Merlin Mechler
Remote · Berlin

Ich baue verlässliche Revenue-, Reporting- und Automationssysteme.

Ich helfe Teams dabei, operative Reibung zu reduzieren, Daten nutzbar zu machen und Prozesse so zu bauen, dass Reporting, Forecasting und Execution nicht vom Zufall abhängen.

revenue_system.py
1# revenue_system.py
2 
3import pandas as pd
4from data import KPIFramework, FunnelAnalytics
5from revops import Pipeline, LifecycleStage
6from automation import Workflow, ReportBot
7 
8
9
10
11
12
13
14 
15
16
17 
18
8+Jahre B2B & GTM Kontext
Data ScienceWeiterbildung · April 2026
Open SourceAnalytics, ML, ETL & Automation
Rheinwerk VerlagFachbuch · in Arbeit
Ich denke nicht in Features.
Ich denke in Systemen.

Viele Projekte scheitern nicht an Tools, sondern an fehlender Struktur: unklare Definitionen, inkonsistente Daten, zu viele manuelle Übergaben. Mein Ansatz ist deshalb Architecture First — Problem sauber definieren, Logik strukturieren, dann bauen.

Was ich baue

Drei Hebel. Ein Ziel: mehr Verlässlichkeit.

Data & Analytics Foundations

KPI-Logik, Funnel-Transparenz und Datenflüsse — strukturiert und verlässlich. Reporting-Grundlagen, Datenqualitäts-Checks, CRM-, Marketing- und Website-Daten in eine nutzbare Logik gebracht.

–Reporting existiert, aber niemand vertraut den Zahlen vollständig

–Marketing- und Sales-Reports widersprechen sich, weil KPIs unterschiedlich definiert sind

–Daten liegen in CRM, Ads, Website und Tabellen verteilt — ohne gemeinsame Logik

Details

RevOps & Revenue Systems

Pipeline-Governance, Lifecycle-Logik, Forecasting-Grundlagen und Lead-to-Customer-Transparenz — damit Revenue-Prozesse messbar, steuerbar und nachvollziehbar werden.

–Forecast-Zahlen werden im Meeting angezweifelt, weil die Datengrundlage unklar ist

–MQL-Übergaben sind manuell und fehleranfällig — SLA-Zeiten werden nicht gemessen

–Deal-Health-Monitoring existiert nicht — stale Deals bleiben unentdeckt

Details

Automation & Applied AI

Workflow-Automation, ETL-Prozesse, Reporting-Automation und AI-gestützte Assistenzsysteme — überall dort, wo saubere Logik und gute Daten echte Entlastung bringen.

–Wöchentliches Reporting bindet Stunden, obwohl die Zahlen immer dieselben Quellen haben

–Datenpipeline-Fehler werden erst nach der Präsentation entdeckt

–Manuelle Übergaben und Workarounds kosten mehr Zeit als die eigentliche Arbeit

Details
Ergebnisse

Woran ich arbeite, ist am Ende immer messbar.

Alle Cases
Forecast-Reviews 4× kürzer

Forecasting: Pipeline-Governance und SSOT in HubSpot

Ein SMB-Sales-Team mit 6 Reps nutzte HubSpot Sales Hub, aber Forecast-Zahlen wurden wöchentlich manuell in Excel zusammengezogen. Deal-Stages waren undefiniert — jeder Rep interpretierte sie anders. Forecast-Reviews dauerten 90 Minuten und endeten ohne klares Ergebnis.

Role: RevOps Architect · System Design & HubSpot Implementation

ForecastingHubSpot Sales HubPipeline GovernanceSSOT
MQL-Übergabe vollautomatisch

Lead-to-Cash: Lifecycle-Stages und Routing in HubSpot

Marketing und Sales arbeiteten mit unterschiedlichen Lead-Definitionen in HubSpot Marketing Hub und Sales Hub. MQL-Übergaben waren manuell und fehleranfällig, SLA-Zeiten wurden nicht gemessen. Deals blieben ohne Follow-up liegen, weil kein Deal-Health-Monitoring existierte.

Role: RevOps Architect · Lifecycle Design & Automation

Lead-to-CashHubSpotLifecycle StagesSLA-Monitoring
5+ Stunden/Woche zurückgewonnen

Reporting Automation: Metric Layer und SSOT für Revenue-Reporting

Ops-Team eines SMB verbrachte 5+ Stunden pro Woche damit, HubSpot-Daten, Rechnungsdaten und Marketing-Metriken manuell in einem Google Sheet zusammenzuführen. Marketing- und Sales-Reports verwendeten unterschiedliche KPI-Definitionen. Fehler wurden oft erst nach Präsentationen entdeckt.

Role: RevOps Architect · Data Engineering & Automation

Reporting AutomationHubSpotdbtSSOTMetric Layer
Writing

Denken in Systemen. Schreiben in Outcomes.

Alle Artikel
12 Min Lesezeit

Warum 80% der KI-Projekte im Mittelstand nicht am Modell scheitern – sondern am Output

Die meisten KI-Projekte im Mittelstand liefern ein Modell – aber kein System. Warum zwischen Vorhersage und Entscheidung eine Lücke klafft und wie Output-Contract, Decision Quality und Quality Gates sie schließen.

KI-StrategieOutput DesignMittelstandDecision Quality
6 Min Lesezeit

Wie man den echten Bottleneck findet – bevor man automatisiert

Automatisierung scheitert meistens nicht an der Technik, sondern am falschen Ansatzpunkt. Wie man systematisch den Engpass identifiziert, der den größten ROI bringt.

ProzessoptimierungBottleneckROI
Open Source

Tech Portfolio.

