Data Engineer Mid-Level (m/w/d)

Octopus Energy

Berlin (DE), Germany

Full Time

Posted September 7, 2026

€4k - €7k/mo· Est.

Energy Management

~74 people viewed this recently

Apply Now

Application opens on company website

Job Description

Als innovativer Messstellenbetreiber treiben wir die Energiewende nicht nur voran – wir setzen sie technisch um.

Key Responsibilities

Lakehouse & Data Engineering (ca. 50%): Konzeption, Aufbau und Tuning performanter Pipelines auf Basis von Databricks . Datenmodellierung mit dbt sowie Orchestrierung robuster DAGs via Apache Airflow . Governance & Performance: Etablierung automatisierter Data-Quality-Prüfungen, Data Lineage und Cluster-Optimierung. Analytics & Data Apps (ca. 25%): Aufbau einer semantischen Metriken-Schicht und Self-Service-BI in Lightdash . Entwicklung interaktiver Analyse-Tools und Data Apps in Python ( Streamlit ). Data Science & ML (ca. 25%): Explorative Analysen, Prototyping und Training von ML-Modellen (z. B. Prognosen, Anomalien). MLOps & Business-Integration: Experiment-Tracking auf Databricks und Bereitstellung der Ergebnisse für Fachbereiche.
Konzeption, Aufbau und Tuning performanter Pipelines auf Basis von Databricks .
Datenmodellierung mit dbt sowie Orchestrierung robuster DAGs via Apache Airflow .
Governance & Performance: Etablierung automatisierter Data-Quality-Prüfungen, Data Lineage und Cluster-Optimierung. Analytics & Data Apps (ca. 25%): Aufbau einer semantischen Metriken-Schicht und Self-Service-BI in Lightdash . Entwicklung interaktiver Analyse-Tools und Data Apps in Python ( Streamlit ). Data Science & ML (ca. 25%): Explorative Analysen, Prototyping und Training von ML-Modellen (z. B. Prognosen, Anomalien). MLOps & Business-Integration: Experiment-Tracking auf Databricks und Bereitstellung der Ergebnisse für Fachbereiche.
Etablierung automatisierter Data-Quality-Prüfungen, Data Lineage und Cluster-Optimierung.
Analytics & Data Apps (ca. 25%): Aufbau einer semantischen Metriken-Schicht und Self-Service-BI in Lightdash . Entwicklung interaktiver Analyse-Tools und Data Apps in Python ( Streamlit ). Data Science & ML (ca. 25%): Explorative Analysen, Prototyping und Training von ML-Modellen (z. B. Prognosen, Anomalien). MLOps & Business-Integration: Experiment-Tracking auf Databricks und Bereitstellung der Ergebnisse für Fachbereiche.
Aufbau einer semantischen Metriken-Schicht und Self-Service-BI in Lightdash .
Entwicklung interaktiver Analyse-Tools und Data Apps in Python ( Streamlit ).
Data Science & ML (ca. 25%): Explorative Analysen, Prototyping und Training von ML-Modellen (z. B. Prognosen, Anomalien). MLOps & Business-Integration: Experiment-Tracking auf Databricks und Bereitstellung der Ergebnisse für Fachbereiche.
Explorative Analysen, Prototyping und Training von ML-Modellen (z. B. Prognosen, Anomalien).
MLOps & Business-Integration: Experiment-Tracking auf Databricks und Bereitstellung der Ergebnisse für Fachbereiche.
Experiment-Tracking auf Databricks und Bereitstellung der Ergebnisse für Fachbereiche.

Requirements

Berufserfahrung: Mindestens 2–4 Jahre Praxis im Data Engineering, Analytics Engineering oder einer vergleichbaren Rolle. Core Engineering Stack: Fundierte Praxis mit Databricks (Delta Lake, Unity Catalog), dbt und Apache Airflow . BI & Data Apps: Erfahrung mit Lightdash (oder Interesse an code-basierter BI) sowie mit Streamlit . Code & Datenbanksprachen: Exzellentes SQL (Performance-Tuning, komplexe Joins) und sehr gutes Python (pandas, PySpark, scikit-learn). Methodik & Best Practices: Routinierter Umgang mit Git / CI/CD und modernen Modellierungskonzepten (Star-Schema). Mindset & Sprachen: Pragmatische Hands-on-Mentalität, starke Kommunikationsfähigkeit und sehr gutes Deutsch & Englisch.
Mindestens 2–4 Jahre Praxis im Data Engineering, Analytics Engineering oder einer vergleichbaren Rolle.
Core Engineering Stack: Fundierte Praxis mit Databricks (Delta Lake, Unity Catalog), dbt und Apache Airflow . BI & Data Apps: Erfahrung mit Lightdash (oder Interesse an code-basierter BI) sowie mit Streamlit . Code & Datenbanksprachen: Exzellentes SQL (Performance-Tuning, komplexe Joins) und sehr gutes Python (pandas, PySpark, scikit-learn). Methodik & Best Practices: Routinierter Umgang mit Git / CI/CD und modernen Modellierungskonzepten (Star-Schema). Mindset & Sprachen: Pragmatische Hands-on-Mentalität, starke Kommunikationsfähigkeit und sehr gutes Deutsch & Englisch.
Fundierte Praxis mit Databricks (Delta Lake, Unity Catalog), dbt und Apache Airflow .
BI & Data Apps: Erfahrung mit Lightdash (oder Interesse an code-basierter BI) sowie mit Streamlit . Code & Datenbanksprachen: Exzellentes SQL (Performance-Tuning, komplexe Joins) und sehr gutes Python (pandas, PySpark, scikit-learn). Methodik & Best Practices: Routinierter Umgang mit Git / CI/CD und modernen Modellierungskonzepten (Star-Schema). Mindset & Sprachen: Pragmatische Hands-on-Mentalität, starke Kommunikationsfähigkeit und sehr gutes Deutsch & Englisch.
Erfahrung mit Lightdash (oder Interesse an code-basierter BI) sowie mit Streamlit .
Code & Datenbanksprachen: Exzellentes SQL (Performance-Tuning, komplexe Joins) und sehr gutes Python (pandas, PySpark, scikit-learn). Methodik & Best Practices: Routinierter Umgang mit Git / CI/CD und modernen Modellierungskonzepten (Star-Schema). Mindset & Sprachen: Pragmatische Hands-on-Mentalität, starke Kommunikationsfähigkeit und sehr gutes Deutsch & Englisch.
Exzellentes SQL (Performance-Tuning, komplexe Joins) und sehr gutes Python (pandas, PySpark, scikit-learn).
Methodik & Best Practices: Routinierter Umgang mit Git / CI/CD und modernen Modellierungskonzepten (Star-Schema). Mindset & Sprachen: Pragmatische Hands-on-Mentalität, starke Kommunikationsfähigkeit und sehr gutes Deutsch & Englisch.
Routinierter Umgang mit Git / CI/CD und modernen Modellierungskonzepten (Star-Schema).
Mindset & Sprachen: Pragmatische Hands-on-Mentalität, starke Kommunikationsfähigkeit und sehr gutes Deutsch & Englisch.
Pragmatische Hands-on-Mentalität, starke Kommunikationsfähigkeit und sehr gutes Deutsch & Englisch.