Arquiteto de Dados: mercado

Vaga

uma vaga aberta que passou pelo filtro de qualidade e lista pelo menos duas tecnologias

Candidato observado

um candidato cujo stack contém esta tecnologia; um agregado — nenhum registro individual sai do perímetro

Candidato compatível

ainda não contado

Janela

vagas abertas no momento em que o snapshot foi gerado

Data Architect — cargo de nível sênior ("Junior Data Architect" raramente existe; grades mais baixos = título errado — referências realistas veja em Sênior / Lead). Fluxo de carreira: Senior Data Engineer (5+ anos de mão na massa em pipelines de dados + trabalho com warehouse) → Data Architect (via experiência demonstrada de modelagem de dados + design de plataforma + governance) → Senior / Principal Data Architect → ou Chief Data Architect / Head of Data Architecture, Data Platform lead, Enterprise Architect (domínio de Dados → EA mais amplo), ou trilho de Chief Data Officer (CDO). Entrada alternativa: Database Administrator Sênior + profundidade em modelagem de dados → Data Architect.

Top stack / skills: cloud, aws, azure, enterprise architect, togaf. Data modelling — núcleo: modelos conceptual / logical / physical, dimensional modelling (Kimball — star / snowflake schemas + facts/dimensions), 3NF / Inmon (DWH enterprise normalizado), Data Vault 2.0 (hubs + links + satellites — DWH enterprise ágil, popular 2026), One Big Table / wide tables (analytics moderno). Ferramentas: erwin Data Modeler (clássico enterprise), SqlDBM, dbdiagram.io, dbt (semantic models + lineage — camada de modelagem de fato 2026). ClickHouse (analytics em real-time — popular na Rússia, origem Yandex). Russos: Arenadata (baseado em Greenplum — líder de DWH na Rússia após a saída de Teradata / Oracle). Data lakes: S3 / ADLS / GCS + open table formats (Apache Iceberg — em ascensão 2026 / Delta Lake / Apache Hudi). Patterns de arquitetura de dados: data warehouse / data lake / lakehouse (default recomendado 2026) / data mesh (descentralizado, de posse de domínios — Zhamak Dehghani) / data fabric (acesso unificado orientado a metadados). Data integration: ETL vs ELT (ELT domina 2026), CDC (Change Data Capture — Debezium), data streaming (Kafka), unificação de batch + streaming. Orquestração: Airflow / Dagster / Prefect (decisões em nível de arquitetura). Data governance: data catalog (Collibra / Alation / Atlan / DataHub open-source / OpenMetadata), data lineage, data quality (Great Expectations / Soda), master data management MDM (Informatica MDM / Reltio), data classification + privacy (PII / GDPR / 152-FZ), data contracts (em ascensão 2024+). Semantic layer: dbt Semantic Layer / Cube — única fonte de verdade para métricas. Domínio de SQL — obrigatório (o Data Architect deve entender query patterns + performance). Soft skills: gestão de stakeholders (dados — cross-functional), comunicação de estratégia de dados, facilitação de governança.

Data Engineer — constrói na prática os pipelines de dados (ingestão + transformação + orquestração), implementa o que o Data Architect desenhou. Veja Data Engineer (geral). Data Architect (esta página) — desenha o panorama de dados: modelos de dados + estratégia de armazenamento + fluxos de dados + governança. Nível de design, não programação de pipelines na prática. Database Administrator (DBA) — opera bancos de dados específicos (tuning de performance + backups + replicação + segurança). Operacional. Veja Database Administrator (DBA) (quando a página for publicada). Enterprise Architect — panorama tecnológico de toda a organização (Arquitetura de Dados — um dos 4 domínios do TOGAF; o Data Architect muitas vezes = Domain Architect dentro da EA). Veja Enterprise Architect. Realidade 2026 (sobreposição): Data Architect ↔ Data Engineer: 60% (Data Engineers Sêniores muitas vezes fazem trabalho de arquitetura; diferença — o Arquiteto foca no design, o Engenheiro na implementação). Data Architect ↔ Enterprise Architect: 50% (Arquitetura de Dados — domínio do TOGAF; grandes organizações têm um Data Architect separado dentro da função de EA). Data Architect ↔ DBA: 30% (DBA — operações de um único banco de dados, Arquiteto — design do panorama). Trajetória de carreira: Data Engineer Sênior → Data Architect — caminho natural. Data Architect → Enterprise Architect (domínio de Dados) ou Chief Data Officer. Escolha de carreira: Data Engineer se você gosta de construir pipelines na prática; Data Architect se você gosta de design + modelagem + governança + estratégia; DBA se você gosta de operação de bancos de dados a fundo; Enterprise Architect se você quer amplitude no nível da organização, além dos dados.

