Data Engineer

Строит трубопроводы данных: собирает, чистит и доставляет данные туда, где их анализируют.

Чем занимается

Строит ETL/ELT-пайплайны
Работает со Spark, Airflow, Kafka и хранилищами
Отвечает за качество и доступность данных

83вакансиив ленте сейчас 158вопросов80 задач в тренажёре · 78 вопросов собеседования 0менторовготовы помочь

Портрет сильного резюме

Разобрали 10 топ-резюме специалистов и собрали, что их объединяет: навыки, структура, формулировки и ошибки, которых они избегают.

Ключевые навыки

Сколько топ-резюме из 10 упоминают навык

Python (ETL-скрипты, pandas/PySpark)10/10
SQL (аналитические запросы, оконные функции, CTE, оптимизация)10/10
Apache Airflow (DAG-и, кастомные операторы, сенсоры, ретраи)10/10
PostgreSQL10/10
ClickHouse (движки MergeTree, партиционирование, кодеки сжатия)9/10
Apache Spark / PySpark (оптимизация, data skew, broadcast)9/10
Построение DWH со слоистой архитектурой (RAW/ODS/DDS/DM/Marts)9/10
Data Quality (проверки NULL/дублей/диапазонов, алертинг)9/10
Apache Kafka (потоковая поставка, CDC)8/10
dbt (моделирование витрин, инкрементальная загрузка, dbt-тесты)8/10
Docker / Kubernetes8/10
Greenplum7/10
CI/CD (Git/GitLab/Jenkins/TeamCity)7/10
S3 / MinIO, форматы Parquet7/10
Английский язык (B1-B2)7/10
Hadoop / HDFS / Hive6/10
Apache Iceberg / Data Lakehouse4/10
Trino (ad-hoc запросы)3/10

Чего ждут на каждом грейде

Middle

Самостоятельно разрабатывает и поддерживает 15-30+ ETL/ELT-пайплайнов в Airflow, проектирует витрины и слои DWH, оптимизирует SQL/Spark-запросы, внедряет базовый Data Quality. Владеет полным стеком Python+SQL+Airflow+ClickHouse/Greenplum. Метрики результата формулирует на уровне своих пайплайнов (ускорение, снижение инцидентов).

Senior

Проектирует архитектуру DWH/Data Lakehouse с нуля (слоистость, Data Vault 2.0, Iceberg), решает сложные перформанс-проблемы (data skew, salting, OOM, AQE), внедряет CI/CD и DQ-фреймворки, отвечает за SLA/SLO и on-call. Работает с масштабом в млрд строк/сотни ТБ, мигрирует legacy-стек (SAS/Oracle → современный), влияет на TCO кластера и стоимость инфраструктуры. Менторит и координирует мини-группы инженеров.

Lead

Управляет командой инженеров/аналитиков, владеет процессами разработки (Lead Time, Time-to-Market на уровне департамента), отвечает за финансовую эффективность (прямая экономия бюджета), стратегию миграций и импортозамещения, построение команд и культуру развития (ИПР, 1:1). Совмещает техническую глубину DWH с people/stakeholder-менеджментом.

Из каких разделов состоит резюме

01Желаемая должность и специализация
02Краткое саммари / Обо мне (стек + фокус + ключевой результат)
03Опыт работы по местам (роль, домен/индустрия, проект, команда)
04Достижения с измеримыми метриками внутри каждого места
05Технологический стек (явно сгруппированный: языки, обработка, хранилища, оркестрация, DevOps)
06Образование
07Знание языков (английский)

Как топы описывают достижения

Топы доказывают impact через измеримые before→after метрики с указанием baseline и масштаба: время сборки витрины (3 часа → 12 минут), отчётов (45 минут → 8 секунд), MTTR (4 часа → 30 минут), задержка стриминга (10 минут → 2 минуты), throughput (200к+ строк/сек, 500k событий/сек, 10k событий/мин), снижение инцидентов (с 8 до 1-2 в месяц, на 75-80%), экономия инфраструктуры/бюджета (в 2 раза, 30 млн руб/год, -30% диска). Масштаб данных назван явно (1.5 млрд строк, 200 ТБ, 10 млн событий/сутки, 50+ филиалов, 100+ поставщиков). Каждое достижение связывает техническое действие (что сделал) с бизнес-результатом (зачем — соблюдение SLA, актуальность данных для бизнеса, разгрузка аналитиков).

+ Чем выделяются сильные резюме

Каждое достижение содержит метрику с baseline (было → стало), а не просто перечень обязанностей

Явно назван масштаб данных (млрд строк, ТБ, события/сек) — доказывает работу с реальным highload

Описаны конкретные техники оптимизации, а не общие слова: salting, broadcast joins, AQE, ключи партиционирования, кодеки сжатия ZSTD, skipping indexes, материализованные представления

Технологический стек сгруппирован осмысленно (языки / обработка / хранилища / оркестрация / DevOps), а не свален в одну строку

Связь техники с бизнес-результатом: ускорение → соблюдение SLA, DQ → меньше инцидентов в отчётности, разгрузка аналитиков

Понимание слоистой архитектуры DWH (RAW/ODS/DDS/Marts) и подходов (Data Vault, Lakehouse, SCD2, CDC/Debezium)

