Schulung · Claude Code · Data Engineering

Claude Code für Data Engineers

Agentisches Coding mit Claude Code im Terminal und in der IDE: von CLAUDE.md über Subagents und Hooks bis zu CI und sicheren Berechtigungen.

Dauer
2 Tage (14 Std.)
Format
Online oder vor Ort
Sprache
Deutsch oder Englisch
Teilnehmende
offene Termine oder exklusiv für Ihr Team
Abschluss
Teilnahmebescheinigung

Überblick

Das Training „Claude Code für Data Engineers“ richtet sich an Rollen wie Data Engineers und Analytics Engineers, BI-Entwickler:innen mit ETL- und Data-Warehouse-Verantwortung und Plattform-Teams für Data Lakehouse und Streaming und zeigt Schritt für Schritt, wie Claude Code im Bereich Data Engineering produktiv, sicher und nachvollziehbar eingesetzt wird – von den Grundlagen bis zu fortgeschrittenen Workflows.

Claude Code ist der agentische Coding-Assistent von Anthropic, der direkt im Terminal und in gängigen IDEs arbeitet. Statt einzelne Codezeilen zu vervollständigen, liest Claude Code Ihr Repository, plant Änderungen über mehrere Dateien hinweg, führt Befehle aus, startet Tests und erstellt Commits. In diesem zweitägigen Training lernen Sie, wie Sie dieses Werkzeug kontrolliert einsetzen: mit klaren Projektanweisungen in CLAUDE.md, bewusstem Kontextmanagement und einem Workflow, bei dem Sie als Entwicklerin oder Entwickler die Richtung vorgeben und jede Änderung nachvollziehen können.

Im Mittelpunkt stehen reale Entwicklungsaufgaben: Bugs analysieren, Features umsetzen, Legacy-Code refaktorieren und Tests ergänzen. Sie konfigurieren Subagents für spezialisierte Aufgaben, automatisieren Qualitätsprüfungen mit Hooks, binden externe Systeme über das Model Context Protocol (MCP) an und bündeln Teamwissen in Skills. Abschließend bringen Sie Claude Code headless in CI-Pipelines und legen Berechtigungen, Sandboxing und Freigaberegeln so fest, dass der Einsatz auch in sicherheitskritischen Umgebungen, etwa mit regulatorischen Vorgaben oder sensiblen Kundendaten, vertretbar bleibt.

Data Engineers bauen und betreiben die Pipelines, auf denen Reporting, Analytics und KI-Anwendungen aufsetzen: Ingestion aus Quellsystemen, Transformationen in dbt oder Spark, Orchestrierung mit Airflow oder Dagster, Datenqualität und Governance im Data Warehouse oder Lakehouse. Ein großer Teil der Arbeit besteht aus SQL, Python, YAML und viel Detailwissen über Schemas und Abhängigkeiten. KI-Coding-Assistenten und Agenten beschleunigen diese Arbeit deutlich: Sie schreiben dbt-Modelle samt Tests und Dokumentation, optimieren langsame Abfragen, erstellen Airflow-DAGs, migrieren Legacy-ETL-Strecken und erklären komplexe Lineage. Weil Daten oft sensibel sind, gehört der verantwortungsvolle Umgang mit Schemas, Beispieldaten und Zugangsdaten zum Kern dieses Kurses.

Das Training findet live statt – wahlweise online im virtuellen Klassenraum oder vor Ort in unseren Trainingsräumen in München, Salzburg, Berlin, Augsburg, Hannover, Bremen, Stuttgart und Kaiserslautern. Auf Wunsch kommen wir auch exklusiv für Ihr Team zusammen.

Für wen ist das Training?

  • Data Engineers und Analytics Engineers
  • BI-Entwickler:innen mit ETL- und Data-Warehouse-Verantwortung
  • Plattform-Teams für Data Lakehouse und Streaming
  • Entwickler:innen, die Legacy-ETL-Prozesse modernisieren

Typische Herausforderungen, die wir adressieren

  • Gewachsene ETL-Strecken in gespeicherten Prozeduren oder proprietären Tools ohne Tests
  • Langsame, teure Abfragen und ineffiziente Spark-Jobs
  • Fehlende Datenqualitätsprüfungen und unklare Verantwortlichkeiten für Datensätze
  • Lückenhafte Dokumentation von Datenmodellen, Lineage und Geschäftslogik

