Data Engineer Spark, Airflow Deutschland 2026

Du suchst nach Data Engineer Jobs in Deutschland und überall steht Spark, Airflow, Cloud, Kafka, dbt, Kubernetes, Snowflake, BigQuery, Databricks. Und du fragst dich: Muss ich wirklich alles können, um 2026 einen guten Job zu bekommen, oder reicht ein sauberer Fokus?

Gute Nachricht: Du musst nicht alles können.

Schlechte Nachricht: Wenn dein Profil wie “Python, SQL, Datenbanken, Teamplayer” klingt, gehst du in der Masse unter. Gerade bei Data Engineer Rollen in Deutschland schauen Recruiter und Hiring Manager 2026 viel genauer hin: Kannst du produktive Pipelines bauen? Kennst du Spark wirklich? Hast du Airflow nicht nur lokal gestartet, sondern Jobs stabil geplant, überwacht und repariert?

Lass uns das sauber sortieren. Ohne Buzzword-Nebel. So, dass du danach weißt, worauf du dich bewerben kannst, welche Skills wirklich zählen und wie du deinen Lebenslauf so baust, dass SAP, BMW, Siemens, N26, Trade Republic, Personio oder Delivery Hero überhaupt hinschauen.

Data Engineer Spark, Airflow Deutschland 2026: Warum genau diese Kombi so stark ist#

Spark und Airflow sind 2026 in Deutschland immer noch eine richtig starke Kombi.

Warum?

Spark ist das Arbeitstier für große Datenmengen. Du nutzt es, wenn normale Pandas-Skripte langsam sterben, weil Datenvolumen, Join-Logik oder Batch-Verarbeitung zu groß werden.

Airflow ist der Taktgeber. Du nutzt es, um Datenjobs zu planen, Abhängigkeiten zu steuern, Fehler sichtbar zu machen und Pipelines nicht als Chaos aus Cronjobs laufen zu lassen.

Kurz gesagt:

1. Spark verarbeitet Daten.
2. Airflow steuert Workflows.
3. SQL liefert die Logik.
4. Cloud oder Data Platform liefert die Umgebung.
5. Monitoring sorgt dafür, dass du nachts schlafen kannst.

Viele deutsche Firmen sind genau an diesem Punkt. Sie haben Daten. Viele Daten. Aber die Pipelines sind oft gewachsen, nicht geplant.

Bei BMW laufen Fahrzeugdaten, Produktionsdaten und Logistikdaten zusammen. Bei Siemens geht es um Industrie, IoT, Energie und Prozesse. Bei SAP sind Datenprodukte und Plattformen Alltag. Bei N26 und Trade Republic geht es um Finanzdaten, Transaktionen, Fraud Detection und Reporting. Bei Delivery Hero sind Bestellungen, Lieferzeiten, Partnerdaten und App-Events relevant.

Alle brauchen Leute, die nicht nur “Daten analysieren”, sondern Daten zuverlässig von A nach B bringen.

Was macht ein Data Engineer mit Spark und Airflow eigentlich?#

Wenn du neu in der Rolle bist, klingt Data Engineering manchmal wie ein Mischmasch aus Backend, DevOps und Analytics. Das ist nicht völlig falsch.

Ein typischer Data Engineer baut und betreibt Datenpipelines.

Das kann so aussehen:

1. Daten aus APIs, Datenbanken, Events oder Dateien laden.
2. Rohdaten speichern, zum Beispiel in S3, ADLS, GCS oder einem Data Lake.
3. Mit Spark Daten transformieren, bereinigen und aggregieren.
4. Ergebnisse in ein Warehouse schreiben, zum Beispiel Snowflake, BigQuery, Redshift oder Databricks SQL.
5. Airflow DAGs bauen, die Jobs täglich, stündlich oder eventbasiert ausführen.
6. Fehler behandeln, Logs prüfen, Alerts einrichten.
7. Datenqualität testen, zum Beispiel mit Great Expectations, dbt Tests oder eigenen Checks.
8. Mit Analysten, Data Scientists und Produktteams Anforderungen klären.

Das klingt trocken, ist aber ziemlich nah am geschäftlichen Kern.

