Data Architect: mercato

Posizione

un'offerta aperta che ha superato il controllo di qualità e indica almeno due tecnologie

Candidato osservato

un candidato il cui stack contiene questa tecnologia; un dato aggregato: nessun singolo record esce dal perimetro

Candidato abbinabile

non ancora conteggiato

Finestra

offerte aperte nel momento in cui è stato creato lo snapshot

Data Architect: ruolo di livello senior (il «Junior Data Architect» esiste raramente; i livelli più bassi sono titoli errati: i riferimenti realistici sono Senior / Lead). Percorso di carriera: Senior Data Engineer (5+ anni di lavoro pratico su pipeline di dati + warehouse) → Data Architect (dimostrando esperienza di modellazione dei dati + progettazione di piattaforme + governance) → Senior / Principal Data Architect → poi Chief Data Architect / Head of Data Architecture, responsabile di Data Platform, Enterprise Architect (dal dominio Data a un'EA più ampia), oppure il percorso da Chief Data Officer (CDO). Ingresso alternativo: Database Administrator Senior + profondità nella modellazione dei dati → Data Architect.

Stack / competenze principali: cloud, aws, azure, enterprise architect, togaf. Modellazione dei dati, il nucleo: modelli concettuali / logici / fisici, modellazione dimensionale (Kimball: schemi a stella / snowflake + fatti/dimensioni), 3NF / Inmon (DWH enterprise normalizzato), Data Vault 2.0 (hub + link + satelliti: DWH enterprise agile, popolare nel 2026), One Big Table / tabelle larghe (analytics moderna). Strumenti: erwin Data Modeler (classico enterprise), SqlDBM, dbdiagram.io, dbt (modelli semantici + lineage: il livello di modellazione di fatto nel 2026). ClickHouse (analytics in tempo reale: popolare in Russia, di origine Yandex). Russi: Arenadata (basato su Greenplum: leader dei DWH in Russia dopo l'uscita di Teradata / Oracle). Data lake: S3 / ADLS / GCS + formati di tabella aperti (Apache Iceberg: in crescita nel 2026 / Delta Lake / Apache Hudi). Pattern di architettura dei dati: data warehouse / data lake / lakehouse (predefinito consigliato nel 2026) / data mesh (decentralizzato, di proprietà dei domini: Zhamak Dehghani) / data fabric (accesso unificato guidato dai metadati). Integrazione dei dati: ETL vs ELT (ELT domina nel 2026), CDC (Change Data Capture: Debezium), streaming dei dati (Kafka), unificazione batch + streaming. Orchestrazione: Airflow / Dagster / Prefect (decisioni a livello di architettura). Data governance: catalogo dei dati (Collibra / Alation / Atlan / DataHub open source / OpenMetadata), data lineage, qualità dei dati (Great Expectations / Soda), gestione dei master data MDM (Informatica MDM / Reltio), classificazione dei dati + privacy (PII / GDPR / 152-FZ), data contract (in crescita 2024+). Semantic layer: dbt Semantic Layer / Cube: unica fonte di verità per le metriche. Padronanza di SQL: obbligatoria (il Data Architect deve capire i pattern delle query + le prestazioni). Soft skill: gestione degli stakeholder (i dati sono cross-funzionali), comunicazione della strategia dei dati, facilitazione della governance.

Data Engineer: costruisce in prima persona le pipeline di dati (ingestione + trasformazione + orchestrazione), implementa ciò che il Data Architect ha progettato. Vedi Data Engineer (generale). Data Architect (questa pagina): progetta il panorama dei dati: modelli di dati + strategia di archiviazione + flussi di dati + governance. Livello di progettazione, non scrittura di pipeline in prima persona. Database Administrator (DBA): gestisce database specifici (ottimizzazione delle prestazioni + backup + replica + sicurezza). Operativo. Vedi Database Administrator (DBA) (quando la pagina sarà pubblicata). Enterprise Architect: panorama tecnologico a livello aziendale (la Data Architecture è uno dei 4 domini TOGAF; il Data Architect è spesso un Domain Architect all'interno dell'EA). Vedi Enterprise Architect. Realtà 2026 (sovrapposizioni): Data Architect ↔ Data Engineer: 60% (i Senior Data Engineer fanno spesso lavoro di architettura; la differenza: l'Architect è orientato alla progettazione, l'Engineer all'implementazione). Data Architect ↔ Enterprise Architect: 50% (la Data Architecture è un dominio TOGAF; le grandi organizzazioni hanno un Data Architect separato nella funzione EA). Data Architect ↔ DBA: 30% (DBA: operazioni su un singolo database; Architect: progettazione del panorama). Percorso di carriera: Data Engineer Senior → Data Architect: il percorso naturale. Data Architect → Enterprise Architect (dominio dati) o Chief Data Officer. Scelta di carriera: Data Engineer se ti piace costruire pipeline in prima persona; Data Architect se ti piacciono progettazione + modellazione + governance + strategia; DBA se ti piacciono le operazioni sui database in profondità; Enterprise Architect se vuoi un'ampiezza a livello aziendale oltre i dati.