Das können Sie nach dem Training

  • Sie setzen Claude Code für mehrstufige Entwicklungsaufgaben ein und behalten dabei die Kontrolle über jede Änderung.
  • Sie pflegen eine CLAUDE.md, die Projektkonventionen, Befehle und Architekturhinweise wirksam an den Agenten übergibt.
  • Sie erweitern Claude Code mit Subagents, Hooks, MCP-Servern und Skills passend zu Ihrem Team.
  • Sie integrieren Claude Code in Git-Workflows und CI-Pipelines mit nachvollziehbaren, testgesicherten Ergebnissen.
  • Sie setzen KI-Agenten für dbt-Modelle, Pipelines und SQL-Optimierung produktiv ein.
  • Sie modernisieren Legacy-ETL-Strecken mit KI-Unterstützung und sichern die Ergebnisse durch Abgleichstests ab.
  • Sie schützen sensible Daten, indem Sie mit Schemas, synthetischen Beispielen und minimalen Zugriffsrechten arbeiten.

Inhalte & Ablauf

Tag 1

Modul 1 Grundlagen und Arbeitsweise von Claude Code
  • Installation, Anmeldung und Einsatz im Terminal sowie in VS Code und JetBrains-IDEs
  • Agentische Schleife verstehen: Lesen, Planen, Ausführen, Prüfen
  • Plan-Modus nutzen, um Lösungswege vor der Umsetzung abzustimmen
  • Wirksame Aufgabenbeschreibungen mit Ziel, Kontext und Abnahmekriterien formulieren
Modul 2 Projektkontext mit CLAUDE.md und Kontextmanagement
  • CLAUDE.md auf Projekt-, Verzeichnis- und Benutzerebene strukturieren
  • Build-, Test- und Stilkonventionen so dokumentieren, dass der Agent sie zuverlässig befolgt
  • Kontextfenster steuern mit gezielten Dateiverweisen, Kompaktieren und frischen Sitzungen
  • Sitzungen fortsetzen und lange Aufgaben in überschaubare Etappen teilen
Modul 3 Erweitern mit Subagents, Hooks, MCP und Skills
  • Subagents für Code-Review, Recherche oder Testgenerierung definieren
  • Hooks einsetzen, um Formatierung, Linting oder Prüfungen vor und nach Tool-Aufrufen zu erzwingen
  • MCP-Server für Ticketsysteme, Datenbanken oder interne Dokumentation anbinden
  • Eigene Slash-Commands und Skills für wiederkehrende Team-Workflows erstellen
Modul 4 Git-Workflows, Tests und Qualitätssicherung
  • Branches, aussagekräftige Commits und Pull Requests mit Claude Code erstellen
  • Testgetriebenes Arbeiten: erst Tests schreiben lassen, dann implementieren
  • Diffs systematisch prüfen und Änderungen gezielt zurückweisen oder nachschärfen
  • Parallele Arbeit mit Git-Worktrees und mehreren Sitzungen organisieren

Tag 2

Modul 5 Headless-Betrieb, CI und Sicherheit
  • Claude Code nicht-interaktiv in Skripten und CI-Pipelines ausführen
  • Automatisierte Reviews und Issue-Bearbeitung in GitHub- oder GitLab-Workflows
  • Berechtigungsmodi, Allow- und Deny-Regeln sowie Sandboxing konfigurieren
  • Umgang mit Secrets, Prompt-Injection-Risiken und unternehmensweiten Richtlinien
Modul 6 Praxislabor: Data Engineering
  • dbt-Modelle mit Tests
  • SQL-Abfragen optimieren
  • Airflow- und Dagster-Pipelines
  • Legacy-ETL migrieren
  • Datenqualität automatisieren
  • Spark-Jobs analysieren
Modul 7 Datenschutz, Qualität & Transfer in den Alltag
  • Data-Engineering-Prompts sollten Schemas und synthetische Beispieldaten statt echter personenbezogener Datensätze enthalten; Datenbank-Credentials und Connection Strings gehören nicht in den Kontext. Beachten Sie DSGVO-Grundsätze wie Zweckbindung und Datenminimierung, dokumentieren Sie Datenflüsse nachvollziehbar und prüfen Sie neue Python-Pakete und Konnektoren auf Lizenz und Supply-Chain-Risiken.
  • Spielregeln für den sicheren KI-Einsatz im Team
  • Ergebnisse prüfen: Fakten, Quellen, Tests und Vier-Augen-Prinzip
  • Persönlicher Umsetzungsplan für die nächsten 30 Tage
  • Offene Fragen, Ausblick und Ressourcen zum Weiterlernen

Praxisszenarien aus Ihrem Bereich

dbt-Modelle mit Tests

Der Agent schreibt Staging-, Intermediate- und Mart-Modelle in dbt, ergänzt Schema-Tests, Quellendefinitionen und Beschreibungen und führt dbt build iterativ aus, bis Modelle und Tests erfolgreich durchlaufen.

