power BI, Sisense, und als gebrauchsfertige EXCEL-Dateien mit intensivem traffic-lighting der relevanten Zahlen zur Verfügung gestellt. Die Berichte entsprachen den Anforderungen des Managements und den Prüfungsstandards.
Im Falle einer Blackbox hat nun der Kunde die Kontrolle über das ETL der Anwendung, und nicht mehr der Anbieter über die Blackbox Anwendung über den Kunden. Reduzierte Verarbeitungszeit, von wenigen Stunden auf Sekunden, weniger fehleranfällig.
Windows 10 EG 7.15 DBeaver 4.2.3 Sisense 6.7 (inkl. Elasticube Mgr) Power BI draw.io (Confluence) Slack etc. SAS Base SAS Macro Facility PROC SQL ORACLE PL/SQL SUBITO KSYS.
Auxmoney, Deutschlands führender online Kreditmarktplatz Düsseldorf
5 Monate
2017-04 - 2017-08

Forecast Pilot für ein Datengestütztes Wechselgeld-Bestellsystem

Data Scientist Windows SASv9.4 SAS Base ...
Data Scientist
  • Expertenrat zur Machbarkeit eines Forecasts zu einem "Systemgestützten Wechselgeld-Bestellsystem", Datenanalyse und Modellierung im Rahmen des Piloten, Konzeption einer statistischen Analyse von Transaktionsdaten in Echtzeit, sowie Workshops und Präsentation der Ergebnisse.


Impact:

  • Erfolgreicher Pilot eines systemgestützten Wechselgeld-Bestellsystems für zwei bekannte deutsche Einzelhändler einer internationalen Holdinggesellschaft mit Sitz in Köln, Deutschland. Die entwickelte SAS-Lösung ermöglicht Sichten auf den gleichen Bestellprozess aus verschiedenen Analysewinkeln (visuell und statistisch). Das Management genehmigte zwischenzeitlich die Implementierung dieses Ansatzes europaweit. Die Fallstudie ermöglicht es jedem Markt, Barmittel zu bestellen und gleichzeitig die relevanten Kostenfaktoren des Bargeldlieferungssystems (Münzgewicht, Transport) zu kontrollieren. Die erwarteten Einsparungen liegen alleine im Business Case in Millionenhöhe ? p.a.
  • Daten und Ansatz: Tägliche Wechselgeldbestellungen von mehreren hundert Einzelhandelsmärkten über zwei Jahre hinweg. Anfangs vergleichende Analyse mit Time Series, Operations Research und Statistical Process Control Ansätzen. Ausarbeitung und Diskussion verschiedener Szenarien, z.B. einmalige und wiederholte Standard-Bestellvorschläge. Robuster Ansatz von Datenquelle zu Dashboards und EXCEL Sheets inkl. traffic-lighting relevanter Ergebnisse. Verschiedene Zeithorizonte (Monat, Quartal, Jahr), sowie verschiedene Intervalle zur Vorhersagegenauigkeit. Hybrider Ansatz zwischen Statistischer Prozesskontrolle und Zeitreihenanalyse inkl. Lösungen für Geschäfts- vs. Kalenderwochendilemmas.
Windows SASv9.4 SAS Base SAS/OR SAS/STAT SAS/GRAPH SAS Macro Facility ODS
REWE, führende deutsche Supermarktkette (Retail) Köln
2 Jahre 9 Monate
2014-10 - 2017-06

Entwicklung einer Geschäftslogik zur Überwachung stornierender Makler:

SAS Program Manager, Project Manager Data Mining (Product Owner ?EBAS?) Komplex Host (z/OS) Citrix XenApp ...
SAS Program Manager, Project Manager Data Mining (Product Owner ?EBAS?)

  • Entwicklung einer Geschäftslogik zur Überwachung stornierender Makler: Sobald Makler ihre Kündigungsabsicht ankündigen, leitet das System rechtzeitig Maßnahmen ein, um zu verhindern, dass die Kundenbeziehung zu einem Konkurrenten verlagert wird. Business Impact: p.a. Entwurf und Implementierung eines Warnsystems für zukünftige monetäre Risiken, das es den Vertriebsmitarbeitern erleichtert, hochwertige Kunden rechtzeitig vor ihrer Abreise zu identifizieren und anzusprechen. KPI-Ansatz. Business Impact: p.a. Implementierung und Erweiterung mehrerer Projekte zur Berechnung von Kaufwahrscheinlichkeiten. Data Mining Ansatz. Allein durch den Business Case wurden (Gewinne) generiert. Mehrere Marketingkampagnen bestätigten die Zuverlässigkeit dieser Modelle und Schätzungen.
  • Unterstützung des Managements und des Teams mit fortgeschrittenem Datenmanagement, Data Mining / Analysefähigkeiten, Anpassung an schnell wechselnde Anforderungen, sowie Multi-Tasking in einer schnelllebigen Umgebung eines großen Versicherungsunternehmens. Werkzeuge: Enterprise Miner (EM), Enterprise Guide (EG).
  • (1) KPIs für ein Future Monetary Risk Warning System: Identifiziert und priorisiert potentielle Abwanderer nach Gesamtwert und der verbleibenden Reaktionszeit für den Außendienst. Eine besondere Funktion stellt dem Außendienst automatisch die Top 5 der wertvollsten Kunden vor, einschließlich Daten für den sofortigen Kontakt. (2) Data Mining: (i.) Mitglied des Teams zur Entwicklung und Implementierung eines Frühwarnsystems für das Ausfallrisiko von Kunden (Stornofrühwarnsystem) auf der Grundlage von SAS EM und ABTs. (ii.) Identifizierung und Analyse von Außendienstmitarbeitern, die eine Abwanderung beabsichtigen. Berechnung von finanziellen Risikoparametern, Qualität der Kundenbetreuung, Betrugsindikatoren sowie der Wahrscheinlichkeit einer Kundenabwanderung. (iii.) Migration von EM-Projekten Dritter. Implementierung und Automatisierung eines vollautomatischen EM/EG Data-Mining-Ansatzes zur Prognose des Kaufs spezifischer Versicherungsprodukte. Erweitert von jährlicher auf monatliche Prognose. (iv.) Rückvergleich der prognostizierten Verkaufswerte mit den tatsächlich eingetretenen Ereignissen beim Proof of Concept (z.B. durch ASEs, ROCs, Binning und Lift-Charts). Transformation der PoC Ergebnisse in einen Business Case. Berechnung mehrerer KPIs inkl. zusätzlicher Gewinne und eingesparter Investitionen. Risikoanalyse verschiedener Szenarien der Nachhaltigkeit von Kundeninvestitionen. BC erreichte GO vom Top-Management. Entwicklung mehrerer Modelle mit einem Gesamtvolumen von bis zu 12,5 Millionen ? (Gewinne) bzw. 5 Millionen ? (Einsparungen). (2) Reverse Engineering des strategischen Geschäftsberichtssystems für den Außendienst: Portierung (Migration) dysfunktionaler ETL- und Analyseprogramme (SPSS) in eine hochleistungsfähige SAS-Version bei gleichzeitigem Debugging, Tuning und Verbesserung on-the-fly. (3) Analyse des Bonusprogramms für bevorzugte Versicherungsportfolios im Auftrag der Konzernentwicklung, z.B. ABC, Top-Kunden, Versicherungsklassen und auf Organisationsebene (Einheit, Vertriebskanäle, Vorjahr). (4) Aufdeckung von Betrug: Identifizierung von betrügerischen Verkäufern durch Musteranalyse bei der Kündigung alter und der Vermittlung neuer Verträge, spezielle Musteranalyse von Vertragsverschiebungen und Identifizierung gefälschter Adressdaten. (5) Bewertung des Kundenkontaktmanagements vor Ort durch Stichproben, ETL und Export von Kontaktdaten von Fällen und Kontrollen an Host (TSO), SAS und EXCEL gemäß Spezifikation. (6) Selektion durch fortgeschrittene Stichprobenziehung von Kundendaten gemäß Spezifikation für ein Partnermailing inkl. technischer und statistischer Dokumentation. (7) Sonstiges: (i.) Migration von SAS Code und EG Projekten von SAS9.3 nach SAS9.4 (ii.) Mehrschichtige, zufallsbasierte Anonymisierung von SAS-Datensätzen. (iii.) Deduplizierungsprojekte, z.B. von E-Mail-Adressdatenbanken. (iv.) Phonetisch-basiertes Zusammenführen von Kundendaten aus mehreren SAS-Quellen mit Hilfe eines Fuzzy Match. (v.) Implementierung des Top-Client Schlüssels im Host (TSO) und in allen Endsystemen einschließlich Kommunikation, Test, Abnahme und Dokumentation der verschiedenen organisatorischen, technischen und personalen Schnittstellen. (vi.) Übertragung von Funktionalitäten von Enterprise Guide/Miner-Projekten in SAS-Batchcode und umgekehrt

Komplex Host (z/OS) Citrix XenApp Windows. Datenvolumen: 255+Millionen Zeilen SAS Base SAS Macro Facility PROC SQL; SAS/STAT SAS/GRAPH SASv9.4/9.3 Enterprise Guide 7.1/5.1 Enterprise Miner 14.1/12.1 SPSS 24/19 SAS VA EBAS Storno KATE sonstige
auf Anfrage
3 Monate
2012-11 - 2013-01

Zensus 2011 (Hochrechnung)

