Задачи:
— Организация пайплайнов потоков данных (конвейера движения данных в компании);
— Разработка, поддержка и оптимизация производительности Корпоративного Хранилища Данных (EDWH);
— Разработка и настройка ETL/ELT-процессов в Корпоративное Хранилище Данных (сбор, структурирование и обеспечение сохранности данных);
— Настройка инфраструктуры для обеспечения качества данных;
— Разработка BI дашбордов, визуализации данных.
Требования:
— Опыт работы с технологиями: Greenplum или другая MPP СУБД, ClickHouse, Airflow;
— Хорошее знание SQL и реляционных баз данных (желательно, Greenplum или PostgreSQL), опыт написания сложных запросов;
— Хорошее знание Python;
— Знание современных технологий обработки больших данных;
— Высшее образование (IT/математика/математическая статистика/физика).
Условия:
— Оформление по ТК РФ (полностью белая зарплата, льготы для ИТ);
— Работа в аккредитованной ИТ компании;
— График работы 5/2, 8-часовой рабочий день, гибкое начало рабочего дня;
— ДМС со стоматологией, льготное ДМС для родственников;
— Материальная помощь, скидки на занятия иностранными языками, оплата профессионального обучения, посещения конференций;
— Компенсация процентов по ипотеке/автокредиту;
— Возможность профессионального и материального роста;
— Ежегодные IT конференции, митапы;
— Общекомандные встречи вне офиса.
Проект - корпоративное хранилище данных, победитель премии Yandex B2B Tech Awards 2026 в номинации "Лучшее решение в области аналитики и работы с данными". Основной стек проекта: Python, Greenplum, PostgreSQL, ClickHouse, Data Build Tool (DBT), Spark, Kafka, Airflow, Kubernetes, Terraform, Ansible, GitLab, SonarQube, Prometheus, Grafana, AlertManager.
Задачи:
— Помогать в миграции существующего хранилища данных SAP BW на Snowflake, перестраивая трансформации с использованием SQL и dbt при сохранении бизнес-логики.
Требования:
— Практический опыт трансформации и миграции DWH.
— Глубокие знания SAP BW: InfoCubes, DSOs, InfoObjects и трансформаций.
— Продвинутый уровень SQL и моделирования измерений.
— Предпочтение dbt.
— Опыт оркестрации ELT с использованием ADF, Airflow или аналогичных инструментов.
— Ответственное использование AI-инструментов в повседневной работе.
— Преимуществом будут знания Snowflake, чтение ABAP-рутин, Python и макросов dbt.
Условия:
— Медицинская страховка.
— Гибридный формат работы.
— Поддержка благополучия и возможности обучения с карьерным коучем.
— Зарплата от 2500 USD net в месяц.
Задачи:
— Развивать Data Lakehouse и единое DWH
— Строить ETL/ELT-пайплайны от источника до готовой витрины
— Разрабатывать интеграции с внутренними и внешними системами
— Настраивать оркестрацию и регулярное обновление данных
— Работать с data quality и metadata management
— Участвовать в выборе инструментов и архитектурных решений
— Взаимодействовать с архитекторами, DevOps, ИБ и бизнесом
Требования:
— Уверенный Python и SQL
— Опыт работы с Airflow или Dagster
— Опыт построения ETL/ELT-пайплайнов
— Хорошее понимание DWH и современных подходов к работе с данными
— Опыт работы с Kafka / streaming
— Опыт в небольших командах или проектах, где приходилось самостоятельно закрывать широкий круг задач
Будет плюсом: Trino, Apache Iceberg, DBT, ClickHouse
Условия:
— Оформление по ТК РФ
— ДМС со стоматологией после испытательного срока
— Компенсация питания
— Полугодовые премии
— Ежегодная индексация
— Спортивные активности и корпоративные мероприятия
— На испытательном сроке — офис 5/2, далее возможен гибрид по договорённости
ГибридseniorМосква
Зарплата не указана
Не хотите искать каждый день?
Настройте подбор один раз, и подходящие вакансии будут сами приходить в Telegram.
