Data Architect: rynek

Oferta

otwarta oferta, która przeszła kontrolę jakości i wymienia co najmniej dwie technologie

Obserwowany kandydat

kandydat, którego stack zawiera tę technologię; agregat — żaden pojedynczy rekord nie opuszcza perymetru

Kandydat do dopasowania

jeszcze nie liczone

Okno

oferty otwarte w chwili tworzenia snapshotu

Data Architect — rola na poziomie seniorskim („Junior Data Architect” rzadko istnieje; niższe poziomy = błędny tytuł — realistyczne punkty odniesienia zob. Senior / Lead). Ścieżka kariery: Senior Data Engineer (5+ lat praktyki z pipeline'ami danych + hurtowniami) → Data Architect (przez udokumentowane doświadczenie w modelowaniu danych + projektowaniu platform + governance) → Senior / Principal Data Architect → albo Chief Data Architect / Head of Data Architecture, lider Data Platform, Enterprise Architect (domena danych → szerszy EA), albo ścieżka Chief Data Officer (CDO). Alternatywne wejście: Database Administrator Senior + głębia w modelowaniu danych → Data Architect.

Najważniejszy stack / umiejętności: cloud, aws, azure, enterprise architect, sql. Modelowanie danych — rdzeń: modele konceptualne / logiczne / fizyczne, modelowanie wymiarowe (Kimball — schematy gwiazdy / płatka śniegu + fakty/wymiary), 3NF / Inmon (znormalizowana korporacyjna hurtownia DWH), Data Vault 2.0 (huby + linki + satelity — zwinna korporacyjna hurtownia DWH, popularna 2026), One Big Table / szerokie tabele (nowoczesna analityka). Narzędzia: erwin Data Modeler (klasyka enterprise), SqlDBM, dbdiagram.io, dbt (modele semantyczne + lineage — de facto warstwa modelowania 2026). ClickHouse (analityka w czasie rzeczywistym — popularny w Rosji, pochodzi z Yandex). Rosyjskie: Arenadata (na bazie Greenplum — lider DWH w Rosji po odejściu Teradata / Oracle). Data lakes: S3 / ADLS / GCS + otwarte formaty tabel (Apache Iceberg — rosnący 2026 / Delta Lake / Apache Hudi). Wzorce architektury danych: hurtownia danych / data lake / lakehouse (zalecany domyślny 2026) / data mesh (zdecentralizowany, należący do domen — Zhamak Dehghani) / data fabric (ujednolicony dostęp sterowany metadanymi). Integracja danych: ETL vs ELT (ELT dominuje 2026), CDC (Change Data Capture — Debezium), streaming danych (Kafka), ujednolicenie batch + streaming. Orkiestracja: Airflow / Dagster / Prefect (decyzje na poziomie architektury). Data governance: katalog danych (Collibra / Alation / Atlan / DataHub open-source / OpenMetadata), data lineage, jakość danych (Great Expectations / Soda), zarządzanie danymi podstawowymi MDM (Informatica MDM / Reltio), klasyfikacja danych + prywatność (PII / GDPR / 152-FZ), data contracts (rosnące 2024+). Warstwa semantyczna: dbt Semantic Layer / Cube — jedno źródło prawdy dla metryk. Biegłość w SQL — obowiązkowo (Data Architect musi rozumieć wzorce zapytań + wydajność). Umiejętności miękkie: zarządzanie interesariuszami (dane — międzyfunkcyjne), komunikowanie strategii danych, facylitacja governance.

Data Engineer — własnoręcznie buduje pipeline'y danych (ingestion + transformacja + orkiestracja), realizuje to, co zaprojektował Data Architect. Zob. Data Engineer (ogólnie). Data Architect (ta strona) — projektuje krajobraz danych: modele danych + strategia przechowywania + przepływy danych + governance. Poziom projektowy, nie własnoręczne kodowanie pipeline'ów. Database Administrator (DBA) — utrzymuje konkretne bazy danych (strojenie wydajności + kopie zapasowe + replikacja + bezpieczeństwo). Operacyjnie. Zob. Database Administrator (DBA) (gdy strona zostanie opublikowana). Enterprise Architect — krajobraz technologiczny całej organizacji (Data Architecture — jedna z 4 domen TOGAF; Data Architect to często Domain Architect w ramach EA). Zob. Enterprise Architect. Realia 2026 (pokrycie): Data Architect ↔ Data Engineer: 60% (Senior Data Engineerzy często wykonują pracę architektoniczną; różnica — Architect skupiony na projektowaniu, Engineer na implementacji). Data Architect ↔ Enterprise Architect: 50% (Data Architecture — domena TOGAF; duże organizacje mają osobnego Data Architecta w ramach funkcji EA). Data Architect ↔ DBA: 30% (DBA — operacje na pojedynczej bazie, Architect — projektowanie krajobrazu). Ścieżka kariery: Data Engineer Senior → Data Architect — naturalna droga. Data Architect → Enterprise Architect (domena danych) albo Chief Data Officer. Wybór kariery: Data Engineer, jeśli lubisz własnoręcznie budować pipeline'y; Data Architect, jeśli lubisz projektowanie + modelowanie + governance + strategię; DBA, jeśli lubisz dogłębnie operacje na bazach danych; Enterprise Architect, jeśli chcesz szerokości na poziomie organizacji, wykraczającej poza dane.