SAS Statistical Programer, Statistical Analyst Front-End: Enterprise Guide v4 Back-End: SAS 9.2 über CITRIX bzw. Server direkt Datasets: SAS Datasets (z.T. ORACLE ...
SAS Statistical Programer, Statistical Analyst
  • Erfolgreiche Entwicklung des statistischen Hochrechnungsalgorithmus für den Zensus 2011 in Form von leistungsstarken und benutzerfreundlichen SAS Makros.
  • Verantwortlichkeiten: Anpassung der Zellen an die prognostizierten Randsummen von 1.440 Gemeinden in 65 Modellvarianten (Volumen: 5,5+ Milliarden Datenzeilen), insgesamt 93.600 Modelle, sowie Visualisierung der zahlreichen GoF-Parameter.
  • Das restliche Verfahren folgte von Bishop, Fienberg und Holland (2007): Modell-Vorauswahl durch Abgleich der geschätzten Tabelle mit Referenztabelle anhand AIC, Pearson Chi2 und Log-Likelihood für die log-linearen Modelle 1 bis 65. Modell-Feinauswahl anhand minimaler Abweichung (Devianz) der vor-ausgewählten Modelle von den Zellbesetzungen der Referenztabelle (Kombinatorik aus Alter, Nationalität, Familienstand und Geschlecht), zusätzlich unter Berücksichtigung der Gemeindegröße zum Ausschluss von Schätzfehlern und ggf. disproportionale Zellhäufigkeiten. Eine Besonderheit dieser Anwendung ist, dass sie zahlreiche Funktionalitäten in ein einzelnes ETL Modul zusammenfasst, das als SAS Makro unüberwacht als Stored Process ausgeführt werden kann. Die SAS Admins der IT.NRW beurteilten dieses Makro gerade angesichts der hohen Datenlast als sehr performant. Dieses ETL Modul ist in der Tiefe ausgesprochen komplex und besteht im Wesentlichen aus zwei inhaltlich funktional disparaten Phasen: Die erste Phase liefert u.a. iterativ über PROC IML (CALL IPF) für jede Gemeinde für jedes der 65 Modelle die Datentabellen, die zweite Phase berechnet dafür gleichermaßen iterativ u.a. Goodness of Fit-Tests, deren essentiellen Parameter formatiert und als zentrale SAS Datasets aggregiert werden. Darüber hinaus legt dieses Makro u.a. Kriterien zur (nicht) erfolgreichen Konvergenz (u.a. Chi2, maximale Differenz, N Iterationen), sowie voreingestellte Stoppkriterien (maximale Differenz, maximale Iterationen) in eine separate SAS Datei ab. Das Modul mit dem Schwerpunkt Analyse führt neben den Goodness of Fit- auch Devianz-Werte in intuitiv interpretierbare Visualisierungen über. Ein "Cockpit" mit diversen "Schaltern" erlaubt dabei die gewünschte Visualisierung festzulegen, wie auch den Input (Gemeinden, Bundesländer, alle) unterschiedlich fein einzustellen.
  • Technische Umgebung: Länge der beiden SAS Programme für die Hauptanwendung in DIN A4 Seiten: 60 (ETL: 40, Analyse: 20). Programmausführung: Hauptanwendung als SAS Stored Process direkt auf dem Server, Entwicklung und Testen auf CITRIX. Laufzeiten: z.B. 96 (sechsundneunzig) Stunden (Hauptanwendung), auf 4 Kerne verteilt.

Front-End: Enterprise Guide v4 Back-End: SAS 9.2 über CITRIX bzw. Server direkt Datasets: SAS Datasets (z.T. ORACLE z.T Teradata) N: 100.000+. Größe: z.B. 250+ GB Datenvolumen: >5 50E+09 (5 5+ Milliarden) Datenzeilen (Hauptanwendung) AS Macro Facility darin SAS Base PROC IML SAS Hash Programming PROC SQL sowie die SAS Prozeduren MEANS TABULATE und GRAPH
IT.NRW, Statistisches Landesamt NRW, Bundesregierung Düsseldorf

Aus- und Weiterbildung

Aus- und Weiterbildung

2010

Martin-Luther Universität Halle-Wittenberg (berufsbegleitend)

Promotion (Thema: auf Anfrage)

Abschluss mit "? (1,0)


1998

Uni Heidelberg (berufsbegleitend)

Diplom in Psychologie


Schwerpunkte:

  • Forschungsmethoden und Angewandte Statistik
  • Start-up während des Studiums


Certifications and Trainings

Communication and Leadership

  • Communicating Technical Findings with a Non-Technical Audience (SAS Institute, SAS Course
  • Promoting Business Analytics across the Enterprise (SAS Institute, SAS Course).
  • Leading with Analytics (SAS Institute, SAS Course).
  • Wissenschaftliche / Statistische Expertise
  • diverse akademische Qualifikationen
  • Zertifizierungen (SAS, Microsoft, etc.) und v.a. praktische Erfahrung


Zertifizierungen (SAS, Microsoft, etc.) und v.a. praktische Erfahrung.SAS Global Certifications
  • SAS Base Programming for SAS 9
  • SAS Advanced Programming for SAS 9
  • SAS Statistical Business Analyst Using SAS 9: Regression and Modeling


SAS Academy for Data Science Badges

  • Text Analytics, Time Series, Experimentation, and Optimization
  • Predictive Modeling

  • Advanced Predictive Modeling

  • Big Data Preparation, Statistics and Visual Exploration

  • Big Data Programming and Loading


SAS Data Science Badges

  • Advanced Analytics in a Big Data World.
  • Applied Analytics Using SAS Enterprise Miner (15.1).
  • Data Mining Techniques: Predictive Analytics on Big Data.
  • Deep Learning Using SAS Software.
  • Experimentation in Data Science.
  • Forecasting Using Model Studio in SAS Viya.
  • Optimization Concepts for Data Science and Artificial Intelligence.
  • Predictive Modeling Using Logistic Regression.
  • SAS Visual Text Analytics in SAS Viya.
  • Social Network Analysis for Business Applications.
  • Text Analytics Using SAS Text Miner.


SAS Advanced Analytics Badges

  • Accessing SAS from Microsoft Office Applications.
  • Advanced Statistical Modeling Using the NLMIXED Procedure.
  • Categorical Data Analysis Using Logistic Regression (14.2).
  • Conjoint Analysis: Evaluating Consumer Preferences Using SAS Software.
  • Creating BI Dashboards Using SAS.
  • Creating Information Maps Using SAS.
  • Designing, Tuning, and Maintaining SAS OLAP Cubes.
  • Determining Power and Sample Size Using SAS/STAT Software.
  • Discrete Choice Modeling Using SAS Software.
  • Establishing Causal Inferences: Propensity Score Matching, Heckman's Two-Stage Model, Interrupted Time Series, and Regression Discontinuity Models.
  • Fitting Poisson Regression Models Using the GENMOD Procedure.
  • Fitting Tobit and Other Limited Dependent Variable Models.
  • Forecasting and Optimization.
  • Introduction to Data Curation for SAS Data Scientists.
  • Introduction to Statistical Concepts.
  • Machine Learning Using SAS Viya.
  • Mixed Models Analyses Using SAS.
  • Natural Language and Computer Vision.
  • Neural Network Modeling.
  • Personalizing the SAS Information Delivery Portal.
  • Profit-Driven Business Analytics.
  • Robust Regression Techniques in SAS/STAT.
  • Stationarity Testing and Other Time Series Topics.
  • Structural Equation Modeling Using SAS.
  • Time Series Modeling Essentials.


SAS BI Badges Incl. SAS Viya and Enterprise Guide:

  • Essential Functions of SAS Intelligent Decisioning (SAS Training @ ING, Jul 01, 2021).
  • Machine Learning Using SAS Viya (SAS Training @ ING, Jun 30, 2021).
  • Managing Models in SAS Viya (SAS Training @ ING, Jun 17-18, 2021).
  • Self-Service Data Preparation in SAS Viya (SAS Training @ ING, May 26, 2021).
  • High-Performance Data Manipulation with SAS DS2 (SAS Training @ ING, May 26, May 27, 2021).
  • SAS Viya: Overview for Beginners and SAS9 Users (SAS Training @ ING, May 17, 2021).
  • Creating Reports and Graphs with SAS Enterprise Guide (EG 7.1).
  • SAS Enterprise Guide: ANOVA, Regression, and Logistic Regression (EG 6.1 and 7.1).
  • SAS Enterprise Guide 1: Querying and Reporting (EG7.1).
  • SAS Enterprise Guide 2: Advanced Tasks and Querying (EG 7.1).
  • SAS Enterprise Guide for Experienced SAS Programmers (EG 7.1).
  • SAS Visual Analytics 1 for SAS Viya: Basics.
  • SAS Visual Analytics 2 for SAS Viya: Advanced.
  • SAS Visual Analytics for SAS 9: Getting Started.
  • Using SAS OLAP Cubes to Create Multidimensional Reports.
  • Using SAS Web Report Studio.


weitere SAS Programming Badges

  • High-Performance Data Manipulation with SAS DS2 and Hadoop.
  • Introduction to SAS/ACCESS Interface to Teradata.
  • Introduction to SAS and Hadoop (9.4).
  • Programming for SAS Viya (CASL).
  • SAS Programming on the Grid (9.4 M3).


spezielle SAS Badges

  • Fraud and Security: Fraud Detection Using Descriptive, Predictive, and Social Network Analytics.
    SAS Fraud Management: Using SAS Rules Studio.
  • Risk: Credit Risk Modeling.
  • Python/R: Using SAS Viya APIs with Python and R ? VLE


JMP by SAS:

  • JMP Software: Statistical Thinking for Industrial Problem Solving, einschließlich der Kurse
  • JMP Software: Classic Design of Experiments
  • JMP Software: Custom Design of Experiments.
  • JMP Software: Stability Analysis.


Weitere SAS Trainings und Kurse

  • Advanced Credit Risk Modeling for Basel/IFRS 9 using [?] SAS (Prof. Baesens, 2020.02).
  • Basic Credit Risk Modeling for Basel/IFRS 9 using [?] SAS (Prof. Baesens, 2020.02).
  • Einführung in SAS auf dem Großrechner (URZ, C.Ortseifen, 1990).
  • Preventing Data Bloat When Reading Hive String Data Using SAS (2020.05).
  • SAS Viya 3.4 Visualization and Programming Workshop (2020.03).
  • SAS Visual Analytics: Introduction by SAS Institute at ERGO (2017.03.13).
  • SAS-Makro-Programmierung: Eine Einführung (URZ, H.Geißler & C.Ortseifen, 1996).
  • Transitioning to SAS Viya: SAS Course about CAS, modifying Base SAS, DS2, Python (2020.06).
  • Writing a Custom Task for SAS Studio (2020.04


Andere relevante Analytics Trainings und Kurse

  • IDz ? für die OSPlus-Hostentwicklung mit Endevor (Anja Thiel, Finanz-Informatik, 2022.08)
  • Fraud Analytics (Prof. Baesens, 2020.02).
  • PISA Workshop: Computations with weights (University of Bern, CH, 2012.10).
  • Methods of Market/Media Research (GfK Switzerland, CH, 2010.01).
  • Roche® Role ?Statistician? at Roche Diagnostics, Penzberg DE (2008.11).