Wenn bei Trade Republic ein Reporting falsch läuft, merken es Finance, Compliance und Product. Wenn bei Delivery Hero Daten zu spät kommen, sind Dashboards nutzlos. Wenn bei BMW Produktionsdaten nicht sauber landen, werden Optimierungen schwierig.

Du bist also nicht “nur die Person für ETL”. Du sorgst dafür, dass Entscheidungen auf stabilen Daten stehen.

Gehälter in Deutschland 2026: Was ist realistisch?#

Data Engineer Gehälter in Deutschland hängen stark von Stadt, Branche, Seniorität und Stack ab.

Realistische Spannen für 2026:

1. Junior Data Engineer: €50k bis €65k
2. Data Engineer mit 2 bis 4 Jahren Erfahrung: €65k bis €85k
3. Senior Data Engineer: €85k bis €110k
4. Lead Data Engineer: €105k bis €130k
5. Principal oder Staff Data Engineer: €120k bis €150k plus Bonus oder Equity

In München, Berlin, Hamburg und Frankfurt sind die oberen Werte realistischer, besonders bei Tech, Finance und Konzernen.

Beispiele, grob eingeordnet:

1. SAP in Walldorf oder Berlin: häufig €70k bis €115k je nach Level.
2. BMW in München: Senior Rollen oft €85k bis €120k.
3. Siemens in München, Erlangen oder Berlin: oft €75k bis €115k.
4. N26 in Berlin: Data Engineering Rollen etwa €70k bis €110k.
5. Trade Republic in Berlin: Senior Data Rollen oft €90k bis €130k.
6. Personio in München oder Berlin: häufig €75k bis €115k.
7. Delivery Hero in Berlin: etwa €70k bis €115k, Senior teils höher.

Wichtig: Spark plus Airflow allein garantiert kein Top-Gehalt. Top-Gehalt bekommst du, wenn du zeigen kannst, dass du produktive Systeme betreibst, Kosten im Griff hast und Datenqualität ernst nimmst.

Die wichtigsten Skills für 2026#

Du brauchst keinen Skill-Zoo. Du brauchst ein klares Profil.

Wenn du dich als Data Engineer mit Spark und Airflow positionieren willst, würde ich deine Skills in fünf Blöcke teilen.

1. SQL, nicht optional

SQL ist dein Fundament.

Du musst nicht nur SELECTs schreiben. Du solltest auch verstehen:

1. Joins und Window Functions
2. Partitionierung
3. Query Performance
4. CTEs
5. Aggregationen
6. Slowly Changing Dimensions
7. Datenmodellierung
8. Debugging von falschen Ergebnissen

Ein starker Data Engineer kann mit SQL schnell prüfen, ob eine Pipeline logisch korrekt ist.

Wenn du in Interviews bei Siemens oder SAP SQL-Aufgaben bekommst, geht es oft nicht um Syntax-Tricks. Es geht darum, ob du Daten denken kannst.

2. Python für Pipelines und Glue Code

Python ist 2026 weiter Standard.

Du brauchst Python für:

1. Airflow DAGs
2. API-Ingestion
3. Datenvalidierung
4. kleine Transformationen
5. Automatisierung
6. Testing
7. Spark mit PySpark

Du musst kein LeetCode-Monster sein. Aber du solltest sauberen Code schreiben können.

Heißt konkret:

1. Funktionen statt riesige Skripte
2. sinnvolle Fehlerbehandlung
3. Logging
4. Type Hints, wenn passend
5. Unit Tests
6. Konfiguration über Variablen oder Files, nicht hart im Code

3. Spark, wirklich verstanden

Viele schreiben Spark in den Lebenslauf, weil sie mal spark.read.parquet() benutzt haben.

Das reicht nicht.

Du solltest erklären können:

1. Was ein DataFrame ist
2. Was Lazy Evaluation bedeutet
3. Was Partitionen sind
4. Warum Shuffles teuer sind
5. Wie Joins optimiert werden
6. Wann Broadcast Joins helfen
7. Wie du mit kleinen Dateien umgehst
8. Was Parquet bringt
9. Wie du Jobs debuggen würdest
10. Wie du Kosten senkst

Spark ist besonders bei großen Firmen beliebt, weil dort viel Batch-Verarbeitung läuft. Databricks hat das Ganze noch beliebter gemacht.

