Führung von Daten- & KI-Lösungen
Geschäftsziele, Daten- und KI-Strategie, Architektur und Umsetzung verbinden, damit Teams mit Zuversicht vorankommen.
- Technische Ausrichtung
- KI-gestützte Lösungen
- Skalierbare Umsetzung
Data Solutions Lead · KPMG Luxembourg
Technische Tiefe. Architektonisches Denken. Daten-Leadership.
Ich verbinde geschäftliche Ziele mit verlässlichen Daten- und KI-Lösungen – und bringe dafür zwei Jahrzehnte Erfahrung in Softwareentwicklung, Teamführung und Architektur zusammen.
20+Jahre in der Technologie
4Aufeinander aufbauende Rollen bei KPMG
360°Von Engineering bis Datenstrategie
Über mich
Ich arbeite dort, wo Technologie, Menschen und Geschäft zusammenkommen.
Ich bin Frank, eine Führungskraft in der Technologie mit praktischem Engineering-Fundament und einer Laufbahn, die von immer komplexeren Aufgaben geprägt ist.
Bei KPMG Luxembourg habe ich mich vom Senior Software Engineer und Assistant Manager zum Software Engineer Supervisor entwickelt und bin dann in die Lösungsarchitektur gewechselt – mit Verantwortung für die Datenarchitektur und die Systeme dahinter. Heute bringe ich als Data Solutions Lead und Data Architect diese Perspektiven zusammen und helfe Teams, Daten- und KI-Lösungen zu bauen, die nützlich, robust und auf Weiterentwicklung ausgelegt sind.
Meine Erfahrung umfasst die Entwicklung von KI-Lösungen und die Integration von KI-Fähigkeiten in moderne Datenarchitekturen – Modelle und intelligente Anwendungen verbunden mit den kontrollierten, verlässlichen Datengrundlagen, die sie brauchen.
Mir sind Klarheit statt Komplexität, durchdachte Zusammenarbeit statt Silos und pragmatische Entscheidungen mit dauerhaftem Nutzen wichtig.
Den ganzen Werdegang ansehenMeine Schwerpunkte
Aus Datenkomplexität wird eine klare Richtung.
Meine Arbeit reicht von der strategischen Absicht bis zu den Systemen, Praktiken und Teams, die sie umsetzen.
Intelligente Architektur, die Bestand hat
KI-Fähigkeiten verbunden mit kontrollierten Datengrundlagen – ausgelegt auf Wartbarkeit, Integration und Veränderung.
- Daten- & KI-Architektur
- Lösungsdesign
- Technische Grundlagen
Engineering-Führung
Engineers helfen, ihre beste Arbeit zu leisten – durch Kontext, gute Praktiken, klare Erwartungen und Vertrauen.
- Teamentwicklung
- Engineering-Qualität
- Pragmatische Umsetzung
Werdegang
Eine Laufbahn, die Schritt für Schritt näher an das große Ganze geführt hat.
Von der Softwareentwicklung zur Gestaltung von Architektur und Führung rund um Unternehmensdaten.
Seit Okt. 2025
KPMG Luxembourg
Data Solutions Lead · Data Architect
Leitung der Entwicklung und Weiterentwicklung von Unternehmensdatenlösungen mit Microsoft Fabric und Microsoft Purview – Datenarchitektur, Governance, Engineering und Umsetzung über Teams und Stakeholder hinweg verbinden.
Okt. 2024–Sep. 2025
KPMG Luxembourg
Solutions Architect
Mitgestaltung und Steuerung der Datenarchitektur, Verantwortung für die Systeme und technischen Grundlagen dahinter sowie Übersetzung von Anforderungen in nachhaltige Lösungen.
Okt. 2020–Sep. 2024
KPMG Luxembourg
Software Engineer Supervisor
Steuerung der Engineering-Umsetzung, Förderung der beruflichen Entwicklung und guter Praktiken – als Brücke zwischen praktischer Technik und den Bedürfnissen von Team und Stakeholdern.
Okt. 2017–Sep. 2020
KPMG Luxembourg
Senior Software Engineer · Assistant Manager
Konzeption, Entwicklung und Wartung von Unternehmenssoftware – die technische und fachliche Grundlage für spätere Führungs- und Architekturaufgaben.
2006–2017
ARISA Assurances S.A.
IT Manager · Software Development Manager · Software Developer
Entwicklung von der Softwareentwicklung zur Engineering- und IT-Leitung – mit Verantwortung für Menschen, Systeme, Umsetzung und den technischen Alltag des Unternehmens.
