Senior BI & Automation Consultant · freiberuflichSenior BI & Automation Consultant · freelance

Ich mache aus Ihren Daten belastbare Entscheidungen. I turn your data into decisions you can trust.

Ich bin Cem Ugurlu. Ich überführe manuelle Reportingprozesse in vollautomatische Pipelines und baue die Dashboards, auf deren Grundlage entschieden wird — inklusive der KI-Bausteine, die heute dazugehören: ML-Analysen, LLM-Auswertungen, agentische Workflows. Von der Datenbasis bis zum laufenden Betrieb, aus einer Hand. Projekterfahrung u. a. bei Airbus Aerostructures und einem internationalen Automobilkonzern. I'm Cem Ugurlu. I turn manual reporting processes into fully automated pipelines and build the dashboards decisions are made on — including the AI components that belong in them today: ML analysis, LLM-based evaluation, agentic workflows. From the data foundation to running operations, all from one person. Project experience at Airbus Aerostructures and a global automotive group, among others.

Zusammenarbeit anfragenLet's work together KI in der Praxis ansehenSee AI in practice

Ab sofort verfügbar — remote & DACH, onsite anteiligAvailable immediately — remote & DACH, partly on-site

Porträt von Cem Ugurlu, Senior BI & Automation Consultant und Inhaber von Glückstein Consulting — **Cem Ugurlu** Senior BI & Automation ConsultantSenior BI & Automation Consultant

500+ hmanueller Aufwand automatisiert / Jahrmanual effort automated / year 100 %automatisierter Tagesabschlussautomated daily closing 20+Einflussfaktoren per ML analysiertdrivers analysed with ML 7 → 1Datenquellen konsolidiertdata sources consolidated 16+Dashboards ausgeliefertdashboards delivered LLMAuswertungen im Produktivbetriebevaluations running in production 5Branchen Projekterfahrungindustries of project experience 0manuelle Eingriffe seit Go-livemanual touches since go-live

Im Einsatz u. a. fürWorked with, among others

Airbus Aerostructures Warner Chappell Music GENDEE Consulting Automobilkonzern (NDA)Automotive Group (NDA)

0+ h

wiederkehrender manueller Reportingaufwand pro Jahr automatisiert (≈ 13 Arbeitswochen)of recurring manual reporting automated per year (≈ 13 work-weeks)

automatisierter Tagesabschluss — von wöchentlich-manuell auf täglich, ohne Eingriffautomated daily closing — from weekly-manual to daily, hands-off

7 → 1

heterogene Datenquellen zu einer konsistenten Datenbasis konsolidiertheterogeneous data sources consolidated into one consistent foundation

Branchen Projekterfahrung — von Aerospace & Automotive über Fertigung bis Musikindustrieindustries of project experience — from aerospace & automotive through manufacturing to music

01Über michAbout me

Ein Ansprechpartner, der versteht — und selbst umsetzt.One point of contact who understands — and builds it himself.

Mein Name ist Cem Ugurlu. Als Senior BI & Automation Consultant helfe ich Industrie- und Enterprise-Unternehmen, manuelle Reportingaufwände messbar zu reduzieren. Ich übersetze fachliche Anforderungen in technische Lösungen — von der KPI-Definition über ETL-Pipelines bis zum interaktiven Dashboard, end-to-end von der Anforderungsaufnahme bis zum Go-live.

Bei mir gibt es keine Übergaben zwischen Vertrieb, Konzept und Umsetzung: Sie sprechen mit der Person, die auch baut. Ob Palantir Skywise in der Luftfahrzeugfertigung, Reporting-Plattformen auf Microsoft Fabric und Power BI für internationale Stakeholder oder vollautomatische Tagesabschlüsse mit Python und n8n — ich arbeite lieferorientiert, vertraulich und arbeite mich schnell in komplexe Datenlandschaften ein.