Wenn du Spark kannst und es mit echten Projekten belegst, stichst du 2026 aus vielen Bewerbungen heraus.

4. Airflow für Orchestrierung

Airflow ist kein “nice to have”, wenn du auf solche Rollen gehst. Es ist oft direkt in der Stellenanzeige.

Du solltest können:

1. DAGs schreiben
2. Tasks definieren
3. Abhängigkeiten setzen
4. Retries konfigurieren
5. Schedules verstehen
6. Backfills einschätzen
7. XComs kennen, aber nicht missbrauchen
8. Connections und Variables nutzen
9. Sensoren verstehen
10. Fehler in Logs finden

Ganz wichtig: Airflow ist nicht dein Rechenmotor.

Airflow soll nicht riesige Datenmengen selbst verarbeiten. Airflow soll Spark Jobs, dbt Runs, API Loads oder Cloud Jobs starten und überwachen.

Das ist ein Punkt, mit dem du im Interview sehr erwachsen klingst.

5. Cloud und moderne Data Platforms

In Deutschland findest du 2026 alle drei großen Clouds.

1. AWS bei vielen Startups und Scaleups.
2. Azure stark bei Konzernen und Microsoft-nahen Firmen.
3. GCP oft bei Data-lastigen Tech-Unternehmen.

Du musst nicht alle können. Wähle eine als Haupt-Cloud und verstehe die Konzepte.

Für AWS wären relevant:

1. S3
2. Glue
3. EMR
4. Redshift
5. Lambda
6. IAM
7. CloudWatch

Für Azure:

1. ADLS
2. Data Factory
3. Synapse
4. Databricks
5. Key Vault
6. Monitor

Für GCP:

1. Cloud Storage
2. BigQuery
3. Dataflow
4. Composer
5. Dataproc
6. Pub/Sub

Databricks ist 2026 besonders stark, weil viele Firmen Spark nicht selbst betreiben wollen. Wenn du PySpark plus Databricks plus Airflow oder Workflows kannst, bist du sehr gut positioniert.

Typische Jobtitel, nach denen du suchen solltest#

Such nicht nur nach “Data Engineer”.

Viele Rollen heißen anders, meinen aber ähnliche Aufgaben.

Gute Suchbegriffe:

1. Data Engineer Spark
2. PySpark Engineer
3. Big Data Engineer
4. Analytics Engineer
5. Data Platform Engineer
6. ETL Developer
7. Cloud Data Engineer
8. Databricks Engineer
9. Airflow Engineer
10. Data Pipeline Engineer

Bei Konzernen findest du manchmal Titel wie:

1. Software Engineer Data
2. Data Integration Engineer
3. Data Operations Engineer
4. Data Infrastructure Engineer

Bei Startups ist es oft direkter: Data Engineer, Senior Data Engineer, Analytics Engineer.

Der Unterschied ist wichtig.

Ein Analytics Engineer ist meist näher an dbt, SQL, Reporting und Datenmodellen. Ein Data Platform Engineer ist näher an Infrastruktur, Kubernetes, Terraform und Plattformbetrieb.

Wenn du Spark und Airflow in den Fokus stellst, bist du klassisch Data Engineer oder Cloud Data Engineer.

Was deutsche Arbeitgeber 2026 wirklich sehen wollen#

Hier kommt der Teil, der dir Bewerbungen spart.

Viele Lebensläufe scheitern nicht, weil die Person schlecht ist. Sie scheitern, weil sie zu allgemein wirken.

Schreib nicht:

“Erfahrung mit Spark, Airflow und Cloud.”

Schreib lieber:

“Entwicklung von Airflow DAGs zur täglichen Orchestrierung von PySpark Jobs auf Databricks, Verarbeitung von 250 GB Rohdaten pro Tag, Reduktion der Laufzeit von 90 auf 35 Minuten durch Partitionierung und Broadcast Joins.”

