Data Architect: Markt

Stelle

eine offene Stelle, die das Qualitäts-Gate passiert hat und mindestens zwei Technologien nennt

Beobachteter Kandidat

ein Kandidat, dessen Stack diese Technologie enthält; ein Aggregat — kein einziger Datensatz verlässt den Perimeter

Matchbarer Kandidat

noch nicht gezählt

Fenster

Stellen, die zum Zeitpunkt der Erstellung des Snapshots offen waren

Data Architect — eine Rolle der Senior-Stufe („Junior Data Architect“ gibt es selten; niedrigere Stufen = falsch betitelt — realistische Richtwerte siehe Senior / Lead). Karriereweg: Senior Data Engineer (5+ Jahre praktische Arbeit mit Datenpipelines + Warehouses) → Data Architect (über nachgewiesene Erfahrung in Datenmodellierung + Plattformentwurf + Governance) → Senior / Principal Data Architect → entweder Chief Data Architect / Head of Data Architecture, Data Platform Lead, Enterprise Architect (Datendomäne → breitere EA) oder die Laufbahn zum Chief Data Officer (CDO). Alternativer Einstieg: Database Administrator Senior + Tiefe in Datenmodellierung → Data Architect.

Top-Stack / -Fähigkeiten: cloud, aws, azure, enterprise architect, togaf. Datenmodellierung — der Kern: konzeptionelle / logische / physische Modelle, dimensionale Modellierung (Kimball — Stern- / Schneeflockenschemata + Fakten/Dimensionen), 3NF / Inmon (normalisiertes Enterprise-DWH), Data Vault 2.0 (Hubs + Links + Satelliten — agiles Enterprise-DWH, beliebt 2026), One Big Table / breite Tabellen (moderne Analytik). Tools: erwin Data Modeler (Enterprise-Klassiker), SqlDBM, dbdiagram.io, dbt (semantische Modelle + Lineage — De-facto-Modellierungsschicht 2026). ClickHouse (Echtzeitanalytik — in Russland beliebt, stammt von Yandex). Russisch: Arenadata (auf Greenplum-Basis — DWH-Marktführer in Russland nach dem Rückzug von Teradata / Oracle). Data Lakes: S3 / ADLS / GCS + offene Tabellenformate (Apache Iceberg — auf dem Vormarsch 2026 / Delta Lake / Apache Hudi). Muster der Datenarchitektur: Data Warehouse / Data Lake / Lakehouse (empfohlener Standard 2026) / Data Mesh (dezentral, im Besitz der Domänen — Zhamak Dehghani) / Data Fabric (metadatengetriebener einheitlicher Zugriff). Datenintegration: ETL vs. ELT (ELT dominiert 2026), CDC (Change Data Capture — Debezium), Daten-Streaming (Kafka), Vereinheitlichung von Batch + Streaming. Orchestrierung: Airflow / Dagster / Prefect (Entscheidungen auf Architekturebene). Data Governance: Datenkatalog (Collibra / Alation / Atlan / DataHub Open Source / OpenMetadata), Data Lineage, Datenqualität (Great Expectations / Soda), Stammdatenmanagement MDM (Informatica MDM / Reltio), Datenklassifizierung + Datenschutz (PII / GDPR / 152-FZ), Data Contracts (auf dem Vormarsch 2024+). Semantische Schicht: dbt Semantic Layer / Cube — Single Source of Truth für Metriken. Souveränes SQL — Pflicht (ein Data Architect muss Abfragemuster + Performance verstehen). Soft Skills: Stakeholder-Management (Daten sind funktionsübergreifend), Kommunikation der Datenstrategie, Moderation der Governance.

