Consultant · Salesforce, Azure & KI · 4brands Reply
Ich entwickle CRM-Lösungen, Datenpipelines und KI-Anwendungen auf Salesforce und Microsoft Azure – von der Automatisierung im Außendienst bis zu Dokumenten- und Sprach-KI.
Mein Hintergrund in angewandter Mathematik prägt meine Arbeitsweise: Benchmarks vor der Modellwahl, Testmatrizen vor dem Rollout und Zahlen, die ich belegen kann.
Fallstudien aus Kunden- und internen Projekten. Kunden- und Produktnamen sind geändert oder weggelassen.
Zwei Salesforce-Apps, die fotografierte Getränkekarten und Spesenbelege in CRM-Datensätze überführen. Ein Vision-Modell liest das Dokument, deterministischer Code prüft und ordnet es zu, und geschrieben wird erst, wenn ein Mensch das Ergebnis geprüft hat.
Jeder Marktbesuch erhält einen Perfect-Store-Score: konfigurierbare Prüfungen, Punkte je Schwellenwert und eine Ampelbewertung. Ich habe die Berechnung als Pipeline mit Azure Data Factory und Azure SQL umgesetzt, die aus Salesforce liest und die Ergebnisse zuverlässig zurückschreibt.
Vertriebsmitarbeitende wollten ihre Power-BI-Berichte direkt auf Salesforce-Datensätzen sehen, gefiltert auf den Kunden, den sie gerade vor sich haben. Ich habe eine Einbettung gebaut, bei der Apex das Power-BI-Token vermittelt: Niemand muss sich zweimal anmelden, und kein Secret gelangt in den Browser.
Außendienstmitarbeitende haben Ziele wie Besuche, distribuierte Produkte oder individuelle KPIs. Ich habe die Berechnung ihrer Ist-Werte in Python-Azure-Functions und Azure SQL verlagert, über Azure Data Factory orchestriert und die Ergebnisse zurück nach Salesforce geschrieben.
Wenn Außendienstmitarbeitende einen Auftrag im Markt abschließen, erzeugt Salesforce jetzt ein PDF im Corporate Design mit beiden Unterschriften und schickt es per E-Mail an die richtigen Personen. Damit es auch wirklich ankommt, musste ich SPF, DKIM und DMARC analysieren.
Ein deutschsprachiger Sprachassistent für den Außendienst wurde nach 10–20 Minuten Nutzung spürbar schlechter. Als Teil des Projektteams habe ich daran mitgearbeitet, das Problem über Produktions-Logs bis zu einem Bug im Sprachstatus des Browsers zurückzuverfolgen und die CRM-Schreibvorgänge des Assistenten überprüfbar zu machen.
Ein Desktop-KI-System mit vLLM hinter einem OpenAI-kompatiblen Gateway aufgesetzt und Durchsatz, Tool Calling und Fine-Tuning gemessen – mit 255 Tokens/s bei 100 parallelen Anfragen. Ein QLoRA-Fine-Tuning senkte die Genauigkeit, daher habe ich das Basismodell empfohlen.
Ein Risikomodell im Backtest geprüft, das entscheidet, welche Marktbesuche zusätzliche Vorbereitungszeit bekommen. Bei gleicher Kapazität von 20 % erreichte es rund 597 Risikobesuche mehr als eine Zufallsauswahl (Precision 88,5 % bei einer Grundrate von 49,4 %, ROC-AUC 0,813).
Einen manuell gepflegten Excel-Aktionskalender durch eine Pipeline ersetzt: vom Fabric Lakehouse über Power Automate zu einem VBA-Generator. Die Kalender-Arbeitsmappe entsteht jetzt automatisch an jedem Werktag um 3:30 Uhr.
Seit Juli 2025 arbeite ich als Consultant bei 4brands Reply, nachdem ich im selben Team als Werkstudent angefangen habe. Meine Arbeit verbindet CRM-Entwicklung, Datenintegration, Analytics und KI.
Davor habe ich bei Diamant Software an Sprachmodellen gearbeitet und am Fraunhofer IPT zu multimodaler Datenintegration für die industrielle Instandhaltung geforscht. Neben Kundenprojekten beschäftige ich mich in eigenen Projekten mit Machine Learning und Optimierung.
Private und Hochschulprojekte in Machine Learning, Optimierung und Softwareentwicklung.
Ein Python-Toolkit für lineare Optimierung (LP): ein Zwei-Phasen-Simplex-Solver mit Schritt-für-Schritt-Tableaus, 2D-/3D-Visualisierungen, Sensitivitätsanalyse und einer natürlichsprachlichen Schnittstelle auf Basis eines LLM.
Eine Full-Stack-Anwendung zum Trainieren und Visualisieren eines linearen Regressionsmodells und eines Feedforward-Netzes – mit einer C++-Engine, einem Node.js-Backend und einem React-Frontend.
Eine von der Natur inspirierte Metaheuristik für das Problem des Handlungsreisenden (Traveling Salesman Problem, TSP) – in Python für die Visualisierung und in C++ für die Performance implementiert, ergänzt um eine MATLAB-Animation der Suche.
Meine Arbeit reicht von Salesforce-Anwendungen über Datenpipelines bis zu KI-Services – von Geschäftsprozessen und API-Design bis zu Deployment, Tests und Modellbewertung.
CRM-Oberflächen und -Workflows bauen, externe Dienste anbinden und Geschäftsregeln in Salesforce absichern.
SQL-gestützte Integrationspipelines und Transformationen im Fabric Lakehouse, inklusive inkrementeller Ladeprozesse und Datenabgleich.
APIs und Hintergrundprozesse mit dauerhaften Queues, Wiederholungslogik, Idempotenz und transaktionalen Datenänderungen.
Vision-Modelle in Dokumenten-Workflows einbinden – mit strukturierter Extraktion, Schema-Validierung und menschlicher Prüfung. Dazu Erfahrung mit Sprachmodellen und multimodalem RAG.
Lokale Inferenzumgebungen aufsetzen und Antwortqualität, Tool Calling, Durchsatz und Latenz messen. QLoRA-Experimente durchführen und mit dem Basismodell vergleichen.
API- und Worker-Services paketieren und bereitstellen, Delivery-Pipelines aufbauen und Änderungen mit automatisierten Tests und Betriebsprüfungen absichern.
Weitere technische Grundlagen: angewandte Mathematik und Optimierung, C++, MATLAB, pandas, NumPy, scikit-learn, Datenvisualisierung, Elasticsearch, React sowie HTML/CSS.
Ein striktes JSON-Schema garantiert die Form einer KI-Extraktion, nicht ihre Richtigkeit – deshalb entwerfe ich Grounding, Prüfung und Schreibpfad gezielt um diese Lücke herum.
Ein Praxisleitfaden zu den Fortschrittsmarkern hinter einem Roundtrip zwischen Salesforce und Azure SQL mit Azure Data Factory – und warum sie sich nicht gegenseitig ersetzen.
Ein Leitfaden auf Musterebene: Power-BI-Berichte mit Apex als Token-Broker, einem Service Principal und Row-Level Security, die im Zweifel blockiert, in Salesforce einbetten.
Ich spreche gern über CRM und Datenintegration, angewandte KI oder ein Projekt, an dem Sie gerade arbeiten. Am schnellsten erreichen Sie mich per E-Mail.