Das ist ein anderes Level.

Gute Bullet Points haben fast immer diese Struktur:

1. Was hast du gebaut?
2. Mit welchen Tools?
3. In welchem Umfang?
4. Was war das Ergebnis?

Beispiele:

1. “Migration von Cron-basierten ETL Jobs zu Apache Airflow, 40 Pipelines mit Retry-Logik, SLA Alerts und Backfill-Strategie.”
2. “Optimierung von PySpark Jobs auf AWS EMR, Senkung der monatlichen Compute-Kosten um 28 Prozent.”
3. “Aufbau eines Data Lake auf S3 mit Parquet und partitionierten Tabellen für Analytics und ML Use Cases.”
4. “Implementierung von Datenqualitätschecks für 120 Tabellen, Reduktion fehlerhafter Reports im Finance-Team.”
5. “Entwicklung inkrementeller Ladeprozesse aus PostgreSQL in Snowflake mit Airflow und Python.”

Das liest sich konkret. Recruiter verstehen es. Hiring Manager wollen mehr wissen.

Bewerbung bei SAP, BMW, Siemens und Co: So passt du dein Profil an#

Konzerne ticken anders als Startups.

Bei SAP, BMW oder Siemens geht es oft um:

1. Skalierung
2. Sicherheit
3. Dokumentation
4. Prozesse
5. Stakeholder
6. langfristige Plattformen
7. Datenschutz
8. Zusammenarbeit über Teams hinweg

Dein Lebenslauf sollte dort nicht nur “schnell gebaut” zeigen, sondern “stabil betrieben”.

Gute Formulierungen:

1. “Produktionsbetrieb von Datenpipelines mit Monitoring und Incident Handling.”
2. “Abstimmung von Datenmodellen mit Analytics, Product und Compliance.”
3. “Berücksichtigung von DSGVO-Anforderungen bei Verarbeitung personenbezogener Daten.”
4. “Standardisierung von Airflow DAG Templates für mehrere Teams.”
5. “Dokumentation von Datenflüssen und Ownership in Confluence oder Data Catalog.”

Bei N26, Trade Republic, Personio oder Delivery Hero zählt oft stärker:

1. Geschwindigkeit
2. Produktnähe
3. Ownership
4. Cloud-native Tools
5. Kostenbewusstsein
6. Experimentieren
7. klare Kommunikation

Gute Formulierungen:

1. “End-to-End Ownership für Event Pipeline von App Tracking bis BigQuery.”
2. “Verbesserung der Datenverfügbarkeit für Product Analytics von T+1 auf stündlich.”
3. “Aufbau eines Self-Service-Datasets für Growth und Finance.”
4. “Reduktion der Pipeline-Ausfälle durch bessere Retries und Alerting.”
5. “Enge Zusammenarbeit mit Data Analysts zur Definition von Metriken.”

Du siehst: Gleiche Skills, andere Story.

Interviewfragen, auf die du dich vorbereiten solltest#

Für Data Engineer Spark und Airflow Rollen bekommst du meist vier Arten von Interviews.

1. SQL Interview

Typische Themen:

1. Finde doppelte Kunden.
2. Berechne Revenue pro Monat.
3. Ermittle den ersten Kauf pro User.
4. Berechne Rolling Averages.
5. Erkläre Unterschiede zwischen INNER JOIN und LEFT JOIN.
6. Optimiere eine langsame Query.

Übe Window Functions. Wirklich.

ROW_NUMBER, RANK, LAG, LEAD, SUM OVER, das kommt ständig.

2. Python Interview

Hier geht es oft um sauberen Code.

Beispiele:

1. Lies JSON aus einer API und normalisiere Daten.
2. Schreibe eine Funktion für inkrementelle Loads.
3. Parse Logdateien.
4. Entferne Duplikate.
5. Schreibe Tests für eine Transformation.

Wichtig ist, dass du laut denkst. Nicht wie ein Roboter, sondern wie jemand, der später wartbaren Code schreibt.