Data Engineer — baut Datenpipelines hands-on (Ingestion + Transformation + Orchestrierung) und setzt um, was der Data Architect entworfen hat. Siehe Data Engineer (allgemein). Data Architect (diese Seite) — entwirft die Datenlandschaft: Datenmodelle + Speicherstrategie + Datenflüsse + Governance. Auf Designebene, kein Hands-on-Coding von Pipelines. Database Administrator (DBA) — betreibt konkrete Datenbanken (Performance-Tuning + Backups + Replikation + Sicherheit). Operativ. Siehe Database Administrator (DBA) (sobald die Seite online ist). Enterprise Architect — unternehmensweite Technologielandschaft (Data Architecture — eine von 4 TOGAF-Domänen; der Data Architect ist oft = Domain Architect innerhalb der EA). Siehe Enterprise Architect. Realität 2026 (Überschneidung): Data Architect ↔ Data Engineer: 60% (Senior Data Engineers übernehmen oft Architekturarbeit; Unterschied — der Architect ist designorientiert, der Engineer umsetzungsorientiert). Data Architect ↔ Enterprise Architect: 50% (Data Architecture — eine TOGAF-Domäne; große Organisationen haben einen eigenen Data Architect innerhalb der EA-Funktion). Data Architect ↔ DBA: 30% (DBA — Betrieb einzelner Datenbanken, Architect — Design der Landschaft). Karriereweg: Data Engineer Senior → Data Architect — ein natürlicher Weg. Data Architect → Enterprise Architect (Datendomäne) oder Chief Data Officer. Karrierewahl: Data Engineer, wenn Sie gern hands-on Pipelines bauen; Data Architect, wenn Sie Design + Modellierung + Governance + Strategie mögen; DBA, wenn Sie den Datenbankbetrieb in der Tiefe mögen; Enterprise Architect, wenn Sie Breite auf Organisationsebene über Daten hinaus wollen.

Entscheidungsbaum für das Datenarchitektur-Pattern 2026: 1) Data Warehouse — strukturiert, Schema-on-Write, optimiert für Analytics / BI. Cloud-DWH: Snowflake / BigQuery / Redshift / Synapse. Vorteile: schnelle SQL-Analysen, ausgereiftes Tooling, erzwungene Datenqualität. Nachteile: nur strukturierte Daten, ETL vorab, teurer für Roh- / unstrukturierte Daten. Einsatzfall: BI / Reporting / strukturierte Analytik — auch 2026 noch Kern. 2) Data Lake — Rohspeicher, Schema-on-Read, beliebige Formate (strukturiert + unstrukturiert). S3 / ADLS / GCS. Vorteile: günstiger Speicher, flexibel, speichert alles. Nachteile: Risiko eines „Datensumpfs“ (ohne Governance — Chaos), keine SQL-Performance, kein ACID. Einsatzfall: Landing Zone für Rohdaten, ML-Trainingsdaten, Archivierung. Eigenständig 2026 selten. 3) Lakehouse — empfohlener Standard 2026. Konvergenz von Warehouse + Lake: Data-Lake-Speicher (S3 + offenes Tabellenformat — Delta Lake / Iceberg / Hudi) + Warehouse-ähnliche Funktionen (ACID-Transaktionen + SQL-Performance + Schema-Enforcement + Time Travel). Databricks (Delta Lake) / Snowflake (Iceberg-Unterstützung). Vorteile: eine Speicherschicht für BI + ML + Streaming, günstiger als ein reines DWH, keine Datenduplikation. Nachteile: jüngeres Ökosystem, die richtige Strategie für das Tabellenformat ist nötig. Einsatzfall: neue Datenplattformen 2026 — Standardwahl (vermeidet die Duplikation von Warehouse + Lake). 4) Data Mesh — organisatorisches / soziotechnisches Pattern, keine Technologie. Konzept von Zhamak Dehghani. 4 Prinzipien: domänenorientierte Verantwortung (Daten gehören den Domänenteams, nicht einem zentralen Datenteam), Daten als Produkt (jeder Datensatz — ein Produkt mit SLA / Doku / Qualität), Self-Service-Datenplattform, föderierte rechnergestützte Governance. Vorteile: skaliert organisatorisch (ein zentrales Datenteam ist in großen Organisationen ein Engpass), Domänenexpertise in der Datenverantwortung. Nachteile: erfordert organisatorische Reife, teuer in der Umsetzung, Overkill für kleine Organisationen. Einsatzfall: große Organisationen (viele Domänen, das zentrale Datenteam kommt nicht hinterher) — NICHT für kleine / mittlere (der organisatorische Overhead erstickt es). Wird oft übermäßig angewendet. 5) Data Fabric — metadatengesteuerte, einheitliche Datenzugriffsschicht über heterogene Quellen (vs. Data Mesh — Organisationsmuster, Data Fabric — Technologie- / Integrationsansatz). Aktive Metadaten + Knowledge Graph + automatisierte Datenintegration. Von Gartner vorangetriebenes Konzept. Einsatzfall: Organisationen mit vielen Legacy-Datensilos, die einheitlichen Zugriff brauchen, ohne alles zu migrieren. Standardempfehlungen 2026: Neue Datenplattform → Lakehouse (Databricks oder Snowflake + Iceberg). BI / strukturierte Analytik → Cloud-DWH (wenn ein Lakehouse Overkill ist). Roh- / ML-Daten → Data Lake als Teil des Lakehouse (nicht eigenständig). Große Organisation, das zentrale Datenteam ist der Engpass → Data Mesh (organisatorischer Wandel, keine Technik). Viele Legacy-Silos → Data Fabric (einheitliche Zugriffsschicht). Hauptprinzip: Das Pattern folgt der organisatorischen Realität + dem Maßstab — kein Cargo-Kult „Data Mesh, weil es trendy ist“.