Position

Position

  • Mehrfach zertifizierter SAS Professional (Miner, Analyst, Programmierer) Scientific Consultant
  • Data Scientist
  • Data/Business Analyst
  • Team Lead
  • Statistiker
  • Programmierer
  • (Projekt) Manager

Kompetenzen

Kompetenzen

Top-Skills

SAS Data science Power BI BASE SQL Macro Python SPSS SAS Studio Viya Applied Statistics Numpy Pandas Machine Learning SciPy Matpltlib Seaborn Scikit-Learn Pytorch Enterprise Guide Datenanalyse Dashboard Automate

Schwerpunkte

Viya
Fortgeschritten
SAS9.4
Experte
Enterprise Guide
Experte
Visual Analytics
Fortgeschritten
Kernkompetenz: Angewandte Statistik: Methoden und Techniken [englisch]
Data Mining: Structured data
  • Applied Analytics Using SAS Enterprise Miner: Skills to assemble analysis flow diagrams using the pattern discovery (segmentation, association, and sequence analyses) and predictive modeling (decision tree, regression, and neural network models).
  • Advanced Analytics in a Big Data World: Applying and monitoring analytical models like: Decision Trees, Ensemble Methods, Rule Representation; Neural Networks; Support Vector Machines (SVMs); Bayesian Networks; Survival Analysis; Social Networks.
  • Fraud Detection Using Descriptive, Predictive, and Social Network Analytics: Supervised learning (using a labeled data set), unsupervised learning (using an unlabeled data set), and social network learning (using a networked data set).
  • Data Mining Techniques: Predictive Analytics on Big Data: Applications and techniques for assaying and modeling large data, e.g. SAS In-Memory Statistics, SAS Visual Statistics.
  • Predictive Modeling: Fitting supervised models and unsupervised analyses, as well as deploying score code. Typical Examples:?Next Best Offer?, Recommendation Systems.
  • Deep Learning: Build deep feedforward, convolutional, recurrent networks, and variants of denoising au-toencoders. The neural networks include traditional classification, image classification, and sequence-dependent outcomes.


EM nodes (v14) according to SEMMA

  • Explore: Association, Cluster (unsupervised), DMDB, Graph Explore, Market Basket, MultiPlot, Path Analysis, SOM/Kohonen (unsupervised), StatExplore, Variable Clustering, Variable Selection.
  • Modify: Drop, Impute, Interactive Binning, Principal Components, Replacement, Rules Builder, Trans-form Variables.
  • Model: AutoNeural, Decision Tree, Dmine Regression, DMNeural, Ensemble, Gradient Boosting, LARS (LASSO), MBR, Model Import, Neural Network, Partial Least Squares, Regression, Rule Induction, SVM (supervised machine learning), TwoStage.
  • Assess: Cutoff, Decisions, Model Comparison, Score, Segment Profile.
  • Applications: Incremental Response Model, Rate Making, Survival.


Natural Language Processing (NLP): Unstructured data

  • SAS Viya: Components of SAS Visual Text Analytics: Parsing, concept derivation, linguistic rules. topic derivation, text categorization, and sentiment analysis. Other SAS: MapReduce (PROC HADOOP),
  • Python: Sentiment Analysis (e.g. Customer Attitude, Communication Climate: Tweets, Emails etc.), Rec-ommendation Systems, Text-based Market Basket Analysis etc.
  • SPSS: Text Mining by SPSS Modeller etc.


Advanced Analytics and Advanced Statistical Modeling

Program evaluation:
  • Checking for real-world effectiveness (?real? causality): Heckman's two-stage modeling, interrupted time-series, regression discontinuity, and propensity score matching


Profit-Driven Business Analytics:

  • Optimize decision-making processes, which, in turn, maximizes profits. Analysis based on key economic considerations and impact. Using segmentation (CLVs, SOMs), association etc. Profit-driven evaluation using misclassification costs, (expected) maximum profits, or evaluation of regression models


Causal [regression, survival] Modeling (forecasting):

  • e.g. Linear, Multiple, Nonlinear, Nonparametric, Ridge, Robust, Binary Logistic, Ordinal, Multinomial Logistic, Hedonic, Quantile, Logit, Probit, Tobit (QLIM), Poisson (Count, Rates, Zero-Inflated[ZIP]; GENMOD); Categorical incl. Elastic Net, WLS, 2LS, Partial-Least Squares; Generalized Linear Models; Time-to-Event / Survival analysis (K-M, Proportional Hazard etc.); Multilevel Analysis/Regression etc. Also [Nonlinear] Mixed Models (MIXED, GLIMMIX, and NLMIXED procedures) etc. Time Series Mod-eling: Analysis of and forecasting with univariate time series: exponential smoothing, ARIMA with exog-enous variables (ARIMAX), and unobserved components models (UCM).


Clustering and Segmentation:

  • Basic: Conditional approaches, random-based approaches, RFM analysis, Binning. Mathematical: Cluster Analysis (Hierarchical, k-means, Two-Step), Conjoint Analysis, Correspondence Analysis, Multi-Dimensional Scaling (MDS/MDA). Data Mining: Artificial Neural Networks, Multi-layer Perceptron, k-nearest neighbours (KNN), Discriminant Analysis, SOM/Kohonen, Binning etc.


Optimization Concepts:

  • Linear (Lagrange), nonlinear (unconstrained and bound constrained NLPs), and (mixed) integer linear op-timization (MILP, ILP) concepts using PROC OPTMODEL.


Credit Risk Modeling:

  • Develop credit risk models LGD, EAD and PD (component model) according to the Basel guidelines.


Discrete Choice Modeling:

  • Designing a discrete choice experiment using SAS Software. Analyze discrete choice data considering number of choice sets, the number of alternatives, and number of subjects.


Conjoint Analysis:

  • Evaluating Consumer Preferences for products and services, also performing a market share simulation with products currently in the marketplace.


Structural Equation Modeling (SEM):

  • Using the CALIS procedure in SAS/STAT and the PATHDIAGRAM statement in CALIS.


Latent Modeling:

  • Classes: e.g. Latent Class Analysis (PROC LCA, stand-alone SAS procedure). Factors: e.g. Factor Analy-sis (PFA, ML, Alpha, Image, ULS, GLS, Wong?s etc.). Paths: e.g. Path Analysis, Structural Equation Modeling (SEM).


Marketing:

  • Graphical Techniques: Multidimensional e.g. Preference Plots and Maps, Correspondence Plots, Scaling Plots, Individual Coefficient Plots. Design of Experiments for Direct Marketing: e.g. Experimentation, Power and Sample Size; Fractional Factorials and Orthogonal Arrays, Optimal Designs, Augmenting De-signs, Incremental Response Modeling, Net Lift Modeling Testing: A/B, OFAT, Split, Multi-Factorial etc.


Comparison of Effects (analysis of designs and experiments):

  • Parametric approaches/procedures: ANOVA, GLM, MIXED, LATTICE, NESTED, ORTHOREG, TRANSREG, MULTTEST; Multi-Level Modeling; TOST etc. Data Mining Approach: Automatic Linear Modeling. Nonparametric Approaches: Tests for location and scale differences: Wilcoxon-Mann-Whitney, Median, Van der Waerden (normal), Savage, Siegel-Tukey, Ansari-Bradley, Klotz, Mood, Conover.


Special Techniques:

  • Iterative Proportional Fitting (Small Area Estimation). See Zensus 2011 as an excellent example for rak-ing.
  • Data/Business Process Reengineering, e.g. for Ergo (2017-2015) and Allianz (2014). Six Sigma (DMAIC, FMEA, VOC/VOP), e.g. Schott (2019), Wincor Nixdorf (2011), GfK (2010-09). Statistical matching of da-ta tables: Random-based matching incl. fuzzy factor, interval-based parallelization or propensity scores. Honest assessment of models and scoring of data sets.
  • ?und einige mehr

Aufgabenbereiche

Scrum
Advanced Analytics
Data Mining
Data/Business Process Analysis/Engineering
Reporting

Produkte / Standards / Erfahrungen / Methoden

Data Analysis
Experte
Data Mining
Experte
Event Forensics
Fortgeschritten
JMP
Fortgeschritten
JMP 15.0/14.0
Fortgeschritten
SixSigma
Fortgeschritten
SPC
Fortgeschritten
Visio
Fortgeschritten
Visual Analytics
Fortgeschritten

Profil
25+ Jahre Erfahrung in angewandter Statistik und Forschungsmethoden. Einzigartige Mischung aus Analytics, Programmier Skills, und Managementerfahrung, und immer noch hungrig, datengetriebenes Wissen und Entscheidungen zu verbessern, Herausforderungen zu meistern, und Probleme zu lösen

Methode

  • Wissenskonstruktion
  • Analytics: CRISP-DM, KDD, PPDAC
  • Requirements: IREB/CPRE u.a.

Business
  • Akquise von multi-millionen Projekten
  • Führen mit Analytics
  • Bevorzugte Systeme: SAS, Power BI, Python und SPSS jeweils einschl. Programmierung

Beruflicher Werdegang
01/2010 - heute
Kunde: auf Anfrage, Hergiswil, NW.

Aufgaben:
Re-launch des eigenen, vorher in Deutschland ansässigen Unternehmens

02/2012 ? 01/2014
Kunde: PH Luzern (60%)

Aufgaben:
Verantwortlich für Methoden und Statistik (SAS 9.4, SPSS 21). Management mehrerer Forschungsprojekte gleichzeitig. Wissenschaftliche Beratung.

06/2009 ? 02/2010
Kunde: GfK Switzerland: Vize-Direktor in der Abteilung Medienforschung

Aufgaben:
Strategische Position. Faktenbasierte Beratung für internationale Kunden.

08/2007 ? 10/2008
Kunde: CSC Switzerland: Advanced Analytics Expert

Aufgaben:
Repräsentation von CSC und Business Intelligence, SAS, und SPSS gegenüber Anbietern, Partnern und Kunden.

06/1996 ? 08/2007
Kunde: auf Anfrage , Heidelberg, Germany

Aufgaben:
Von der Selbständigkeit zum eigenen Beratungsunternehmen mit 12 Mitarbeitern.

2007 
Einladung, in die Schweiz zu ziehen, um bei CSC zu beginnen


Skills

SAS Plattformen

  • SAS 9.4 (x64 basiert) zurück bis SAS 6.08. Windows und andere.
  • SAS Viya.


SAS Clients, Interfaces, und Technologien

  • SAS Studio, SAS Cloud Analytic Services (CAS), Enterprise Miner, Enterprise Guide, JMP, SAS BI Dashboards, SAS Information Delivery Portal, SAS Information Map Studio, SAS Display Manager, ODS, Insight etc.


SAS Module für Programmierung und Analyse

  • Zum Beispiel: Base, ETS, GRAPH, IML, OR, QC, STAT.


SAS Sprachen

SAS Base, SQL, fedSQL, CAS Programming, Macro, DS2, Annotate, Hash Programming etc.


Microsoft

  • Power BI Desktop incl. Power Query
  • Power BI Service incl. Dashboards, Automate, Flows.
  • M, T-SQL, DAX (DAX Studio, 3.0.10).
  • MS Project, MS Visio, MS Office.


