Москва
Метро: Библиотека им.ЛенинаАналитик DWH
Ищем аналитика DWH с опытом работы с хранилищами данных, который умеет исследовать источники, анализировать данные, формализовать бизнес-требования и проектировать логику их преобразования. Вам предстоит работать с SQL, моделями данных, ETL/ELT-процессами и витринами, обеспечивая корректность, целостность и качество данных на всех этапах обработки.
Нам важен специалист, который понимает не только как написать SQL-запрос, но и откуда поступают данные, как они преобразуются, по каким правилам рассчитываются показатели и как конечный результат используется бизнесом и аналитическими системами.
Анализировать источники данных: базы данных, API, файлы, выявлять структуру, связи, ограничения и проблемы качества данных.
Исследовать существующие модели данных, DWH-архитектуру, слои хранения и процессы обработки данных.
Собирать, анализировать и формализовать бизнес-требования к загрузке, трансформации и хранению данных.
Проектировать модели данных: сущности, таблицы, связи, ключи, факты, измерения, гранулярность и историзацию.
Разрабатывать и описывать логику ETL/ELT-процессов, правила трансформации, инкрементальные загрузки и обработку изменений.
Проектировать витрины данных под BI-системы, отчётность и бизнес-задачи, определять логику расчёта показателей и агрегатов.
Разрабатывать и анализировать SQL-запросы, проверять корректность данных, участвовать в оптимизации производительности.
Описывать потоки данных, маппинги источников и целевых систем, спецификации и техническую документацию.
Проверять корректность загрузок и трансформаций, проводить сверки данных между источниками, слоями DWH и витринами.
Выявлять проблемы качества данных: дубли, пропуски, нарушения целостности, некорректные значения и расхождения.
SQL и базы данных
Опыт работы DWH-аналитиком от 2–3 лет.
Уверенное знание SQL: сложные JOIN, CTE, подзапросы, агрегаты, оконные функции.
Понимание планов выполнения запросов, умение находить узкие места и оптимизировать SQL.
Практический опыт работы с реляционными СУБД и хотя бы одной промышленной или аналитической базой данных: PostgreSQL, Oracle, Greenplum, ClickHouse или аналогичной.
Архитектура DWH и моделирование
Понимание архитектуры хранилищ данных, принципов организации слоёв и потоков данных.
Опыт моделирования данных: сущности, атрибуты, связи, ключи, факты и измерения.
Понимание гранулярности данных, историзации, принципов хранения исторических изменений.
Знание подходов к построению моделей данных и аналитических витрин.
ETL/ELT и работа с данными
Понимание процессов извлечения, загрузки и трансформации данных (ETL/ELT).
Знание принципов инкрементальной загрузки, CDC и обработки изменений в источниках.
Понимание обработки дублей, NULL, удалений, поздно поступающих данных и повторных загрузок.
Опыт проектирования витрин данных для BI, отчётности и аналитических задач.
Навыки исследования источников данных и выявления проблем качества, структуры и согласованности информации.
Системный анализ и документация
Умение собирать и формализовать бизнес-требования, описывать алгоритмы расчётов и правила обработки данных.
Навыки подготовки технических спецификаций, S2T-маппингов (Source-to-Target), ER-диаграмм и схем потоков данных.
Умение описывать структуру полей, правила трансформации, фильтры, исключения и критерии приёмки.
Навыки проверки результатов загрузки и трансформации данных, сверки источников и витрин, контроля полноты, уникальности и целостности.
Инструменты и командная работа
Опыт работы с Jira, Confluence или аналогичными инструментами.
Понимание принципов работы Git и версионирования SQL-скриптов и аналитической документации.
Знакомство с BI-инструментами: Power BI, Tableau, Qlik, DataLens или аналогичными.
Понимание принципов работы ETL/ELT-инструментов и оркестрации процессов загрузки данных.
Python для анализа, обработки и проверки данных.
Опыт работы с Airflow: DAG, расписания, зависимости, мониторинг загрузок.
Знание dbt: модели, трансформации, тестирование и документация данных.
Понимание Kafka и потоковой передачи данных, событийной интеграции.
Знакомство с Hadoop, Spark и принципами распределённой обработки больших объёмов данных.
Опыт проектирования хранилищ по методологиям Data Vault 2.0, Kimball, Star Schema, Snowflake Schema.
Знание принципов Data Governance, Data Lineage, каталогов данных и управления качеством.
Опыт миграции данных, переноса отчётности, модернизации DWH.
Опыт работы в банковской, финтех, телеком или другой предметно сложной области.
Умение читать техническую документацию на английском языке.
Короткое общение с рекрутером.
Техническое интервью / TechCertify-скрининг.
Передача на подходящие проекты клиентам.
Если вы умеете работать с данными не только на уровне запросов, но и понимаете их структуру, происхождение, трансформацию и конечное применение — будем рады познакомиться с вами!