Data Engineer
Оценка ИИПривлекательная вакансия в известной ИТ-компании с возможностью удаленной работы по РФ. Стек технологий актуальный и востребованный, что способствует профессиональному росту специалиста.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Оценка ИИПозиция требует уверенного владения широким стеком технологий (Spark, Airflow, Iceberg, Hadoop), что предполагает наличие у кандидата солидного практического опыта в Data Engineering. Дополнительную сложность добавляет необходимость понимания форматов хранения и инструментов CI/CD.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИЗарплата в объявлении не указана, однако для Data Engineer с таким стеком (Spark, Iceberg, Airflow) рыночные предложения в РФ обычно находятся в диапазоне от 200 000 до 350 000 рублей после вычета налогов. Юзтех обычно предлагает конкурентоспособные условия, соответствующие рынку.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
Data Engineer в Юзтех
*💰*По итогам собеседования
*📌*Условия и бонусы:
Фултайм, удаленно по РФ.
*📌*Наши ожидания:
– Уверенные знания SQL и Python.
– Опыт работы с Apache Spark.
– Практический опыт работы с хранилищами данных на базе Hadoop / S3.
– Знание и опыт работы с Apache Iceberg.
– Опыт использования Apache Airflow.
– Понимание форматов хранения данных, в том числе Parquet.
– Опыт работы с Git, CI/CD, Jira, Confluence.
– Базовые знания Kafka.
*✍🏼*Откликнуться
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- SQL
- Python
- Apache Spark
- Hadoop
- Amazon S3
- Apache Iceberg
- Apache Airflow
- Apache Parquet
- Git
- CI/CD
- Jira
- Confluence
- Apache Kafka
Возможные вопросы на собеседовании
Проверка понимания архитектуры современных хранилищ данных.
В чем заключаются основные преимущества использования Apache Iceberg по сравнению с обычными таблицами в Hive?
Оценка навыков оптимизации обработки больших данных.
Какие методы оптимизации Spark-приложений вы применяли на практике для борьбы с проблемой перекоса данных (data skew)?
Проверка опыта работы с оркестрацией.
Как вы организуете обработку ошибок и повторные запуски (retries) в сложных DAG в Apache Airflow?
Оценка знаний форматов хранения.
Почему формат Parquet считается предпочтительным для аналитических нагрузок и как работает предикатное отсечение (predicate pushdown)?
Проверка базовых знаний потоковой обработки.
Опишите типичный сценарий интеграции Kafka в архитектуру данных: для каких задач вы бы ее использовали, а для каких — нет?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