KI gehört für mich in dieselbe Kette: ML-Modelle zur Mustererkennung in Produktionsdaten, LLMs für die Auswertung von Freitexten und Meldungen, agentische Workflows, die mehrstufige Abläufe eigenständig durchlaufen. Nicht als Demo, sondern als Bestandteil laufender Prozesse — mit Validierung und einem klaren Punkt, an dem ein Mensch entscheidet.

My name is Cem Ugurlu. As a senior BI & automation consultant, I help industrial and enterprise organisations measurably reduce manual reporting effort. I translate business requirements into technical solutions — from KPI definition through ETL pipelines to interactive dashboards, end-to-end from requirements to go-live.

With me there are no handoffs between sales, concept and delivery: you talk to the person who also builds it. Whether Palantir Skywise in aircraft manufacturing, reporting platforms on Microsoft Fabric and Power BI for international stakeholders, or fully automated daily closings with Python and n8n — I work delivery-focused, confidentially, and ramp up quickly on complex data landscapes.

AI belongs in that same chain for me: ML models for pattern recognition in production data, LLMs for evaluating free text and incident reports, agentic workflows that run multi-step processes on their own. Not as a demo, but as part of processes already running — with validation and a clear point where a human decides.

Cem Ugurlu Cem UgurluB.Sc. Wirtschaftsinformatik, Uni Bremen · Professional Scrum Master I (PSM I)B.Sc. Business Informatics, Univ. of Bremen · Professional Scrum Master I (PSM I)

Warum mit mir arbeitenWhy work with me

—Vier Rollen in einer Person: BI, Beratung, Data Engineering und KIFour roles in one person: BI, consulting, data engineering and AI
—ML- und LLM-Systeme im Produktivbetrieb — nicht im PrototypenstadiumML and LLM systems running in production — not stuck at prototype stage
—Reguliertes Luftfahrtumfeld: Airbus Aerostructures, SerienfertigungRegulated aerospace environment: Airbus Aerostructures, serial production
—Schnelle Einarbeitung in komplexe Datenstrukturen und ProzesseFast ramp-up on complex data structures and processes
—Lieferorientierte, pragmatische Umsetzung — vertraulichDelivery-focused, pragmatic execution — fully confidential

02Was mich unterscheidetWhat sets me apart

Ein Dashboard baut heute fast jeder. Den Unterschied macht das Davor und Danach.Almost anyone can build a dashboard now. The difference is what comes before and after.

Zahlen darzustellen ist das Handwerk. Der Wert entsteht durch Urteilsvermögen, Geschäftsverständnis und Verantwortung — genau das, was sich nicht per Knopfdruck erzeugen lässt.Visualising numbers is the craft. The value comes from judgement, business understanding and accountability — exactly what can't be produced at the push of a button.

„Ich liefere keine Reports. Ich liefere Entscheidungsgrundlagen.""I don't deliver reports. I deliver a basis for decisions."

01

Ich beginne bei der Entscheidung, nicht bei der GrafikI start with the decision, not the chart

Bevor eine Kennzahl gebaut wird, kläre ich, welche Entscheidung sie tragen soll und wer sie trifft. So entstehen Auswertungen, die genutzt werden — nicht nur welche, die hübsch aussehen.

Before a single metric is built, I clarify which decision it should support and who makes it. That's how you get analyses that get used — not ones that just look nice.
02

Branchenverständnis statt nur ZahlenDomain understanding, not just numbers

OEE, Ausschussquote, Liefertreue, Anforderungen der regulierten Serienfertigung — ich kenne den fachlichen Kontext der Industrie- und Luftfahrzeugfertigung und erkenne, wann eine Kennzahl in die Irre führt, bevor sie zur falschen Entscheidung führt.

OEE, scrap rate, on-time delivery, the demands of regulated serial production — I know the operational context of industrial and aircraft manufacturing and spot when a metric is misleading before it drives the wrong decision.
03

Übersetzer zwischen Shopfloor, Management und ITTranslator between shop floor, management and IT

Ich moderiere widersprüchliche Anforderungen, bringe Fachbereich und Technik an einen Tisch und sorge dafür, dass eine Lösung am Ende auch wirklich angenommen und verwendet wird.