Задачи:
— Погружение в сложные системы и ручные рабочие процессы для понимания инструментов и ограничений.
— Проектирование и поддержка чистых, масштабируемых, производственных моделей dbt (например, ARR, признание доходов).
— Работа с полным циклом обработки данных: от загрузки до трансформации и визуализации.
— Практический подход к системным задачам, балансируя быстрые решения и продуманную долгосрочную архитектуру.
— Сотрудничество с командами финансов, инженерии, продаж и другими для понимания потребностей в данных и своевременной реализации решений.
Требования:
— Опыт проектирования и поддержки производственных моделей данных и конвейеров.
— Глубокое понимание современных принципов и лучших практик моделирования данных.
— Сильные навыки SQL и уверенность в работе со сложными наборами данных и схемами.
— Внимание к деталям и высокие стандарты точности и валидации данных.
— Гибкость и находчивость при работе с ручными задачами или несовершенными системами.
— Страсть к чистому коду, масштабируемой архитектуре и постепенному снижению сложности.
— Умение эффективно управлять временем и приоритетами в быстро меняющейся среде.
— Четкие коммуникативные навыки для взаимодействия с техническими и нетехническими коллегами.
— Готовность поддерживать другие области (например, продукт, маркетинг, инженерия) по мере роста команды.
Преимущества:
— Опыт работы в быстрорастущей PLG SaaS компании.
— Успешный опыт трансформации ручных, разовых рабочих процессов в масштабируемые конвейеры данных.
— Знакомство с биллинговыми системами, GAAP бухгалтерией, признанием доходов или поддержкой аудита.
— Опыт работы с Stripe, Salesforce или Orb в контексте финансов и биллинга.
— Знание финансовых циклов и необходимости быстрой итерации в конце месяца и квартала.
Условия:
— Полностью удаленная работа (компания remote-first).
— Конкурентный пакет компенсации, включающий базовую зарплату, акции и комплексные льготы.
— Гибкая и инклюзивная рабочая среда.
— Оплачиваемый отпуск и поддержка баланса работы и жизни.
— Финансирование профессионального развития до $1500 в год, менторство и возможности внутреннего роста.
— Оплачиваемый отпуск по уходу за ребенком (20 недель для рожающих родителей, 16 недель для не рожающих).
— Корпоративные программы для работы из дома, включая выбор ноутбука, компенсацию интернета и бюджет на обустройство рабочего места.
— Взносы работодателя в пенсионный фонд с матчингом до 0.75% от заработка.
— Возможность участия в ежегодных корпоративных мероприятиях и командных выездах.
Технологический стек:
Snowflake, dbt, Hightouch, Fivetran, Looker, Stripe, Salesforce, Orb.
ОБЗОР ПОЗИЦИИ И ПРОДУКТА:
Мы строим Customer Intelligence & Personalization Platform для экосистемы бизнесов в Армении на основе Golden Record (единый профиль клиента).
Вам предстоит спроектировать слой между сырыми данными core banking системы и витринами платформы.
Главный вызов — реверс-инжиниринг слабо документированного источника, восстановление бизнес-смысла данных и создание осознанной модели для Customer 360, сегментации и скоринга.
Мы используем AI-native подход и ожидаем того же от кандидата (применение AI для разбора legacy, написания SQL и документации).
Задачи:
• Исследовать core banking систему, legacy- и внешние источники, восстанавливать их семантику;
• Идти от целевой витрины к источнику: определять таблицы и логику сбора атрибутов;
• Разделять случаи, когда одинаковые данные получены разными путями, фиксировать правила выбора;
• Описывать модель данных и метаданные (сущности, связи, grain, ключи, историчность);
• Формировать требования к витринам для сегментации, scoring и рекомендаций;
• Писать SQL-исследования, прототипы трансформаций и проверять гипотезы;
• Выяснять смысл данных напрямую у сотрудников банка.
