Swipix · На сервисе с: 18.08.26 18:29
Ищем лидера для двух небольших команд data engineering и аналитики, суммарно до 10 человек. Это не greenfield и не роль «поставить красивые дашборды». У нас уже есть работающий, но неоднородный контур: ClickHouse, Kafka, dbt, Airflow/MWAA, AWS, GitLab CI, продуктовая аналитика в PostHog, внешние источники и витрины для продукта, финансов и антифрода. Он растёт быстрее, чем успевают закрепляться контракты, владение и правила эксплуатации. Нужен человек, который наведёт в этом порядок и затем сможет устойчиво развивать команды.
Чем предстоит заниматься
-Вести data engineering и analytics: цели, приоритеты, качество результата, развитие людей
-Описать и закрепить понятные контракты данных: источник, схема, ключи, временная семантика, дедупликация, backfill, SLA и владелец
-Сделать поставку данных предсказуемой: CI/CD для dbt и DAG, контроль версий, проверки до публикации, наблюдаемость и понятные разборы инцидентов
-Довести до эксплуатационного уровня витрины и ingestion-пайплайны на Kafka, ClickHouse, dbt и Airflow
-Выстроить data quality: сверки источника и витрин, идемпотентность, обработка поздних событий, reconciliation и тесты на критичных данных
-Свести потребности продукта, маркетинга, биллинга и антифрода в прозрачную модель приоритетов, а не в бесконечный поток разовых выгрузок
-Самому погружаться в сложные технические узлы, ревьюить решения и поднимать планку инженерной работы команды
Что важно
-Опыт руководства небольшой технической командой или сильного технического лидерства в data-направлении
-Уверенный SQL и практический опыт с ClickHouse: производительность, партиционирование, репликация, дедупликация, materialized views, Kafka Engine
-Опыт с Kafka, dbt и Airflow; понимание эксплуатации пайплайнов, а не только написания SQL-моделей
-Умение разбирать легаси-контур по фактам: код, схемы, логи, данные, потребители, стоимость и риски
-Опыт проектирования витрин для продуктовой, финансовой или риск-аналитики
-Умение превращать размытый запрос в проверяемый контракт и доводить его до работающего результата
-Нормальная управленческая зрелость: давать ясную обратную связь, не прятать проблемы, не подменять результат статусами и презентациями
-Опыт и культура code review: читать и разбирать чужой код, держать инженерные стандарты и качество командных решений
Кому не подойдёт
-Человеку, который хочет управлять большой функцией, не работая с платформой руками
-Аналитику, для которого data engineering заканчивается на постановке задачи
-Инженеру, который считает документацию, качество данных и договорённости необязательной бюрократией
-Кандидату, которому нужен идеальный greenfield вместо сложной, но живой системы
Что можно сделать в первый год
-Зафиксировать границы владения командами и критическими контурами
-Убрать непрозрачные и дублирующиеся поставки данных
-Ввести единый минимальный стандарт для новых источников, витрин, backfill и проверок качества
-Сделать состояние ключевых пайплайнов и данных наблюдаемым
-Сформировать самостоятельную команду, которой не нужен постоянный ручной контроль фаундера
Мы предлагаем
-Полностью удалённую работу из любой точки мира.
-Современное корпоративное оборудование.
-Работу над продуктом с реальной нагрузкой и масштабом.
-Влияние на ключевые продуктовые метрики через рекомендации
HireSeeker собирает вакансии со всех площадок и присылает только релевантные. Бесплатно.