- Страна
- Россия
- Зарплата
- 250 000 ₽ – 270 000 ₽
Аналитик DWH
Оценка ИИХорошее предложение для опытных аналитиков с четким стеком технологий и возможностью удаленной работы. Зарплата соответствует рынку для Senior-уровня, а задачи охватывают полный цикл работы с данными.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Улучшите резюме под эту вакансию
Возьмём требования и создадим новую версию резюме с акцентом на нужный опыт
Сложность вакансии
Оценка ИИПозиция уровня Senior требует глубоких знаний архитектуры DWH (Data Vault, Kimball) и практического опыта работы с MPP-системами и Big Data стеком (Hadoop, S3). Высокая планка ожиданий по SQL и оптимизации запросов делает отбор достаточно строгим.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИПредложенная вилка 250 000 – 270 000 ₽ находится в пределах рыночной нормы для Senior DWH аналитика в России, хотя верхняя граница чуть ниже медианы для топовых финтех-компаний, где Senior-позиции могут достигать 350 000 ₽ и выше. Тем не менее, для агентской вакансии это конкурентоспособное предложение.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
Top Selection
Аналитик DWH
от 250 000 до 270 000 ₽
Полная занятость
Формат работы: можно удалённо
*☑️* Чем предстоит заниматься
-Уверенное понимание принципов построения дата-платформ (DWH, OLAP, Data Lake, Lakehouse)
-Знание методологий проектирования модели данных (Kimball, Data Vault), реальный опыт применения их на практике для проектирования моделей данных
-Навыки работы с большими объемами данных (миллиарды записей, ТБ данных)
-Экспертное знание SQL
-Знание РСУБД (PostgreSQL, Oracle, MS SQL)
-Понимание принципов и опыт работы с MPP-системами (GreenPlum, Clickhouse, Trino)
-Умение анализировать существующие потоки данных, их зависимости (ETL/ELT, Airflow)
-Умение систематизировать слабоструктрированные требования в формате описания витрин данных
-Сильные навыки коммуникации для общения на одном языке с: бизнес-заказчиками, разработчиками, админами)
-Опыт оптимизации сложных запросов
-Навыки планирования и управления рабочим временем
-Навыки постановки задач в смежные подразделения
-Опыт работы с распределенными хранилищами (Hadoop, S3)
-Грамотная устная и письменная речь
*☑️* Наши пожелания к кандидатам
-Анализ потребностей бизнеса в подготовленных данных
-Подготовка требований в части методологии расчета показателей
-Проектирование модели данных презентационных и детальных слоев данных
-Поиск релевантных источников данных, профилирование данных в источниках, а также в контуре платформы данных
-Разработка алгоритмов построения витрин данных и объектов детального слоя
-Разработка прототипов в витрин и согласование их с потребителем
-Сопровождение разработки витрин на всех этапах рабочего процесса: разработка потоков, тестирование, UAT, передача на поддержку, решение инцидентов на 3-ей линии поддержки
-Оценка вычислительных ресурсов, необходимых для решения задачи (сайзинг стораджа и компьюта)
-Оценка трудозатрат на выполнение доработок
-Определение логики проверки качества данных и имплементация ее для создаваемых витрин
Контакты: Откликнуться
*🔥* Подписаться на наши каналы / Откликнуться / Откликнуться
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- DWH
- OLAP
- Data Lake
- Lakehouse
- Kimball
- Data Vault
- SQL
- PostgreSQL
- Oracle
- MS SQL
- Greenplum
- ClickHouse
- Trino
- ETL
- ELT
- Airflow
- Hadoop
- Amazon S3
Возможные вопросы на собеседовании
Проверка понимания архитектурных подходов и умения выбирать подходящий инструмент под задачу.
В каких случаях вы предпочтете использовать методологию Data Vault вместо классической схемы 'Звезда' (Kimball)?
Важно понять, как кандидат справляется с производительностью на больших объемах данных.
Расскажите о вашем самом сложном кейсе по оптимизации SQL-запроса в MPP-системе (например, GreenPlum). Какие методы использовали?
Оценка навыков проектирования и понимания жизненного цикла данных.
Как вы подходите к проектированию детального слоя (ODS/DDS) при интеграции данных из нескольких слабоструктурированных источников?
Проверка опыта работы с инструментами оркестрации и понимания ETL-процессов.
Как вы организуете мониторинг качества данных (Data Quality) внутри пайплайнов в Airflow?
Оценка навыков сайзинга и планирования ресурсов.
Каким образом вы оцениваете необходимые вычислительные ресурсы (CPU/RAM/Storage) для новой витрины данных с миллиардами записей?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