Árvore de decisão para o padrão de arquitetura de dados 2026: 1) Data Warehouse — estruturado, schema-on-write, otimizado para analytics / BI. DWH na nuvem: Snowflake / BigQuery / Redshift / Synapse. Prós: analytics em SQL rápido, ferramentas maduras, qualidade de dados garantida. Contras: apenas dados estruturados, ETL de antemão, mais caro para dados brutos / não estruturados. Caso de uso: BI / relatórios / analytics estruturado — ainda central em 2026. 2) Data Lake — armazenamento bruto, schema-on-read, quaisquer formatos (estruturados + não estruturados). S3 / ADLS / GCS. Prós: armazenamento barato, flexível, guarda tudo. Contras: risco de "pântano de dados" (sem governança — caos), sem performance de SQL, sem ACID. Caso de uso: zona de chegada de dados brutos, dados de treinamento de ML, arquivamento. Isolado, é raro em 2026. 3) Lakehouse — padrão recomendado em 2026. Convergência entre warehouse e lake: armazenamento de data lake (S3 + formato de tabela aberto — Delta Lake / Iceberg / Hudi) + recursos de warehouse (transações ACID + performance de SQL + imposição de esquema + time travel). Databricks (Delta Lake) / Snowflake (suporte a Iceberg). Prós: uma só camada de armazenamento para BI + ML + streaming, mais barato que um DWH puro, sem duplicação de dados. Contras: ecossistema mais jovem, é preciso a estratégia certa de formato de tabela. Caso de uso: novas plataformas de dados em 2026 — escolha padrão (evita a duplicação warehouse + lake). 4) Data Mesh — padrão organizacional / sociotécnico, não tecnologia. Conceito de Zhamak Dehghani. 4 princípios: propriedade orientada a domínios (os dados pertencem às equipes de domínio, não a uma equipe central de dados), dados como produto (cada conjunto de dados é um produto com SLA / documentação / qualidade), plataforma de dados self-serve, governança computacional federada. Prós: escala organizacionalmente (a equipe central de dados é um gargalo em grandes organizações), expertise de domínio na propriedade dos dados. Contras: exige maturidade organizacional, caro de implementar, exagero para organizações pequenas. Caso de uso: grandes organizações (muitos domínios, a equipe central de dados não dá conta) — NÃO para pequenas / médias (a sobrecarga organizacional vai matá-lo). Muitas vezes aplicado em excesso. 5) Data Fabric — camada unificada de acesso a dados orientada a metadados sobre fontes heterogêneas (vs data mesh — padrão organizacional; data fabric — abordagem tecnológica / de integração). Metadados ativos + grafo de conhecimento + integração automatizada de dados. Conceito promovido pelo Gartner. Caso de uso: organizações com muitos silos de dados legados, que precisam de acesso unificado sem migrar tudo. Recomendações padrão 2026: Nova plataforma de dados → Lakehouse (Databricks ou Snowflake + Iceberg). BI / analytics estruturado → DWH na nuvem (se o lakehouse for exagero). Dados brutos / de ML → data lake como parte do lakehouse (não isolado). Grande organização, a equipe central de dados é o gargalo → Data Mesh (mudança organizacional, não tecnológica). Muitos silos legados → Data Fabric (camada de acesso unificada). Princípio principal: o padrão segue a realidade organizacional + a escala — não o culto de "data mesh porque está na moda".

