Data Engineer вакансии1471+110 новых источников

На этой странице агрегируются junior-вакансии и стажировки из различных источников: hh.ru, Habr Career, LinkedIn, Telegram-каналы и многие другие

Стажировки Data EngineerВопросы с собеседованийНеобходимые навыки
стэк>
Источник>

Больше никакого поиска
и откликов — автоматизируй свой путь к работе вместе с Софи!

Попробовать бесплатно
Sophy
Получите доступ
к 1200 вакансиям и стажировкам
Сервис можно использовать бесплатно,
без ограничений. Чтобы получить полный доступ,
вам необходимо зарегистрироваться.
1471+ вакансий и стажировок • 110+ источников • обновляется ежедневно

Дата-инженер: самый недооценённый вход в данные

Data Engineer строит то, на чём стоит вся работа с данными: пайплайны, хранилища, витрины. Пока поток новичков ломится в Data Science, спрос на дата-инженеров растёт тише, но стабильнее — и конкуренция на junior-позиции здесь заметно ниже при сопоставимых вилках.

Ядро профессии — глубокий SQL: не только JOIN, но оконные функции, оптимизация запросов, понимание, чем колоночное хранилище отличается от строкового. Плюс Python для склейки, один оркестратор (чаще Airflow) на уровне понимания DAG-ов и представление о потоковой обработке. Big-data-зоопарк целиком на джун-уровне не ждут.

Типичные маршруты входа — из бэкенда (уже есть SQL и Python), из аналитики (SQL есть, добирается инженерия) и через стажировки: банки и ритейл набирают дата-инженеров теми же волнами, что аналитиков. Вопросы с реальных собеседований — в разделе по ссылке над списком.

Частые вопросы

Чем занимается дата-инженер и чем он отличается от Data Scientist?
DS строит модели на данных — DE делает так, чтобы эти данные вообще доехали: собирает пайплайны из источников, чистит, складывает в хранилище, следит за качеством и скоростью. Меньше статистики, больше инженерии — ближе к бэкенду, чем к науке.
Что учить junior дата-инженеру?
SQL до оконных функций и планов запросов — это главный фильтр отбора. Python для ETL-скриптов, основы Airflow, понимание форматов (Parquet vs CSV) и разницы OLTP/OLAP. Spark и Kafka на джун-уровне — на уровне концепций, практика добирается на работе.
Реально ли стать дата-инженером без опыта?
Да, особенно из смежных ролей: бэкенд-разработчик или аналитик с сильным SQL — готовый кандидат на junior DE. С нуля — через стажировки и пет-проект: собранный end-to-end пайплайн (API → обработка → витрина с отчётом) закрывает вопрос «а что вы умеете» лучше любого резюме.
Почему стоит выбрать Data Engineering, а не Data Science?
Меньше конкурс на входе: поток новичков течёт в DS, а нанимают команды и тех и других. Требования конкретнее (SQL и инженерия вместо статистики и рисёрча), а карьерный потолок сопоставим. Если нравится строить системы, а не проверять гипотезы — это ваша сторона данных.

Смежные направления