I mediate conflicting requirements, get business and tech around one table, and make sure a solution is actually adopted and used in the end.
04

Ich verantworte die Datenqualität — und stehe dafür geradeI own data quality — and stand behind it

Eine saubere Auswertung auf falschen Daten ist gefährlicher als gar keine. Ich baue eine Datenbasis, der man vertraut, und übernehme Verantwortung für die Zahlen, auf denen entschieden wird.

A polished analysis built on wrong data is more dangerous than none at all. I build a data foundation people can trust and take responsibility for the numbers decisions rest on.
05

Ich berate ehrlich — auch gegen ein ProjektI advise honestly — even against a project

Pragmatismus und Priorisierung gehören dazu: Ich empfehle den Weg mit dem besten Verhältnis aus Aufwand und Wirkung, auch wenn das heißt, ein Vorhaben kleiner zu schneiden oder davon abzuraten.

Pragmatism and prioritisation are part of the job: I recommend the path with the best effort-to-impact ratio — even when that means scoping a project down or advising against it.
06

Strategie und Umsetzung aus einer HandStrategy and delivery from one person

Weil ich berate und selbst baue, ist mein Rat immer technisch machbar und meine Technik immer am Geschäftsziel ausgerichtet. Kein Reibungsverlust zwischen Konzept und Code.

Because I both advise and build, my advice is always technically feasible and my engineering always aligned to the business goal. No friction lost between concept and code.

03LeistungenServices

Womit ich Sie unterstütze.How I can help you.

Business Intelligence

Interaktive Dashboards in Power BI, Microsoft Fabric und Palantir Skywise — mit DAX-Datenmodellen, Storyboards und KPI-Definition als Grundlage für bereichsübergreifende Entscheidungen.

Interactive dashboards in Power BI, Microsoft Fabric and Palantir Skywise — with DAX data models, storyboards and KPI definition as the basis for cross-functional decisions.

Data Engineering & ETLData Engineering & ETL

Datenbankdesign, Data Warehousing und ETL-Pipelines — von SQL-Datenmodellen bis zu Fabric-Lakehouse-/Warehouse-Strukturen, die verstreute Quellen (Excel, CSV, ERP) zu einer konsistenten Datenbasis zusammenführen.

Database design, data warehousing and ETL pipelines — from SQL data models to Fabric lakehouse/warehouse structures that consolidate scattered sources (Excel, CSV, ERP) into one consistent foundation.

KI, Machine Learning & AgentenAI, Machine Learning & Agents

ML-Modelle zur Mustererkennung und Prozessoptimierung, LLM-gestützte Auswertung unstrukturierter Daten und agentische Workflows mit Tool-Zugriff — mit Schema-Validierung, Konfidenzschwellen und definierten Freigabepunkten. Wie das konkret aussieht →

ML models for pattern recognition and process optimisation, LLM-based evaluation of unstructured data and agentic workflows with tool access — with schema validation, confidence thresholds and defined approval points. See how that works →

ProzessautomatisierungProcess Automation

Python, Google Apps Script und n8n für vollautomatische KPI-Erfassung, -Aufbereitung und Berichtsversand ohne manuellen Eingriff.

Python, Google Apps Script and n8n for fully automated KPI capture, processing and report distribution — without manual intervention.

SystemintegrationSystem Integration

REST APIs, OData, SAP BTP, Cloud-Connector und TM1Py zur Anbindung und Automatisierung bestehender Systemlandschaften.

REST APIs, OData, SAP BTP, Cloud Connector and TM1Py to integrate and automate existing system landscapes.

Qualitäts- & ProzessmanagementQuality & Process Management

KPI-Automatisierung im Qualitätsmanagement, BPMN, agile Methoden (SCRUM Professional) und kontinuierliche Verbesserung.

KPI automation in quality management, BPMN, agile methods (SCRUM Professional) and continual improvement.

