- Страна
- США
- Зарплата
- 126 000 $ – 180 000 $
Senior Data Engineer
Оценка ИИПрестижная компания в сфере Web3 с прозрачной вилкой зарплаты и возможностью удаленной работы. Высокие требования компенсируются интересными задачами на глобальном уровне и современным стеком технологий.
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 требованиями к глубокому знанию стека Big Data (Spark, Flink, CDC) и опытом работы более 5 лет. Также ожидается экспертиза в архитектурных решениях и обеспечении качества данных в реальном времени.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИПредложенная вилка $126k – $180k соответствует рыночным стандартам для Senior Data Engineer в США, особенно для финтех и крипто-сектора. Верхняя граница в $180k является конкурентной для Нью-Йорка, хотя в топовых BigTech компаниях общая компенсация (TC) может быть выше за счет акций.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
Gemini
Senior Data Engineer
Remote (USA); also New York, NY or Miami, FL
$126,000 – $180,000 (base salary range, New York)
Gemini is a global crypto and Web3 platform founded by Cameron and Tyler Winklevoss in 2014, offering crypto products and services to individuals and institutions in over 70 countries. The Data Team designs and operates the data infrastructure that powers insight, reporting, analytics, and machine learning across the business.
*☑️* Чем предстоит заниматься
-Design, build, and maintain data infrastructure and pipelines spanning both batch and real-time / streaming workloads, contributing to architectural decisions along the way
-Build and maintain scalable, efficient, and reliable ETL/ELT pipelines using languages and frameworks such as Python, SQL, Spark, Flink, Beam, or equivalents
-Work on real-time or near-real-time data solutions (e.g. CDC, streaming, micro-batch) for use cases that require timely data
-Partner with data scientists, ML engineers, analysts, and product teams to understand data requirements, define SLAs, and deliver coherent data products that others can self-serve
-Establish data quality, validation, observability, and monitoring frameworks (data auditing, alerting, anomaly detection, data lineage)
-Investigate and resolve complex production issues: root cause analysis, performance bottlenecks, data integrity, fault tolerance
-Document data flows, data dictionaries, architecture patterns, and operational runbooks
*☑️* Наши пожелания к кандидатам
-5+ years of experience in data engineering (or similar) roles
-Strong experience in ETL/ELT pipeline design, implementation, and optimization
-Deep expertise in Python and SQL writing production-quality, maintainable, testable code
-Experience with large-scale data warehouses (e.g. Databricks, BigQuery, Snowflake)
-Solid grounding in software engineering fundamentals, data structures, and systems thinking
-Hands-on experience in data modeling (dimensional modeling, normalization, schema design)
-Experience building systems with real-time or streaming data (e.g. Kafka, Kinesis, Flink, Spark Streaming), and familiarity with CDC frameworks
-Experience with orchestration / workflow frameworks (e.g. Airflow)
-Familiarity with data governance, lineage, metadata, cataloging, and data quality practices
*🔥* Подписаться на наши каналы / Откликнуться / Откликнуться
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- SQL
- Spark
- Flink
- Apache Beam
- ETL
- ELT
- Databricks
- BigQuery
- Snowflake
- Kafka
- Kinesis
- Airflow
- Data Modeling
- CDC
Возможные вопросы на собеседовании
Проверка опыта работы с потоковыми данными, что критично для крипто-платформы.
Расскажите о самом сложном кейсе реализации streaming-пайплайна: как вы обеспечивали fault tolerance и обрабатывали late data?
Оценка навыков проектирования архитектуры хранилищ.
В каких случаях вы бы предпочли нормализованную схему данных вместо денормализованной (Star Schema) в контексте работы с BigQuery или Snowflake?
Проверка понимания процессов обеспечения качества данных.
Как вы выстраиваете систему мониторинга и аномального обнаружения (anomaly detection) в пайплайнах, чтобы предотвратить попадание неверных данных в отчеты?
Оценка навыков оптимизации производительности.
С какими проблемами производительности в Spark вы сталкивались и какие методы оптимизации (например, data skewing) применяли для их решения?
Проверка soft skills и взаимодействия с командой.
Как вы подходите к сбору требований от Data Science команд и определению SLA для новых дата-продуктов?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
