Источники и объёмы
Какие системы поставляют данные, каковы объёмы, частота обновления и требования к задержке.
IT / Data Engineering
Подбор Data Engineer (инженера данных)
Подбираем Data Engineer для построения и развития платформ данных, ETL/ELT-процессов, DWH и потоковой обработки. До поиска уточняем архитектуру данных, объёмы, источники, SLA, стек, облако и границу ответственности между Data Engineering, BI, аналитиками и DevOps.
Описываем архитектуруИсточники, хранилище, витрины, lake/lakehouse, batch и streaming контуры.
Фиксируем стекSQL, Python, Airflow, dbt, Spark, Kafka, облачные сервисы и конкретные СУБД.
Определяем ownershipРазработка пайплайнов, data quality, observability, производительность и эксплуатация production.
Что определяет профиль
Data Engineer ищется под конкретную платформу данных, а не по универсальному списку технологий
В одной компании инженер данных строит новые пайплайны и DWH с нуля, в другой — оптимизирует зрелую платформу, в третьей — отвечает за streaming и большие объёмы. Поэтому профиль начинается с архитектуры и ожидаемого результата.
ETL / ELT
Оркестрация, трансформации, управление зависимостями и устойчивость пайплайнов.
Хранилище
DWH, data lake или lakehouse, модели данных, партиционирование и производительность.
Streaming
Kafka и другие event-driven контуры, если потоковая обработка действительно нужна.
Data quality
Проверки качества, lineage, observability, мониторинг и реакция на сбои.
Cloud / platform
AWS, GCP, Azure или on-premise и граница ответственности с DevOps/platform-командой.
Почему поиск затягивается
Поиск Data Engineer затягивается, когда работодатель смешивает Data Engineering, BI, DevOps и Data Science
Слишком широкий стек
В требования включают все популярные инструменты независимо от реальной архитектуры.
Не определён ownership
Непонятно, специалист только пишет пайплайны или ещё строит платформу и поддерживает production.
Смешаны роли
В одну вакансию объединяют инженера данных, аналитика, DBA и ML-инженера.
Не раскрыт масштаб
Кандидат не видит объёмы, SLA, зрелость платформы и технический долг.
Что оцениваем
Проверяем, какие data-платформы кандидат действительно строил и поддерживал
Разбираем архитектуру прошлых проектов, объёмы и частоту данных, личный вклад в пайплайны и модели, работу с качеством и сбоями, оптимизацию стоимости и производительности, а также взаимодействие с аналитиками, разработкой и платформенными командами.
Архитектура DWH/lake/lakehouse
SQL и Python в production-задачах
ETL/ELT и orchestration
Streaming и event-driven pipelines
Data quality и observability
Эксплуатация и масштабирование платформы
Как проходит подбор
От архитектуры данных до выхода Data Engineer
- 01
Разбираем платформу
Фиксируем источники, объёмы, SLA, стек и текущее состояние data-платформы.
- 02
Собираем профиль
Определяем обязательный engineering-опыт и границы роли.
- 03
Оцениваем проекты
Проверяем архитектурные решения, production pipelines и реальные зоны ответственности.
- 04
Сопровождаем найм
Помогаем сопоставить уровень кандидата с задачами и условиями команды.
Стоимость и условия
Фиксированная стоимость подбора
Для ряда профессий на сайте опубликованы фиксированные тарифы. Если нужной позиции нет в таблице или задача нестандартная, стоимость уточним после короткого разбора вакансии и закрепим в договоре.
Фиксированные цены
Если позиции нет в таблице
Свяжитесь с нами — уточним профиль вакансии и стоимость подбора без выдуманных или приблизительных сумм.
Схема оплаты
Фиксированная стоимость. Небольшая предоплата при запуске поиска, основная оплата — после выхода кандидата.
Гарантия до 90 дней
Срок гарантии и порядок замены зависят от согласованных условий и закрепляются в договоре.
Нужен Data Engineer?
Начнём с архитектуры данных, объёмов и ownership будущего инженера
Опишите текущий data-stack и задачи — сформируем профиль Data Engineer и обсудим поиск.