Drzewo decyzyjne wyboru wzorca architektury danych 2026: 1) Data Warehouse — ustrukturyzowana, schema-on-write, zoptymalizowana pod analitykę / BI. Chmurowe DWH: Snowflake / BigQuery / Redshift / Synapse. Plusy: szybka analityka SQL, dojrzałe narzędzia, wymuszona jakość danych. Minusy: tylko dane ustrukturyzowane, ETL z góry, drożej dla danych surowych / nieustrukturyzowanych. Zastosowanie: BI / raportowanie / analityka ustrukturyzowana — nadal rdzeń 2026. 2) Data Lake — surowe przechowywanie, schema-on-read, dowolne formaty (ustrukturyzowane + nieustrukturyzowane). S3 / ADLS / GCS. Plusy: tanie przechowywanie, elastyczność, przechowuje wszystko. Minusy: ryzyko „bagna danych” (bez governance — chaos), brak wydajności SQL, brak ACID. Zastosowanie: strefa lądowania surowych danych, dane treningowe ML, archiwizacja. Samodzielnie rzadko 2026. 3) Lakehouse — zalecany domyślny wybór 2026. Zbieżność hurtowni i jeziora: przechowywanie w data lake (S3 + otwarty format tabel — Delta Lake / Iceberg / Hudi) + funkcje jak w hurtowni (transakcje ACID + wydajność SQL + wymuszanie schematu + time travel). Databricks (Delta Lake) / Snowflake (wsparcie Iceberg). Plusy: jedna warstwa przechowywania dla BI + ML + streamingu, taniej niż czyste DWH, brak duplikacji danych. Minusy: młodszy ekosystem, potrzebna właściwa strategia formatu tabel. Zastosowanie: nowe platformy danych 2026 — domyślny wybór (unika duplikacji hurtownia + jezioro). 4) Data Mesh — wzorzec organizacyjny / socjotechniczny, nie technologia. Koncepcja Zhamak Dehghani. 4 zasady: własność zorientowana na domeny (dane należą do zespołów domenowych, nie do centralnego zespołu danych), dane jako produkt (każdy zbiór danych — produkt z SLA / dokumentacją / jakością), samoobsługowa platforma danych, sfederowane obliczeniowe governance. Plusy: skaluje się organizacyjnie (centralny zespół danych — wąskie gardło w dużych organizacjach), ekspertyza domenowa we własności danych. Minusy: wymaga dojrzałości organizacyjnej, drogi we wdrożeniu, przesada dla małych organizacji. Zastosowanie: duże organizacje (wiele domen, centralny zespół danych nie nadąża) — NIE dla małych / średnich (narzut organizacyjny go zabije). Często stosowany na wyrost. 5) Data Fabric — ujednolicona warstwa dostępu do danych oparta na metadanych nad heterogenicznymi źródłami (data mesh — wzorzec organizacyjny, data fabric — podejście technologiczne / integracyjne). Aktywne metadane + graf wiedzy + zautomatyzowana integracja danych. Koncepcja promowana przez Gartnera. Zastosowanie: organizacje z wieloma silosami danych legacy, potrzebujące ujednoliconego dostępu bez migrowania wszystkiego. Domyślne rekomendacje 2026: Nowa platforma danych → Lakehouse (Databricks albo Snowflake + Iceberg). BI / analityka ustrukturyzowana → chmurowe DWH (jeśli lakehouse to przesada). Dane surowe / ML → data lake jako część lakehouse (nie samodzielnie). Duża organizacja, centralny zespół danych jest wąskim gardłem → Data Mesh (zmiana organizacyjna, nie technologiczna). Wiele silosów legacy → Data Fabric (ujednolicona warstwa dostępu). Główna zasada: wzorzec wynika z realiów organizacyjnych + skali — a nie z kultu cargo „data mesh, bo modne”.