04KI in der PraxisAI in practice

KI ist bei mir kein Pilotprojekt. Sie läuft im Produktivbetrieb.AI here isn't a pilot project. It runs in production.

Der Unterschied zwischen einem beeindruckenden Prototyp und einem System, dem eine Fachabteilung ihre Zahlen anvertraut, sind drei Dinge: Validierung, Nachvollziehbarkeit und ein klarer Punkt, an dem ein Mensch entscheidet. Ich baue die zweite Variante — eingebettet in die Datenpipelines und Reportingprozesse, die ohnehin laufen müssen. The difference between an impressive prototype and a system a business unit trusts with its numbers comes down to three things: validation, traceability, and a clear point where a human decides. I build the second kind — embedded in the data pipelines and reporting processes that have to run anyway.

Layer 01 Im KundeneinsatzLive with clients

Machine Learning auf ProduktionsdatenMachine learning on production data

Mustererkennung dort, wo Erfahrungswissen an Grenzen stößt: Welche Faktoren treiben Qualitätsabweichungen wirklich? Ich baue die Feature-Aufbereitung, das Modell — und vor allem die Prüfung, ob das Ergebnis fachlich standhält, statt eine Korrelation als Ursache zu verkaufen.

Pattern recognition where experience runs out: which factors actually drive quality deviations? I build the feature preparation, the model — and above all the check on whether the result holds up in the domain, instead of selling a correlation as a cause.

scikit-learnPythonFeature EngineeringModellvalidierungModel validation

NachweisEvidence Airbus Aerostructures — 20+ Einflussfaktoren auf Qualitätsabweichungen in der Luftfahrzeug-Serienfertigung analysiert.Airbus Aerostructures — 20+ drivers of quality deviations analysed in regulated aircraft serial production.

Layer 02 Im KundeneinsatzLive with clients

LLM-Auswertung unstrukturierter DatenLLM evaluation of unstructured data

Freitexte, Meldungen, Protokolle, Dokumente — der Teil Ihrer Daten, den kein Dashboard erreicht. LLMs klassifizieren und extrahieren, was bisher jemand von Hand gelesen hat: mit festem Ausgabeschema, Konfidenzschwelle und automatischer Ausleitung der unsicheren Fälle.

Free text, incident reports, protocols, documents — the part of your data no dashboard ever reaches. LLMs classify and extract what somebody used to read by hand: with a fixed output schema, a confidence threshold and automatic routing of uncertain cases.

LLM-IntegrationStructured OutputPrompt-DesignConfidence GatingPython

PrinzipPrinciple Kein LLM-Output ohne Schema-Validierung. Was unter der Konfidenzschwelle liegt, geht an einen Menschen — nicht ins Dashboard.No LLM output without schema validation. Anything below the confidence threshold goes to a human — not into the dashboard.

Layer 03 AgentischAgentic

Agentische Workflows mit Tool-ZugriffAgentic workflows with tool access

Mehrstufige Abläufe, die ein Modell eigenständig durchläuft: Daten ziehen, auswerten, gegenprüfen, Bericht bauen, verteilen. Angebunden über n8n, Python und APIs — mit definierten Freigabepunkten, damit nichts unkontrolliert nach draußen geht.

Multi-step processes a model runs on its own: pull data, evaluate, cross-check, build the report, distribute it. Wired up through n8n, Python and APIs — with defined approval points, so nothing leaves the system unchecked.

n8nTool-/Function-CallingREST APIsSQLOrchestrierungOrchestration

PrinzipPrinciple Agenten dürfen lesen und rechnen. Schreiben und versenden erst nach Freigabe — jeder Schritt protokolliert.Agents may read and compute. Writing and sending only after approval — every step logged.