Краткое саммари сразу даёт стек + специализацию + 1-2 флагманских кейса

— Типичные ошибки

Перечисление обязанностей без результата и метрик ('разрабатывал ETL', 'писал SQL') в отрыве от impact

Список технологий без контекста применения и без указания масштаба/нагрузки

Размытые формулировки достижений ('ускорил в несколько раз', 'оптимизировал запросы') без baseline-цифр

Перегруз нерелевантными офисными навыками (MS Word/Visio/Outlook, сводные таблицы) вместо инженерного стека

Лозунги в 'Обо мне' ('командный игрок', 'высокая коммуникабельность', 'стремление к знаниям') без подтверждения фактами

Смешивание ролей DE с аналитиком/PM без чёткого разделения инженерного вклада

Опечатки и сленг в деловом тексте ('съэкономило много денег', 'не задыхалась утром')

По каким критериям оценивают

22%

Измеримость достижений (метрики + baseline)

Почти каждый буллет — результат в формате было→стало с цифрами: время, throughput, инциденты, деньги. Метрики привязаны к SLA и бизнес-эффекту.

20%

Глубина и релевантность технического стека

Полный современный DE-стек (Python+SQL+Airflow+Spark+ClickHouse/Greenplum+dbt+Kafka), сгруппирован по категориям, с указанием конкретных техник и движков, а не просто названий.

16%

Архитектурное мышление (DWH/Lakehouse, слои, паттерны)

Показано проектирование слоистого DWH (RAW/ODS/DDS/Marts), знание Data Vault 2.0, SCD2, CDC, Lakehouse/Iceberg; решения обоснованы (lineage, идемпотентность, дедупликация).

14%

Масштаб и highload (объёмы, нагрузка, оптимизация)

Назван реальный масштаб (млрд строк, ТБ, события/сек) и описаны конкретные приёмы оптимизации перформанса и стоимости (skew, salting, партиционирование, сжатие, TTL).

12%

Data Quality, надёжность и эксплуатация (SLA/SLO/MTTR)

Внедрены DQ-проверки и фреймворки, мониторинг/алертинг, CI/CD, тесты; результат — снижение инцидентов и MTTR, соблюдение SLA, on-call.

Связь с бизнесом и доменная польза

Каждый кейс объясняет зачем бизнесу (актуальность данных, разгрузка аналитиков, экономия, ускорение TTM); указана индустрия (финтех/банк, e-commerce/ритейл, медицина).

Структура, чистота и саммари резюме

Чёткая структура: саммари со стеком и фокусом, опыт с проектом/командой/стеком/достижениями, сгруппированные навыки. Без опечаток, сленга и общих лозунгов.

Примеры сильных формулировок

Оптимизировал SQL-запросы в DWH: вынес фильтрацию до JOIN через CTE, добавил партиционирование по дате и индексы — время сборки ключевой витрины продаж сократилось с 3 часов до 12 минут.

Спроектировал четырёхслойную архитектуру DWH (RAW → ODS → DDS → Marts) на dbt, обеспечив прозрачный data lineage и удобство разработки витрин.

Устранил data skew в Spark-пайплайнах (salting, broadcast joins, перенастройка ключей партиционирования) — время выполнения задачи -20%, ресурсы кластера -10%, полностью убраны OOM на воркерах.

Внедрил Data Quality Framework на dbt-тестах с валидацией бизнес-правил — число DQ-инцидентов сократилось на 75%, некорректные данные больше не попадают в витрины BI.

Реализовал near-real-time доставку событий Kafka → ClickHouse с дедупликацией на оконных функциях: пропускная способность до 500k событий/сек при E2E latency ≤ 15 минут.

Настроил мониторинг и алертинг (Grafana, SLO, on_failure_callback) — MTTR критических пайплайнов сократился с 4 часов до 30 минут.

Всё для старта и роста в профессии

Вакансии

83 вакансии

Свежие вакансии из IT-каналов и hh.ru в одной ленте — с фильтрами по грейду, формату работы и зарплате.

Смотреть вакансии →

Тренажёр по профессии

80 задач

Задачи для подготовки к собеседованию: вопросы на понимание и задачи на код с автопроверкой и разбором.

Решать задачи →

Виртуальное собеседование

78 вопросов

Собеседование с ИИ-интервьюером по банку вопросов профессии. Докапывается как живой, в конце — балл и разбор.

Подробнее →

Менторы

Практикующие специалисты из индустрии: мок-собеседование, разбор резюме, план роста.

Выбрать ментора →

Прожарка резюме

ИИ

ИИ сверяет резюме с топ-10 резюме профессии и честно показывает, что мешает получить оффер.

Подробнее →

Создание резюме

Шаблон

Сильное резюме с нуля — секция за секцией, по примеру лучших резюме профессии.

Подробнее →

Улучшение резюме

ИИ

ИИ переписывает резюме по замечаниям прожарки и адаптирует его под конкретную вакансию.

Подробнее →

Книги

Клуб

Путеводители клуба по поиску работы в IT: от резюме до переговоров об оффере.

Читать книги →

Все сервисы — в одном клубе

Вакансии, тренажёр, собеседования, менторы и разбор резюме по одной подписке.

Вступить в клуб →