- Страна
- Армения
- Зарплата
- до 400 000 ₽
Откликайтесь
на вакансии с ИИ
Senior Data Analyst (DWH/Lakehouse)
Оценка ИИПривлекательная вакансия для опытных аналитиков с конкурентной зарплатой и возможностью работать с современным стеком (Lakehouse). Релокация в Ереван и гибридный формат могут быть интересны тем, кто ищет международный опыт.
Сложность вакансии
Оценка ИИВысокая сложность обусловлена требованием глубокой экспертизы в архитектуре Data Lakehouse и специфическим банковским опытом (6+ лет). Также необходим свободный английский для коммуникации и знание продвинутого SQL.
Анализ зарплаты
Оценка ИИПредложенная ставка до 400 000 рублей gross соответствует верхнему сегменту рынка для Senior Data Analyst в регионе СНГ, особенно учитывая специфику банковского сектора и требования к знанию Lakehouse.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь уже сейчас
Если вы эксперт в Data Lakehouse и готовы строить современное хранилище в Ереване, откликайтесь прямо сейчас!
Описание вакансии
#вакансия #Senior #fulltime #English #гибрид #Ереван #банк #DataAnalyst #Data #Analyst #DWH #DataLakehouse
✅В поиске Senior DataAnalyst с опытом в банковских DWH и реальным практическим опытом с архитектурой data lakehouse.
💼Проект - создание корпоративного DWH и внедрение архитектуры data lakehouse для унификации, качества и скорости доступа к данным, поддержки отчетности и продвинутой аналитики.
👨🏻💻Чем предстоит заниматься:
• Сбор и формализация бизнес-требований, перевод в технические спецификации (mappings, правила трансформаций).
• Проектирование модели данных: слой интеграции, витрины, слои lakehouse.
• Анализ источников, профилирование, оценка качества данных, разработка правил DQ.
• Участие в проектировании ETL/ELT, оптимизация производительности запросов и загрузок.
• Ведение и актуализация документации.
• Сопровождение команд разработки и тестирования, участие в приемке.
• Взаимодействие со стейкхолдерами: архитекторы, BA, DE, владельцы доменов данных.
🦸От кандидата ожидаем:
• 6+ лет в роли Data Analyst/Data Warehouse Analyst на масштабных проектах, предпочтительно в банке/финтехе.
• Глубокое понимание DWH: архитектура, слои, модели, витрины, SLA/SLI.
• Практический опыт с data lakehouse: Databricks, Snowflake, Delta Lake, Apache Iceberg (хотя бы одно из перечисленных).
• Моделирование данных.
• Продвинутый SQL: window-функции, CTE, аналитические функции, тюнинг, работа с большими объемами.
• Понимание ETL/ELT-паттернов, опыт интеграции из разнородных источников.
• Инструменты BI: подготовка аналитических датасетов и витрин.
• Data Quality, Metadata, Data Lineage — практики и инструменты.
• Английский — общение, чтение документации и деловая переписка.
➕Будет плюсом:
• Python для аналитических пайплайнов и data profiling
• Инцидент-менеджмент и оптимизация стоимости
вычислений/хранения
🟢Условия:
🇦🇲**Локация - Ереван
🏦Формат работы - гибрид**
💸Ставка до 400 тр гросс
📑Взаимодействие по ИП
📲Контакт для связи: Откликнуться
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- SQL
- DWH
- Data Lakehouse
- Databricks
- Snowflake
- Delta Lake
- Apache Iceberg
- ETL
- ELT
- Data Quality
- Data Modeling
- Python
- Data Lineage
- Metadata Management
Возможные вопросы на собеседовании
Вакансия требует практического опыта с Lakehouse. Важно понять, как кандидат выбирает технологию под конкретные задачи.
Расскажите о вашем опыте работы с архитектурой Data Lakehouse. Какие преимущества и недостатки вы видите в использовании Delta Lake или Apache Iceberg по сравнению с классическим DWH?
Для Senior роли критично умение проектировать масштабируемые и производительные модели.
Опишите процесс проектирования модели данных для банковской витрины. Какие подходы к моделированию (Data Vault, Kimball) вы предпочитаете и почему?
Работа с большими данными в банке требует навыков оптимизации.
Приведите пример сложного SQL-запроса, который вам пришлось оптимизировать. Какие инструменты и методы тюнинга вы использовали?
Data Quality — одна из ключевых задач в описании вакансии.
Как вы выстраиваете процессы контроля качества данных (DQ) при интеграции из разнородных источников в Lakehouse?
Позиция предполагает взаимодействие с архитекторами и стейкхолдерами на английском языке.
Опишите ситуацию, когда вам нужно было перевести сложные бизнес-требования в техническую спецификацию для команды разработки. С какими сложностями вы столкнулись?
Похожие вакансии
DWH аналитик
Senior Аналитик КХД (DWH)
Data инженер
Аналитик по данным (Senior)
Python разработчик (DWH/Data Engineer)
Аналитик по управлению данными (Data Governance)
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!