Ausbildung und frühere Stationen ansehen
Ausbildung
Wirtschaftsinformatiker (FH)
Hochschule Trier · 2001–2005
Schwerpunkt Datenbanken und Webentwicklung.
Diplomarbeit · 2005
Husky Injection Molding Systems
Analyse, Entwicklung und Einführung eines Werkzeugs zur Verwaltung von Vorzugsteilen auf Basis von Kundenstandards.
Frühe Erfahrungen
Technische Grundlagen
Arbeit an Datenbanken, Dokumentenmanagement und Simulationssystemen bei Husky, Mutterhaus Trier und Fem-tech.
Kompetenzen
Ein breiter Blick, verankert in praktischer Erfahrung.
Ich habe über den gesamten Technologie-Lebenszyklus hinweg gearbeitet. Diese Bereiche bringe ich in meiner heutigen Arbeit zusammen – keine willkürlichen Prozentwerte, sondern praktische Erfahrung.
01
Führung & Umsetzung
Teamentwicklung · Abstimmung mit Stakeholdern · Technische Ausrichtung · Agile Umsetzung
02
Daten, KI & Architektur
Microsoft Fabric · Microsoft Purview · Datenarchitektur · KI-Lösungsarchitektur · Unternehmensdatenplattformen · Data Governance
03
Software- & KI-Engineering
Entwicklung von KI-Anwendungen · C# · .NET · TypeScript · Webanwendungen · Relationale Datenbanken
04
Kommunikation
Deutsch · Englisch · Französisch · Übersetzen zwischen Fachbereich und Technik
Referenzarchitektur
Eine moderne Daten- & KI-Plattform, Schicht für Schicht.
Ein allgemeiner, herstellerneutraler Bauplan dafür, wie ich über Datenplattformen denke. Er beschreibt nicht die Umgebung eines Arbeitgebers oder Kunden. Wählen Sie einen Baustein, um zu sehen, was er leistet und welche Designentscheidung dahintersteht.
Über alle Schichten
Quellen
Ingestion
Lakehouse
Bereitstellung
Nutzung
So lesen Sie es
Daten fließen von links nach rechts – vom Ort ihrer Entstehung bis dorthin, wo sie genutzt werden.
Rohdaten werden unverändert abgelegt, bereinigt und vereinheitlicht und dann zu fachlich nutzbaren Modellen mit einheitlichen Definitionen kuratiert. Berichte, KI und andere Anwendungen bauen alle auf dieser gemeinsamen Grundlage auf.
Governance, Sicherheit und Betrieb sind kein letzter Schritt. Sie ziehen sich durch jede Schicht – vom ersten Ladevorgang bis zur letzten Antwort eines KI-Assistenten.
Quellen
Operative Quellen
Was es leistet. ERP-, CRM- und SaaS-Anwendungen, Datenbanken, Dateien und Ereignisströme: Hier entstehen Daten, jeweils mit eigenem Modell, eigener Qualität und eigenem Rhythmus.
Designentscheidung. Quellsysteme in Ruhe lassen: über APIs, Change Data Capture oder Exporte lesen statt direkt auf Produktivsysteme zuzugreifen, und Datenverträge mit den verantwortlichen Teams vereinbaren.
Ingestion
Batch-Ingestion
Was es leistet. Lädt Daten zeitgesteuert (Vollextrakte, inkrementelle Ladevorgänge, Change Data Capture oder API-Abrufe) in die Rohdatenzone der Plattform.
Designentscheidung. Ladevorgänge inkrementell und idempotent gestalten, damit sich ein fehlgeschlagener Lauf einfach wiederholen lässt. Daten zuerst unverändert ablegen, später transformieren.
Ingestion
Streaming
Was es leistet. Erfasst Ereignisse in dem Moment, in dem sie entstehen, über einen Message Broker – für Fälle, die nicht auf den nächtlichen Lauf warten können: Monitoring, Alarmierung, laufender Betrieb.
Designentscheidung. Streaming nur dort einsetzen, wo geringe Latenz ihren Preis wirklich wert ist. Für die meisten Entscheidungen reichen stündliche Daten, und Streaming erhöht den Betriebsaufwand.
Lakehouse
Bronze · Rohdaten
Was es leistet. Eine nur ergänzte Kopie der Quelldaten, genau so, wie sie angekommen sind, gespeichert mit Lade-Metadaten wie Quelle, Zeitpunkt und Ladelauf.
Designentscheidung. Die Rohdaten-Historie macht jede nachgelagerte Tabelle wiederherstellbar und prüfbar. Speicher ist günstig – Jahre an Daten erneut aus einer Quelle zu ziehen, ist oft nicht möglich.
