Senior Analytics Engineer (m/f/d)

Rabot Energy ist ein unabhängiger Anbieter von dynamischen Stromtarifen mit 100% grüner Energie. Durch unsere innovativen Beschaffungsstrategien gewährleisten wir sowohl ökologische Nachhaltigkeit als auch Kostenoptimierung im Bereich des Energiemanagements zu Hause. Indem wir die Großhandelspreise für Strom direkt an unsere Kunden weitergeben, können wir deren Stromrechnungen im Durchschnitt um 35% senken. Besitzer von Elektrofahrzeugen und Smart Metern profitieren besonders von unserem dynamischen Stromtarif, da sie ihre Fahrzeuge zu Hause automatisch aufladen können, wenn die Strompreise an der Börse besonders niedrig sind. In der Rabot Energy App können Ladepräferenzen einfach eingestellt und aktuelle Marktstrompreise in Echtzeit verfolgt werden. Mit unseren intelligenten Ladelösungen tragen wir aktiv dazu bei, den Anteil erneuerbarer Energien am gesamten Stromverbrauch in Deutschland zu erhöhen. Unsere Vision ist es, jedem Kunden die Möglichkeit zu geben, seinen Energieverbrauch auf intelligente Weise zu steuern und dabei die Umwelt und natürliche Ressourcen zu schonen. Durch die Bereitstellung intelligenter Lade- und Energiemanagementlösungen hilft Rabot Energy aktiv, die Energiewende voranzutreiben. Mit dieser Idee haben wir bereits das Vertrauen von über 100.000 Kunden gewonnen.

Die Energiebranche durchläuft ihren größten Wandel seit 50 Jahren. Wir liefern nicht mehr nur Strom, wir machen ihn intelligent. RABOT wächst mit dreistelligen Raten – und mit jedem neuen Kunden, jedem neuen Produkt und jeder neuen Partnerschaft wächst auch das Volumen an Daten, das wir analysieren müssen. Unser Stack ist vorhanden: BigQuery, dbt, Metabase. Was jetzt zählt, ist die Schicht dazwischen – saubere Modelle, getestete Logik, eindeutige Definitionen. Eine Zahl ist nur so zuverlässig wie das Modell, aus dem sie stammt. Hier kommen Sie ins Spiel: eine erfahrene Person, die Geschäftslogik in versionierten Code umsetzt, anstatt in die 200. Metabase-Anfrage.

Ihre Mission

Sie besitzen die Schicht zwischen Rohdaten und Entscheidungen. Sie modellieren unsere Daten in dbt auf BigQuery – von Staging über Core bis zu den Marts – halten die Modelle durch Tests, Reviews und Dokumentation zuverlässig und behalten Laufzeiten und Kosten im Auge. Auf der upstream-Seite arbeiten Sie mit Data Engineering an der Datenaufnahme, Datenqualität und klaren Schnittstellen. Auf der downstream-Seite arbeiten Sie mit BI und den Geschäftsbereichen: Sie verwandeln Geschäftslogik in zertifizierte, dokumentierte Modelle mit eindeutigen Definitionen. Es geht nicht darum, jede Anfrage selbst zu erstellen, sondern darum, dass Analysten und Geschäftsteams ihre eigenen Fragen auf Ihren Modellen beantworten können, anstatt auf Analytik-Kapazitäten zu warten.

Ihre Ergebnisse

Wir denken in Ergebnissen, nicht in Aufgabenlisten. Die Punkte unten sind das, was wir gemeinsam in Ihren Check-ins nach 3, 6 und 12 Monaten betrachten werden – als gemeinsamer Plan, nicht als Prüfung.