Albero decisionale per il pattern di architettura dei dati 2026: 1) Data Warehouse: strutturato, schema-on-write, ottimizzato per analisi / BI. DWH nel cloud: Snowflake / BigQuery / Redshift / Synapse. Pro: analisi SQL veloce, strumenti maturi, qualità dei dati garantita. Contro: solo dati strutturati, ETL in anticipo, più costoso per dati grezzi / non strutturati. Caso d'uso: BI / reportistica / analisi strutturata: ancora centrale 2026. 2) Data Lake: archiviazione grezza, schema-on-read, qualsiasi formato (strutturato + non strutturato). S3 / ADLS / GCS. Pro: archiviazione economica, flessibile, conserva tutto. Contro: rischio di «data swamp» (senza governance: caos), nessuna prestazione SQL, niente ACID. Caso d'uso: zona di atterraggio dei dati grezzi, dati di addestramento per il ML, archiviazione. Raramente da solo 2026. 3) Lakehouse: la scelta predefinita consigliata 2026. Convergenza di warehouse e lake: archiviazione da data lake (S3 + formato di tabella aperto: Delta Lake / Iceberg / Hudi) + funzionalità da warehouse (transazioni ACID + prestazioni SQL + imposizione dello schema + time travel). Databricks (Delta Lake) / Snowflake (supporto a Iceberg). Pro: un unico livello di archiviazione per BI + ML + streaming, più economico di un DWH puro, nessuna duplicazione dei dati. Contro: ecosistema più giovane, serve la giusta strategia sul formato di tabella. Caso d'uso: nuove piattaforme dati 2026: la scelta predefinita (evita la duplicazione warehouse + lake). 4) Data Mesh: pattern organizzativo / socio-tecnico, non una tecnologia. Concetto di Zhamak Dehghani. 4 principi: proprietà orientata ai domini (i dati appartengono ai team di dominio, non a un team dati centrale), dati come prodotto (ogni dataset è un prodotto con SLA / documentazione / qualità), piattaforma dati self-service, governance computazionale federata. Pro: scala a livello organizzativo (il team dati centrale è un collo di bottiglia nelle grandi organizzazioni), competenza di dominio nella proprietà dei dati. Contro: richiede maturità organizzativa, costoso da implementare, eccessivo per le piccole organizzazioni. Caso d'uso: grandi organizzazioni (molti domini, il team dati centrale non regge il ritmo): NON per piccole / medie (il sovraccarico organizzativo lo ucciderà). Spesso applicato in eccesso. 5) Data Fabric: livello di accesso ai dati unificato e guidato dai metadati su sorgenti eterogenee (il data mesh è un pattern organizzativo, il data fabric un approccio tecnologico / di integrazione). Metadati attivi + knowledge graph + integrazione dei dati automatizzata. Concetto promosso da Gartner. Caso d'uso: organizzazioni con molti silos di dati legacy, che hanno bisogno di un accesso unificato senza migrare tutto. Raccomandazioni predefinite 2026: Nuova piattaforma dati → Lakehouse (Databricks o Snowflake + Iceberg). BI / analisi strutturata → DWH nel cloud (se il lakehouse è eccessivo). Dati grezzi / per il ML → data lake come parte del lakehouse (non da solo). Grande organizzazione, il team dati centrale è il collo di bottiglia → Data Mesh (cambiamento organizzativo, non tecnologico). Molti silos legacy → Data Fabric (livello di accesso unificato). Principio fondamentale: il pattern segue la realtà organizzativa + la scala, non il culto del «data mesh perché è di moda».