SQL-Abfragen optimieren

Die KI analysiert Ausführungspläne, erkennt teure Joins, fehlende Partitionierung oder Clustering und schreibt Abfragen um, die weniger Daten scannen und reproduzierbar schneller laufen. Kostenersparnisse werden messbar belegt.

Airflow- und Dagster-Pipelines

Aus Anforderungen entstehen DAGs oder Assets mit sauberer Abhängigkeitsstruktur, Retries, Sensoren, Alerting und Backfill-Fähigkeit, inklusive Tests für Transformationslogik. Bestehende Namens- und Ordnerkonventionen werden dabei konsequent übernommen.

Legacy-ETL migrieren

Gespeicherte Prozeduren oder grafische ETL-Jobs werden analysiert, die Geschäftslogik dokumentiert und schrittweise in dbt- oder PySpark-Code überführt, abgesichert durch Abgleichsabfragen zwischen alt und neu. Abweichungen werden dokumentiert.

Datenqualität automatisieren

Der Assistent definiert Prüfungen für Vollständigkeit, Eindeutigkeit, Wertebereiche und Aktualität, implementiert sie mit dbt-Tests oder Great Expectations und richtet Benachrichtigungen bei Verstößen ein. Verantwortliche werden direkt informiert.

Spark-Jobs analysieren

Spark-UI-Informationen und Logs werden ausgewertet, Skew, Shuffles und Speicherprobleme erkannt und Optimierungen wie Broadcast Joins, Repartitionierung oder Caching vorgeschlagen. Jede Optimierung wird durch Laufzeitvergleiche vor und nach der Änderung belegt.

Mögliche Praxisprojekte im Kurs

Datenqualitäts-Dashboard

Eine kleine Webanwendung, die Testergebnisse aus dbt oder Datenqualitäts-Checks einliest und Trends, Ausreißer und betroffene Tabellen übersichtlich darstellt. Verantwortliche Teams sehen so sofort, wo Handlungsbedarf besteht.

Ingestion-Pipeline für eine REST-API

Eine Python-Pipeline, die Daten inkrementell aus einer API lädt, Schemaänderungen erkennt und die Ergebnisse partitioniert im Lakehouse ablegt. Fehlerhafte Datensätze werden gesondert protokolliert.

Lineage-Explorer

Ein Tool, das das dbt-Manifest ausliest und Abhängigkeiten zwischen Quellen, Modellen und Dashboards als interaktiven Graphen darstellt. So werden Auswirkungen von Änderungen schnell sichtbar.

Voraussetzungen

Sie verfügen über praktische Programmiererfahrung in mindestens einer Sprache und arbeiten sicher mit Git und der Kommandozeile. Sicherer Umgang mit SQL und Python sowie praktische Erfahrung mit einem Data Warehouse, dbt, Spark oder einem Orchestrierungswerkzeug.

Technische Voraussetzungen

Eigener Laptop mit Administratorrechten, Git, Node.js-Laufzeit und einem aktuellen Editor; ein Claude-Abonnement oder ein Anthropic-API-Zugang wird für die Übungen benötigt.

Datenschutz & Compliance

Data-Engineering-Prompts sollten Schemas und synthetische Beispieldaten statt echter personenbezogener Datensätze enthalten; Datenbank-Credentials und Connection Strings gehören nicht in den Kontext. Beachten Sie DSGVO-Grundsätze wie Zweckbindung und Datenminimierung, dokumentieren Sie Datenflüsse nachvollziehbar und prüfen Sie neue Python-Pakete und Konnektoren auf Lizenz und Supply-Chain-Risiken.

Terminvorschläge

Alle Termine sind Vorschläge – Ihr Wunschtermin ist jederzeit möglich.

