yandex
SeniorУдалённоПолная занятость

Data Engineer

ИИОценка ИИ

Интересная позиция для опытного инженера с возможностью работы в крупном DWH. Плюсом является удаленный формат, однако отсутствие указанной вилки зарплаты и работа через агентство могут быть нюансами для некоторых кандидатов.

Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.


Вакансия из открытого источника
Пожаловаться

Сложность вакансии

ЛегкоСложно
ИИОценка ИИ

Высокая сложность обусловлена требованием Senior-уровня и необходимостью владения широким стеком: от Hadoop-экосистемы до специфических ETL-инструментов вроде SAS DI или Informatica. Ожидается глубокая экспертиза в оптимизации SQL и архитектуре MPP-систем.

Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.

Анализ зарплаты

Медиана380 000 ₽
Рынок300 000 ₽ – 500 000 ₽
ИИОценка ИИ

Зарплата для Senior Data Engineer с таким стеком (Hadoop, Greenplum, SAS/Informatica) на российском рынке обычно находится в диапазоне 300-450 тысяч рублей. Предложение соответствует рыночным ожиданиям для опытных специалистов в финтехе или крупном ритейле.

Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.

Сопроводительное письмо

Составьте сопроводительное письмо под эту вакансию с вашим резюме

Иллюстрация сопроводительного письмаИллюстрация сопроводительного письма

Описание вакансии

Top Selection

Data Engineer

Полная занятость

Формат работы: можно удалённо

*☑️* Чем предстоит заниматься

-проектировать и разрабатывать потоки данных с использованием ETL/ELT-инструментов

-разрабатывать программный код и проводить его тестирование

-реализовывать кастомные трансформации данных

-проектировать и создавать прототипы и витрины данных

-разрабатывать процедуры на языке PL/pgSQL

-проводить анализ производительности существующих систем

-оптимизировать SQL-запросы и структуры баз данных

-участвовать в масштабировании и повышении производительности систем

-развивать архитектуру DWH

-анализировать и выбирать оптимальные технологии, инструменты и методологии

-создавать и актуализировать базу знаний для пользователей хранилища данных

-сопровождать и мониторить информационные системы в своей зоне ответственности

*☑️* Наши пожелания к кандидатам

-знание принципов построения хранилищ данных и архитектуры DWH

-понимание принципов работы MPP-систем

-практический опыт работы с экосистемой Hadoop:

-HDFS

-YARN

-Apache Spark

-Apache Kafka

-Apache NiFi

-Sqoop

-Flume

-уверенное знание SQL, включая DDL и DML

-опыт анализа и оптимизации сложных SQL-запросов

-опыт разработки на PL/pgSQL

-практический опыт работы с Greenplum или отличное знание PostgreSQL

-опыт работы с ETL-инструментами SAS Data Integration Studio и/или Informatica PowerCenter

-понимание процессов проектирования потоков, преобразования и загрузки данных

-опыт сопровождения и мониторинга информационных систем

-навыки ведения проектной и технической документации

-опыт работы с Git, Jira и Confluence

*☑️* Будет плюсом

-опыт проектирования высоконагруженных хранилищ данных

-опыт масштабирования MPP- и Hadoop-систем

-участие в проектах по развитию крупных корпоративных DWH

-опыт построения сложных ETL/ELT-процессов и витрин данных

Контакты: Откликнуться

*🔥* Подписаться на наши каналы / Откликнуться / Откликнуться

Больше похожих вакансий + автоотклики с ИИ

Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.

Больше похожих вакансий + автоотклики с ИИ

Навыки

  • Git
  • SQL
  • PostgreSQL
  • Apache Spark
  • Hadoop
  • Confluence
  • ETL
  • Jira
  • Apache Kafka
  • Apache NiFi
  • ELT
  • HDFS
  • YARN
  • DWH
  • Sqoop
  • Greenplum
  • Flume
  • PL/pgSQL
  • Informatica PowerCenter
  • SAS Data Integration Studio

Возможные вопросы на собеседовании

Проверка понимания архитектурных особенностей Greenplum и умения работать с распределенными данными.

Расскажите о стратегиях распределения данных (distribution keys) в Greenplum. Как неправильный выбор ключа влияет на производительность JOIN-операций?

Оценка навыков оптимизации производительности в Spark.

С какими проблемами перекоса данных (data skew) вы сталкивались в Spark и какие методы использовали для их решения?

Проверка опыта работы с потоковой передачей данных.

Как обеспечить семантику 'exactly-once' при интеграции Kafka и Spark Streaming?

Оценка навыков написания сложной логики на стороне БД.

В каких случаях вы предпочтете реализовать логику на PL/pgSQL, а не на уровне ETL-инструмента? Приведите примеры рисков.

Проверка методологического подхода к проектированию DWH.

Какие подходы к моделированию данных (Data Vault, Kimball, Inmon) вы использовали в крупных проектах и почему?

Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.

Похожие вакансии

Россия
более 1000 офферов получено
4.9

1000+ офферов получено

Устали искать работу? Мы найдём её за вас

Quick Offer улучшит ваше резюме, подберёт лучшие вакансии и откликнется за вас. Результат — в 3 раза больше приглашений на собеседования и никакой рутины!