Data Engineer в направление «Интеллектуальные решения»

Ключевые задачи:

• Строить пайплайны выгрузки данных из систем заказчика: PostgreSQL, Oracle, Hive-таблицы, Kafka-топики, файлы, API;

• Разрабатывать и сопровождать DAG'и в Airflow - инкрементальная загрузка, ретраи, алертинг, восстановление после сбоев;

• Собирать витрины для аналитики и датасеты для AI-сервисов;

• Отвечать за качество данных: проверки на входе, контроль расхождений, понятная диагностика при инцидентах;

• Оптимизировать запросы и модели данных, когда витрина перестаёт укладываться в SLA.

• Что мы ожидаем: 3+ года в роли Data Engineer или близкой - ETL, DWH, backend с дата-уклоном;

• Уверенный SQL: оконные функции, планы выполнения, умение объяснить, почему запрос тормозит;

• PostgreSQL: на практике - индексы, блокировки, партиционирование;

• Python: на уровне промышленной разработки пайплайнов, а не разовых скриптов;

• Airflow или другой оркестратор - Dagster, Prefect, аналог;•

• Опыт хотя бы с одной аналитической СУБД: ClickHouse, Greenplum, GaussDB(DWS), Vertica;

• Понимание распределённого хранения: HDFS, Hive-таблицы, движок вроде Spark. Конкретный дистрибутив не важен;

• Docker: собрать образ, разобраться, почему контейнер падает

Навыки, которые нам необходимы:

• Huawei Cloud Stack (MRS, GaussDB, OBS) · Kafka и CDC (Debezium) · Oracle как источник · dbt · Kubernetes ·Spark · Prometheus и Grafana · Data Quality и Data Contracts · подготовка данных для ML: обработка документов, векторные хранилища, эмбеддинги (ничего из этого не обязательно - часть освоите у нас).

То, что ждет вас в команде:

• Масштаб. Данные группы компаний, а не витрина для одного отдела;

• Своя инфраструктура. Kubernetes, объектное хранилище, GPU-сегмент - платформа целиком, а не абстракция над чужим облаком;

• Влияние. Направление молодое, решения по слою данных принимаются сейчас.