Ik bouw een etl-pipeline, schoon je data op en zet je sql-database op

Slechte data is duur. Een pipeline die stilletjes kapotgaat is erger.

Ik heb Python ETL-pipelines gebouwd in productieomgevingen bij Renault, waarbij kosten- en defectgegevens uit SAP worden gehaald en in Google BigQuery worden gezet, over vijf productiehallen, geautomatiseerd en dagelijks draaiend zonder handmatige tussenkomst. Voor regionale belastingautoriteiten in Marokko heb ik een pipeline gebouwd die landbelastinggegevens verwerkt over meer dan 200 percelen, gestructureerd in een PostgreSQL-database en geleverd als schone rapporten.

Wat je krijgt:

• Python-scripts die je ruwe data automatisch extraheren, opschonen en transformeren
• Gestructureerde PostgreSQL- of BigQuery-database met gelaagde architectuur: raw, clean en geaggregeerd
• Data quality checks ingebouwd in de pipeline zodat fouten worden opgespoord voordat ze in je rapporten komen
• Volledige documentatie zodat je team het na oplevering kan onderhouden

Ik werk met data uit Excel, CSV, APIs, SAP-exporten en SQL-databases. Als je data rommelig of onregelmatig is opgemaakt, wordt dat opgelost voordat het wordt geladen.

Basic dekt datacleaning en voorbereiding. Standard voegt de volledige ETL-pipeline toe. Premium omvat database-architectuur, automatische planning en een rapport met platformaanbevelingen.

Weet je niet zeker wat je nodig hebt? Stuur me een bericht