Projekte

Ausgewählte Projekte.

Drei anonymisierte Beispiele aus meiner Projektarbeit – von der internationalen Fachanwendung bis zur Verarbeitung großer Datenmengen.

Ausgangslage: Produktschadensfälle wurden in Excel erfasst. Für die internationale Zusammenarbeit wurde eine mehrsprachige Anwendung benötigt, die eine einheitliche Bearbeitung und einfache Auswertungen ermöglicht.
Mein Beitrag: Ich übernahm Anforderungsklärung, Projektmanagement, Entwicklung mit Spring und Testing. Dabei präzisierte ich die fachlichen Anforderungen und machte Zeitstempel sowie Bearbeitungsdauern über Zeitzonen hinweg vergleichbar. Eine hohe Abdeckung durch automatisierte Tests sicherte die fachlichen Abläufe ab.
Ergebnis: Die Excel-Lösung wurde durch eine einheitliche, mehrsprachige Anwendung mit einem klaren Bearbeitungsprozess ersetzt. Produktschadensfälle konnten strukturiert erfasst und direkt ausgewertet werden.

Ausgangslage: Für eine neue Verarbeitungslösung mussten große Datenmengen aus unterschiedlichen Quellen zusammengeführt und die daraus entstehenden Ergebnisse validiert werden. Ein Schwerpunkt war die stabile Verarbeitung zu Spitzenzeiten.
Mein Beitrag: Ich unterstützte die Architekturarbeit und entwickelte die Verarbeitung mit Spring Reactor und IBM MQ mit Fokus auf hohe Datenlast und Stabilität. Ich arbeitete an Lastszenarien und der automatischen Skalierung anhand von Queue-Rückstau und CPU-Auslastung. Eine aktive Alarmierung über Splunk machte Anomalien im Betrieb sichtbar.
Ergebnis: Die Lösung skalierte bei Lastspitzen automatisch, ohne dass manuell eingegriffen werden musste. Anomalien wurden über Splunk gemeldet.

Ausgangslage: Archivdaten sollten zusammengeführt, gefiltert und angereichert werden, um neue Informationen für unterschiedliche konsumierende Anwendungen bereitzustellen. Dabei mussten verschiedene fachliche Anforderungen und Auslöser für die Verarbeitung berücksichtigt werden.
Mein Beitrag: Ich übernahm Architektur, Entwicklung und die Abstimmung mit den konsumierenden Teams. Mit Spring Reactor setzte ich die Verarbeitung für unterschiedliche Lastprofile um; Kafka ermöglichte die asynchrone Verteilung der aufbereiteten Informationen. Für einen stabilen Betrieb berücksichtigte ich Fehlerwiederanläufe, Dead-Letter-Queues und Monitoring.
Ergebnis: Der Service führte Archivdaten zusammen, bereitete sie fachlich auf und stellte neue Informationen asynchron für mehrere Konsumentengruppen bereit. Wiederanlaufmechanismen und Monitoring unterstützten die Behandlung fehlgeschlagener Verarbeitungen.

Zusammenarbeit

Steht euer Team vor ähnlichen Aufgaben?

Wir sprechen unverbindlich über euer System und eure technischen Herausforderungen.