Требования:
• Сильный SQL (оконные функции, сложные join-цепочки, анализ качества и распределений);
• Опыт реверс-инжиниринга плохо документированных источников;
• Опыт работы с банковскими / fintech-данными (Core banking, ArmSoft, legacy системы) и построения Customer 360;
• Понимание data modelling (сущности, grain, ключи, историчность, master entities);
• Уверенное владение Python на уровне исследования данных;
• Владение Git, Linux, опыт работы в закрытых Dev/UAT-контурах;
• Использование AI-инструментов для анализа схем и написания кода;
• Проактивность и самостоятельность в доведении задач от «сырья» до целевой витрины (отлично подойдет бэкграунд дата-инженера с опытом работы с сырыми источниками).
Будет плюсом:
• Знание армянского языка;
• Методологии матчинга и дедупликации;
• Опыт с Data Vault 2.0, DBT (или аналоги);
• Понимание PII, маскирования, RBAC;
• Опыт работы в регулируемом on-premise контуре;
• Экспертиза в ML, ML Ops.
Условия:
• Взаимодействие по договору ИП;
• Гибридный формат работы в Армении (готовность работать из офиса банка до 3 раз в неделю).
ASOS.com — британский онлайн‑ритейлер модной одежды, обуви, аксессуаров и косметики. В компании работают русскоговорящие ребята.
Технологии и инструменты: SQL, Databricks, Spark, DBT, Python, Mixpanel, Adobe и другие.
Компания основана фаундерами Nick Robertson, Andrew Regan, Quentin Griffiths, Deborah Thorpe.
Размер команды: 1k-5k человек. Инвестиции: £587.5M.
Write and adapt SQL queries against well-defined requests, using Claude to refine logic and troubleshoot errors. Look up existing metrics in Looker or Omni to understand how they're already built, and reuse that logic where it applies.
– Развивать корпоративную платформу данных и DWH; – Переводить существующие ETL-процессы с SSIS на Apache Airflow 3 и внутренний YAML-driven Python-фреймворк;
Quantori разрабатывает программное обеспечение для биотехнологических и фармацевтических компаний. Среди клиентов компании Pfizer, LGC, The Jackson Laboratory. В компании работает более 500 человек, инвестиции составляют 15 миллионов долларов.
Требования:
— Опыт работы не менее 6 лет
— Знание Python, R, SQL, Spark, dbt
— Уровень английского языка не ниже B2
Формат работы: удалённо.
Задачи:
- Сбор требований с бизнес-заказчиков и анализ источников данных
- Разработка, реализация и поддержка типовых потоковых интеграционных решений на стеке технологий: Trino, Iceberg, S3, Spark, Apache Airflow, Kafka, Cosmos, Flink
- Оперативное реагирование на информацию о проблемах в зоне ответственности, выполнение типовых задач в установленный срок
- Поддержание в актуальном состоянии документации типовых интеграционных решений платформы больших данных, предоставление отчетности руководителю
Требования:
- Общее представление о стеке технологий Lakehouse
- Понимание различия работы между BigData/Lakehouse и с данными обычного размера
- Знание SQL (индексы, функции, оптимизация, профилирование производительности)
- Опыт работы с любой реляционной БД (Oracle, Postgres, MySQL, MsSQL, DB2 и т.п.)
- Умение работать с Git (знание команд git pull/commit/push)
- Опыт работы с DBT, Cosmos
- Представление о работе с Trino
- Понимание устройства Iceberg, форматов данных
- Понимание работы с minio или любого другого хранилища на основе S3
- Опыт использования систем ведения проектов и документации
- Знания основ программирования (JAVA, Python)
О проекте:
Мы строим Customer Intelligence & Personalization Platform для экосистемы бизнесов в Армении. В основе — Golden Record: единый профиль клиента, объединяющий данные банка, продуктов экосистемы и внешних источников. Поверх него строятся Customer 360, сегментация, scoring и персонализированные предложения.
Задачи роли:
Предстоит спроектировать слой между сырыми данными core banking системы и витринами платформы. Источник слабо документирован: часть значений закодирована, часть бизнес-логики реализована в коде и хранимых процедурах, две внешне одинаковые записи могут быть собраны разными алгоритмами из разных таблиц.
