- Страна
- Казахстан
- Зарплата
- 1 300 000 ₽ – 1 500 000 ₽
Откликайтесь
на вакансии с ИИ
Senior Data Engineer
Оценка ИИСильная позиция в крупной образовательной компании с понятным стеком и социально значимыми задачами. Привлекательный пакет льгот (BYOD, обучение, кафетерий) и прозрачные требования делают вакансию отличным вариантом для Senior-специалиста в Казахстане.
Сложность вакансии
Оценка ИИРоль требует не только глубоких технических знаний стека (Temporal, Kafka, CDC), но и специфического опыта работы с государственными данными РК и реверс-инжиниринга легаси-форматов. Высокая ответственность за точность данных для государственной отчетности повышает порог входа.
Анализ зарплаты
Оценка ИИПредложенная зарплата в 1.3–1.5 млн тенге является конкурентной для рынка Казахстана на позиции Senior Data Engineer, соответствуя верхнему децилю локальных предложений. Однако для специалистов мирового уровня или при релокации из РФ/Европы эта сумма может быть ниже ожиданий для Senior-грейда.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь в Bilim Group уже сейчас
Присоединяйтесь к Bilim Group и развивайте образовательные технологии Казахстана, работая с масштабными государственными данными!
Описание вакансии
*📍 Формат: Удаленный*
*✔️ Должность: Senior Data Engineer*
*🏢 Место работы: Bilim Group*
*💸 Заработная плата: 1 300 000 - 1 500 000 тенге*
*📈 Обязанности:*
- Загрузка и регулярное обновление мастер- и справочных данных платформы: госзаказ, справочники, система специальностей и квалификаций, контингент, дипломы, оценки, аттестаты, директора, обновления по колледжам
- Поддержка и разработка конвейеров ingestion (ETL): каталоги / атрибуты /оркестрация
- Нормализация, валидация и маппинг данных из разнородных и легаси-форматов; постоянный контроль качества загрузок
- Сопровождение контрактов данных на стыке с CDC-контуром (Mongo → Kafka → PostgreSQL, Pub/Sub со смежными сервисами)
- Сопровождение методологии отчетности и выгрузок: поддержка рабочих отчетов, участие в регулярной подготовке государственной отчётности
- Документирование пайплайнов, структуры данных и методологии
*📌 Требования:*
Технические навыки
- Python для ETL: Polars / pandas, пайплайны as-code
- Оркестрация пайплайнов: Temporal (или Airflow-подобные)
- Базы данных и хранилища: PostgreSQL, MongoDB
- Моделирование и обработка справочных / мастер-данных: нормализация, версионирование, маппинг разнородных форматов
- Потоковые данные и CDC: Kafka, MongoDB, Pub/Sub, Debezium
Желательно обладать опытом в предметной области:
- Структура государственных образовательных данных РК: знание профильных систем — сильное преимущество
- Гос. форматы и справочники: понимание форматов государственных данных, справочников (КАТО и др.), ЭЦП и согласий в государственных потоках
- Реверс-инжиниринг данных: способность восстанавливать недокументированную структуру данных и методологию отчётов и доводить их до документации
*✅ Условия:*
- Прокачка знаний — доступ к курсам Kitap.kz, Bilimland.com, Lerna.kz и другим образовательным платформам
- Языки — легко: изучай иностранные на Qlang.kz в удобном тебе ритме
- Кафетерий льгот — спорт, здоровье, обучение. Ты сам выбираешь, что важно
- BYOD — если работаешь со своим ноутом, мы это компенсируем
*📢**❗️**🚨 Контакты для связи:*
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- Pandas
- PostgreSQL
- Airflow
- Kafka
- ETL
- Temporal
- CDC
- Polars
- MongoDB
- Debezium
Возможные вопросы на собеседовании
Вакансия предполагает работу с мастер-данными и справочниками. Важно понимать, как кандидат обеспечивает консистентность при обновлении связанных сущностей.
Расскажите о вашем опыте управления мастер-данными (MDM). Как вы решаете конфликты при маппинге данных из разных государственных источников?
В стеке указан Temporal. Это мощный инструмент, и важно понять, работал ли с ним кандидат или готов быстро переключиться с Airflow.
В чем, по вашему мнению, основные преимущества использования Temporal перед Airflow для оркестрации сложных ETL-процессов?
Упоминается связка Mongo -> Kafka -> PostgreSQL. Это критический узел системы.
С какими сложностями вы сталкивались при настройке CDC (Change Data Capture) из MongoDB через Debezium в Kafka? Как обеспечивали гарантию доставки exactly-once?
Работа с государственными данными часто подразумевает отсутствие документации.
Опишите ваш подход к реверс-инжинирингу данных. С чего вы начинаете, если перед вами незнакомая БД без схемы и документации?
В требованиях указан Polars. Это современная альтернатива Pandas для больших объемов данных.