Sim, 25% das vagas de Data Architect são totalmente remotas ou híbridas. O trabalho de arquitetura de dados — modelagem + design + documentação + plataformas de nuvem — propício ao remoto. Empresas de outsourcing — quase sempre remotas em projetos de data platform dos EUA / UE. Empresas de produto / bancos russos — híbrido ou remoto após o período de experiência. Bancos russos — híbrido (data governance — parte do contorno de gestão). Empresas de tecnologia internacionais + vendors de dados em nuvem (Snowflake / Databricks / Confluent) — totalmente remoto padrão. Ressalva: Data Architect — cargo cross-functional (trabalho com data engineers + analistas + negócio + segurança), exige comunicação — híbrido muitas vezes é ótimo. Hubs de relocação: Polônia / Alemanha (dados enterprise) / Canadá / Sérvia. Inglês para remoto internacional de Data Architect — obrigatório (docs de cloud data platforms + comunidade + comunicação cross-team em inglês).

Data Architect (geral) — foco em modelos de dados + fluxos de dados + governança + estratégia de armazenamento (nível lógico / conceitual — "como os dados são estruturados e fluem"). Data Platform Architect — foco na plataforma técnica que hospeda os dados (nível de infraestrutura / ferramentas — "onde os dados vivem"): design da plataforma de dados na nuvem (configuração de Databricks / Snowflake), arquitetura de computação / armazenamento, ferramentas da plataforma de dados (stack de ingestão + orquestração + transformação + catálogo), escalabilidade da plataforma + otimização de custos, plataforma de dados self-serve (para data mesh). Mais sobreposição com DevOps / Platform Engineering. Data Warehouse Architect — especialidade mais restrita: foco específico no design de DWH (modelagem dimensional a fundo, ETL/ELT para o warehouse, habilitação de BI). Data Modeler — o cargo mais restrito: foco apenas em modelagem de dados (modelos conceituais / lógicos / físicos, diagramas ER) — muitas vezes nível pleno, não arquiteto completo. Master Data Architect — especialidade em MDM (master data management — fonte única da verdade para entidades centrais — cliente / produto / etc.). Information Architect — sobreposição — governança de dados + ciclo de vida da informação + taxonomia + metadados. Realidade 2026: em organizações pequenas / médias, um Data Architect faz tudo. Nas grandes — especialização (Data Platform Architect + Data Warehouse Architect + Data Modeler + Master Data Architect — cargos separados). Escolha de carreira: Data Architect geral para amplitude; Data Platform Architect se você gosta de infraestrutura / ferramentas a fundo; Data Warehouse Architect se você gosta de modelagem dimensional + analytics; Master Data Architect se você gosta de governança / MDM.

Roadmap (Data Architect — nível sênior, o caminho passa pelo Senior Data Engineer): 1) Torne-se um Senior Data Engineer forte — pré-requisito. 5+ anos na prática: pipelines de dados, trabalho com warehouse, domínio de SQL, entendimento das ferramentas de dados na prática. 2) Domínio de modelagem de dados — esta é a habilidade central do Data Architect. Modelagem dimensional (Kimball — "The Data Warehouse Toolkit" Ralph Kimball — canônico), abordagem 3NF de Inmon, Data Vault 2.0 ("Building a Scalable Data Warehouse with Data Vault 2.0" Dan Linstedt). Modelagem conceitual / lógica / física. 3) SQL profundo — o Data Architect precisa entender profundamente padrões de consulta + performance + otimização. 4) Plataformas de dados cloud — escolha uma a fundo: Snowflake (líder — certificações Snowflake) ou Databricks (Lakehouse — certificações Databricks) ou BigQuery. Experiência prática de design + build. 5) Modern data stack — dbt (camada de transformação + modelagem de fato 2026 — certificação dbt), orquestração de dados (Airflow / Dagster), padrões ELT, CDC (Debezium). 6) Padrões de arquitetura de dados — entender a fundo warehouse vs lake vs lakehouse vs data mesh vs data fabric (quando cada um). "Fundamentals of Data Engineering" Joe Reis / Matt Housley (canônico 2026 — leitura obrigatória, cobre arquitetura). 7) Data mesh — "Data Mesh" Zhamak Dehghani (se você trabalha / vai trabalhar em uma organização grande). 8) Governança de dados — catálogos de dados (Collibra / Alation / DataHub / OpenMetadata), data lineage, qualidade de dados (Great Expectations / Soda), conceitos de MDM, data contracts (em alta 2024+), privacidade de dados (GDPR / 152-FZ). 9) Formatos de tabela abertos — Apache Iceberg (em alta 2026) / Delta Lake / Apache Hudi — crítico para lakehouse. 10) Camada semântica — dbt Semantic Layer / Cube — consistência de métricas. 11) Soft skills — dados são cross-functional (engenheiros + analistas + negócio + segurança), exigem gestão de stakeholders + comunicação de estratégia de dados + facilitação de governança. 12) Pratique no papel atual — como Senior Data Engineer assuma tarefas de nível de arquitetura: design de modelo de dados, seleção de plataforma, montagem de governança. Cursos russos: Otus "Data Architect" / "DWH Analyst", Karpov.Courses (Data Engineering — sobreposição), escolas corporativas de dados, treinamento Arenadata. Internacional (EN): "The Data Warehouse Toolkit" Kimball (modelagem dimensional canônica), "Fundamentals of Data Engineering" Reis / Housley (leitura obrigatória 2026), "Data Mesh" Dehghani, certificações + treinamento oficiais Snowflake / Databricks, dbt Learn (gratuito), trilhas de data engineering do DataCamp / Coursera. Senior Data Engineer (5+ anos) + domínio de modelagem de dados + expertise em plataforma de dados 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).

