Architecte Data : marché

Offre

une offre ouverte ayant passé le contrôle qualité et citant au moins deux technologies

Candidat observé

un candidat dont la stack contient cette technologie ; un agrégat — aucune fiche individuelle ne sort du périmètre

Candidat correspondant

pas encore compté

Fenêtre

offres ouvertes au moment de la création de l'instantané

Architecte Data — rôle de niveau Senior (l'« Architecte Data Junior » existe rarement ; les grades inférieurs = postes mal intitulés — pour des repères réalistes, voir Senior / Lead). Parcours de carrière : Data Engineer Senior (5+ ans de pratique des pipelines de données + travail sur les entrepôts) → Architecte Data (via une expérience démontrée en modélisation des données + conception de plateforme + gouvernance) → Architecte Data Senior / Principal → soit Architecte Data en chef / Head of Data Architecture, responsable de plateforme data, Architecte d'entreprise (domaine data → EA plus large), soit filière Chief Data Officer (CDO). Entrée alternative : Administrateur de bases de données Senior + profondeur en modélisation des données → Architecte Data.

Stack / compétences principales : cloud, aws, azure, enterprise architect, togaf. Modélisation des données — le socle : modèles conceptuels / logiques / physiques, modélisation dimensionnelle (Kimball — schémas en étoile / en flocon + faits/dimensions), 3NF / Inmon (DWH d'entreprise normalisé), Data Vault 2.0 (hubs + links + satellites — DWH d'entreprise agile, populaire 2026), One Big Table / tables larges (analytique moderne). Outils : erwin Data Modeler (classique des grands comptes), SqlDBM, dbdiagram.io, dbt (modèles sémantiques + lignage — couche de modélisation de fait 2026). ClickHouse (analytique temps réel — populaire en Russie, origine Yandex). Russe : Arenadata (basé sur Greenplum — leader du DWH en Russie après le départ de Teradata / Oracle). Data lakes : S3 / ADLS / GCS + formats de tables ouverts (Apache Iceberg — en croissance 2026 / Delta Lake / Apache Hudi). Patterns d'architecture des données : data warehouse / data lake / lakehouse (choix par défaut recommandé 2026) / data mesh (décentralisé, détenu par les domaines — Zhamak Dehghani) / data fabric (accès unifié piloté par les métadonnées). Intégration des données : ETL vs ELT (l'ELT domine 2026), CDC (Change Data Capture — Debezium), streaming de données (Kafka), unification batch + streaming. Orchestration : Airflow / Dagster / Prefect (décisions au niveau de l'architecture). Gouvernance des données : catalogue de données (Collibra / Alation / Atlan / DataHub open source / OpenMetadata), lignage des données, qualité des données (Great Expectations / Soda), gestion des données de référence MDM (Informatica MDM / Reltio), classification des données + confidentialité (données personnelles / RGPD / loi fédérale 152-FZ), contrats de données (en croissance 2024+). Couche sémantique : dbt Semantic Layer / Cube — source unique de vérité pour les métriques. Maîtrise de SQL — obligatoire (l'architecte data doit comprendre les schémas de requêtes + la performance). Compétences humaines : gestion des parties prenantes (les données sont transverses), communication de la stratégie data, facilitation de la gouvernance.

Data Engineer — construit concrètement les pipelines de données (ingestion + transformation + orchestration), implémente ce que le Data Architect a conçu. Voir Data Engineer (général). Data Architect (cette page) — conçoit le paysage de données : modèles de données + stratégie de stockage + flux de données + gouvernance. Niveau conception, pas de codage de pipelines. Database Administrator (DBA) — exploite des bases de données précises (optimisation des performances + sauvegardes + réplication + sécurité). Opérationnel. Voir Database Administrator (DBA) (dès que la page sera en ligne). Enterprise Architect — paysage technologique à l'échelle de l'organisation (l'architecture des données — l'un des 4 domaines TOGAF ; le Data Architect est souvent un Domain Architect au sein de l'EA). Voir Enterprise Architect. Réalité 2026 (recoupements) : Data Architect ↔ Data Engineer : 60 % (les Senior Data Engineers font souvent du travail d'architecture ; différence — l'Architect est centré sur la conception, l'Engineer sur l'implémentation). Data Architect ↔ Enterprise Architect : 50 % (l'architecture des données est un domaine TOGAF ; les grandes organisations ont un Data Architect distinct au sein de la fonction EA). Data Architect ↔ DBA : 30 % (DBA — exploitation d'une base, Architect — conception du paysage). Parcours de carrière : Data Engineer Senior → Data Architect — voie naturelle. Data Architect → Enterprise Architect (domaine Data) ou Chief Data Officer. Choix de carrière : Data Engineer si vous aimez construire concrètement des pipelines ; Data Architect si vous aimez la conception + la modélisation + la gouvernance + la stratégie ; DBA si vous aimez l'exploitation approfondie des bases de données ; Enterprise Architect si vous voulez une vision à l'échelle de l'organisation au-delà des données.

