- Зарплата
- 600 $ – 800 $
Middle Data Engineer — Snowflake / dbt / Finance Data / AI
Оценка ИИИнтересный стек технологий (Snowflake, dbt, AI) и амбициозные задачи по интеграции данных. Однако указанный диапазон зарплаты ($600–$800) выглядит значительно ниже рыночного для Middle Data Engineer, даже с учетом бонусов.
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 ИИРоль требует глубокого понимания специфических финансовых метрик (SaaS) и опыта работы с конкретным стеком (Snowflake/dbt), а также навыков интеграции данных без общих идентификаторов. Дополнительную сложность добавляет работа с данными после слияний и поглощений.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИПредложенная зарплата ($600–$800) находится значительно ниже рыночного уровня для Middle Data Engineer. Обычно специалисты с таким стеком (Snowflake, dbt) в международном или удаленном формате зарабатывают в 3-5 раз больше. Вероятно, это частичная занятость или ошибка в описании, так как требования соответствуют высококвалифицированному специалисту.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
Middle Data Engineer — Snowflake / dbt / Finance Data / AI
We are looking for a Senior Data Engineer with strong Snowflake, dbt, and finance data experience to join a team unifying data from a dozen-plus acquired businesses into a single trusted source for FP&A, executive reporting, and AI-driven analytics.
Company: Data Smart Solutions LLC
Role: Middle Data Engineer
Salary: $600 – $800 (Net) + performance-based bonus
Format: Remote
Core Requirements
- Strong experience with Snowflake
- Strong experience with dbt and data modelling
- Experience working with Salesforce (SFDC) data
- Experience with Oracle NetSuite or similar ERP data
- Solid understanding of finance and SaaS metrics: bookings, billings, revenue, deferred revenue, revenue recognition, churn, ARR, and NRR
- Experience integrating Excel and flat-file data into a data warehouse
- Experience normalizing data from multiple disparate systems into one format
- Experience building a unified customer master without shared customer IDs
Nice to Have
- Experience with Workday Adaptive Planning
- Experience with post-acquisition data integration
- Experience with AI-assisted dbt development
- Experience with MCPs, LLMs, or building a context layer on top of data
- Experience enabling natural-language data access through Claude or Copilot
What You'll Work On
- Building and maintaining Snowflake and dbt data models
- Connecting finance data from spreadsheets and flat files
- Creating a golden dataset linking Salesforce to billings, revenue, ARR, and contracts
- Integrating and normalizing data from acquired companies' systems
- Building a unified customer master across all business units
- Delivering data for executive leadership dashboards
- Preparing the data foundation for an AI context layer and LLM-based access
For questions/inquiries: Откликнуться
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Snowflake
- dbt
- Salesforce
- Oracle NetSuite
- ERP
- SaaS Metrics
- Excel
- Data Modeling
- Workday Adaptive Planning
- LLM
- Claude
- GitHub Copilot
Возможные вопросы на собеседовании
Проверка навыков работы с данными при отсутствии общих ключей, что указано в требованиях.
Расскажите о вашем опыте создания единого справочника клиентов (Customer Master) при объединении данных из разных систем без общих ID. Какие алгоритмы сопоставления вы использовали?
Вакансия ориентирована на финансовую аналитику.
Как бы вы реализовали в dbt логику расчета Deferred Revenue (отложенной выручки), если данные приходят из разных ERP-систем с разной детализацией?
Snowflake является основным хранилищем в проекте.
Какие методы оптимизации производительности и стоимости запросов в Snowflake вы применяете при обработке больших объемов финансовых данных?
В задачах упоминается подготовка данных для AI.
Как, по вашему мнению, должна измениться структура данных или метаданных в dbt, чтобы обеспечить эффективный доступ к ним через LLM (например, Claude или Copilot)?
Проверка опыта работы с Salesforce как с источником.
С какими основными сложностями вы сталкивались при инкрементальной загрузке данных из Salesforce в Snowflake и как их решали?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