Python

Python 3 mit Anaconda Navigator (Conda). IDE: Spyder. Data Science: Pandas, SciPy(statsmodels), Numpy. Data Visualisation: Plotly (Graphic Objects, Express), Matplotlib, Seaborn, D3Blocks, Bokeh. Basics in Dash. Statistics: Statsmodels, SciPy.stats, Researchpy, Pingouin, Machine Learning: Scikit-Learn, Tensorflow, Pytorch. Mehr: JupyterLab/Notebook, Pycharm; preprocessing, missingno, kaleido, networkx, nltk (NLP),vadersentiment, scikit-surprise, xgboost etc.


Mehr

IBM SPSS Statistics, Sisense, Sparx Enterprise Architect etc.

Betriebssysteme

Windows 10
Windows 365
Linux

Programmiersprachen

CASL
Fortgeschritten
FEDSql
Fortgeschritten
PROC SQL
Experte
SAS Base
Experte
SAS Macro Facility
Experte
SPSS Syntax
Fortgeschritten
SQL
Experte
Python
Fortgeschritten
DS2
Fortgeschritten

Berechnung / Simulation / Versuch / Validierung

EG7.1 (SAS9.3)
Experte
SAS
Experte
Viya
Fortgeschritten
JMP
Fortgeschritten
SPSS
Fortgeschritten
Python
Fortgeschritten

Managementerfahrung in Unternehmen

People Management
Fortgeschritten
Change Management
Fortgeschritten
Projekt Management
Fortgeschritten
Agile
Scrum
Waterfall
Kanban
Kaizen
Prozesse
Menschen
Projekte
Produkte

Branchen

Branchen

  • Versicherungen
  • FinTech
  • Banken
  • Credit
  • CRM
  • Fraud, Manufacturing, and others

Einsatzorte

Einsatzorte

Deutschland, Österreich, Schweiz

Schweiz: Arbeitserlaubnis liegt vor.

möglich

Projekte

Projekte

6 Monate
2023-04 - 2023-09

Klinische Studie zur Behandlungsqualität

Scientific Consulting Statistik Python (Anaconda) Spyder; Libraries/Module: Pandas ...
Scientific Consulting

  • Wissenschaftliche Beratung
  • stellvertretende Projektleitung
  • Entwicklung mit Python zu Datenqualität
  • Visual Analytics (Customized Tables mit Klinik Logo)
  • Hypothesentests: u.a. zu Messwiederholungsdesigns
  • statistische Beratung

Statistik Python (Anaconda) Spyder; Libraries/Module: Pandas SciPy.stats Numpy. Plotly (Graphic Objects Express) Matplotlib Seaborn; SciPy Statsmodels ResearchPy
Klinik (CH)
Schweiz
4 Monate
2022-12 - 2023-03

Sabbatical

  • Erforderliche operative Eingriffe einschl. Reha (Davos, CH
  • Parallel: Weiterbildungen in SAS, Power BI, Python, Statistik und Machine Learning.

7 Monate
2022-05 - 2022-11

Requirements-Engineering und SAS Programmierung

SAS Entwickler im Bankenumfeld (Regulatory Reporting, MEWE) SAS BaFin Reporting Makro ...
SAS Entwickler im Bankenumfeld (Regulatory Reporting, MEWE)
  • Planung und Aufbau der neuen COREP-Verarbeitungsstrecke im Hinblick auf CRR3 (CAPA25-Architektur). 
  • Analyse der alten Adapter-Strecke (Module). 
  • Priorisieren von regulatorisch-technischen Anforderungen (Use Cases, Wiederholungsläufe, Data Lineage usw.). 
  • Entwicklung und Test (z.B. modular und funktional) des geschriebenen SAS Codes. Dokumentation im QC. Verarbeitung für das Meldewesen (MEWE, Meldewesen bzw. Mehrwertdienste). 
  • Projekt OST («Offene Schnittstelle»): Reparatur von DepotA, MoC, sowie Encumbrance. 
  • Fehlerbehebung, technische Anpassungen (RDS), sowie funktionale Optimierungen (Behebung von «Sollbruchstel-len»). 
  • Programmierung und Test von Prototyp «OST 2.0». 
  • Architektur- und Implementierungs-Roadmaps inkl. Meilensteinen, WorkPackages und Planungshorizonten (u.a. SAS Viya). 
  • Regel-mäßige Kommunikation mit Fachbereich und Entwicklern (SAS-COREP und Architektur).
SAS Enterprise Guide Host (Endevor Linux) IDz (IBM Developer for z/OS) UltraEdit(sas.uew) WinSCP PUTTY DbVisualizer Pro Xming WebEnabler 3270 Session Starter Jedit ETAPS TWS(aka IWS) BetaView(Beta92) SR+ ITIM (IBM Identity Management) Confluence(Atlassian) Skype/WebEx Zebra
SAS BaFin Reporting Makro Citrix Frame MS Project MS Visio MS Office Apps usw.
Frankfurt/M
4 Monate
2022-01 - 2022-04

Regulatory Reporting (BMWD)

SAS Entwickler SAS Entwicklung/Methoden Makro ...
SAS Entwickler
  • Verwalten und (Re-)Priorisieren von Anforderungen. 
  • Entwicklung in SAS (DATA Step, SQL, SAS Macro) und DB2 SQL. 
  • Testen (z.B. modular und funktional) des entwickelten SAS Codes. 
  • Dokumentation der Tests im TestLab des Quality Centers (ALM). 
  • Vorverarbeitung für das Meldewesen (BMWD, Basismehrwertdienste) in der OSPlus-Umgebung (OSPlus-Portal, OSPlus_neo). 
  • Debugging von Fremdcode, Behebung von Fehlern, Programmierung und Testen von Prototypen. 
  • Regelmäßige Kommunikation in BMWD Stand-Ups. 
  • Wöchentliches Tracking des Gesamtfortschritts in Meetings mit Entwicklern einschl. SCD und Finanzgeschäfte.
SAS Enterprise Guide Host (Endevor Linux) Application Lifecycle Management ("Quality Center") UltraEdit(sas.uew) DbVisualizer Pro WinSCP PUTTY Xming
SAS Entwicklung/Methoden Makro BaFin Reporting
Hannover (remote)
11 Monate
2021-02 - 2021-12

SAS Viya: Implementierung von Kreditrisikomodellen, z.B. Dutch Mortgage LGD, CPF PD, LGD, und EAD (IPRE)

SAS Viya Entwickler / Business Analyst / Kreditrisiko Implementierer Scrum Kreditrisiko
SAS Viya Entwickler / Business Analyst / Kreditrisiko Implementierer

Im Credit Risk Tribe, Mitglied des FitLab Teams für die Implementierung von Kreditrisikomodellen, z.B. Dutch Mortgage LGD, CPF PD, LGD, und EAD (IPRE) etc. Diese Aufgabe erforderte einen Mix aus Fachwissen in den Bereichen Geschäftsanalyse, Kreditrisiko und SAS 9.4/Viya. Die Aufgabe bestand darin, verschiedene, in SAS 9.4 geschriebene Kreditrisikomodelle auf die zentralisierte SAS Viya 3.5 Plattform zu übertragen. Die Arbeit begann mit der Analyse der ursprünglichen ING SAS 9.4 ISDs und der Sammlung von Requirements für das Umschreiben von Code vor der Implementierung. Zu den Requirements gehörten die Standards von SAS 9.4/Viya 3.5, die Korrektheit des Codes und der Statistiken sowie die Angemessenheit der aktuellen Architekturstandards. Anschließend wurde der Code in SAS Viya (Studio) unter Verwendung von BASE oder DS2 neu geschrieben und getestet (Unit etc.), und später wurde der validierte Modellcode in SAS Decision Mgr und Model Mgr übertragen: SAS Decision Mgr (Kombinieren von Modellen mit Regeln; Erstellen eines Entscheidungsflusses inkl. der Modelle; Veröffentlichung in MAS, um einen API-Aufruf zu ermöglichen). SAS Model Mgr (Modell-Deployment; Registrierung von Modellen und Durchführung technischer Tests). SAS Studio zur Erstellung von eigenem Code. SAS Visual Analytics für spezielle Analyseprojekte, z.B. Ergebnisvariation.

Umgebung: Windows 365, ServiceNow, Confluence, Sharepoint, ING Citrix Access/Authenticator, Aveska/ACE etc.

Projektmanagement: Scrum (Standups, Epics/Storys/Aufgaben, Backlogs/Refinements/Sprints, Demos/Retros). ING wird in ihrem agilen WOW hoch bewertet, eine Bank, die technischen Philosophien, Tools und Methoden folgt.

Inhouse-Schulungen und Zertifizierungen: Banker's Oath, KYC, PIP, AML/Fraud, Fraud Awareness, Agile Basics for New Joiners, einige Spezialschulungen von SAS Institute usw. Siehe Liste unten.

Auswirkungen: Spürbare Fortschritte durch die Implementierung von CR-Modellen mit SAS Viya. Eine von einem Mitarbeiter vorbereitete und gehaltene grenzüberschreitende Präsentation über Erkenntnisse und Lösungen zur Erreichung der Ziele der MPS-Initiative verbesserte die Transparenz der Prozesse und die Zusammenarbeit zwischen Abteilungen und Ebenen.

Anmerkung: Remote, 100%.

SAS Viya SAS Visual Analytics CAS): SAS Drive SAS Decision Manager 5.5 (Intelligent Decisioning) SAS Model Manager 15.3 (Manage Models) SAS Data Explorer 2.5 (Manage Data) SAS Studio (Enterprise) 5.2 (Develop SAS Code) SAS Risk Model Manager SAS XML Mapper 94. Sonstiges: z.B. ServiceNow Backlog Mgmt Azure DevOps.
Scrum Kreditrisiko
7 Monate
2020-03 - 2020-09

Business Analyse: Data Quality, Data Lineage und Data Governance

Data Engineer / Business Analyst Windows 10. SAS9.4 Viya ...
Data Engineer / Business Analyst
  • Business Analyse: Unterstützung bei Initiativen zu Data Quality, Data Lineage, und Data Governance: Pflege und Verwaltung von Datenattributen durch ein gemeinsames Datenmodell. Erstellen und Verwalten von business terms. Analysieren von Beziehungen zwischen Datentransformationsjobs und Datenmodellen von SAS und Drittanbietern. Ausrichten von Business und IT, MDM für eine einzige Sicht. Erstellung und Austausch von Informationen über DG Initiativen.
  • Data Engineer: Unterstützung bei der Vorbereitung von SAS-Programmen für Cloud Analytic Services (CAS). Umschreiben von Original-SQL in FEDSQL-Versionen. Ausführliche Tests: SQL, SAS fedSQL, Viya fedSQL. Schwerpunkt auf federated queries (hauptsächlich Oracle) und expliziten/impliziten Pass-Throughs. Überprüfung der Verarbeitung im Detail, z.B. angemessene Behandlung von Datums- und Zeitwerten in CAS.
  • Impact: Spürbarer Informationsgewinn durch BA Rolle. DE Rolle: Spürbare Leistungsverbesserung in der Datenverarbeitung.