Sì, il 25% delle offerte Data Architect è completamente da remoto o ibrido. Il lavoro di architettura dei dati (modellazione + progettazione + documentazione + piattaforme cloud) è adatto al remoto. Gli outsourcer: quasi sempre da remoto su progetti di piattaforme dati USA / UE. Aziende di prodotto / banche russe: ibrido o da remoto dopo il periodo di prova. Banche russe: ibrido (la data governance fa parte del perimetro di gestione). Aziende tech internazionali + vendor di dati nel cloud (Snowflake / Databricks / Confluent): completamente da remoto come standard. Avvertenza: il Data Architect è un ruolo trasversale (lavoro con data engineer + analisti + business + sicurezza), richiede comunicazione: l'ibrido è spesso ottimale. Hub per chi si trasferisce: Polonia / Germania (dati enterprise) / Canada / Serbia. Inglese per il lavoro internazionale da remoto come Data Architect: indispensabile (documentazione delle piattaforme dati cloud + community + comunicazione tra team in inglese).

Data Architect (generale): focus su modelli di dati + flussi di dati + governance + strategia di archiviazione (livello logico / concettuale: «come sono strutturati i dati e come fluiscono»). Data Platform Architect: focus sulla piattaforma tecnica che ospita i dati (livello di infrastruttura / strumenti: «su cosa vivono i dati»): progettazione della piattaforma dati nel cloud (configurazione di Databricks / Snowflake), architettura di calcolo / archiviazione, strumenti della piattaforma dati (stack di ingestione + orchestrazione + trasformazione + catalogo), scalabilità della piattaforma + ottimizzazione dei costi, piattaforma dati self-service (per il data mesh). Maggiore sovrapposizione con DevOps / Platform Engineering. Data Warehouse Architect: specialità più ristretta: focus specifico sulla progettazione del DWH (modellazione dimensionale a fondo, ETL/ELT per il warehouse, supporto alla BI). Data Modeler: il ruolo più ristretto: focus solo sulla modellazione dei dati (modelli concettuali / logici / fisici, diagrammi ER), spesso di livello middle, non un architetto completo. Master Data Architect: specialità MDM (master data management: fonte unica di verità per le entità principali: cliente / prodotto / ecc.). Information Architect: sovrapposizione: governance dei dati + ciclo di vita delle informazioni + tassonomia + metadati. Realtà 2026: nelle organizzazioni piccole / medie un solo Data Architect fa tutto. In quelle grandi c'è specializzazione (Data Platform Architect + Data Warehouse Architect + Data Modeler + Master Data Architect: ruoli separati). Scelta di carriera: Data Architect generale per l'ampiezza; Data Platform Architect se ti piacciono infrastruttura / strumenti in profondità; Data Warehouse Architect se ti piacciono la modellazione dimensionale + l'analisi; Master Data Architect se ti piacciono governance / MDM.

