- Страна
- Россия
DataOps Senior+/TeamLead
Оценка ИИИнтересный и современный стек технологий (Lakehouse, Streamhouse), прямой запрос от крупного производства и высокий уровень ответственности. Однако, сжатые сроки (6+ месяцев) и жесткие требования к формату подачи резюме могут быть ограничивающим фактором.
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 ИИВысокая сложность обусловлена требованием редких навыков (Paimon, Iceberg) и необходимостью совмещать глубокую экспертизу в DevOps (K8s, CI/CD) с пониманием Big Data стека на уровне TeamLead.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИДля позиции уровня Senior+/TeamLead в области DataOps на российском рынке предлагаемая вилка соответствует верхнему эшелону, учитывая специфику Big Data стека.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Контакты для отклика
Откройте контакты, указанные в вакансии.
Описание вакансии
ID 3267
DataOps
Senior+/TeamLead
РФ/РБ
Сфера: Производство (Табачная компания)
Период: 6+ месяцев
Тип запроса: Прямой
Требования:
Важно:
- Paimon
- Iceberg
- Spark/Flink
- ClickHouse
Задачи:
- Поддержка и развитие CI/CD пайплайнов для data-инфраструктуры.
- Организация и сопровождение Kubernetes-кластера: деплойменты, helm-чарты.
- Настройка и поддержка инфраструктуры для работы с DWH, Lakehouse и Streamhouse.
- Поддержка и администрирование вычислительных движков: Trino, Flink, StarRocks, Spark.
- Работа с системами хранения: Apache Iceberg, Paimon, Parquet, ORC, S3 (MinIO).
- Настройка CDC-процессов для сбора и синхронизации данных.
- Мониторинг и логирование сервисов, устранение инцидентов.
- Автоматизация рутинных задач, связанных с управлением экспериментальными окружениями (20+ машин).
- Взаимодействие с data-инженерами и аналитиками для обеспечения стабильности и прозрачности процессов.
Требования:
- Опыт работы с Kubernetes: деплойменты, helm.
- Опыт работы с системами CI/CD.
- Опыт администрирования и настройки вычислительных фреймворков (Spark, Flink или аналоги).
- Опыт работы с хранилищами данных (Iceberg, Paimon или схожие).
- Опыт работы с S3-совместимыми системами хранения (MinIO или AWS S3).
- Навыки автоматизации (Bash, Python, Groovy и др.).
- Знание Git, опыт работы с GitLab/Jira/Confluence.
- Понимание принципов DWH и потоковой обработки данных.
- Английский на уровне чтения технической документации.
Будет плюсом:
- Опыт настройки CDC (Change Data Capture).
- Знание Terraform или Ansible.
- Опыт работы с Trino, StarRocks.
- Опыт в построении Lakehouse/Streamhouse архитектур.
- Знание особенностей работы с Big Data-стеком.
Присылайте, пожалуйста, сразу с чек-листом, ФИО, личной почтой кандидата локацией и датой рождения!
Также подсвечивайте в каком формате работаете с кандидатом: Штатный сотрудник/ Рыночный кандидат и др.
*❗️**❗️**❗️Писать {{apply_contact}}⚡️**⚡️**⚡️**⚡️ С РЕЗЮМЕ В КОТОРОМ УКАЗАН ВОЗРАСТ И ЛОКАЦИЯ НАХОЖДЕНИЯ. Укажите 🆔*
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Kubernetes
- Helm
- CI/CD
- Apache Spark
- Apache Flink
- Apache Iceberg
- Apache Paimon
- ClickHouse
- Trino
- StarRocks
- MinIO
- S3
- Python
- Bash
- Terraform
- Ansible
- GitLab
- CDC
Возможные вопросы на собеседовании
Проверка опыта работы с ключевым требованием вакансии и понимания преимуществ современных форматов таблиц.
В каких сценариях вы бы предпочли использовать Apache Paimon вместо Iceberg для построения Streamhouse?
Оценка навыков траблшутинга в распределенных системах.
С какими типичными проблемами производительности Flink в Kubernetes вы сталкивались и как их решали?
Проверка умения проектировать отказоустойчивые системы захвата данных.
Как вы организуете мониторинг и обработку сбоев в CDC-процессах при синхронизации данных в реальном времени?
Оценка навыков управления инфраструктурой как кодом.
Опишите ваш подход к управлению Helm-чартами для 20+ экспериментальных окружений: как вы избегаете дублирования кода?
Проверка лидерских качеств и архитектурного видения.
Как вы выстраиваете взаимодействие между DataOps и Data Engineering командами для минимизации инцидентов в DWH?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