3. Spark Interview

Typische Fragen:

1. Warum ist ein Spark Job langsam?
2. Was passiert bei einem Shuffle?
3. Wann nutzt du repartition oder coalesce?
4. Wie würdest du skewed data behandeln?
5. Warum Parquet statt CSV?
6. Wie funktioniert Lazy Evaluation?
7. Wie debuggt man fehlgeschlagene Executors?
8. Wann ist ein Broadcast Join sinnvoll?

Wenn du diese Fragen nur auswendig lernst, merkt man es. Bau dir lieber ein kleines Projekt und mach echte Fehler.

4. System Design für Datenpipelines

Du bekommst vielleicht eine Aufgabe wie:

“Designe eine Pipeline, die täglich 50 Millionen Events verarbeitet und für Analytics bereitstellt.”

Eine gute Antwort enthält:

1. Datenquelle
2. Ingestion
3. Speicherung der Rohdaten
4. Transformation
5. Orchestrierung
6. Datenqualität
7. Monitoring
8. Backfill
9. Kosten
10. Datenschutz

Beispielantwort in kurz:

“Events landen über Kafka oder Pub/Sub im Storage. Rohdaten werden partitioniert nach Datum als Parquet gespeichert. Airflow startet stündliche Spark Jobs, die Validierung und Aggregation durchführen. Ergebnisse landen in Snowflake oder BigQuery. Datenqualität wird über Tests geprüft, Fehler gehen an Slack oder PagerDuty. Für Backfills gibt es parametrisierte DAGs.”

Das ist solide.

Dein Projektportfolio: Was du bauen solltest, wenn dir Erfahrung fehlt#

Wenn du noch keine starke Berufserfahrung hast, bau dir ein Portfolio. Aber bitte kein Mini-Projekt, das jeder nach Tutorial kopiert.

Ein gutes Projekt für 2026:

Projektidee: Lieferdaten-Pipeline wie bei Delivery Hero

Baue eine Pipeline mit simulierten Bestellungen.

Datenquellen:

1. Bestellungen
2. Restaurants
3. Fahrer
4. Lieferzeiten
5. Bewertungen
6. Stornierungen

Stack:

1. Python für Daten-Generator
2. Airflow für Orchestrierung
3. Spark für Transformationen
4. Parquet als Storage
5. PostgreSQL oder DuckDB für Serving
6. Great Expectations oder eigene Checks
7. Docker Compose für Setup

Pipeline:

1. Erzeuge tägliche Rohdaten.
2. Speichere sie als JSON oder CSV.
3. Transformiere mit PySpark zu bereinigten Parquet-Tabellen.
4. Baue aggregierte Tabellen: Orders per City, Average Delivery Time, Cancellation Rate.
5. Plane alles mit Airflow.
6. Füge Fehlerfälle ein, zum Beispiel fehlende IDs.
7. Dokumentiere Architektur und Entscheidungen.

Dein GitHub README sollte enthalten:

1. Was das Projekt macht
2. Architekturdiagramm
3. Setup-Anleitung
4. Beispiel-DAG
5. Datenmodell
6. Screenshots von Airflow
7. Beispielqueries
8. Lessons Learned

Wenn du das sauber machst, ist das mehr wert als fünf Kurszertifikate.

Lebenslauf: So sollte dein Data Engineer Profil aussehen#

Dein Lebenslauf muss schnell scannbar sein. Recruiter nehmen sich oft nur Sekunden.

Oben brauchst du eine klare Positionierung.

Beispiel:

“Data Engineer mit Fokus auf PySpark, Apache Airflow und Cloud Data Platforms. Erfahrung im Aufbau produktiver ETL Pipelines, Batch Processing, Data Quality und Performance-Optimierung. Arbeitet gern an stabilen Datenprodukten für Analytics, Finance und Product Teams.”

Dann Skills, aber sortiert.

Nicht so:

“Python, SQL, Spark, Airflow, AWS, Docker, Git, Linux, Tableau, Excel, Kafka, Snowflake, dbt, Java, Scrum.”