agent_run — Protokolltrace abgeschlossencompleted

$ agent run --task "Qualitätsmeldungen KW 30 auswerten"
→ planplanner5 Schritte abgeleitet, Reihenfolge festgelegt5 steps derived, order fixed0.4 s
→ toolsql.query1.284 Meldungen aus 3 Quellen geladen1,284 records loaded from 3 sources1.1 s
→ toolllm.classify1.284 Freitexte → 9 Fehlerklassen, Schema validiert1,284 free texts → 9 defect classes, schema validated18.6 s
⚠ gateconfidence37 Fälle unter 0.80 → zur Prüfung an das QM ausgeleitet37 cases below 0.80 → routed to QM for human review—
→ toolstats.driversTop-5-Treiber berechnet, gegen Vorwoche geprüfttop 5 drivers computed, checked against prior week2.3 s
→ toolreport.buildDataset aktualisiert, Bericht erzeugtdataset refreshed, report generated3.8 s
✓ done—26 s Laufzeit · 1 Freigabe durch Mensch · 0 stille Fehler26 s runtime · 1 human approval · 0 silent failures✓

// Ein Ablauf, wie ich ihn baue. Die markierte Zeile ist der Punkt, an dem ein Mensch entscheidet — genau die Zeile fehlt in den meisten KI-Demos. // A run the way I build it. The highlighted line is the point where a human decides — and it's exactly the line missing from most AI demos.

Der ehrliche TeilThe honest part

Wo ich von KI abrateWhere I advise against AI

✕Wenn die Datenbasis nicht stimmt. Ein Modell auf schlechten Daten skaliert den Fehler — es behebt ihn nicht.When the data foundation isn't sound. A model on bad data scales the error — it doesn't fix it.
✕Wenn eine Abfrage oder eine feste Regel dasselbe leistet. Günstiger, schneller, prüfbar — und niemand muss einem Modell vertrauen.When a query or a fixed rule does the same job. Cheaper, faster, auditable — and nobody has to trust a model.
✕Wenn niemand den Output verantworten will. Dann fehlt nicht die Technik, sondern der Prozess dahinter.When nobody wants to own the output. Then what's missing isn't the technology — it's the process behind it.

Was Sie davon habenWhat's in it for you

KI verkürzt auch meine LieferzeitAI also shortens my delivery time

2–3× schneller bei Standardaufgaben — Code-Gerüste, Datenprüfung, Testdaten, Dokumentationfaster on routine work — code scaffolding, data checks, test data, documentation

→Sie zahlen keine Beraterstunden für Fleißarbeit, sondern für Urteilsvermögen.You don't pay consultant hours for busywork — you pay for judgement.
→Was ein Modell erzeugt, prüfe und verantworte ich. Nichts geht ungeprüft in ein Kundensystem.Whatever a model produces, I review and own. Nothing reaches a client system unchecked.

05VorgehenApproach

Vom ersten Gespräch zur laufenden Automatisierung.From first conversation to running automation.

AnalyseDiscovery

Bestandsaufnahme von Datenquellen, Prozessen und manuellem Aufwand. Klare Definition der KPIs und Zielbilder.

Audit of data sources, processes and manual effort. Clear definition of KPIs and target state.

KonzeptDesign

Datenmodell, Architektur und Automatisierungslogik — pragmatisch auf Ihre Systemlandschaft zugeschnitten.

Data model, architecture and automation logic — pragmatically tailored to your system landscape.

UmsetzungBuild

Aufbau von ETL-Pipelines, Dashboards und Automatisierungen. Iterativ, mit kurzen Feedbackschleifen.

Building ETL pipelines, dashboards and automations. Iterative, with short feedback loops.

ÜbergabeHandover

Dokumentation, Einweisung und optionaler Betrieb. Ihr Team behält die Kontrolle über die Lösung.

Documentation, onboarding and optional operation. Your team stays in control of the solution.

etl_pipeline — täglicher Laufdaily run running

// Schema: so sieht eine typische Lösung bei mir aus — verstreute Quellen rein, Entscheidungsgrundlage raus.// Schema: what a typical solution of mine looks like — scattered sources in, decision basis out.