Tak, 24% ofert Data Architect to praca w pełni zdalna lub hybrydowa. Praca architekta danych — modelowanie + projektowanie + dokumentacja + platformy chmurowe — jest przyjazna pracy zdalnej. Outsourcerzy — prawie zawsze zdalnie przy projektach platform danych z USA / UE. Rosyjskie firmy produktowe / banki — hybrydowo lub zdalnie po okresie próbnym. Rosyjskie banki — hybrydowo (zarządzanie danymi — część obszaru zarządczego). Międzynarodowe firmy technologiczne + dostawcy chmurowych danych (Snowflake / Databricks / Confluent) — praca w pełni zdalna to standard. Zastrzeżenie: Data Architect — rola międzyfunkcyjna (praca z data engineerami + analitykami + biznesem + bezpieczeństwem), wymaga komunikacji — hybryda często jest optymalna. Huby relokantów: Polska / Niemcy (dane enterprise) / Kanada / Serbia. Angielski do międzynarodowej pracy zdalnej Data Architect — obowiązkowo (dokumentacja chmurowych platform danych + społeczność + komunikacja międzyzespołowa po angielsku).

Data Architect (ogólnie) — nacisk na modele danych + przepływy danych + governance + strategię przechowywania (poziom logiczny / koncepcyjny — „jak dane są zorganizowane i przepływają”). Data Platform Architect — nacisk na platformę techniczną, na której żyją dane (poziom infrastruktury / narzędzi — „na czym żyją dane”): projektowanie chmurowej platformy danych (konfiguracja Databricks / Snowflake), architektura obliczeń / przechowywania, narzędzia platformy danych (stack ingestion + orkiestracja + transformacja + katalog), skalowalność platformy + optymalizacja kosztów, samoobsługowa platforma danych (dla data mesh). Większe pokrycie z DevOps / Platform Engineering. Data Warehouse Architect — węższa specjalizacja: nacisk konkretnie na projektowanie DWH (dogłębne modelowanie wymiarowe, ETL/ELT dla hurtowni, wsparcie BI). Data Modeler — najwęższa rola: nacisk wyłącznie na modelowanie danych (modele koncepcyjne / logiczne / fizyczne, diagramy ER) — często poziom mid, a nie pełny architekt. Master Data Architect — specjalizacja MDM (master data management — jedno źródło prawdy dla kluczowych encji — klient / produkt / itp.). Information Architect — pokrycie — data governance + cykl życia informacji + taksonomia + metadane. Realia 2026: w małych / średnich organizacjach jeden Data Architect robi wszystko. W dużych — specjalizacja (Data Platform Architect + Data Warehouse Architect + Data Modeler + Master Data Architect — osobne role). Wybór kariery: ogólny Data Architect dla szerokości; Data Platform Architect, jeśli lubisz dogłębnie infrastrukturę / narzędzia; Data Warehouse Architect, jeśli lubisz modelowanie wymiarowe + analitykę; Master Data Architect, jeśli lubisz governance / MDM.

Roadmapa (Data Architect — poziom senior, ścieżka prowadzi przez Senior Data Engineer): 1) Zostań mocnym Senior Data Engineer — warunek wstępny. 5+ lat praktyki: pipeline'y danych, praca z hurtowniami, biegłość w SQL, praktyczne rozumienie narzędzi danych. 2) Opanowanie modelowania danych — to kluczowa umiejętność Data Architect. Modelowanie wymiarowe (Kimball — „The Data Warehouse Toolkit” Ralph Kimball — kanon), podejście Inmona 3NF, Data Vault 2.0 („Building a Scalable Data Warehouse with Data Vault 2.0” Dan Linstedt). Modelowanie koncepcyjne / logiczne / fizyczne. 3) Dogłębny SQL — Data Architect musi dogłębnie rozumieć wzorce zapytań + wydajność + optymalizację. 4) Chmurowe platformy danych — wybierz jedną dogłębnie: Snowflake (lider — certyfikaty Snowflake) albo Databricks (Lakehouse — certyfikaty Databricks) albo BigQuery. Praktyczne doświadczenie w projektowaniu i budowie. 5) Nowoczesny stack danych — dbt (de facto warstwa transformacji + modelowania 2026 — certyfikat dbt), orkiestracja danych (Airflow / Dagster), wzorce ELT, CDC (Debezium). 6) Wzorce architektury danych — dogłębnie zrozum hurtownię vs jezioro vs lakehouse vs data mesh vs data fabric (kiedy co). „Fundamentals of Data Engineering” Joe Reis / Matt Housley (kanon 2026 — obowiązkowa lektura, obejmuje architekturę). 7) Data mesh — „Data Mesh” Zhamak Dehghani (jeśli pracujesz / będziesz pracować w dużej organizacji). 8) Data governance — katalogi danych (Collibra / Alation / DataHub / OpenMetadata), data lineage, jakość danych (Great Expectations / Soda), koncepcje MDM, kontrakty danych (zyskują 2024+), prywatność danych (GDPR / 152-FZ). 9) Otwarte formaty tabel — Apache Iceberg (zyskuje 2026) / Delta Lake / Apache Hudi — kluczowe dla lakehouse. 10) Warstwa semantyczna — dbt Semantic Layer / Cube — spójność metryk. 11) Umiejętności miękkie — dane są międzyfunkcyjne (inżynierowie + analitycy + biznes + bezpieczeństwo), potrzebne zarządzanie interesariuszami + komunikowanie strategii danych + facylitacja governance. 12) Praktyka w obecnej roli — jako Senior Data Engineer bierz zadania na poziomie architektury: projekt modelu danych, wybór platformy, wdrożenie governance. Rosyjskie kursy: Otus „Data Architect” / „DWH Analyst”, Karpov.Courses (Data Engineering — częściowe pokrycie), firmowe szkoły danych, szkolenia Arenadata. Międzynarodowe (EN): „The Data Warehouse Toolkit” Kimball (kanon modelowania wymiarowego), „Fundamentals of Data Engineering” Reis / Housley (obowiązkowa lektura 2026), „Data Mesh” Dehghani, oficjalne certyfikaty + szkolenia Snowflake / Databricks, dbt Learn (za darmo), ścieżki data engineering DataCamp / Coursera. Senior Data Engineer (5+ lat) + opanowanie modelowania danych + ekspertyza w chmurowej platformie danych → Data Architect.