Um Data Architect Sênior é dono do ciclo completo de arquitetura de dados + liderança técnica. Domínio de modelagem de dados: modelagem dimensional (Kimball — star / snowflake schemas + fatos/dimensões a fundo), 3NF / DWH corporativo de Inmon, Data Vault 2.0 (hubs / links / satellites — DWH ágil), modelagem conceitual / lógica / física, modelagem ER. Domínio profundo de SQL: consultas complexas, otimização de consultas, compreensão de planos de execução — o Data Architect precisa entender a fundo como os dados são consultados. Domínio de plataforma de dados em nuvem: uma entre Snowflake / Databricks / BigQuery a fundo — design de arquitetura, otimização de desempenho, otimização de custos (plataformas de dados são caras, custo-arquitetura é crítico). Padrões de arquitetura de dados: warehouse / lake / lakehouse / data mesh / data fabric — conhecer os trade-offs + quando aplicar (não por modismo). Design de lakehouse (formatos de tabela abertos — Iceberg / Delta Lake / Hudi). Modern data stack: dbt (transformação + modelagem + camada semântica), orquestração (Airflow / Dagster), padrões ELT, CDC (Debezium), streaming (Kafka) no nível de arquitetura. Arquitetura de integração de dados: unificação de lote + streaming, estratégia de ingestão de dados, mapeamento de origem para destino. Domínio de governança de dados: estratégia de catálogo de dados (Collibra / Alation / DataHub / OpenMetadata), linhagem de dados, frameworks de qualidade de dados (Great Expectations / Soda), gestão de dados mestres (MDM), classificação de dados + privacidade (PII / GDPR / compliance com a 152-FZ na arquitetura de dados), data contracts (formalizar acordos entre produtores e consumidores — em alta em 2024+). Camada semântica: consistência de métricas (dbt Semantic Layer / Cube — fonte única da verdade). Estratégia de dados: roadmap da plataforma de dados, construir vs comprar ferramentas de dados, modelo operacional do time de dados (centralizado vs descentralizado com data mesh). System design para dados: projetar no quadro branco uma plataforma de dados em escala (dados na escala de PB, 1000s de tabelas, tempo real + lote), planejamento de capacidade, trade-offs entre desempenho e custo. Conhecimento entre domínios: compreensão de Data Engineering (realidade da implementação), Analytics / BI (necessidades dos consumidores), Segurança (proteção de dados), Arquitetura Corporativa (contexto da organização). Soft skills: gestão de stakeholders (dados são transversais: engenheiros + analistas + negócio + segurança + compliance), comunicação da estratégia de dados à liderança, facilitação da governança de dados, mentoria de Data Engineers. Inglês para Sênior+ OBRIGATÓRIO — documentação de plataformas de dados em nuvem + comunidade de dados + comunicação com times internacionais são em inglês. Bônus opcional: certificações de plataformas de dados em nuvem (Snowflake / Databricks), certificação dbt, palestras em conferências (de dados), experiência de implementação de data mesh — aumentam muito o valor de mercado para cargos de Principal / Chief Data Architect.