Arbre de décision pour le pattern d'architecture de données 2026 : 1) Data Warehouse — structuré, schema-on-write, optimisé pour l'analytique / la BI. DWH cloud : Snowflake / BigQuery / Redshift / Synapse. Avantages : analytique SQL rapide, outillage mature, qualité des données garantie. Inconvénients : données structurées uniquement, ETL en amont, plus coûteux pour les données brutes / non structurées. Cas d'usage : BI / reporting / analytique structurée — toujours central 2026. 2) Data Lake — stockage brut, schema-on-read, tous formats (structurés + non structurés). S3 / ADLS / GCS. Avantages : stockage bon marché, flexible, stocke tout. Inconvénients : risque de « data swamp » (sans gouvernance — le chaos), pas de performance SQL, pas d'ACID. Cas d'usage : zone d'atterrissage des données brutes, données d'entraînement ML, archivage. Rarement utilisé seul 2026. 3) Lakehouse — choix par défaut recommandé 2026. Convergence entrepôt + lac : stockage de data lake (S3 + format de table ouvert — Delta Lake / Iceberg / Hudi) + fonctionnalités d'entrepôt (transactions ACID + performance SQL + application du schéma + time travel). Databricks (Delta Lake) / Snowflake (support d'Iceberg). Avantages : une seule couche de stockage pour la BI + le ML + le streaming, moins cher qu'un pur DWH, pas de duplication des données. Inconvénients : écosystème plus jeune, nécessité d'une bonne stratégie de format de table. Cas d'usage : nouvelles plateformes data 2026 — choix par défaut (évite la duplication entrepôt + lac). 4) Data Mesh — pattern organisationnel / sociotechnique, pas une technologie. Concept de Zhamak Dehghani. 4 principes : propriété orientée domaine (les données appartiennent aux équipes métier, pas à une équipe data centrale), la donnée comme produit (chaque jeu de données — un produit avec SLA / documentation / qualité), plateforme data en self-service, gouvernance computationnelle fédérée. Avantages : passe à l'échelle sur le plan organisationnel (l'équipe data centrale est un goulot d'étranglement dans les grandes organisations), expertise métier dans la propriété des données. Inconvénients : exige une maturité organisationnelle, coûteux à mettre en œuvre, excessif pour les petites organisations. Cas d'usage : grandes organisations (nombreux domaines, l'équipe data centrale ne suit plus) — PAS pour les petites / moyennes (la surcharge organisationnelle le tuera). Souvent appliqué à tort. 5) Data Fabric — couche d'accès aux données unifiée pilotée par les métadonnées au-dessus de sources hétérogènes (data mesh — pattern organisationnel, data fabric — approche technologique / d'intégration). Métadonnées actives + graphe de connaissances + intégration automatisée des données. Concept promu par Gartner. Cas d'usage : organisations avec de nombreux silos de données legacy, besoin d'un accès unifié sans tout migrer. Recommandations par défaut 2026 : Nouvelle plateforme data → Lakehouse (Databricks ou Snowflake + Iceberg). BI / analytique structurée → DWH cloud (si le lakehouse est excessif). Données brutes / ML → data lake au sein du lakehouse (pas seul). Grande organisation, l'équipe data centrale est le goulot d'étranglement → Data Mesh (changement organisationnel, pas technologique). Nombreux silos legacy → Data Fabric (couche d'accès unifiée). Principe clé : le pattern suit la réalité organisationnelle + l'échelle — pas un culte du cargo « data mesh parce que c'est à la mode ».