Нужен человек, который разберёт этот источник и превратит его в осознанную модель данных: что откуда берётся, что на что влияет, какое поле что означает.
Что предстоит делать:
— Исследовать core banking систему, legacy- и внешние источники, восстанавливать их семантику.
— Идти от целевой витрины к источнику: определять, из каких таблиц и по какой логике собирается каждый атрибут.
— Разделять случаи, когда одинаковые по виду данные получены разными путями, и фиксировать правила выбора.
— Описывать модель данных и метаданные: сущности, связи, grain, ключи, историчность.
— Формировать требования к витринам для сегментации, scoring и рекомендаций.
— Писать SQL-исследования и прототипы трансформаций, проверять гипотезы на данных.
— Выяснять смысл данных напрямую у сотрудников банка — это постоянная часть работы.
О бэкграунде:
Важно, какие задачи вы решали — приходили в незнакомую недокументированную систему и разбирались сами, восстанавливали бизнес-смысл данных, строили модель с нуля и доводили исследование до работающей витрины.
Если вы работали дата-инженером и значительную часть времени тратили на то, чтобы понять, что лежит в источнике, — это наш профиль. Если получали готовые чистые витрины — скорее нет.
AI-native подход:
Мы используем AI-native подход и ожидаем того же от кандидата: AI-инструменты применяются для разбора legacy, анализа схем, написания SQL и документирования.
Требования:
— Сильный SQL: оконные функции, сложные join-цепочки, анализ качества и распределений.
— Опыт реверс-инжиниринга плохо документированных источников.
— Понимание data modelling: сущности, grain, ключи, историчность, master entities.
— Опыт работы с банковскими или fintech-данными (Core banking (особенно ArmSoft) / legacy banking systems, Customer 360) или опыт разбора сырых банковских данных о клиентах и продуктах из плохо документированных систем с целью производства маркетинговой и финансовой аналитики.
— Python на уровне исследования данных.
— Способность самостоятельно довести задачу «вот сырьё, вот целевая витрина» до результата.
— Проактивность: готовность выяснять смысл данных у людей, а не ждать документации.
— Git, Linux, опыт работы в закрытых Dev/UAT-контурах.
Будет плюсом:
— Знание армянского языка
— Методологии матчинга и дедупликации
— Опыт с Data Vault 2.0
— Опыт с DBT или аналоги
— PII, маскирование, RBAC
— Опыт в регулируемом on-premise контуре
— Экспертиза в ML, ML Ops
Условия:
— Взаимодействие по ИП
— Локация - Армения
— Формат работы - гибрид, готовность работать из офиса банка до 3 раз в неделю.
Задачи:
– проектирование и разработка слоев данных (Raw, Clean, Enriched/Presentation) с учетом лучших практик моделирования (Data Vault 2.0 / 3NF для хранилища, Star Schema для витрин);
– разработка и внедрение кастомных алгоритмов дедупликации и Entity Resolution (Fuzzy Matching) на Python;
– формализация бизнес-правил качества данных в код, настройка уровней доверия к источникам и правил выживания (survivorship rules);
– внедрение Data Contracts и механизмов карантина (quarantine) для некачественных данных с возможностью их последующего разбора;
– настройка автоматизированного тестирования данных (Data Quality checks) в пайплайнах.
Требования:
– Продвинутый уровень SQL и опыт работы с dbt (или аналогами) для построения слоев данных;
– уверенное владение PySpark и/или pandas для обработки больших объемов данных и реализации логики матчинга;
– практический опыт применения библиотек нечёткого поиска и связывания записей (Splink, recordlinkage, dedupe, theFuzz);
– понимание принципов работы алгоритмов сравнения строк (Левенштейн, Джаро-Винклер, косинусное сходство на TF-IDF/эмбеддингах);
– глубокое понимание 2-3NF, Data Vault 2.0 и различий между слоями сырых, очищенных и обогащенных данных;
– опыт внедрения инструментов тестирования данных (Great Expectations, Soda, dbt tests, deequ или аналоги);
– опыт работы с оркестраторами (Airflow, Dagster или Prefect), уверенное использование Git и базовые навыки CI/CD для дата-пайплайнов.