Lakehouse
Silver · bereinigt
Was es leistet. Prüft, dedupliziert und typisiert die Daten und vereinheitlicht sie über Quellen hinweg: einheitliche Schlüssel, Einheiten, Zeitzonen und Referenzdaten.
Designentscheidung. Datenqualitätsprüfungen gehören hierher, als Code, und Fehler sollen laut auffallen. Qualitätsprobleme lassen sich dort am günstigsten beheben, wo sie entstehen.
Lakehouse
Gold · kuratiert
Was es leistet. Fachlich nutzbare Tabellen, modelliert danach, wie die Organisation arbeitet (Kunden, Aufträge, Finanzen), meist als dimensionale Modelle oder Datenprodukte.
Designentscheidung. Für die Fragen modellieren, die tatsächlich gestellt werden, und jedem Datensatz eine benannte verantwortliche Person geben. Gold-Daten sind ein Produkt, kein Nebenprodukt.
Bereitstellung
Semantische Schicht
Was es leistet. Eine gemeinsame Definition von Kennzahlen und Fachbegriffen (Umsatz, aktiver Kunde, Marge), die jeder Bericht, jedes Notebook und jeder KI-Assistent nutzt.
Designentscheidung. Jede Kennzahl einmal und zentral definieren. Zehn Dashboards mit zehn Definitionen von Umsatz zerstören Vertrauen schneller als jeder Ausfall.
Nutzung
BI & Reporting
Was es leistet. Dashboards, Berichte und Self-Service-Analysen für die Menschen, die Entscheidungen treffen.
Designentscheidung. Self-Service funktioniert auf einer guten semantischen Schicht, nicht an ihrer Stelle. Die Kernberichte zertifizieren und Raum lassen, um sie herum zu erkunden.
Nutzung
KI & maschinelles Lernen
Was es leistet. Prognose- und Klassifikationsmodelle sowie KI-Assistenten, die Fragen auf Basis kontrollierter Unternehmensdaten und Dokumente beantworten.
Designentscheidung. KI ist nur so gut wie die Daten und Berechtigungen dahinter. Antworten sollten auf kuratierten Quellen beruhen und denselben Zugriffsregeln folgen wie überall sonst.
Nutzung
Datenaustausch & APIs
Was es leistet. Stellt kuratierte Daten anderen Anwendungen, Partnern und Teams über APIs, Freigaben oder Exporte bereit.
Designentscheidung. Datennutzer wie Kunden behandeln: versionierte Schnittstellen, dokumentierte Verträge und keine überraschenden inkompatiblen Änderungen.
Über alle Schichten
Governance
Was es leistet. Katalog, Lineage, Klassifizierung und Verantwortlichkeiten: wissen, welche Daten es gibt, woher sie stammen, wer für sie zuständig ist und wie sensibel sie sind.
Designentscheidung. Governance gehört vom ersten Tag an in die Plattform. Automatisierte Lineage und Klassifizierung skalieren, Richtlinien in Tabellen nicht.
Über alle Schichten
Sicherheit & Zugriff
Was es leistet. Identitäten, rollen- und attributbasierter Zugriff, Verschlüsselung und Maskierung sensibler Felder – durchgesetzt von den Rohdaten bis zur KI-Schicht.
Designentscheidung. Zugriff nach Rolle und Datenklassifizierung vergeben, nicht Tabelle für Tabelle – mit denselben Regeln, ob ein Mensch fragt oder ein KI-Agent.
Über alle Schichten
Betrieb
Was es leistet. Orchestrierung, Monitoring, Kostenkontrolle und CI/CD für Pipelines und Modelle: die Arbeit, die eine Plattform nach dem Start gesund hält.
Designentscheidung. Pipelines wie Software behandeln – mit Versionskontrolle, automatisierten Tests und Deployment-Pipelines. Bei veralteten Daten alarmieren, nicht nur bei fehlgeschlagenen Jobs.
Abseits der Arbeit
„Die beste Technologiearbeit ist letztlich menschlich: das Problem verstehen, Menschen zusammenbringen und Komplexes beherrschbar machen.“
Abseits der Arbeit steht die Familie an erster Stelle. Ich spiele seit mehr als zwei Jahrzehnten Basketball und mag Bücher, Reisen, Musik und gelegentlich ein technisches Nebenprojekt.
Kontakt
Danke für Ihren Besuch.
Wenn Sie sich zu Daten, KI, Architektur, Technologie oder gemeinsamen Interessen austauschen möchten, schreiben Sie mir eine Nachricht oder finden Sie mich auf LinkedIn und GitHub.