Windows 10. SAS9.4 Viya SAS Management Console CAS
Führende Bank (HES, DE)
8 Monate
2019-05 - 2019-12

Business Analyse: Datenflüsse und Ebenen der Produktionslinien gemäß ISA-95-Standards

Data Analyst (SAS JMP) Windows 10 JMP 15.0/14.0 Visio ...
Data Analyst (SAS JMP)
  • Business Analysis: der Datenflüsse und Ebenen der Produktionslinien gemäß den ISA-95-Standards (und später). Von den Sensoren in der Produktion bis hin zu MES und (Web) FabEagle etc. Integration von verteilter Dokumentation. Konzeptionelle Erweiterung des bestehenden Betriebsplans um Umweltvariablen wie z.B. Kontamination. Identifizierung von Black Boxes. Ersatz von manuellen Prozessen durch automatische Berichte. Fabrikweite Workshops, um sicherzustellen, dass alle betroffenen Abteilungen teilnehmen und sich auf die erforderlichen KPIs und deren Definitionen einigen. Schnittstelle zu international verteilten Projekten (z.B. Deutschland, Italien, Ungarn, Brasilien).
  • Data Analysis: Managte und koordinierte mehrere Datenanalyseprojekte. Unterstützte die Analyse, Optimierung und Vorhersage von Daten zu Prozessen, Ausstattung und Produkten mit statistischen Methoden. Beginn der Lösung von DQ-Anomalien. Entwicklung von Prototypen aus verschiedenen Quellen auf der Grundlage von Ansätzen wie SPC, 6Sigma, Data Mining, Visual Analytics und Event Forensics. Unterstützte den Entwurf und die Automatisierung von Routineanalysen (JMP), Berichten (FabEagle) oder Dashboards (CroNet) für die unternehmensweite Prozessentwicklung und -produktion. Visualisierte intuitive Daten, z.B. auf die Produktionslinie ausgerichtete Heatmaps oder interaktive Parallel-Koordinatendiagramme. Die Analytik umfasste Zielanalyse und Assoziationen unter produktionsweiten KPIs. Data Mining beinhaltete die automatische Auswahl der u.a. "Top Ten" der instabilsten Prozess-KPIs. Funktionaler PoC mit Power BI und anderen.
  • Impact: Eine aktualisierte Dokumentation der Produktionsdaten und "beleuchtete" Black Boxes ermöglichten aufschlussreichere Analysen. Automatisierte Prozesse sparten Stunden manueller Arbeit, gezielte Fehlerbehebung und verringerten die Verluste durch Ausfallzeiten.
Windows 10 JMP 15.0/14.0 Visio Power BI e.g. FabEagle Trendpanel CroNet
Schott, weltmarkt-führender Glas-Hersteller (St.Gallen, Schweiz)
1 Jahr
2018-04 - 2019-03

Implementierung eines Management-Berichtssystems gemäß BCBS-239 Standards

SAS Team Lead (Product Owner ?BCBS?) EG7.1 (SAS9.4 SAS9.3) Jira ...
SAS Team Lead (Product Owner ?BCBS?)
  • Umwandlung von Dutzenden von Einzelberichten (einige davon sogar manuell oder Excel-basiert) in ein automatisches, bankweites SAS-basiertes Management-Berichtssystem gemäß BCBS 239-Standards. 
  • Zu den Aufgaben gehören die Leitung des SAS-Teams, die Gestaltung der Berichte (Corporate Design, Standards für das Bankberichtswesen), das Mapping der Input-Datenquellen und SAS-Spezifikationen mit den erforderlichen Berichtsausgaben, die Definition und das Tracken komplexer ETL-Prozesse dazwischen, einschließlich die Schnittstelle mit dem Fachbereich. Umfangreiche SAS-Programmierung und Problemlösung
  • Gründliche Prüfung der technischen Qualität und inhaltlichen Richtigkeit der gelieferten Daten, einschließlich Fehlerbehebung, Dokumentation und Kommunikation
  • Verwendung eines zentralen Workshops auf Visio-Basis, um das erforderliche gegenseitige Verständnis und die gemeinsame Sprache über eine hochkomplexe proprietäre Datenverarbeitungsumgebung ("SAS Batch Framework") zu erarbeiten.
EG7.1 (SAS9.4 SAS9.3) Jira Visio SAS Base SAS Macro Facility PROC SQL Proprietary Applications: ?SAS Batch Framework Windows 10
TeamBank, führende Bank im Bereich der Kreditvergabe Nürnberg
3 Monate
2018-01 - 2018-03

Design und Implementierung eines Reporting-Systems (Projekt ?MonSter?)

SAS Consultant (Product Owner ?MONSTER?) EG7.1 (SAS9.3) SAS Base SAS Macro Facility ...
SAS Consultant (Product Owner ?MONSTER?)
  • Migration einer fehlerhaften proprietären Excel-Anwendung in ein hochleistungsfähiges SAS-Makro. Automatisierung verschiedener Datenimporte [u.a. EMESSO, STORNO, INCASSO]. Replikation von Prozessen und Berechnungen von Original-Excel-Analysen mittels SAS Code und Makros.
  • Während der Migration führte Dr. Schendera weitere Optimierungen durch: Umstellung von mathematischen auf Kalendertag-basierten Berechnungen; Implementierung spezieller Berechnungen inkl. Fälligkeit, Vormonats-Deltas etc.; Eliminierung von Dubletten aus den original Excel-Datenbeständen; automatische kanalspezifische Verteilung der Berichte (E-Mail); Vereinheitlichung der Adressdaten für Marketing-Mailings.


Impact:

Ausrichtung und Konsistenz der anwendungsweiten Metadaten. Die durch die neue Anwendung replizierten Ergebnisse wurden extern verifiziert und waren ausnahmslos korrekt. Generierung benutzerfreundlicher Berichte: Unterschiedliche Berichtsdesigns halfen bei der Differenzierung zwischen unterschiedlichen Berichten durch Hintergrund und traffic-lighting für geschäftsrelevante Werte. Trotz eines deutlich höheren Funktionsumfangs, z.B. erweitert um weitere Berichte und Funktionalitäten, verringerte sich die ursprüngliche Bearbeitungszeit von 9 Stunden auf 12 Minuten. Zuvor beklagtes "Einfrieren" war kein Thema mehr. Bedienung dieser leistungsfähigen SAS-Anwendung durch ein benutzerfreundliches Cockpit durch nur wenige "Schalter", u.a. für das Anfordern von Berichten, Daten-Screenings und Optionen für Datenaktualisierungen.

EG7.1 (SAS9.3) SAS Base SAS Macro Facility PROC SQL MonSter
auf Anfrage
3 Monate
2017-10 - 2017-12

Forderungsmanagement: SAS Reporting u.a. mittels Reverse Engineering einer Black Box Applikation

SAS Risk Consultant Windows 10 EG 7.15 DBeaver 4.2.3 ...
SAS Risk Consultant
  • Entwicklung verschiedener Berichte mit SAS. Replikation und Dokumentation einer "Black-Box-Applikation" (third party). Umfassende Überprüfung der Qualität von manuell erstellten Datenlieferungen Dritter. 
  • Erstellung von Berichten als Self-Service Visualisierung in Power BI und Sisense auf dieser Datenbasis.
  • Tätigkeit vor allem im Bereich Forderungsmanagement, u.a. Mahnstufen (Dunning levels), Änderungen von Ratenplänen, CC1-CC5 Status ("Aktenübersicht"), Wirksamkeit der ausgehenden Telefonie ("Zusagen"), etc.


Impact:

Je nach Grad der Standardisierung der Datenquelle (Teil-)Automatisierung der ursprünglichen manuellen Schritte des Einlesens und der Analyse der Daten, einschließlich einer umfassenden Überprüfung der technischen Qualität und inhaltlichen Richtigkeit der von Dritten gelieferten Daten.
Replikation einer "Black-Box-Anwendung" (Dritter), die ursprünglich in ORACLE PL/SQL geschrieben wurde, unter Verwendung von SAS Base und PROC SQL. Visualisierung und Dokumentation der validierten SAS Version (Ersatz der "Black Box") u.a. mittels Entity-Relations-Diagrammen, gezeichnet mit draw.io.
Forderungsmanagementberichte wurden automatisch als Daten zur Anzeige in Power BI, Sisense, und als gebrauchsfertige EXCEL-Dateien mit intensivem traffic-lighting der relevanten Zahlen zur Verfügung gestellt. Die Berichte entsprachen den Anforderungen des Managements und den Prüfungsstandards.
Im Falle einer Blackbox hat nun der Kunde die Kontrolle über das ETL der Anwendung, und nicht mehr der Anbieter über die Blackbox Anwendung über den Kunden. Reduzierte Verarbeitungszeit, von wenigen Stunden auf Sekunden, weniger fehleranfällig.
Windows 10 EG 7.15 DBeaver 4.2.3 Sisense 6.7 (inkl. Elasticube Mgr) Power BI draw.io (Confluence) Slack etc. SAS Base SAS Macro Facility PROC SQL ORACLE PL/SQL SUBITO KSYS.
Auxmoney, Deutschlands führender online Kreditmarktplatz Düsseldorf
5 Monate
2017-04 - 2017-08

Forecast Pilot für ein Datengestütztes Wechselgeld-Bestellsystem

Data Scientist Windows SASv9.4 SAS Base ...
Data Scientist
  • Expertenrat zur Machbarkeit eines Forecasts zu einem "Systemgestützten Wechselgeld-Bestellsystem", Datenanalyse und Modellierung im Rahmen des Piloten, Konzeption einer statistischen Analyse von Transaktionsdaten in Echtzeit, sowie Workshops und Präsentation der Ergebnisse.