Ja, 25% der Stellen als Data Architect sind vollständig remote oder hybrid. Datenarchitekturarbeit — Modellierung + Design + Dokumentation + Cloud-Plattformen — ist remote-freundlich. Outsourcer — fast immer remote bei US- / EU-Datenplattformprojekten. Russische Produktunternehmen / Banken — hybrid oder remote nach der Probezeit. Russische Banken — hybrid (Data Governance ist Teil des Managementbereichs). Internationale Tech-Unternehmen + Cloud-Datenanbieter (Snowflake / Databricks / Confluent) — vollständig remote als Standard. Einschränkung: Data Architect ist eine funktionsübergreifende Rolle (Arbeit mit Data Engineers + Analysten + Business + Security), sie erfordert Kommunikation — Hybrid ist oft optimal. Relokations-Hubs: Polen / Deutschland (Enterprise-Daten) / Kanada / Serbien. Englisch für internationale Data-Architect-Remote-Arbeit — Pflicht (Dokumentation der Cloud-Datenplattformen + Community + teamübergreifende Kommunikation auf Englisch).

Data Architect (allgemein) — Fokus auf Datenmodelle + Datenflüsse + Governance + Speicherstrategie (logische / konzeptionelle Ebene — „wie Daten strukturiert sind und fließen“). Data Platform Architect — Fokus auf die technische Plattform, auf der die Daten liegen (Infrastruktur- / Tooling-Ebene — „worauf die Daten leben“): Design der Cloud-Datenplattform (Setup von Databricks / Snowflake), Compute- / Storage-Architektur, Tooling der Datenplattform (Stack für Ingestion + Orchestrierung + Transformation + Katalog), Skalierbarkeit der Plattform + Kostenoptimierung, Self-Service-Datenplattform (für Data Mesh). Mehr Überschneidung mit DevOps / Platform Engineering. Data Warehouse Architect — engere Spezialisierung: Fokus speziell auf DWH-Design (dimensionale Modellierung in der Tiefe, ETL/ELT für das Warehouse, BI-Enablement). Data Modeler — die engste Rolle: Fokus nur auf Datenmodellierung (konzeptionelle / logische / physische Modelle, ER-Diagramme) — oft Mid-Level, kein vollwertiger Architekt. Master Data Architect — MDM-Spezialisierung (Master Data Management — Single Source of Truth für Kernentitäten — Kunde / Produkt / usw.). Information Architect — Überschneidung — Data Governance + Informationslebenszyklus + Taxonomie + Metadaten. Realität 2026: In kleinen / mittleren Organisationen macht ein Data Architect alles. In großen — Spezialisierung (Data Platform Architect + Data Warehouse Architect + Data Modeler + Master Data Architect — getrennte Rollen). Karrierewahl: allgemeiner Data Architect für die Breite; Data Platform Architect, wenn Sie Infrastruktur / Tooling in der Tiefe mögen; Data Warehouse Architect, wenn Sie dimensionale Modellierung + Analytics mögen; Master Data Architect, wenn Sie Governance / MDM mögen.