85 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).

Senior Data Architect odpowiada za pełny cykl architektury danych + przywództwa technicznego. Biegłość w modelowaniu danych: modelowanie wymiarowe (Kimball — schematy gwiazdy / płatka śniegu + dogłębnie fakty/wymiary), 3NF / korporacyjna hurtownia Inmona, Data Vault 2.0 (huby / linki / satelity — zwinna hurtownia), modelowanie koncepcyjne / logiczne / fizyczne, modelowanie ER. Dogłębna biegłość w SQL: złożone zapytania, optymalizacja zapytań, rozumienie planów wykonania — Data Architect musi dogłębnie rozumieć, jak dane są odpytywane. Biegłość w chmurowej platformie danych: jedna z Snowflake / Databricks / BigQuery dogłębnie — projektowanie architektury, optymalizacja wydajności, optymalizacja kosztów (platformy danych są drogie, więc kompromis koszt-architektura jest krytyczny). Wzorce architektury danych: hurtownia / data lake / lakehouse / data mesh / data fabric — znajomość kompromisów + kiedy je stosować (bez kultu cargo). Projektowanie lakehouse (otwarte formaty tabel — Iceberg / Delta Lake / Hudi). Nowoczesny stack danych: dbt (transformacje + modelowanie + warstwa semantyczna), orkiestracja (Airflow / Dagster), wzorce ELT, CDC (Debezium), strumieniowanie (Kafka) na poziomie architektury. Architektura integracji danych: unifikacja przetwarzania wsadowego i strumieniowego, strategia pozyskiwania danych, mapowanie źródło-cel. Biegłość w data governance: strategia katalogu danych (Collibra / Alation / DataHub / OpenMetadata), data lineage, frameworki jakości danych (Great Expectations / Soda), zarządzanie danymi podstawowymi (MDM), klasyfikacja danych + prywatność (zgodność z PII / GDPR / 152-FZ w architekturze danych), kontrakty danych (formalizacja umów producent-konsument — rosnący trend 2024+). Warstwa semantyczna: spójność metryk (dbt Semantic Layer / Cube — jedno źródło prawdy). Strategia danych: roadmapa platformy danych, build-vs-buy dla narzędzi danych, model operacyjny zespołu danych (scentralizowany vs zdecentralizowany data mesh). Projektowanie systemów danych: projektowanie platformy danych na tablicy pod skalę (dane w skali PB, 1000 tysiące tabel, czas rzeczywisty + przetwarzanie wsadowe), planowanie przepustowości, kompromisy wydajność + koszt. Wiedza międzydomenowa: rozumienie Data Engineeringu (realia implementacji), Analytics / BI (potrzeby odbiorców), bezpieczeństwa (ochrona danych), Enterprise Architecture (kontekst organizacyjny). Kompetencje miękkie: zarządzanie interesariuszami (dane są wielofunkcyjne: inżynierowie + analitycy + biznes + bezpieczeństwo + compliance), komunikowanie strategii danych kierownictwu, facylitacja data governance, mentoring Data Engineerów. Angielski dla Senior+ OBOWIĄZKOWO — dokumentacja chmurowych platform danych + społeczność danych + komunikacja w międzynarodowym zespole są po angielsku. Opcjonalny bonus: certyfikaty chmurowych platform danych (Snowflake / Databricks), certyfikat dbt, wystąpienia na konferencjach (konferencje o danych), doświadczenie we wdrażaniu data mesh — znacząco podnoszą wartość rynkową na stanowiskach Principal / Chief Data Architect.