Impact:

  • Erfolgreicher Pilot eines systemgestützten Wechselgeld-Bestellsystems für zwei bekannte deutsche Einzelhändler einer internationalen Holdinggesellschaft mit Sitz in Köln, Deutschland. Die entwickelte SAS-Lösung ermöglicht Sichten auf den gleichen Bestellprozess aus verschiedenen Analysewinkeln (visuell und statistisch). Das Management genehmigte zwischenzeitlich die Implementierung dieses Ansatzes europaweit. Die Fallstudie ermöglicht es jedem Markt, Barmittel zu bestellen und gleichzeitig die relevanten Kostenfaktoren des Bargeldlieferungssystems (Münzgewicht, Transport) zu kontrollieren. Die erwarteten Einsparungen liegen alleine im Business Case in Millionenhöhe ? p.a.
  • Daten und Ansatz: Tägliche Wechselgeldbestellungen von mehreren hundert Einzelhandelsmärkten über zwei Jahre hinweg. Anfangs vergleichende Analyse mit Time Series, Operations Research und Statistical Process Control Ansätzen. Ausarbeitung und Diskussion verschiedener Szenarien, z.B. einmalige und wiederholte Standard-Bestellvorschläge. Robuster Ansatz von Datenquelle zu Dashboards und EXCEL Sheets inkl. traffic-lighting relevanter Ergebnisse. Verschiedene Zeithorizonte (Monat, Quartal, Jahr), sowie verschiedene Intervalle zur Vorhersagegenauigkeit. Hybrider Ansatz zwischen Statistischer Prozesskontrolle und Zeitreihenanalyse inkl. Lösungen für Geschäfts- vs. Kalenderwochendilemmas.
Windows SASv9.4 SAS Base SAS/OR SAS/STAT SAS/GRAPH SAS Macro Facility ODS
REWE, führende deutsche Supermarktkette (Retail) Köln
2 Jahre 9 Monate
2014-10 - 2017-06

Entwicklung einer Geschäftslogik zur Überwachung stornierender Makler:

SAS Program Manager, Project Manager Data Mining (Product Owner ?EBAS?) Komplex Host (z/OS) Citrix XenApp ...
SAS Program Manager, Project Manager Data Mining (Product Owner ?EBAS?)

  • Entwicklung einer Geschäftslogik zur Überwachung stornierender Makler: Sobald Makler ihre Kündigungsabsicht ankündigen, leitet das System rechtzeitig Maßnahmen ein, um zu verhindern, dass die Kundenbeziehung zu einem Konkurrenten verlagert wird. Business Impact: p.a. Entwurf und Implementierung eines Warnsystems für zukünftige monetäre Risiken, das es den Vertriebsmitarbeitern erleichtert, hochwertige Kunden rechtzeitig vor ihrer Abreise zu identifizieren und anzusprechen. KPI-Ansatz. Business Impact: p.a. Implementierung und Erweiterung mehrerer Projekte zur Berechnung von Kaufwahrscheinlichkeiten. Data Mining Ansatz. Allein durch den Business Case wurden (Gewinne) generiert. Mehrere Marketingkampagnen bestätigten die Zuverlässigkeit dieser Modelle und Schätzungen.
  • Unterstützung des Managements und des Teams mit fortgeschrittenem Datenmanagement, Data Mining / Analysefähigkeiten, Anpassung an schnell wechselnde Anforderungen, sowie Multi-Tasking in einer schnelllebigen Umgebung eines großen Versicherungsunternehmens. Werkzeuge: Enterprise Miner (EM), Enterprise Guide (EG).
  • (1) KPIs für ein Future Monetary Risk Warning System: Identifiziert und priorisiert potentielle Abwanderer nach Gesamtwert und der verbleibenden Reaktionszeit für den Außendienst. Eine besondere Funktion stellt dem Außendienst automatisch die Top 5 der wertvollsten Kunden vor, einschließlich Daten für den sofortigen Kontakt. (2) Data Mining: (i.) Mitglied des Teams zur Entwicklung und Implementierung eines Frühwarnsystems für das Ausfallrisiko von Kunden (Stornofrühwarnsystem) auf der Grundlage von SAS EM und ABTs. (ii.) Identifizierung und Analyse von Außendienstmitarbeitern, die eine Abwanderung beabsichtigen. Berechnung von finanziellen Risikoparametern, Qualität der Kundenbetreuung, Betrugsindikatoren sowie der Wahrscheinlichkeit einer Kundenabwanderung. (iii.) Migration von EM-Projekten Dritter. Implementierung und Automatisierung eines vollautomatischen EM/EG Data-Mining-Ansatzes zur Prognose des Kaufs spezifischer Versicherungsprodukte. Erweitert von jährlicher auf monatliche Prognose. (iv.) Rückvergleich der prognostizierten Verkaufswerte mit den tatsächlich eingetretenen Ereignissen beim Proof of Concept (z.B. durch ASEs, ROCs, Binning und Lift-Charts). Transformation der PoC Ergebnisse in einen Business Case. Berechnung mehrerer KPIs inkl. zusätzlicher Gewinne und eingesparter Investitionen. Risikoanalyse verschiedener Szenarien der Nachhaltigkeit von Kundeninvestitionen. BC erreichte GO vom Top-Management. Entwicklung mehrerer Modelle mit einem Gesamtvolumen von bis zu 12,5 Millionen ? (Gewinne) bzw. 5 Millionen ? (Einsparungen). (2) Reverse Engineering des strategischen Geschäftsberichtssystems für den Außendienst: Portierung (Migration) dysfunktionaler ETL- und Analyseprogramme (SPSS) in eine hochleistungsfähige SAS-Version bei gleichzeitigem Debugging, Tuning und Verbesserung on-the-fly. (3) Analyse des Bonusprogramms für bevorzugte Versicherungsportfolios im Auftrag der Konzernentwicklung, z.B. ABC, Top-Kunden, Versicherungsklassen und auf Organisationsebene (Einheit, Vertriebskanäle, Vorjahr). (4) Aufdeckung von Betrug: Identifizierung von betrügerischen Verkäufern durch Musteranalyse bei der Kündigung alter und der Vermittlung neuer Verträge, spezielle Musteranalyse von Vertragsverschiebungen und Identifizierung gefälschter Adressdaten. (5) Bewertung des Kundenkontaktmanagements vor Ort durch Stichproben, ETL und Export von Kontaktdaten von Fällen und Kontrollen an Host (TSO), SAS und EXCEL gemäß Spezifikation. (6) Selektion durch fortgeschrittene Stichprobenziehung von Kundendaten gemäß Spezifikation für ein Partnermailing inkl. technischer und statistischer Dokumentation. (7) Sonstiges: (i.) Migration von SAS Code und EG Projekten von SAS9.3 nach SAS9.4 (ii.) Mehrschichtige, zufallsbasierte Anonymisierung von SAS-Datensätzen. (iii.) Deduplizierungsprojekte, z.B. von E-Mail-Adressdatenbanken. (iv.) Phonetisch-basiertes Zusammenführen von Kundendaten aus mehreren SAS-Quellen mit Hilfe eines Fuzzy Match. (v.) Implementierung des Top-Client Schlüssels im Host (TSO) und in allen Endsystemen einschließlich Kommunikation, Test, Abnahme und Dokumentation der verschiedenen organisatorischen, technischen und personalen Schnittstellen. (vi.) Übertragung von Funktionalitäten von Enterprise Guide/Miner-Projekten in SAS-Batchcode und umgekehrt

Komplex Host (z/OS) Citrix XenApp Windows. Datenvolumen: 255+Millionen Zeilen SAS Base SAS Macro Facility PROC SQL; SAS/STAT SAS/GRAPH SASv9.4/9.3 Enterprise Guide 7.1/5.1 Enterprise Miner 14.1/12.1 SPSS 24/19 SAS VA EBAS Storno KATE sonstige
auf Anfrage
3 Monate
2012-11 - 2013-01

Zensus 2011 (Hochrechnung)

SAS Statistical Programer, Statistical Analyst Front-End: Enterprise Guide v4 Back-End: SAS 9.2 über CITRIX bzw. Server direkt Datasets: SAS Datasets (z.T. ORACLE ...
SAS Statistical Programer, Statistical Analyst
  • Erfolgreiche Entwicklung des statistischen Hochrechnungsalgorithmus für den Zensus 2011 in Form von leistungsstarken und benutzerfreundlichen SAS Makros.
  • Verantwortlichkeiten: Anpassung der Zellen an die prognostizierten Randsummen von 1.440 Gemeinden in 65 Modellvarianten (Volumen: 5,5+ Milliarden Datenzeilen), insgesamt 93.600 Modelle, sowie Visualisierung der zahlreichen GoF-Parameter.
  • Das restliche Verfahren folgte von Bishop, Fienberg und Holland (2007): Modell-Vorauswahl durch Abgleich der geschätzten Tabelle mit Referenztabelle anhand AIC, Pearson Chi2 und Log-Likelihood für die log-linearen Modelle 1 bis 65. Modell-Feinauswahl anhand minimaler Abweichung (Devianz) der vor-ausgewählten Modelle von den Zellbesetzungen der Referenztabelle (Kombinatorik aus Alter, Nationalität, Familienstand und Geschlecht), zusätzlich unter Berücksichtigung der Gemeindegröße zum Ausschluss von Schätzfehlern und ggf. disproportionale Zellhäufigkeiten. Eine Besonderheit dieser Anwendung ist, dass sie zahlreiche Funktionalitäten in ein einzelnes ETL Modul zusammenfasst, das als SAS Makro unüberwacht als Stored Process ausgeführt werden kann. Die SAS Admins der IT.NRW beurteilten dieses Makro gerade angesichts der hohen Datenlast als sehr performant. Dieses ETL Modul ist in der Tiefe ausgesprochen komplex und besteht im Wesentlichen aus zwei inhaltlich funktional disparaten Phasen: Die erste Phase liefert u.a. iterativ über PROC IML (CALL IPF) für jede Gemeinde für jedes der 65 Modelle die Datentabellen, die zweite Phase berechnet dafür gleichermaßen iterativ u.a. Goodness of Fit-Tests, deren essentiellen Parameter formatiert und als zentrale SAS Datasets aggregiert werden. Darüber hinaus legt dieses Makro u.a. Kriterien zur (nicht) erfolgreichen Konvergenz (u.a. Chi2, maximale Differenz, N Iterationen), sowie voreingestellte Stoppkriterien (maximale Differenz, maximale Iterationen) in eine separate SAS Datei ab. Das Modul mit dem Schwerpunkt Analyse führt neben den Goodness of Fit- auch Devianz-Werte in intuitiv interpretierbare Visualisierungen über. Ein "Cockpit" mit diversen "Schaltern" erlaubt dabei die gewünschte Visualisierung festzulegen, wie auch den Input (Gemeinden, Bundesländer, alle) unterschiedlich fein einzustellen.
  • Technische Umgebung: Länge der beiden SAS Programme für die Hauptanwendung in DIN A4 Seiten: 60 (ETL: 40, Analyse: 20). Programmausführung: Hauptanwendung als SAS Stored Process direkt auf dem Server, Entwicklung und Testen auf CITRIX. Laufzeiten: z.B. 96 (sechsundneunzig) Stunden (Hauptanwendung), auf 4 Kerne verteilt.

