Schulung · Vibe Coding · Data Engineering

Vibe Coding für Data Engineers

Software per natürlicher Sprache entwickeln: vom Prompt zur App, schnell iterieren, Qualität und Sicherheit sichern, Prototypen produktiv machen.

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

„Vibe Coding für Data Engineers“ ist ein praxisorientiertes Training für Rollen wie Data Engineers und Analytics Engineers, BI-Entwickler:innen mit ETL- und Data-Warehouse-Verantwortung und Plattform-Teams für Data Lakehouse und Streaming. Sie lernen Vibe Coding nicht abstrakt, sondern an Aufgaben aus Ihrem Arbeitsalltag kennen – mit Beispielen, Übungen und Vorlagen aus dem Bereich Data Engineering.

Vibe Coding beschreibt einen neuen Entwicklungsstil: Sie formulieren in natürlicher Sprache, was eine Anwendung leisten soll, und KI-Werkzeuge erzeugen den Code dazu. Statt jede Zeile selbst zu schreiben, steuern Sie über Beschreibungen, Beispiele und Feedback, testen das Ergebnis und verfeinern es in kurzen Schleifen. Das beschleunigt Prototypen, interne Tools und Experimente erheblich. Dieses herstellerneutrale Training zeigt Ihnen, wie Sie Vibe Coding mit Werkzeugen wie Claude Code, Cursor, Copilot oder browserbasierten App-Generatoren produktiv nutzen.

Genauso wichtig wie die Geschwindigkeit sind die Grenzen. Unkontrolliert generierter Code kann unwartbar, unsicher oder schlicht falsch sein. Sie lernen deshalb, Anforderungen präzise zu formulieren, Ergebnisse mit Tests und Reviews abzusichern, typische Sicherheitslücken zu erkennen und die Architektur bewusst zu steuern. Abschließend erarbeiten Sie einen klaren Pfad vom schnellen Prototyp zur produktionsreifen Anwendung, inklusive Versionskontrolle, Deployment, Dokumentation und sauberer Übergabe an das Team, das die Lösung langfristig betreibt.

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 entwickeln funktionsfähige Anwendungen über natürliche Sprache mit einem passenden KI-Werkzeug.
  • Sie formulieren Anforderungen und Vorgaben so, dass die generierten Ergebnisse Ihren Erwartungen entsprechen.
  • Sie iterieren gezielt, beheben Fehler effizient und behalten die Kontrolle über den Projektstand.
  • Sie sichern generierten Code mit Tests, Reviews und Sicherheitsprüfungen ab.
  • 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 des Vibe Coding
  • Was Vibe Coding ist und wie es sich von klassischer und agentischer Entwicklung abgrenzt
  • Werkzeuglandschaft: KI-Editoren, Coding-Agenten und browserbasierte App-Generatoren
  • Geeignete Einsatzfelder: Prototypen, interne Tools, Experimente, Lernprojekte
  • Rollenverständnis: Sie als Produktverantwortliche, die KI als ausführende Kraft
Modul 2 Vom Prompt zur App
  • Anforderungen als kurze Spezifikation mit Nutzern, Funktionen und Grenzen beschreiben
  • Tech-Stack und Projektstruktur bewusst vorgeben statt der KI zu überlassen
  • Benutzeroberflächen über Beschreibungen, Skizzen und Referenzbeispiele erzeugen
  • Daten, Schnittstellen und Persistenz Schritt für Schritt ergänzen
Modul 3 Iterieren und Fehler beheben
  • In kleinen, überprüfbaren Schritten arbeiten und regelmäßig committen
  • Fehlermeldungen, Logs und Screenshots als Feedback an die KI zurückgeben
  • Festgefahrene Sitzungen erkennen, zurücksetzen und mit neuem Kontext starten
  • Projektregeln und Kontextdateien anlegen, um Wiederholungen zu vermeiden
Modul 4 Qualität und Sicherheit sichern
  • Tests von der KI erzeugen lassen und deren Aussagekraft kritisch prüfen
  • Code-Reviews generierter Änderungen: Lesbarkeit, Duplikate, unnötige Komplexität
  • Typische Sicherheitslücken erkennen: Secrets im Code, fehlende Validierung, offene Endpunkte
  • Abhängigkeiten, Lizenzen und Datenschutz bei generierten Lösungen bewerten