Roadmap (Data Architect — Senior-Ebene, der Weg führt über den Senior Data Engineer): 1) Ein starker Senior Data Engineer werden — Voraussetzung. 5+ Jahre Praxis: Datenpipelines, Arbeit mit dem Warehouse, SQL-Meisterschaft, praktisches Verständnis von Daten-Tools. 2) Datenmodellierung beherrschen — das ist die Kernkompetenz eines Data Architect. Dimensionale Modellierung (Kimball — „The Data Warehouse Toolkit“ von Ralph Kimball — kanonisch), der 3NF-Ansatz nach Inmon, Data Vault 2.0 („Building a Scalable Data Warehouse with Data Vault 2.0“ von Dan Linstedt). Konzeptionelle / logische / physische Modellierung. 3) SQL in der Tiefe — ein Data Architect muss Abfragemuster + Performance + Optimierung tief verstehen. 4) Cloud-Datenplattformen — wählen Sie eine für die Tiefe: Snowflake (Marktführer — Snowflake-Zertifizierungen) oder Databricks (Lakehouse — Databricks-Zertifizierungen) oder BigQuery. Praktische Erfahrung in Design + Aufbau. 5) Moderner Daten-Stack — dbt (De-facto-Schicht für Transformation + Modellierung 2026 — dbt-Zertifizierung), Datenorchestrierung (Airflow / Dagster), ELT-Muster, CDC (Debezium). 6) Muster der Datenarchitektur — Warehouse vs. Lake vs. Lakehouse vs. Data Mesh vs. Data Fabric tief verstehen (wann was). „Fundamentals of Data Engineering“ von Joe Reis / Matt Housley (kanonisch 2026 — Pflichtlektüre, behandelt Architektur). 7) Data Mesh — „Data Mesh“ von Zhamak Dehghani (wenn Sie in einer großen Organisation arbeiten / arbeiten werden). 8) Data Governance — Datenkataloge (Collibra / Alation / DataHub / OpenMetadata), Data Lineage, Datenqualität (Great Expectations / Soda), MDM-Konzepte, Data Contracts (im Aufwind 2024+), Datenschutz (DSGVO / 152-FZ). 9) Offene Tabellenformate — Apache Iceberg (im Aufwind 2026) / Delta Lake / Apache Hudi — entscheidend für das Lakehouse. 10) Semantic Layer — dbt Semantic Layer / Cube — Konsistenz der Kennzahlen. 11) Soft Skills — Daten sind funktionsübergreifend (Engineers + Analysten + Business + Security), nötig sind Stakeholder-Management + Kommunikation der Datenstrategie + Moderation der Governance. 12) Praxis in der aktuellen Rolle — übernehmen Sie als Senior Data Engineer Aufgaben auf Architekturebene: Design des Datenmodells, Auswahl der Plattform, Aufbau der Governance. Russische Kurse: Otus „Data Architect“ / „DWH Analyst“, Karpov.Courses (Data Engineering — Überschneidung), Datenschulen von Unternehmen, Arenadata-Schulungen. International (EN): „The Data Warehouse Toolkit“ von Kimball (kanonische dimensionale Modellierung), „Fundamentals of Data Engineering“ von Reis / Housley (Pflichtlektüre 2026), „Data Mesh“ von Dehghani, offizielle Zertifizierungen + Schulungen von Snowflake / Databricks, dbt Learn (kostenlos), Data-Engineering-Tracks bei DataCamp / Coursera. Senior Data Engineer (5+ Jahre) + Meisterschaft in der Datenmodellierung + Expertise in Cloud-Datenplattformen → Data Architect.