Besser:

1. Programming: Python, SQL, PySpark
2. Orchestration: Apache Airflow, DAG Design, Backfills, Monitoring
3. Data Platforms: Databricks, Snowflake, BigQuery oder Redshift
4. Cloud: AWS S3, EMR, Glue, IAM oder Azure ADLS, Databricks
5. Data Engineering: ETL, ELT, Parquet, Partitioning, Data Quality, Incremental Loads
6. DevOps Basics: Docker, GitHub Actions, Terraform Basics, Linux

Bei Berufserfahrung nutzt du konkrete Ergebnisse.

Schwache Version:

“Verantwortlich für Datenpipelines mit Spark und Airflow.”

Starke Version:

“Entwicklung und Betrieb von 25 Airflow DAGs für tägliche PySpark Pipelines auf Databricks, Verarbeitung von 180 GB Daten pro Tag, SLA-Erfüllung von 99,5 Prozent.”

Das wirkt sofort besser.

LinkedIn und Recruiter: Was du einstellen solltest#

LinkedIn ist für Data Engineers in Deutschland wichtig. Viele Anfragen kommen dort zuerst.

Dein Headline sollte nicht nur “Data Engineer” sein.

Besser:

1. “Data Engineer, PySpark, Airflow, Databricks, AWS”
2. “Senior Data Engineer, Spark, Airflow, Snowflake”
3. “Cloud Data Engineer, Azure Databricks, Airflow, SQL”
4. “Data Engineer building reliable pipelines with Spark and Airflow”

Dein About-Text kann kurz sein:

“Ich baue produktive Datenpipelines mit Python, SQL, PySpark und Apache Airflow. Mein Fokus liegt auf stabilen Batch-Prozessen, Data Quality, Performance und sauberen Datenmodellen für Analytics und Product Teams.”

Dann konkrete Highlights:

1. “40+ produktive DAGs gebaut”
2. “Spark Jobs von 2 Stunden auf 45 Minuten optimiert”
3. “Data Quality Checks für Finance Reporting eingeführt”
4. “Migration von CSV-basierten Loads zu Parquet und partitionierten Tables”

Recruiter suchen nach Keywords. Gib ihnen die Keywords, aber ohne Keyword-Spam.

Welche Zertifikate lohnen sich?#

Zertifikate sind nice, aber kein Ersatz für Erfahrung.

Wenn du Geld und Zeit investieren willst, nimm Zertifikate, die zu deinem Ziel passen.

Sinnvoll:

1. Databricks Certified Data Engineer Associate
2. AWS Certified Data Engineer, falls du AWS nutzt
3. Google Professional Data Engineer, falls du auf GCP gehst
4. Microsoft Azure Data Engineer Associate, falls du Azure nutzt
5. SnowPro Core, wenn Snowflake wichtig ist

Nicht sinnvoll ist, zehn Einsteigerzertifikate zu sammeln und kein Projekt zu haben.

Ein starkes GitHub-Projekt plus ein passendes Zertifikat ist besser als fünf Zertifikate ohne Anwendung.

Remote, Hybrid oder Office: Was ist 2026 üblich?#

In Deutschland ist Data Engineering oft hybrid.

Berlin ist relativ offen für Remote, besonders bei Tech-Firmen wie N26, Trade Republic, Personio oder Delivery Hero. München, Stuttgart, Frankfurt und Konzernrollen sind oft hybrider, zum Beispiel zwei bis drei Tage Büro.

Typische Modelle:

1. Full Remote in Deutschland
2. Hybrid mit 1 bis 3 Tagen Office
3. Office-first bei manchen Konzernen oder regulierten Firmen
4. EU-Remote bei internationalen Teams

Für Gehalt kann Standort weiter eine Rolle spielen. München zahlt oft höher, kostet aber auch mehr. Berlin hat viele Data-Jobs, aber starke Konkurrenz.

Wenn du Remote willst, zeig im Lebenslauf, dass du asynchron arbeiten kannst:

1. klare Dokumentation
2. Ownership
3. saubere Tickets
4. gute Kommunikation
5. Monitoring und Alerts
6. Erfahrung mit verteilten Teams

Die größten Fehler bei Data Engineer Bewerbungen#

Hier sind die Klassiker, bitte nicht machen.

Fehler 1: Zu viele Tools, keine Ergebnisse

Eine Tool-Liste allein bringt wenig.