Tag 2

Modul 5 Vom Prototyp zur Produktion
  • Kriterien festlegen, wann ein Prototyp weiterentwickelt oder neu aufgesetzt wird
  • Refactoring, Architekturbereinigung und Dokumentation mit KI-Unterstützung
  • Versionskontrolle, CI und Deployment für generierte Anwendungen einrichten
  • Betrieb, Monitoring und Übergabe an Team oder IT planen
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

Grundlegende Programmierkenntnisse und Erfahrung mit Git sind hilfreich; Sie sollten einfachen Code lesen und Fehlermeldungen einordnen können. Sicherer Umgang mit SQL und Python sowie praktische Erfahrung mit einem Data Warehouse, dbt, Spark oder einem Orchestrierungswerkzeug.

Technische Voraussetzungen

Eigener Laptop mit aktuellem Browser, Git und einem KI-Coding-Werkzeug Ihrer Wahl, etwa einem KI-Editor oder Coding-Agenten mit aktivem Konto.

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.

  • Mi, 25. November 2026 – Do, 26. November 2026 Online Anfragen
  • Mi, 9. Dezember 2026 – Do, 10. Dezember 2026 Salzburg Anfragen
  • Mi, 16. Dezember 2026 – Do, 17. Dezember 2026 Online Anfragen
  • Do, 7. Januar 2027 – Fr, 8. Januar 2027 Online Anfragen
  • Mi, 13. Januar 2027 – Do, 14. Januar 2027 Bremen Anfragen
  • Di, 19. Januar 2027 – Mi, 20. Januar 2027 Online Anfragen

Häufige Fragen

Ist Vibe Coding nur für schnelle Prototypen geeignet?

Vibe Coding entfaltet seine Stärke vor allem bei Prototypen, internen Tools und Experimenten. Mit den richtigen Praktiken, also klaren Spezifikationen, Tests, Reviews und sauberer Versionskontrolle, lassen sich Ergebnisse aber auch in produktionsreife Anwendungen überführen. Im Kurs lernen Sie, diesen Übergang bewusst zu gestalten und rechtzeitig zu erkennen, wann ein Neuaufbau sinnvoller ist.

Welche Werkzeuge werden im Kurs verwendet?

Der Kurs ist herstellerneutral. Wir arbeiten mit gängigen Kategorien: KI-Editoren wie Cursor oder Windsurf, Coding-Agenten wie Claude Code oder Codex und browserbasierten App-Generatoren. Sie können Ihr bevorzugtes Werkzeug nutzen, die vermittelten Prinzipien zu Spezifikation, Iteration, Qualität und Sicherheit lassen sich auf alle übertragen.

Wie gehe ich mit Sicherheitsrisiken bei generiertem Code um?

Generierter Code enthält häufig typische Schwachstellen wie hart codierte Zugangsdaten, fehlende Eingabevalidierung oder zu weit geöffnete Schnittstellen. Sie lernen, solche Muster gezielt zu prüfen, Sicherheitsanforderungen direkt in die Spezifikation aufzunehmen, automatisierte Scans einzusetzen und vor jedem Deployment eine bewusste Freigabe durch einen Menschen vorzusehen.

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 „Vibe Coding 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 Vibe Coding

Alle 77 Kurse zu Vibe Coding

Vibe Coding · MünchenVibe Coding · SalzburgVibe Coding · BerlinVibe Coding · AugsburgVibe Coding · HannoverVibe Coding · BremenVibe Coding · StuttgartVibe Coding · KaiserslauternVibe Coding · Online