Front-End: Enterprise Guide v4 Back-End: SAS 9.2 über CITRIX bzw. Server direkt Datasets: SAS Datasets (z.T. ORACLE z.T Teradata) N: 100.000+. Größe: z.B. 250+ GB Datenvolumen: >5 50E+09 (5 5+ Milliarden) Datenzeilen (Hauptanwendung) AS Macro Facility darin SAS Base PROC IML SAS Hash Programming PROC SQL sowie die SAS Prozeduren MEANS TABULATE und GRAPH
IT.NRW, Statistisches Landesamt NRW, Bundesregierung Düsseldorf

Aus- und Weiterbildung

Aus- und Weiterbildung

2010

Martin-Luther Universität Halle-Wittenberg (berufsbegleitend)

Promotion (Thema: auf Anfrage)

Abschluss mit "? (1,0)


1998

Uni Heidelberg (berufsbegleitend)

Diplom in Psychologie


Schwerpunkte:

  • Forschungsmethoden und Angewandte Statistik
  • Start-up während des Studiums


Certifications and Trainings

Communication and Leadership

  • Communicating Technical Findings with a Non-Technical Audience (SAS Institute, SAS Course
  • Promoting Business Analytics across the Enterprise (SAS Institute, SAS Course).
  • Leading with Analytics (SAS Institute, SAS Course).
  • Wissenschaftliche / Statistische Expertise
  • diverse akademische Qualifikationen
  • Zertifizierungen (SAS, Microsoft, etc.) und v.a. praktische Erfahrung


Zertifizierungen (SAS, Microsoft, etc.) und v.a. praktische Erfahrung.SAS Global Certifications
  • SAS Base Programming for SAS 9
  • SAS Advanced Programming for SAS 9
  • SAS Statistical Business Analyst Using SAS 9: Regression and Modeling


SAS Academy for Data Science Badges

  • Text Analytics, Time Series, Experimentation, and Optimization
  • Predictive Modeling

  • Advanced Predictive Modeling

  • Big Data Preparation, Statistics and Visual Exploration

  • Big Data Programming and Loading


SAS Data Science Badges

  • Advanced Analytics in a Big Data World.
  • Applied Analytics Using SAS Enterprise Miner (15.1).
  • Data Mining Techniques: Predictive Analytics on Big Data.
  • Deep Learning Using SAS Software.
  • Experimentation in Data Science.
  • Forecasting Using Model Studio in SAS Viya.
  • Optimization Concepts for Data Science and Artificial Intelligence.
  • Predictive Modeling Using Logistic Regression.
  • SAS Visual Text Analytics in SAS Viya.
  • Social Network Analysis for Business Applications.
  • Text Analytics Using SAS Text Miner.


SAS Advanced Analytics Badges

  • Accessing SAS from Microsoft Office Applications.
  • Advanced Statistical Modeling Using the NLMIXED Procedure.
  • Categorical Data Analysis Using Logistic Regression (14.2).
  • Conjoint Analysis: Evaluating Consumer Preferences Using SAS Software.
  • Creating BI Dashboards Using SAS.
  • Creating Information Maps Using SAS.
  • Designing, Tuning, and Maintaining SAS OLAP Cubes.
  • Determining Power and Sample Size Using SAS/STAT Software.
  • Discrete Choice Modeling Using SAS Software.
  • Establishing Causal Inferences: Propensity Score Matching, Heckman's Two-Stage Model, Interrupted Time Series, and Regression Discontinuity Models.
  • Fitting Poisson Regression Models Using the GENMOD Procedure.
  • Fitting Tobit and Other Limited Dependent Variable Models.
  • Forecasting and Optimization.
  • Introduction to Data Curation for SAS Data Scientists.
  • Introduction to Statistical Concepts.
  • Machine Learning Using SAS Viya.
  • Mixed Models Analyses Using SAS.
  • Natural Language and Computer Vision.
  • Neural Network Modeling.
  • Personalizing the SAS Information Delivery Portal.
  • Profit-Driven Business Analytics.
  • Robust Regression Techniques in SAS/STAT.
  • Stationarity Testing and Other Time Series Topics.
  • Structural Equation Modeling Using SAS.
  • Time Series Modeling Essentials.


SAS BI Badges Incl. SAS Viya and Enterprise Guide:

  • Essential Functions of SAS Intelligent Decisioning (SAS Training @ ING, Jul 01, 2021).
  • Machine Learning Using SAS Viya (SAS Training @ ING, Jun 30, 2021).
  • Managing Models in SAS Viya (SAS Training @ ING, Jun 17-18, 2021).
  • Self-Service Data Preparation in SAS Viya (SAS Training @ ING, May 26, 2021).
  • High-Performance Data Manipulation with SAS DS2 (SAS Training @ ING, May 26, May 27, 2021).
  • SAS Viya: Overview for Beginners and SAS9 Users (SAS Training @ ING, May 17, 2021).
  • Creating Reports and Graphs with SAS Enterprise Guide (EG 7.1).
  • SAS Enterprise Guide: ANOVA, Regression, and Logistic Regression (EG 6.1 and 7.1).
  • SAS Enterprise Guide 1: Querying and Reporting (EG7.1).
  • SAS Enterprise Guide 2: Advanced Tasks and Querying (EG 7.1).
  • SAS Enterprise Guide for Experienced SAS Programmers (EG 7.1).
  • SAS Visual Analytics 1 for SAS Viya: Basics.
  • SAS Visual Analytics 2 for SAS Viya: Advanced.
  • SAS Visual Analytics for SAS 9: Getting Started.
  • Using SAS OLAP Cubes to Create Multidimensional Reports.
  • Using SAS Web Report Studio.


weitere SAS Programming Badges

  • High-Performance Data Manipulation with SAS DS2 and Hadoop.
  • Introduction to SAS/ACCESS Interface to Teradata.
  • Introduction to SAS and Hadoop (9.4).
  • Programming for SAS Viya (CASL).
  • SAS Programming on the Grid (9.4 M3).


spezielle SAS Badges

  • Fraud and Security: Fraud Detection Using Descriptive, Predictive, and Social Network Analytics.
    SAS Fraud Management: Using SAS Rules Studio.
  • Risk: Credit Risk Modeling.
  • Python/R: Using SAS Viya APIs with Python and R ? VLE


JMP by SAS:

  • JMP Software: Statistical Thinking for Industrial Problem Solving, einschließlich der Kurse
  • JMP Software: Classic Design of Experiments
  • JMP Software: Custom Design of Experiments.
  • JMP Software: Stability Analysis.


Weitere SAS Trainings und Kurse

  • Advanced Credit Risk Modeling for Basel/IFRS 9 using [?] SAS (Prof. Baesens, 2020.02).
  • Basic Credit Risk Modeling for Basel/IFRS 9 using [?] SAS (Prof. Baesens, 2020.02).
  • Einführung in SAS auf dem Großrechner (URZ, C.Ortseifen, 1990).
  • Preventing Data Bloat When Reading Hive String Data Using SAS (2020.05).
  • SAS Viya 3.4 Visualization and Programming Workshop (2020.03).
  • SAS Visual Analytics: Introduction by SAS Institute at ERGO (2017.03.13).
  • SAS-Makro-Programmierung: Eine Einführung (URZ, H.Geißler & C.Ortseifen, 1996).
  • Transitioning to SAS Viya: SAS Course about CAS, modifying Base SAS, DS2, Python (2020.06).
  • Writing a Custom Task for SAS Studio (2020.04


Andere relevante Analytics Trainings und Kurse

  • IDz ? für die OSPlus-Hostentwicklung mit Endevor (Anja Thiel, Finanz-Informatik, 2022.08)
  • Fraud Analytics (Prof. Baesens, 2020.02).
  • PISA Workshop: Computations with weights (University of Bern, CH, 2012.10).
  • Methods of Market/Media Research (GfK Switzerland, CH, 2010.01).
  • Roche® Role ?Statistician? at Roche Diagnostics, Penzberg DE (2008.11).


Position

Position

  • Mehrfach zertifizierter SAS Professional (Miner, Analyst, Programmierer) Scientific Consultant
  • Data Scientist
  • Data/Business Analyst
  • Team Lead
  • Statistiker
  • Programmierer
  • (Projekt) Manager

Kompetenzen

Kompetenzen

Top-Skills

SAS Data science Power BI BASE SQL Macro Python SPSS SAS Studio Viya Applied Statistics Numpy Pandas Machine Learning SciPy Matpltlib Seaborn Scikit-Learn Pytorch Enterprise Guide Datenanalyse Dashboard Automate

Schwerpunkte

Viya
Fortgeschritten
SAS9.4
Experte
Enterprise Guide
Experte
Visual Analytics
Fortgeschritten
Kernkompetenz: Angewandte Statistik: Methoden und Techniken [englisch]
Data Mining: Structured data
  • Applied Analytics Using SAS Enterprise Miner: Skills to assemble analysis flow diagrams using the pattern discovery (segmentation, association, and sequence analyses) and predictive modeling (decision tree, regression, and neural network models).
  • Advanced Analytics in a Big Data World: Applying and monitoring analytical models like: Decision Trees, Ensemble Methods, Rule Representation; Neural Networks; Support Vector Machines (SVMs); Bayesian Networks; Survival Analysis; Social Networks.
  • Fraud Detection Using Descriptive, Predictive, and Social Network Analytics: Supervised learning (using a labeled data set), unsupervised learning (using an unlabeled data set), and social network learning (using a networked data set).
  • Data Mining Techniques: Predictive Analytics on Big Data: Applications and techniques for assaying and modeling large data, e.g. SAS In-Memory Statistics, SAS Visual Statistics.
  • Predictive Modeling: Fitting supervised models and unsupervised analyses, as well as deploying score code. Typical Examples:?Next Best Offer?, Recommendation Systems.
  • Deep Learning: Build deep feedforward, convolutional, recurrent networks, and variants of denoising au-toencoders. The neural networks include traditional classification, image classification, and sequence-dependent outcomes.


EM nodes (v14) according to SEMMA

  • Explore: Association, Cluster (unsupervised), DMDB, Graph Explore, Market Basket, MultiPlot, Path Analysis, SOM/Kohonen (unsupervised), StatExplore, Variable Clustering, Variable Selection.
  • Modify: Drop, Impute, Interactive Binning, Principal Components, Replacement, Rules Builder, Trans-form Variables.
  • Model: AutoNeural, Decision Tree, Dmine Regression, DMNeural, Ensemble, Gradient Boosting, LARS (LASSO), MBR, Model Import, Neural Network, Partial Least Squares, Regression, Rule Induction, SVM (supervised machine learning), TwoStage.
  • Assess: Cutoff, Decisions, Model Comparison, Score, Segment Profile.
  • Applications: Incremental Response Model, Rate Making, Survival.