• Monat 3 (Einarbeitung): Sie kennen unser dbt-Projekt und unsere Datenlandschaft – Quellsysteme in Vertrieb, Marketing, Produkt und Kundenservice, BigQuery, Metabase – und können jede wichtige Kennzahl von der Quelle bis zum Bericht zurückverfolgen. Ihre ersten Modelle laufen in der Produktion: über Branch, Review und Test, dokumentiert in dbt und unserer Wissensdatenbank. Sie haben die größten Schwächen im bestehenden Setup benannt – duplizierte Logik, ungetestete Modelle, teure Abfragen – und einen priorisierten Vorschlag zur Behebung dieser Probleme geliefert.
• Monat 6 (Leistung): Sie besitzen die Modellschichten für ein Kerngebiet end-to-end – z.B. Kunde & Produkt: Namenskonventionen, Tests, Dokumentation und Definitionen liegen bei Ihnen. Kernmodelle sind durch Tests abgedeckt (Eindeutigkeit, Aktualität, Referenzen); Fehler treten in CI auf, anstatt in einem Management-Meeting. Geschäftslogik lebt in dbt und nicht in einzelnen Metabase-Anfragen und Excel-Dateien; duplizierte Definitionen wurden entfernt. Die Kosten pro Modell sind transparent, und Sie haben die größten Kostentreiber in BigQuery messbar reduziert.
• Monat 12 (Skalierung): Es gibt eine gemeinsame, zuverlässige Modellbasis für die wichtigsten Kennzahlen des Unternehmens – versioniert, getestet, dokumentiert, mit klarer Verantwortung für die Definitionen. Self-Service funktioniert: Analysten und Geschäftsbereiche erstellen ihre Analysen auf zertifizierten Modellen; etwa 90% der wiederkehrenden Berichterstattung läuft über das Warehouse und Metabase anstelle von Excel. Releases sind Routine: CI/CD, automatisierte Tests und nachvollziehbare Herkunft – Änderungen gehen ohne Feuerwehrmaßnahmen live. Board- und Investorenkennzahlen (Churn und Retention, Kohorten, Einheitökonomie) können jederzeit aus versionierten Modellen reproduziert werden.

Wer wir suchen

Senior Analytics Engineer: fortgeschrittene SQL- und Datenmodellierung – dbt auf einem Cloud-Datenlager (BigQuery), Git-basierte Arbeit, Reviews und CI, Orchestrierung (dbt Cloud, Airflow oder Dagster) und Python für Automatisierung. Mindestens 5 Jahre Erfahrung in Analytics Engineering, Data Engineering oder BI, wobei Sie selbst Modelle besitzen. Modellierung & Software-Handwerk: dimensionale Modellierung und eine semantische Schicht mit gut definierten Kennzahlen sind Ihnen in Fleisch und Blut übergegangen, und Sie schreiben modulare, dokumentierte, refaktorisierbare Modelle, die andere lesen und ändern können. Die gleiche SQL, die über zehn Berichte kopiert wird, ist ein Problem, kein Ergebnis. Zuverlässigkeit & Governance: Tests, Überwachung, Dokumentation und GDPR-konforme Datenverarbeitung sind Teil Ihrer Definition von „fertig“. Geschäftliches & unternehmerisches Urteilsvermögen: Sie verstehen unser Geschäftsmodell und die KPIs dahinter (Churn, CLV, Preisgestaltung, Spotpreise, Tariflogik, Kanäle) und modellieren entsprechend – und Sie betrachten Infrastruktur als Investition, erkennen, wo Rechenkosten, Wartung oder Redundanz Geld verbrennen, und priorisieren nach Einfluss. Verantwortung & Vorbild: Sie nehmen Themen end-to-end, bringen Ordnung, wo vieles noch im Entstehen ist, überprüfen Code, dokumentieren dort, wo Menschen tatsächlich schauen, und helfen Kollegen, sich weiterzuentwickeln.

Sprache: Englisch ist unsere Arbeitssprache. Deutsch hilft bei Quellsystemen und Marktdokumentation, ist aber keine Voraussetzung. Nice to have: Erfahrung im Energiemarkt (Marktkommunikation, Zählerdaten, dynamische Tarife), Datenverträge, Infrastruktur als Code, Streaming, Erfahrung mit Investoren- oder Vorstandberichterstattung und Erfahrung in einem datengestützten, regulierten Umfeld im Wachstum.

Was wir bieten

Verantwortung: Sie besitzen die Schicht, auf der alles bei RABOT ruht – von einer squad-level Kennzahl bis zur Investorenberichterstattung – mit echtem Raum, Dinge zu gestalten und einer direkten Verbindung zu BI, Data Engineering und den Geschäftsbereichen. Raum zur Gestaltung: Vieles davon befindet sich erst im Entstehen; Sie werden beeinflussen, wie wir Daten bei RABOT modellieren, anstatt fertige Pipelines zu warten. Kultur: Wir feiern neue Ideen und Ansätze, nehmen Lernen ernst und verstehen, dass das Leben manchmal dazwischenkommt, um die beste Arbeit zu leisten.