Ausgewählte Projekte auf GitHub – ML Pipelines, Analytics Engineering, AI Automation. Wird automatisch aktualisiert.

Featured Project
minimalmerlin/2bookurmeeting

2bookurMeetings

Open-Source Terminbuchungs-Tool: personalisierte Booking-Pages, Kalenderintegration und Team-Scheduling. Eine unabhängige Alternative zu kommerziellen Buchungsplattformen – selbst gehostet, vollständig kontrollierbar.

Next.jsPrismaOpen SourceSelf-hosted
TypeScript
minimalmerlin/Ai-Butler

Ai Butler

Kein Beschreibung.

Python
Python
minimalmerlin/ny-jets-diagnostic-lab

Ny Jets Diagnostic Lab

Kein Beschreibung.

Python
Python
minimalmerlin/einkaufsliste-plus

Einkaufsliste Plus

Kein Beschreibung.

Python
Python
minimalmerlin/churn-early-warning

Churn Early Warning

Enterprise Churn Early Warning System + Playbook Generator | FastAPI + Python | Risk Scoring, Explainable Reason Codes, Action Playbooks

Python
Python
minimalmerlin/dbt-ecommerce-analytics

dbt E-Commerce Analytics

Vollständiges dbt Portfolio-Projekt: dimensionales Datenmodell, moderne Data Stack Workflows mit DuckDB und advanced SQL.

dbtDuckDBDimensional ModelingAnalytics Engineering
Python
minimalmerlin/b2b-sales-ml-pipeline

B2B Sales ML Pipeline

End-to-End ML Pipeline für B2B Sales: Lead Scoring & Churn Prediction mit production-ready Feature Engineering und Gradient Boosting.

ML PipelineLead ScoringChurn Predictionscikit-learn
Python
minimalmerlin/ai-document-sorter

AI Document Sorter

Privacy-first Dokumentenorganisation mit lokalem AI (Ollama) und OCR. Kategorisiert und benennt eingescannte Dokumente – 100 % lokal, kein Cloud-Upload.

AIOCROllamaLocal-first
Python
minimalmerlin/revops-etl-pipeline

RevOps ETL Pipeline

Production-ready ETL Pipeline für Revenue Operations: Lead-Daten aus CSV, JSON, REST API, HubSpot und Salesforce mit Datenqualitäts-Validierung.

ETLRevOpsHubSpotSalesforce
Python
minimalmerlin/tic-tac-toe-ai

Tic Tac Toe Ai

Kein Beschreibung.

Python
Python
minimalmerlin/lol-win-predictor

Lol Win Predictor

Kein Beschreibung.

TypeScript
TypeScript
minimalmerlin/-Mental-Health-Drug-Dependency-Risk-Analysis

Mental Health Drug Dependency Risk Analysis

This project analyzes the correlation between various mental health disorders and the risk of developing illicit drug dependency. Using data from Our World in Data, the analysis challenges the common perception that depression is the primary driver of drug dependency.

—
Merlin Mechler – Data, RevOps & Automation Architect
Warum ich

Merlin Mechler

Data, RevOps & Automation Architect

Ich baue Systeme, die man im operativen Alltag benutzen kann. Mein Fokus liegt auf der Schnittstelle von Data, RevOps und Automation — von KPI-Logik und Funnel-Transparenz über Revenue-Strukturen bis zu automatisierten Workflows mit Python, APIs und AI-gestützten Systemen.

Architecture First: Ich fange nicht mit dem Tool an, sondern mit dem Problem. Struktur und Logik zuerst — dann wird gebaut. Kein Flickwerk, keine Black Box.
Business + Technik: 8+ Jahre GTM-Realität aus Sales & Operations. Dadurch entstehen keine isolierten Dashboards, sondern Systeme, die in der Realität nutzbar sind.
Output Oriented: Nicht ob etwas gebaut wurde — sondern ob es im Alltag trägt. Validierung auf operative Nutzbarkeit ist Teil jedes Projekts.
FAQ

Häufige Fragen.

Projektanfrage

Wenn Sie mehr Verlässlichkeit brauchen, sollten wir sprechen.

Wo hängt Reporting, Revenue-Steuerung oder Automatisierung? Ich analysiere Ausgangslage und Engpässe und liefere einen priorisierten Blueprint — kein generisches Audit, sondern eine echte Handlungsgrundlage.

  • Konkrete Diagnose — kein Sales-Pitch, kein generisches Audit
  • Ausgangslage, Datenquellen, KPI-Logik und manuelle Reibung im Fokus
  • Blueprint: was die Struktur braucht, was zuerst zu fixen ist
  • Terminvorschlag innerhalb von 1–2 Werktagen
hello@merlinmechler.de
Recruiter & Hiring Manager

Sie suchen jemanden an der Schnittstelle von Data, RevOps und Automation.

Ich bringe Business-Kontext und technische Umsetzung zusammen: GTM-Realität aus 8+ Jahren in B2B Sales und die technische Tiefe für Analytics, Reporting-Automation und Applied AI — production-ready, nicht Demo.

  • GTM- und Revenue-Kontext: 8+ Jahre B2B Sales, Growth & Operations — ich kenne operative Probleme von innen
  • Analytics- und Reporting-Praxis: KPI-Frameworks, Funnel-Analysen, SQL-Reporting, Dashboarding
  • Python, SQL, dbt und technische Projektarbeit — production-ready, nicht Demo
  • Applied AI und Automation: Workflow-Automation, ETL, AI-gestützte Systeme im operativen Kontext
  • Starkes System- und Prozessdenken: Architecture-First, kein Flickwerk
hello@merlinmechler.de