Natural Language Processing (NLP): Unstructured data

  • SAS Viya: Components of SAS Visual Text Analytics: Parsing, concept derivation, linguistic rules. topic derivation, text categorization, and sentiment analysis. Other SAS: MapReduce (PROC HADOOP),
  • Python: Sentiment Analysis (e.g. Customer Attitude, Communication Climate: Tweets, Emails etc.), Rec-ommendation Systems, Text-based Market Basket Analysis etc.
  • SPSS: Text Mining by SPSS Modeller etc.


Advanced Analytics and Advanced Statistical Modeling

Program evaluation:
  • Checking for real-world effectiveness (?real? causality): Heckman's two-stage modeling, interrupted time-series, regression discontinuity, and propensity score matching


Profit-Driven Business Analytics:

  • Optimize decision-making processes, which, in turn, maximizes profits. Analysis based on key economic considerations and impact. Using segmentation (CLVs, SOMs), association etc. Profit-driven evaluation using misclassification costs, (expected) maximum profits, or evaluation of regression models


Causal [regression, survival] Modeling (forecasting):

  • e.g. Linear, Multiple, Nonlinear, Nonparametric, Ridge, Robust, Binary Logistic, Ordinal, Multinomial Logistic, Hedonic, Quantile, Logit, Probit, Tobit (QLIM), Poisson (Count, Rates, Zero-Inflated[ZIP]; GENMOD); Categorical incl. Elastic Net, WLS, 2LS, Partial-Least Squares; Generalized Linear Models; Time-to-Event / Survival analysis (K-M, Proportional Hazard etc.); Multilevel Analysis/Regression etc. Also [Nonlinear] Mixed Models (MIXED, GLIMMIX, and NLMIXED procedures) etc. Time Series Mod-eling: Analysis of and forecasting with univariate time series: exponential smoothing, ARIMA with exog-enous variables (ARIMAX), and unobserved components models (UCM).


Clustering and Segmentation:

  • Basic: Conditional approaches, random-based approaches, RFM analysis, Binning. Mathematical: Cluster Analysis (Hierarchical, k-means, Two-Step), Conjoint Analysis, Correspondence Analysis, Multi-Dimensional Scaling (MDS/MDA). Data Mining: Artificial Neural Networks, Multi-layer Perceptron, k-nearest neighbours (KNN), Discriminant Analysis, SOM/Kohonen, Binning etc.


Optimization Concepts:

  • Linear (Lagrange), nonlinear (unconstrained and bound constrained NLPs), and (mixed) integer linear op-timization (MILP, ILP) concepts using PROC OPTMODEL.


Credit Risk Modeling:

  • Develop credit risk models LGD, EAD and PD (component model) according to the Basel guidelines.


Discrete Choice Modeling:

  • Designing a discrete choice experiment using SAS Software. Analyze discrete choice data considering number of choice sets, the number of alternatives, and number of subjects.


Conjoint Analysis:

  • Evaluating Consumer Preferences for products and services, also performing a market share simulation with products currently in the marketplace.


Structural Equation Modeling (SEM):

  • Using the CALIS procedure in SAS/STAT and the PATHDIAGRAM statement in CALIS.


Latent Modeling:

  • Classes: e.g. Latent Class Analysis (PROC LCA, stand-alone SAS procedure). Factors: e.g. Factor Analy-sis (PFA, ML, Alpha, Image, ULS, GLS, Wong?s etc.). Paths: e.g. Path Analysis, Structural Equation Modeling (SEM).


Marketing:

  • Graphical Techniques: Multidimensional e.g. Preference Plots and Maps, Correspondence Plots, Scaling Plots, Individual Coefficient Plots. Design of Experiments for Direct Marketing: e.g. Experimentation, Power and Sample Size; Fractional Factorials and Orthogonal Arrays, Optimal Designs, Augmenting De-signs, Incremental Response Modeling, Net Lift Modeling Testing: A/B, OFAT, Split, Multi-Factorial etc.


Comparison of Effects (analysis of designs and experiments):

  • Parametric approaches/procedures: ANOVA, GLM, MIXED, LATTICE, NESTED, ORTHOREG, TRANSREG, MULTTEST; Multi-Level Modeling; TOST etc. Data Mining Approach: Automatic Linear Modeling. Nonparametric Approaches: Tests for location and scale differences: Wilcoxon-Mann-Whitney, Median, Van der Waerden (normal), Savage, Siegel-Tukey, Ansari-Bradley, Klotz, Mood, Conover.


Special Techniques:

  • Iterative Proportional Fitting (Small Area Estimation). See Zensus 2011 as an excellent example for rak-ing.
  • Data/Business Process Reengineering, e.g. for Ergo (2017-2015) and Allianz (2014). Six Sigma (DMAIC, FMEA, VOC/VOP), e.g. Schott (2019), Wincor Nixdorf (2011), GfK (2010-09). Statistical matching of da-ta tables: Random-based matching incl. fuzzy factor, interval-based parallelization or propensity scores. Honest assessment of models and scoring of data sets.
  • ?und einige mehr

Aufgabenbereiche

Scrum
Advanced Analytics
Data Mining
Data/Business Process Analysis/Engineering
Reporting

Produkte / Standards / Erfahrungen / Methoden

Data Analysis
Experte
Data Mining
Experte
Event Forensics
Fortgeschritten
JMP
Fortgeschritten
JMP 15.0/14.0
Fortgeschritten
SixSigma
Fortgeschritten
SPC
Fortgeschritten
Visio
Fortgeschritten
Visual Analytics
Fortgeschritten

Profil
25+ Jahre Erfahrung in angewandter Statistik und Forschungsmethoden. Einzigartige Mischung aus Analytics, Programmier Skills, und Managementerfahrung, und immer noch hungrig, datengetriebenes Wissen und Entscheidungen zu verbessern, Herausforderungen zu meistern, und Probleme zu lösen

Methode

  • Wissenskonstruktion
  • Analytics: CRISP-DM, KDD, PPDAC
  • Requirements: IREB/CPRE u.a.

Business
  • Akquise von multi-millionen Projekten
  • Führen mit Analytics
  • Bevorzugte Systeme: SAS, Power BI, Python und SPSS jeweils einschl. Programmierung

Beruflicher Werdegang
01/2010 - heute
Kunde: auf Anfrage, Hergiswil, NW.

Aufgaben:
Re-launch des eigenen, vorher in Deutschland ansässigen Unternehmens

02/2012 ? 01/2014
Kunde: PH Luzern (60%)

Aufgaben:
Verantwortlich für Methoden und Statistik (SAS 9.4, SPSS 21). Management mehrerer Forschungsprojekte gleichzeitig. Wissenschaftliche Beratung.

06/2009 ? 02/2010
Kunde: GfK Switzerland: Vize-Direktor in der Abteilung Medienforschung

Aufgaben:
Strategische Position. Faktenbasierte Beratung für internationale Kunden.

08/2007 ? 10/2008
Kunde: CSC Switzerland: Advanced Analytics Expert

Aufgaben:
Repräsentation von CSC und Business Intelligence, SAS, und SPSS gegenüber Anbietern, Partnern und Kunden.

06/1996 ? 08/2007
Kunde: auf Anfrage , Heidelberg, Germany

Aufgaben:
Von der Selbständigkeit zum eigenen Beratungsunternehmen mit 12 Mitarbeitern.

2007 
Einladung, in die Schweiz zu ziehen, um bei CSC zu beginnen


Skills

SAS Plattformen

  • SAS 9.4 (x64 basiert) zurück bis SAS 6.08. Windows und andere.
  • SAS Viya.


SAS Clients, Interfaces, und Technologien

  • SAS Studio, SAS Cloud Analytic Services (CAS), Enterprise Miner, Enterprise Guide, JMP, SAS BI Dashboards, SAS Information Delivery Portal, SAS Information Map Studio, SAS Display Manager, ODS, Insight etc.


SAS Module für Programmierung und Analyse

  • Zum Beispiel: Base, ETS, GRAPH, IML, OR, QC, STAT.


SAS Sprachen

SAS Base, SQL, fedSQL, CAS Programming, Macro, DS2, Annotate, Hash Programming etc.


Microsoft

  • Power BI Desktop incl. Power Query
  • Power BI Service incl. Dashboards, Automate, Flows.
  • M, T-SQL, DAX (DAX Studio, 3.0.10).
  • MS Project, MS Visio, MS Office.


Python

Python 3 mit Anaconda Navigator (Conda). IDE: Spyder. Data Science: Pandas, SciPy(statsmodels), Numpy. Data Visualisation: Plotly (Graphic Objects, Express), Matplotlib, Seaborn, D3Blocks, Bokeh. Basics in Dash. Statistics: Statsmodels, SciPy.stats, Researchpy, Pingouin, Machine Learning: Scikit-Learn, Tensorflow, Pytorch. Mehr: JupyterLab/Notebook, Pycharm; preprocessing, missingno, kaleido, networkx, nltk (NLP),vadersentiment, scikit-surprise, xgboost etc.


Mehr

IBM SPSS Statistics, Sisense, Sparx Enterprise Architect etc.

Betriebssysteme

Windows 10
Windows 365
Linux

Programmiersprachen

CASL
Fortgeschritten
FEDSql
Fortgeschritten
PROC SQL
Experte
SAS Base
Experte
SAS Macro Facility
Experte
SPSS Syntax
Fortgeschritten
SQL
Experte
Python
Fortgeschritten
DS2
Fortgeschritten

Berechnung / Simulation / Versuch / Validierung

EG7.1 (SAS9.3)
Experte
SAS
Experte
Viya
Fortgeschritten
JMP
Fortgeschritten
SPSS
Fortgeschritten
Python
Fortgeschritten

Managementerfahrung in Unternehmen

People Management
Fortgeschritten
Change Management
Fortgeschritten
Projekt Management
Fortgeschritten
Agile
Scrum
Waterfall
Kanban
Kaizen
Prozesse
Menschen
Projekte
Produkte

Branchen

Branchen

  • Versicherungen
  • FinTech
  • Banken
  • Credit
  • CRM
  • Fraud, Manufacturing, and others

Vertrauen Sie auf GULP

Im Bereich Freelancing
Im Bereich Arbeitnehmerüberlassung / Personalvermittlung

Fragen?

Rufen Sie uns an +49 89 500316-300 oder schreiben Sie uns:

Das GULP Freelancer-Portal

Direktester geht's nicht! Ganz einfach Freelancer finden und direkt Kontakt aufnehmen.