Oui, 25 % des offres d'architecte Data sont entièrement à distance ou hybrides. Le travail d'architecture data — modélisation + conception + documentation + plateformes cloud — se prête au télétravail. Les sociétés d'outsourcing — presque toujours à distance sur des projets de plateformes de données américains / européens. Entreprises produit / banques russes — hybride ou à distance après la période d'essai. Banques russes — hybride (la gouvernance des données fait partie du périmètre de direction). Entreprises tech internationales + éditeurs de données cloud (Snowflake / Databricks / Confluent) — tout à distance standard. Nuance : l'architecte Data est un métier transverse (travail avec les data engineers + les analystes + le métier + la sécurité), qui exige de la communication — l'hybride est souvent optimal. Pôles d'expatriation : Pologne / Allemagne (données d'entreprise) / Canada / Serbie. L'anglais pour le télétravail international d'architecte Data — indispensable (documentation des plateformes de données cloud + communauté + communication entre équipes en anglais).

Data Architect (général) — focus sur les modèles de données + les flux de données + la gouvernance + la stratégie de stockage (niveau logique / conceptuel — « comment les données sont structurées et circulent »). Data Platform Architect — focus sur la plateforme technique qui héberge les données (niveau infrastructure / outillage — « sur quoi vivent les données ») : conception de la plateforme data cloud (mise en place de Databricks / Snowflake), architecture calcul / stockage, outillage de la plateforme data (stack ingestion + orchestration + transformation + catalogue), scalabilité de la plateforme + optimisation des coûts, plateforme data en self-service (pour le data mesh). Davantage de recoupement avec le DevOps / Platform Engineering. Data Warehouse Architect — spécialité plus étroite : focus sur la conception de DWH (modélisation dimensionnelle en profondeur, ETL/ELT pour l'entrepôt, outillage BI). Data Modeler — rôle le plus étroit : focus uniquement sur la modélisation des données (modèles conceptuels / logiques / physiques, diagrammes ER) — souvent de niveau intermédiaire, pas architecte à part entière. Master Data Architect — spécialité MDM (master data management — source unique de vérité pour les entités clés — client / produit / etc.). Information Architect — recoupement — gouvernance des données + cycle de vie de l'information + taxonomie + métadonnées. Réalité 2026 : dans les petites / moyennes organisations, un seul Data Architect fait tout. Dans les grandes — spécialisation (Data Platform Architect + Data Warehouse Architect + Data Modeler + Master Data Architect — rôles distincts). Choix de carrière : Data Architect généraliste pour la largeur ; Data Platform Architect si vous aimez l'infrastructure / l'outillage en profondeur ; Data Warehouse Architect si vous aimez la modélisation dimensionnelle + l'analytique ; Master Data Architect si vous aimez la gouvernance / le MDM.

Roadmap (Data Architect — senior-tier, the path goes via Senior Data Engineer): 1) Become a strong Senior Data Engineer — prerequisite. 5+ years hands-on: data pipelines, warehouse work, SQL mastery, understanding of data tooling in practice. 2) Data modelling mastery — this is the core Data Architect skill. Dimensional modelling (Kimball — "The Data Warehouse Toolkit" Ralph Kimball — canonical), Inmon 3NF approach, Data Vault 2.0 ("Building a Scalable Data Warehouse with Data Vault 2.0" Dan Linstedt). Conceptual / logical / physical modelling. 3) SQL deep — Data Architect must deeply understand query patterns + performance + optimisation. 4) Cloud data platforms — choose one deeply: Snowflake (leader — Snowflake certifications) or Databricks (Lakehouse — Databricks certifications) or BigQuery. Hands-on design + build experience. 5) Modern data stack — dbt (de-facto transformation + modelling layer 2026 — dbt certification), data orchestration (Airflow / Dagster), ELT patterns, CDC (Debezium). 6) Data architecture patterns — deeply understand warehouse vs lake vs lakehouse vs data mesh vs data fabric (when which). "Fundamentals of Data Engineering" Joe Reis / Matt Housley (canonical 2026 — must-read, covers architecture). 7) Data mesh — "Data Mesh" Zhamak Dehghani (if you work / will work in a large organisation). 8) Data governance — data catalogs (Collibra / Alation / DataHub / OpenMetadata), data lineage, data quality (Great Expectations / Soda), MDM concepts, data contracts (rising 2024+), data privacy (GDPR / 152-FZ). 9) Open table formats — Apache Iceberg (rising 2026) / Delta Lake / Apache Hudi — critical for lakehouse. 10) Semantic layer — dbt Semantic Layer / Cube — metrics consistency. 11) Soft skills — data — cross-functional (engineers + analysts + business + security), need stakeholder management + data strategy communication + governance facilitation. 12) Practice in current role — as Senior Data Engineer take architecture-level tasks: data model design, platform selection, governance setup. Russian courses: Otus "Data Architect" / "DWH Analyst", Karpov.Courses (Data Engineering — overlap), corporate data schools, Arenadata training. International (EN): "The Data Warehouse Toolkit" Kimball (canonical dimensional modelling), "Fundamentals of Data Engineering" Reis / Housley (must-read 2026), "Data Mesh" Dehghani, Snowflake / Databricks official certifications + training, dbt Learn (free), DataCamp / Coursera data engineering tracks. Senior Data Engineer (5+ years) + data modelling mastery + cloud data platform expertise → 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).

