- Страна
- Россия
Откликайтесь
на вакансии с ИИ

Senior Data Engineer
Стабильная международная компания с 25-летней историей, гибкий формат работы (полная удаленка) и возможность влиять на архитектурные решения. Хороший социальный пакет и фокус на современные технологии (dbt, ClickHouse, Airflow).
Сложность вакансии
Роль требует глубокой экспертизы в SQL (JSONB, EXPLAIN) и Python, а также опыта проектирования архитектуры DWH/Lakehouse с нуля. Высокая ответственность за выбор стека и установление стандартов разработки.
Анализ зарплаты
Для позиции Senior Data Engineer в Москве и на удаленке рыночный диапазон составляет от 300 000 до 450 000 рублей. Учитывая международный статус компании и требования к проектированию архитектуры, ожидаемая зарплата должна находиться в верхней части этого диапазона.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом

Откликнитесь в Coral Club уже сейчас
Присоединяйтесь к Coral Club и создавайте архитектуру данных для международного wellness-бренда!
Описание вакансии
Senior Data Engineer
Формат работы: удаленно/гибрид - на выбор; с 9/10 до 18/19 по мск
Занятость: full-time
ЗП: обсуждается индивидуально
Компания:
Мы — международная компания Coral Club!
Более 25 лет занимаемся разработкой, изготовлением и продвижением продукции для здорового образа жизни. За это время мы стали экспертами в формировании wellness-культуры.
Ключевые требования:
- Опыт работы в роли Data Engineer или Analytics Engineer от 3-6 лет.
- Экспертный уровень владения SQL. Нужно уметь работать со сложными структурами (JSONB, массивы), анализировать планы выполнения запросов (EXPLAIN) и проводить рефакторинг кода.
- Уверенный Python. Навыки написания ETL-скриптов, работа с библиотеками для взаимодействия с БД и понимание того, как писать поддерживаемый код.
- Опыт с Apache Airflow. Умение проектировать пайплайны, настраивать ретраи и мониторить выполнение задач.
- Понимание специфики PostgreSQL и ClickHouse. Нужно знать, как эффективно перекладывать данные между строчной и колоночной базами, учитывая их особенности.
Зона ответственности:
- Разработка логической и физической структуры хранилища (DWH/Lakehouse), выбор стратегий хранения и форматов данных для обеспечения масштабируемости (включая изолированные «песочницы» для аналитиков, подготовку данных для обучения ML-моделей и т.д.).
- Разработка надежных пайплайнов для сбора данных из любых источников (API, БД, брокеры сообщений, логи) и обеспечение их бесперебойной доставки.
- Реализация процессов ELT с использованием инструментов трансформации (например, dbt), обеспечение чистоты и консистентности данных на всех этапах.
- Разработка высокопроизводительных витрин, оптимизированных под задачи бизнес-аналитики и BI-инструментов.
- Установление стандартов разработки, описание архитектуры и принятие решений по развитию стека инструментов для обработки данных.
Условия:
- График: 5/2, гибрид/ удаленно - на выбор. (офис в Москве - Барклая 6с25, м.Фили)
- Семинары, тренинги, конференции внутри компании.
- Компенсация внешнего обучения.
- Скидки на приобретение продукции компании до 50% и дополнительные программы лояльности для сотрудников.
Контакты:
Писать в личные сообщения *👉* Откликнуться
Пожалуйста, прикладывайте резюме к отклику.
Создайте идеальное резюме с помощью ИИ-агента

Навыки
- Python
- SQL
- dbt
- PostgreSQL
- ETL
- Apache Airflow
- ELT
- ClickHouse
- Data Lakehouse
- DWH
Возможные вопросы на собеседовании
Проверка навыков оптимизации производительности в ClickHouse.
Расскажите о вашем опыте оптимизации запросов в ClickHouse. Какие движки таблиц и стратегии партиционирования вы использовали для ускорения аналитических выборок?
Оценка понимания специфики работы с неструктурированными данными в реляционных БД.
Как вы подходите к обработке и индексации данных в формате JSONB в PostgreSQL для обеспечения высокой производительности?
Проверка архитектурного мышления и опыта работы с dbt.
Опишите ваш подход к организации слоев данных в DWH при использовании dbt. Как вы обеспечиваете идемпотентность и качество данных на каждом этапе?
Оценка навыков работы с Airflow в сложных сценариях.
Как вы организуете мониторинг и обработку ошибок в сложных DAG-ах Airflow? Какие подходы к динамической генерации задач вы применяли?
Проверка опыта взаимодействия с ML-командами.
Каким образом вы проектируете витрины данных для обучения ML-моделей, чтобы обеспечить воспроизводимость признаков (feature engineering)?
Похожие вакансии
Middle+ Data инженер
Senior Data Scientist
Data Engineer (AI / ML)
Senior Data Engineer
Senior MLE в МТС Защитник
ML разработчик (Senior)
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!