We’re looking for a DevOps Engineer (Data Focus) to strengthen our Data Engineering team. This role is all about building and maintaining reliable, scalable, and observable data infrastructure that powers our trading research and production systems.
Задачи:
- Проводить проектную коммуникацию с представителями бизнес-заказчика с целью уточнения бизнес-требований
- Выявлять и проводить анализ бизнес-требований, потребностей и проблем бизнес-заказчика
- Формировать спецификации требований, описание логических моделей, структур данных и проектных решений (хранилища и витрины данных)
- Согласовывать проектные решения с архитекторами, разработчиками и аналитиками смежных команд
- Проектировать и разрабатывать ETL/ELT процессы, слои хранилища и витрины данных
- Разрабатывать и оптимизировать SQL-запросы
- Проводить внутреннее тестирование и контроль качества информационных продуктов, реализованных разработчиками
- Принимать участие в приёмочных испытаниях информационных продуктов и документации с заказчиками
- Обеспечивать контроль качества данных и их целостность
Требования:
- Высшее образование: техническое, математическое или финансовое
- Опыт работы не менее 5 лет
- Уверенные знания Python, GIT, Airflow (DAG с декомпозицией задач, зависимостями, сенсорами)
- Глубокое знание SQL: оконные функции, процедуры, функции, вложенные запросы, опыт оптимизации запросов
- Понимание индексов, партиций, ключей, нормальных форм, SCD
- Понимание моделирования данных, построения хранилища, репликации и консистентности данных
- Умение рефакторить код и проводить миграцию из одной системы в другую
- Знание принципов CI/CD
- Знание PL/SQL для Oracle, Postgres, Greenplum или знание иной MPP СУБД (будет плюсом)
- Опыт работы с API (будет плюсом)
- Знание ООП, DBT, Kafka, Bash, SAS (будет плюсом)
О проекте:
Мы строим Customer Intelligence & Personalization Platform для зарубежной экосистемы бизнесов.
Задачи:
— Принимать технические решения и самостоятельно реализовывать ключевые части платформы.
— Владеть архитектурой и развитием Data Core.
— Проектировать слои Bronze / Silver / Gold и модели данных.
— Исследовать банковские, legacy- и внешние источники, восстанавливать их семантику.
— Строить pipelines от raw-данных до подготовленных data products.
— Разрабатывать трансформации на SQL / dbt / Python.
— Определять инженерные стандарты для ELT, data modelling, metadata, lineage и data quality.
— Развивать data catalog и metadata-as-code подход.
— Проектировать data contracts и интеграции Data Core с другими компонентами.
— Переводить исследовательские решения и ручные процессы в production.
— Работать с Git, CI/CD, Docker, Linux и закрытыми Dev/UAT-контурами.
— Взаимодействовать с инженерами и data scientist в команде.
Требования:
— Опыт работы Lead / Staff / Principal Data Engineer или сильного Senior с архитектурным ownership.
— Опыт проектирования и самостоятельной реализации data platform / DWH / Lakehouse.
— Знания Core banking / legacy banking systems.
— Опыт с Customer 360 / Golden Record / MDM.
— Сильный SQL и уверенный Python.
— Опыт работы с dbt или аналогичными transformation frameworks.
— Опыт работы с Airflow / Dagster / Prefect или аналогами.
— Хорошее понимание data modelling, historization, grain и master entities.
— Практический опыт data quality, lineage и metadata management.
— Знание Data Vault 2.0.
— Опыт работы с OpenMetadata или другими data catalog solutions.
— Умение самостоятельно принимать технические решения и отвечать за результат.
— Опыт работы с плохо документированными источниками.
— Навыки работы с Git, CI/CD, Docker, Linux.
— Практический AI-native способ разработки.
Условия:
— Оформление: ИП.
— Формат работы: полная занятость.
— Локация: Ереван либо готовность к регулярным командировкам (до 2 раз в месяц на несколько дней) в Ереван для работы с данными и специалистами заказчика.
— Уровень дохода обсуждается индивидуально.