Roadmap (Data Architect: livello senior, il percorso passa dal Senior Data Engineer): 1) Diventa un Senior Data Engineer solido: prerequisito. 5+ anni di pratica: pipeline di dati, lavoro sul data warehouse, padronanza di SQL, comprensione pratica degli strumenti per i dati. 2) Padronanza della modellazione dei dati: è la competenza centrale del Data Architect. Modellazione dimensionale (Kimball: "The Data Warehouse Toolkit" di Ralph Kimball: canonico), approccio Inmon 3NF, Data Vault 2.0 ("Building a Scalable Data Warehouse with Data Vault 2.0" di Dan Linstedt). Modellazione concettuale / logica / fisica. 3) SQL approfondito: il Data Architect deve capire a fondo i pattern delle query + prestazioni + ottimizzazione. 4) Piattaforme dati cloud: scegline una da approfondire: Snowflake (leader: certificazioni Snowflake) o Databricks (Lakehouse: certificazioni Databricks) o BigQuery. Esperienza pratica di progettazione + costruzione. 5) Modern data stack: dbt (layer di trasformazione + modellazione di fatto standard 2026: certificazione dbt), orchestrazione dei dati (Airflow / Dagster), pattern ELT, CDC (Debezium). 6) Pattern di architettura dei dati: capisci a fondo warehouse vs lake vs lakehouse vs data mesh vs data fabric (quando usare quale). "Fundamentals of Data Engineering" di Joe Reis / Matt Housley (canonico 2026: da leggere assolutamente, copre l'architettura). 7) Data mesh: "Data Mesh" di Zhamak Dehghani (se lavori / lavorerai in una grande organizzazione). 8) Data governance: cataloghi dei dati (Collibra / Alation / DataHub / OpenMetadata), data lineage, qualità dei dati (Great Expectations / Soda), concetti di MDM, data contract (in crescita 2024+), privacy dei dati (GDPR / legge federale 152-FZ). 9) Formati di tabella aperti: Apache Iceberg (in crescita 2026) / Delta Lake / Apache Hudi: fondamentali per il lakehouse. 10) Semantic layer: dbt Semantic Layer / Cube: coerenza delle metriche. 11) Soft skill: i dati sono trasversali (ingegneri + analisti + business + sicurezza), servono gestione degli stakeholder + comunicazione della strategia dei dati + facilitazione della governance. 12) Pratica nel ruolo attuale: da Senior Data Engineer prendi compiti a livello di architettura: progettazione del modello dati, scelta della piattaforma, impostazione della governance. Corsi russi: Otus "Data Architect" / "DWH Analyst", Karpov.Courses (Data Engineering: sovrapposizione), scuole dati aziendali, formazione Arenadata. Internazionale (EN): "The Data Warehouse Toolkit" di Kimball (modellazione dimensionale canonica), "Fundamentals of Data Engineering" di Reis / Housley (da leggere assolutamente 2026), "Data Mesh" di Dehghani, certificazioni + formazione ufficiali Snowflake / Databricks, dbt Learn (gratuito), percorsi di data engineering su DataCamp / Coursera. Senior Data Engineer (5+ anni) + padronanza della modellazione dei dati + competenza su una piattaforma dati cloud → 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 Senior Data Architect gestisce l'intero ciclo dell'architettura dei dati + leadership tecnica. Padronanza della modellazione dei dati: modellazione dimensionale (Kimball: schemi a stella / snowflake + fatti/dimensioni a fondo), 3NF / DWH enterprise di Inmon, Data Vault 2.0 (hub / link / satelliti: DWH agile), modellazione concettuale / logica / fisica, modellazione ER. Padronanza approfondita di SQL: query complesse, ottimizzazione delle query, comprensione dei piani di esecuzione: il Data Architect deve capire a fondo come vengono interrogati i dati. Padronanza di una piattaforma dati cloud: una tra Snowflake / Databricks / BigQuery a fondo: progettazione dell'architettura, ottimizzazione delle prestazioni, ottimizzazione dei costi (le piattaforme dati sono costose, l'architettura dei costi è critica). Pattern di architettura dei dati: warehouse / lake / lakehouse / data mesh / data fabric: conoscere i compromessi + quando applicarli (non per cargo cult). Progettazione lakehouse (formati di tabella aperti: Iceberg / Delta Lake / Hudi). Modern data stack: dbt (trasformazione + modellazione + livello semantico), orchestrazione (Airflow / Dagster), pattern ELT, CDC (Debezium), streaming (Kafka) a livello architetturale. Architettura dell'integrazione dei dati: unificazione di batch + streaming, strategia di acquisizione dei dati, mappatura source-to-target. Padronanza della data governance: strategia del catalogo dati (Collibra / Alation / DataHub / OpenMetadata), data lineage, framework di qualità dei dati (Great Expectations / Soda), master data management (MDM), classificazione dei dati + privacy (conformità PII / GDPR / 152-FZ nell'architettura dei dati), data contract (formalizzare gli accordi producer-consumer: in crescita dal 2024+). Livello semantico: coerenza delle metriche (dbt Semantic Layer / Cube: unica fonte di verità). Strategia dei dati: roadmap della piattaforma dati, build-vs-buy per gli strumenti dati, modello operativo del team dati (centralizzato vs data mesh decentralizzato). System design per i dati: progettare alla lavagna una piattaforma dati su larga scala (dati su scala di PB, 1000 di tabelle, tempo reale + batch), capacity planning, compromessi tra prestazioni e costi. Conoscenza trasversale: comprensione del Data Engineering (la realtà dell'implementazione), di Analytics / BI (le esigenze dei consumatori), della sicurezza (protezione dei dati), dell'Enterprise Architecture (il contesto a livello di organizzazione). Soft skill: gestione degli stakeholder (i dati sono trasversali: ingegneri + analisti + business + sicurezza + compliance), comunicazione della strategia dei dati alla leadership, facilitazione della data governance, mentoring dei Data Engineer. Inglese OBBLIGATORIO per Senior+: documentazione delle piattaforme dati cloud + community dei dati + comunicazione nei team internazionali sono in inglese. Bonus facoltativi: certificazioni delle piattaforme dati cloud (Snowflake / Databricks), certificazione dbt, interventi alle conferenze (conferenze sui dati), esperienza di implementazione del data mesh: aumentano nettamente il valore di mercato per i ruoli di Principal / Chief Data Architect.