$ run pipeline --daily
✓ extract 7 sources connected 1.2s
✓ transform 12,847 rows validated 0.8s
✓ load warehouse refreshed 0.4s
✓ publish dashboard live · 06:00 0.2s
● schedule next run in 24 h — 0 manuelle Eingriffe0 manual touches

Werkzeuge, mit denen ich arbeiteTools I work with

Daten & BIData & BI

Power BI / DAX Microsoft Fabric Palantir Skywise SQL ETL / Data Warehousing Microsoft Purview Excel / Power Query

KI & Machine LearningAI & machine learning

scikit-learn LLM-Integration Structured Output Tool-/Function-Calling Agenten-OrchestrierungAgent orchestration Feature EngineeringFeature engineering

Automatisierung & IntegrationAutomation & integration

Python n8n REST APIs SAP BTP / OData TM1Py Google Apps Script Azure

MethodikMethodology

SCRUM (PSM I) SAFe Kanban / Lean BPMN KPI-DefinitionKPI definition

◇Impact-DashboardImpact dashboard

Was ich für Kunden baue — auf mich selbst angewendet.What I build for clients — applied to myself.

Ein kleines BI-Dashboard über meine eigene Arbeit. Die Kennzahl links ist kein statischer Marketingwert: Sie wird bei jedem Seitenaufruf live aus den Go-live-Daten meiner Automatisierungen berechnet — und wächst von allein weiter. Genau das ist der Punkt von Automatisierung. A small BI dashboard about my own work. The figure on the left is not a static marketing number: it is computed live from the go-live dates of my automations on every page load — and keeps growing on its own. Which is exactly the point of automation.

Eingesparte Arbeitsstunden, kumuliertWorking hours saved, cumulative

Live · Stand Live · as of

0 h seit dem ersten Go-live — der Zähler läuft weiter, ohne dass jemand etwas tut.since the first go-live — still counting, with nobody lifting a finger.

Berechnung: 8 h/Woche seit Go-live 12/2024 (KPI-Workflow, Fertigungsmittelstand) + 3 h/Woche seit 11/2025 (KPI-Pipelines, Airbus QM). Beide Pipelines laufen seit Übergabe ohne manuellen Eingriff. Calculation: 8 hrs/week since go-live 12/2024 (KPI workflow, mid-sized manufacturer) + 3 hrs/week since 11/2025 (KPI pipelines, Airbus QM). Both pipelines have run without manual intervention since handover.

Dashboards ausgeliefert — Palantir Skywise, Power BI & Fabricdashboards delivered — Palantir Skywise, Power BI & Fabric

Einflussfaktoren auf Qualitätsabweichungen per ML analysiertdrivers of quality deviations analysed with ML

Projekte in 5 Branchen — von Aerospace bis Musikindustrieprojects across 5 industries — from aerospace to music

11 h

manueller Reportingaufwand nach Go-live — vorher 11 h/Wochemanual reporting effort after go-live — down from 11 h/week

Status · VerfügbarkeitStatus · Availability Ab sofort verfügbar Available immediately

06ReferenzenTrack Record

Projekte im Industrie- und Enterprise-Umfeld.Projects across industry and enterprise.

08/2025 – 05/2026

QM Data Analyst · QualitätsmanagementQM Data Analyst · Quality Management

Airbus Aerostructures, Nordenham

4+ Python- und Google-Apps-Script-Anwendungen zur vollautomatischen KPI-Erfassung (vorher 3+ Std manuell/Woche), 10+ interaktive Produktionsdaten-Dashboards in Palantir Skywise und ML-Analyse von 20+ Einflussfaktoren auf Qualitätsabweichungen in der Luftfahrzeugfertigung.

4+ Python and Google Apps Script applications for fully automated KPI capture (previously 3+ hrs manual/week), 10+ interactive production dashboards in Palantir Skywise and ML analysis of 20+ factors influencing quality deviations in aircraft manufacturing.

Palantir SkywisePythonGoogle Apps Scriptscikit-learnML-AnalyseKPI-Automatisierung

01/2025 – 07/2025

MS Fabric Consultant · SQL-Datenbanken & ReportingMS Fabric Consultant · SQL Databases & Reporting

GENDEE Consulting FZCO, Dubai

Aufbau einer analytischen Datenplattform auf Microsoft Fabric (Lakehouse/Warehouse), Modellierung von 4 SQL-basierten Datenmodellen und Entwicklung von 6+ interaktiven Power-BI-Dashboards für Stakeholder in internationalen Märkten.

