- Страна
- Россия
Инженер данных в DWH Лавки — RT/NRT и AI‑агенты
Престижная компания с сильной инженерной культурой, современный стек технологий (Flink, ClickHouse) и работа над передовыми AI-проектами. Отличный соцпакет и возможности для профессионального роста.
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
Высокая сложность обусловлена необходимостью глубоких знаний в RT/NRT обработке данных, работе с распределенными системами (Greenplum, ClickHouse) и специфическим внутренним стеком Яндекса. Требуется опыт проектирования сложных графов зависимостей в DWH.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Зарплата в вакансии не указана, но для Senior Data Engineer в Москве рыночный диапазон составляет 350,000–550,000 рублей. Яндекс обычно предлагает конкурентоспособные оклады плюс значительные годовые бонусы и опционы (RSU), что может выводить совокупный доход выше среднерыночного.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Описание вакансии
*🍫* Инженер данных в DWH Лавки — RT/NRT и AI‑агенты
Команда DWH Лавки работает над хранилищем, которое поддерживает аналитику и ключевые операционные процессы бизнеса. Сейчас мы развиваем направление RT/NRT‑данных для AI‑систем Лавки.
Мы работаем со следующим стеком технологий:
• Python, SQL и YQL
• Внутренний Code Driven фреймворк DMP Suite
• YT, Greenplum и ClickHouse
• Apache Flink / Flink Flow и LogBroker для потоковой обработки
• Встроенные инструменты Data Quality, мониторинга и управления ETL‑процессами
Какие задачи вас ждут:
• Развитие поставок данных
Проектировать и развивать RT/NRT‑поставки данных для разных сценариев работы продуктовых команд — например, для жизненного цикла заказа, работы сотрудников, складских операций и отслеживания доступности товаров.
• Проектирование RT‑данных
Помогать системным аналитикам и продуктовым командам проектировать RT‑данные: подбирать источники и способы обработки, определять модель событий, контракты, требования к свежести и качеству данных.
• Поиск возможностей по RT‑данным
Искать новые способы работы с RT‑данными, разрабатывать универсальные подходы и помогать внутренним заказчикам разобраться, какие задачи можно решить с их помощью.
• Инженерные задачи и развитие DWH
Вести инженерные задачи: исследование процессов и источников данных, запуск решений в промышленную эксплуатацию, контролирование их работы и безопасное развитие DWH, который имеет большой граф зависимостей.
Мы ждём, что вы:
• Проектировали и поддерживали промышленные RT/NRT‑пайплайны
• Занимались разработкой в крупном DWH или распределённой платформе
• Умеете проектировать надёжную обработку событийных данных
• Уверенно владеете Python и SQL
Почему у нас хорошо:
Мы предоставляем полный набор, который поможет уберечься от тревожности и выгорания: ежегодные медицинские чекапы, йога и психотерапия. Это не все бонусы — полный список тут.
*📩*{{apply_contact}}на нашем сайте
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.

Навыки
- Python
- SQL
- YQL
- Greenplum
- ClickHouse
- Apache Flink
- ETL
- Data Quality
- DWH
- NRT
- Real-time Data Processing
Возможные вопросы на собеседовании
Вакансия сфокусирована на RT/NRT, поэтому важно понимать, как кандидат обеспечивает доставку данных без потерь.
Как вы обеспечиваете семантику 'exactly-once' при обработке потоковых данных в Apache Flink?
DWH Лавки имеет большой граф зависимостей, важно уметь управлять изменениями.
Расскажите о вашем опыте управления изменениями в схемах данных (schema evolution) в больших DWH. Как вы минимизируете риски для зависимых процессов?
Работа с AI-агентами требует специфической подготовки данных.
Какие особенности проектирования витрин данных вы видите для их последующего использования AI-агентами по сравнению с классической BI-аналитикой?
В стеке указан Greenplum, важно понимать навыки оптимизации.
С какими проблемами перекоса данных (data skew) вы сталкивались в MPP-системах и как их решали?
Проектирование контрактов — одна из задач роли.
Как вы подходите к проектированию контрактов данных между продуктовыми командами и DWH для обеспечения высокого качества RT-потоков?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.