Sag, was du damit geschafft hast.

Fehler 2: Spark draufschreiben, aber keine Details kennen

Wenn du Spark erwähnst, bereite dich auf Spark-Fragen vor.

Sonst fliegt es dir im Interview um die Ohren.

Fehler 3: Airflow als Cron-Ersatz verstehen

Airflow ist für Abhängigkeiten, Wiederholungen, Backfills, Logs und Orchestrierung.

Zeig, dass du das verstehst.

Fehler 4: Keine Zahlen im Lebenslauf

Ohne Zahlen wirkt alles klein.

Nutze Datenvolumen, Anzahl Pipelines, Laufzeit, Kosten, SLA, Nutzerzahl, Tabellenanzahl.

Fehler 5: Datenschutz ignorieren

Deutschland und EU bedeuten DSGVO.

Wenn du personenbezogene Daten verarbeitet hast, erwähne Pseudonymisierung, Zugriffskonzepte, Retention oder Governance, falls relevant.

30-Tage-Plan, wenn du 2026 wechseln willst#

Wenn du jetzt Jobs suchst, mach es strukturiert.

Woche 1: Profil schärfen

1. Zielrolle festlegen: Data Engineer Spark Airflow.
2. 20 Stellenanzeigen sammeln.
3. Wiederkehrende Keywords markieren.
4. Lebenslauf anpassen.
5. LinkedIn Headline optimieren.
6. Zwei starke Projekt-Bullets formulieren.

Woche 2: Skill-Lücken schließen

1. Spark Shuffles und Partitionierung üben.
2. Airflow DAG mit Backfill bauen.
3. SQL Window Functions trainieren.
4. Ein kleines PySpark Projekt dokumentieren.
5. Interviewfragen laut beantworten.

Woche 3: Bewerben

1. 5 passende Rollen bei Konzernen.
2. 5 Rollen bei Scaleups.
3. 5 Remote oder Hybrid Rollen.
4. Jede Bewerbung leicht anpassen.
5. Recruiter direkt auf LinkedIn anschreiben.

Kurze Nachricht:

“Hi, ich habe eure Data Engineer Rolle gesehen. Ich bringe Erfahrung mit PySpark, Airflow und Cloud Pipelines mit, unter anderem produktive DAGs, Performance-Optimierung und Data Quality. Ich glaube, das passt gut. Soll ich dir meinen CV schicken?”

Locker. Klar. Kein Roman.

Woche 4: Interviews trainieren

1. Jeden Tag 30 Minuten SQL.
2. Jeden zweiten Tag Spark-Konzepte erklären.
3. Zwei System-Design-Aufgaben üben.
4. STAR-Stories vorbereiten.
5. Gehaltsrange festlegen.

Wenn du Senior bist und Spark, Airflow, Cloud produktiv kannst, geh nicht zu niedrig rein. In Berlin oder München sind €90k bis €115k für Senior Data Engineers absolut realistisch. Bei Lead Rollen auch €120k plus.

Fazit: Spark und Airflow bleiben 2026 ein starker Hebel#

Data Engineering in Deutschland ist 2026 kein Hype-Job mehr, sondern ein ernsthafter Kernjob in Tech, Industrie, Finance und SaaS.

Spark und Airflow sind dabei eine starke Kombi, weil sie zwei echte Probleme lösen: große Daten verarbeiten und Workflows zuverlässig steuern.

Wenn du SQL, Python, PySpark, Airflow und eine Cloud-Plattform solide beherrschst, bist du für viele Rollen gut aufgestellt. Wenn du zusätzlich Datenqualität, Monitoring, Kosten und DSGVO mitdenkst, wirkst du deutlich seniorer.

Mach dein Profil konkret. Zeig Zahlen. Zeig produktive Verantwortung. Und bewirb dich nicht mit einem generischen Lebenslauf, der nach “irgendwas mit Daten” klingt.

Wenn du wissen willst, ob dein Lebenslauf an ATS-Systemen und Recruiter-Scans vorbeikommt, teste ihn kostenlos mit dem JobRise ATS Checker: https://jobrise.io/de/free-ats-checker/