  • Do, 26. November 2026 – Fr, 27. November 2026 Online Anfragen
  • Di, 8. Dezember 2026 – Mi, 9. Dezember 2026 Stuttgart Anfragen
  • Mi, 20. Januar 2027 – Do, 21. Januar 2027 Berlin Anfragen
  • Mo, 25. Januar 2027 – Di, 26. Januar 2027 Online Anfragen
  • Mo, 8. Februar 2027 – Di, 9. Februar 2027 München Anfragen
  • Do, 25. Februar 2027 – Fr, 26. Februar 2027 Online Anfragen

Häufige Fragen

Worin unterscheidet sich Claude Code von klassischer Code-Vervollständigung?

Code-Vervollständigung schlägt die nächsten Zeilen vor, während Claude Code als Agent ganze Aufgaben bearbeitet: Es durchsucht das Repository, plant Änderungen über mehrere Dateien, führt Tests und Befehle aus und korrigiert sich anhand der Ergebnisse. Sie formulieren das Ziel und prüfen das Resultat, statt jede Zeile selbst zu steuern.

Ist Claude Code für den Einsatz im Unternehmen sicher genug?

Claude Code fragt standardmäßig vor Dateiänderungen und Befehlen nach Freigabe. Über Berechtigungsregeln, Sandboxing, verwaltete Einstellungen und Hooks lässt sich genau festlegen, was der Agent darf. Im Kurs lernen Sie, diese Mechanismen passend zu Ihren Sicherheits- und Datenschutzvorgaben zu konfigurieren und Risiken wie Prompt Injection einzuschätzen.

Funktioniert Claude Code mit meiner Programmiersprache und meinem Stack?

Ja. Claude Code arbeitet sprachunabhängig, weil es mit Dateien, Terminalbefehlen und Ihren vorhandenen Build- und Test-Tools arbeitet. Ob Python, Java, TypeScript, Go, ABAP-nahe Projekte oder Infrastruktur als Code: Entscheidend ist eine gute CLAUDE.md, die Ihre Befehle und Konventionen beschreibt. Den fachlichen Schwerpunkt setzt die jeweilige Kursvariante.

Muss die KI Zugriff auf unsere Produktionsdaten haben?

Nein, und das ist meist auch nicht sinnvoll. Für die allermeisten Aufgaben reichen Schemas, Metadaten, Ausführungspläne und synthetische Beispieldaten. Im Kurs lernen Sie, wie Sie dem Agenten genau diesen Kontext bereitstellen, Lesezugriffe auf Entwicklungsumgebungen begrenzen und dennoch belastbare Ergebnisse erhalten.

Funktioniert das mit unserem Data Warehouse?

Die Arbeitsweisen sind plattformunabhängig und funktionieren mit Snowflake, BigQuery, Databricks, Redshift, Synapse oder PostgreSQL gleichermaßen. Wichtig ist, dem Assistenten den SQL-Dialekt und plattformspezifische Besonderheiten wie Partitionierung oder Clustering mitzuteilen. Wir zeigen, wie Sie das in Anweisungsdateien festhalten. So passt der generierte Code zuverlässig zur Plattform.

Was kostet die Schulung „Claude Code für Data Engineers“?

Die Schulung kostet pauschal 949 € zzgl. gesetzl. MwSt. pro Teilnehmer:in – unabhängig davon, ob sie online oder vor Ort stattfindet. Enthalten sind 2 Trainingstag(e) mit Live-Trainer:in, Kursunterlagen, Übungsumgebung und Teilnahmebescheinigung.

Kann ich einen eigenen Wunschtermin angeben?

Ja. Unsere Terminvorschläge sind eine Orientierung. Im Anfrageformular können Sie jederzeit einen Wunschtermin oder Zeitraum im Freitext angeben – wir prüfen die Verfügbarkeit und bestätigen innerhalb eines Werktags.

Findet der Kurs online oder vor Ort statt?

Beides ist möglich: live online im virtuellen Klassenraum oder vor Ort in München, Salzburg, Berlin, Augsburg, Hannover, Bremen, Stuttgart oder Kaiserslautern. Auf Wunsch führen wir das Training auch exklusiv für Ihr Team durch.

Weitere Kurse für Data Engineers

Weitere Kurse zu Claude Code

Alle 77 Kurse zu Claude Code

Claude Code · MünchenClaude Code · SalzburgClaude Code · BerlinClaude Code · AugsburgClaude Code · HannoverClaude Code · BremenClaude Code · StuttgartClaude Code · KaiserslauternClaude Code · Online