79 active open Data Architect positions with explicit data-architect scope — narrow senior niche. The real market is wider — many data-architecture roles classified as Senior Data Engineer / Data Platform Engineer / Lead Data Engineer (titles overlap). Geography: the US, the UK, Poland. The real market is wider thanks to the international remote segment (cloud data vendors + EPAM-style outsourcing data platform projects — full-remote-friendly). Time to close a Senior Data Architect — 8-14 weeks (seniority + data modelling depth assessment + cloud platform expertise verification).

Ein Senior Data Architect verantwortet den gesamten Zyklus aus Datenarchitektur + technischer Führung. Beherrschung der Datenmodellierung: dimensionale Modellierung (Kimball — Star- / Snowflake-Schemata + Fakten/Dimensionen in der Tiefe), 3NF / Enterprise-DWH nach Inmon, Data Vault 2.0 (Hubs / Links / Satellites — agiles DWH), konzeptionelle / logische / physische Modellierung, ER-Modellierung. Tiefe Beherrschung von SQL: komplexe Abfragen, Abfrageoptimierung, Verständnis von Ausführungsplänen — ein Data Architect muss tief verstehen, wie Daten abgefragt werden. Beherrschung einer Cloud-Datenplattform: eine von Snowflake / Databricks / BigQuery in der Tiefe — Architekturentwurf, Performance-Optimierung, Kostenoptimierung (Datenplattformen sind teuer, die Kostenarchitektur ist kritisch). Muster der Datenarchitektur: Warehouse / Lake / Lakehouse / Data Mesh / Data Fabric — Abwägungen kennen + wann man sie anwendet (kein Cargo-Kult). Lakehouse-Entwurf (offene Tabellenformate — Iceberg / Delta Lake / Hudi). Moderner Data Stack: dbt (Transformation + Modellierung + semantische Schicht), Orchestrierung (Airflow / Dagster), ELT-Muster, CDC (Debezium), Streaming (Kafka) auf Architekturebene. Architektur der Datenintegration: Vereinheitlichung von Batch + Streaming, Strategie der Datenaufnahme, Source-to-Target-Mapping. Beherrschung von Data Governance: Strategie für Datenkataloge (Collibra / Alation / DataHub / OpenMetadata), Data Lineage, Frameworks für Datenqualität (Great Expectations / Soda), Master Data Management (MDM), Datenklassifizierung + Datenschutz (Compliance mit PII / DSGVO / 152-FZ in der Datenarchitektur), Data Contracts (Vereinbarungen zwischen Produzenten und Konsumenten formalisieren — im Aufwind 2024+). Semantische Schicht: Konsistenz der Kennzahlen (dbt Semantic Layer / Cube — Single Source of Truth). Datenstrategie: Roadmap der Datenplattform, Build-vs-Buy für Datentools, Betriebsmodell des Datenteams (zentralisiert vs. dezentral im Data Mesh). Systementwurf für Daten: eine Datenplattform im großen Maßstab am Whiteboard entwerfen (Daten im PB-Bereich, 1000er Tabellen, Echtzeit + Batch), Kapazitätsplanung, Abwägungen zwischen Performance + Kosten. Domänenübergreifendes Wissen: Verständnis von Data Engineering (Realität der Umsetzung), Analytics / BI (Bedürfnisse der Konsumenten), Sicherheit (Datenschutz), Enterprise Architecture (Kontext auf Organisationsebene). Soft Skills: Stakeholdermanagement (Daten sind funktionsübergreifend: Ingenieure + Analysten + Unternehmen + Sicherheit + Compliance), Kommunikation der Datenstrategie an die Führung, Moderation der Data Governance, Mentoring von Data Engineers. Englisch ab Senior+ PFLICHT — die Dokumentation der Cloud-Datenplattformen + die Daten-Community + die Kommunikation in internationalen Teams sind englischsprachig. Optionaler Bonus: Zertifizierungen für Cloud-Datenplattformen (Snowflake / Databricks), dbt-Zertifizierung, Konferenzvorträge (Datenkonferenzen), Erfahrung mit der Einführung von Data Mesh — steigern den Marktwert für Rollen als Principal / Chief Data Architect deutlich.