Built an analytical data platform on Microsoft Fabric (lakehouse/warehouse), modelled 4 SQL-based data models and developed 6+ interactive Power BI dashboards for stakeholders in international markets.

Microsoft FabricLakehouse / WarehouseSQLPower BI / DAXMicrosoft PurviewAzure

05/2024 – 12/2024

Data Engineer & BI Consultant (NDA)Data Engineer & BI Consultant (NDA)

Mittelständisches FertigungsunternehmenMid-sized manufacturing company

Automatisierter KPI-Reporting-Workflow mit Python und n8n — von ~8 Std/Woche auf vollautomatischen Tagesabschluss; 7 Datenquellen via ETL-Pipeline integriert, 5+ Produktions-KPIs (OEE, Ausschussquote, Liefertreue) in Echtzeit.

Automated KPI reporting workflow with Python and n8n — from ~8 hrs/week to a fully automated daily closing; 7 data sources integrated via ETL pipeline, 5+ production KPIs (OEE, scrap rate, on-time delivery) in real time.

Pythonn8nETL-PipelineSQLPower BIOEE / Liefertreue

10/2023 – 05/2024

Agile Project Lead & Data Engineer (NDA)Agile Project Lead & Data Engineer (NDA)

Internationaler AutomobilkonzernGlobal automotive group

Agiles Projekt über 7 Monate mit 5+ Stakeholdern zur Optimierung operativer Prozesse (SCRUM, Lean); Systemintegration via REST-APIs, TM1Py und OData zu SAP sowie BTP-/Cloud-Connector-APIs.

Agile project over 7 months with 5+ stakeholders optimizing operational processes (SCRUM, Lean); system integration via REST APIs, TM1Py and OData to SAP plus BTP/Cloud Connector APIs.

REST APIsTM1PyOData / SAP BTPCloud-ConnectorSCRUMLean

04/2019 – 04/2023

Data Analyst · Streaming- & ProduktionsdatenData Analyst · Streaming & Production Data

Warner Chappell Music Germany, Berlin

Strukturierung und Analyse produktionsbezogener Daten für 30+ internationale Produktionen sowie Auswertung von Streaming- und Performance-Daten zur Unterstützung von Produktionsplanung und Labelstrategie.

Structured and analyzed production-related data across 30+ international productions and evaluated streaming and performance data to support production planning and label strategy.

DatenaufbereitungStreaming-AnalyticsExcel / Power QueryStakeholder-Management

Aufwand, der sich automatisieren lässt?Effort that could be automated?

Schreiben Sie mir kurz, woran Sie arbeiten. In einem unverbindlichen Erstgespräch sagen wir gemeinsam, wo bei Ihnen das größte Potenzial liegt — und wo sich der Aufwand nicht lohnt.Tell me briefly what you're working on. In a no-obligation first call we'll work out where your biggest potential is — and where the effort isn't worth it.

Erstgespräch anfragenRequest a first call

07KontaktContact

Lassen Sie uns ins Gespräch kommen.Let's start a conversation.

Ob konkretes Projekt, lose Idee oder ein erstes Kennenlernen — ich freue mich über Ihre Nachricht und antworte zeitnah.Whether it's a concrete project, a rough idea or just a first introduction — I'm happy to hear from you and reply promptly.

Antwort i. d. R. innerhalb von 24 hReply usually within 24 hrs

Email ugurlu.intelligence@gmail.com → TelefonPhone +49 176 84449337 →

StandortLocation Bremen / Bremerhaven · Remote & DACH, onsite anteiligBremen / Bremerhaven · Remote & DACH, partly on-site

SprachenLanguages Deutsch (Muttersprache) · Englisch (verhandlungssicher)German (native) · English (fluent)