Un Architecte Data Senior prend en charge le cycle complet de l'architecture des données + le leadership technique. Maîtrise de la modélisation des données : modélisation dimensionnelle (Kimball — schémas en étoile / en flocon + faits/dimensions en profondeur), 3FN / DWH d'entreprise Inmon, Data Vault 2.0 (hubs / links / satellites — DWH agile), modélisation conceptuelle / logique / physique, modélisation ER. Maîtrise approfondie de SQL : requêtes complexes, optimisation des requêtes, compréhension des plans d'exécution — l'Architecte Data doit comprendre en profondeur comment les données sont interrogées. Maîtrise d'une plateforme de données cloud : l'une de Snowflake / Databricks / BigQuery en profondeur — conception de l'architecture, optimisation des performances, optimisation des coûts (les plateformes de données coûtent cher, le rapport coût-architecture est crucial). Patterns d'architecture des données : warehouse / lake / lakehouse / data mesh / data fabric — connaître les compromis + quand les appliquer (pas de culte du cargo). Conception de lakehouse (formats de tables ouverts — Iceberg / Delta Lake / Hudi). Modern data stack : dbt (transformation + modélisation + couche sémantique), orchestration (Airflow / Dagster), patterns ELT, CDC (Debezium), streaming (Kafka) au niveau architecture. Architecture d'intégration des données : unification batch + streaming, stratégie d'ingestion des données, mapping source-cible. Maîtrise de la gouvernance des données : stratégie de catalogue de données (Collibra / Alation / DataHub / OpenMetadata), lignage des données, cadres de qualité des données (Great Expectations / Soda), gestion des données de référence (MDM), classification des données + confidentialité (conformité DCP / RGPD / loi fédérale 152-FZ dans l'architecture des données), contrats de données (formaliser les accords producteur-consommateur — en hausse depuis 2024+). Couche sémantique : cohérence des métriques (dbt Semantic Layer / Cube — source unique de vérité). Stratégie data : feuille de route de la plateforme de données, build-vs-buy pour l'outillage data, modèle opérationnel de l'équipe data (centralisé vs data mesh décentralisé). Conception de systèmes pour les données : concevoir au tableau blanc une plateforme de données à grande échelle (données à l'échelle du Po, des 1000aines de tables, temps réel + batch), planification de capacité, compromis performance + coût. Connaissances transverses : compréhension du Data Engineering (réalité de la mise en œuvre), de l'Analytics / BI (besoins des consommateurs), de la Sécurité (protection des données), de l'Architecture d'entreprise (contexte organisationnel). Soft skills : gestion des parties prenantes (la data est transverse : ingénieurs + analystes + business + sécurité + conformité), communication de la stratégie data à la direction, animation de la gouvernance des données, mentorat des Data Engineers. Anglais INDISPENSABLE pour Senior+ — la documentation des plateformes de données cloud + la communauté data + la communication en équipes internationales sont en anglais. Bonus facultatif : certifications de plateformes de données cloud (Snowflake / Databricks), certification dbt, interventions en conférence (conférences data), expérience de mise en œuvre du data mesh — augmentent fortement la valeur sur le marché pour les rôles d'Architecte Data Principal / Chief Data Architect.