Data Warehouse: Markt
Stand 19. November 2026: offene Stellen Data Warehouse — 442, 39% remote unter den Stellen mit Angabe des Arbeitsmodells; Mediangehalt in Stellenanzeigen $7.880/Monat (aus 52 Anzeigen mit Gehaltsangabe). Quelle: Zorky, täglich aktualisiert.
Data Warehouse Engineer — Spezialisierung auf Cloud-DWH (Snowflake/BigQuery/Redshift/ClickHouse). Ein Teilsegment des Data Engineering mit Fokus auf DWH-Modellierung + dbt + Cloud-Datenplattformen. Eine Premium-Nische dank Cloud-DWH-Expertise. Rollenfamilie: Snowflake Engineer (dominierendes Cloud-DWH — Schemadesign + dbt + Kostenoptimierung), BigQuery Engineer (Google-Cloud-Daten-Stack), ClickHouse Engineer, Redshift Engineer (AWS Legacy), Data Warehouse Architect (Modellierungsspezialist — Kimball/Data Vault). Stack: SQL auf Meisterniveau (Pflicht — Window Functions, rekursive CTEs, Abfrageoptimierung, Partition Pruning, Materialized Views), Snowflake (Cloud-Premium — Tasks, Streams, Time Travel, Micro-Partitions, Snowpipe-Ingestion), BigQuery (GCP — slotbasierte Preise, BQML für ML in der DB), ClickHouse (dominierendes OLAP in der GUS — ReplicatedMergeTree, verteilte Engines, Materialized Views), Redshift (AWS Legacy — Distkey/Sortkey), Greenplum (GUS-Enterprise), dbt (Standard für die Transformationsschicht + Adapter dbt-snowflake / dbt-bigquery / dbt-clickhouse), Apache Airflow für die Orchestrierung der Ingestion, Looker/Mode/Metabase/Superset/Yandex DataLens für BI auf dem DWH. Top-Stack: snowflake, cloud, sql, python, dbt. Unter den Stellen mit angegebenem Arbeitsmodell sind 39% vollständig remote. Senior Snowflake/BigQuery — Aufschlag von 10-15% gegenüber Senior Data Engineer für die Cloud-DWH-Spezialisierung.
Datenstand:
Die wichtigsten Zahlen des Data Warehouse-Markts: offene Jobs, Mediangehalt, beobachteter Fachkräftepool und Remote-Anteil.
Der Markt für Data Warehouse hat derzeit 442 offene Rollen, davon 385 frisch beobachtet. Median salary $7.880/mo.
Unter den Stellen mit angegebenem Arbeitsmodell sind 39% vollständig remote. Die Arbeit ist vollständig cloudbasiert. Russische Produktunternehmen — hybrid oder remote. Sber — häufiger im Büro. Internationale Cloud-DWH-SaaS (Snowflake/BigQuery/dbt Labs) — vollständig remote.
⚠ Gehalt bekannt bei 52 von 442 Stellen; Remote-Anteil aus 362 mit angegebenem Arbeitsformat; 385 als frische Beobachtungen gezählt; Trend und Besetzungsschwierigkeit werden nicht gezeigt
Zeitachse: Ausschreibungen und Quellen
Wie viele Data Warehouse-Ausschreibungen jede Woche seit 1. Juni erschienen sind und aus wie vielen Quellen. Das untere Diagramm trennt Marktwachstum von Abdeckungswachstum: Ein Sprung in der Woche, in der neue Quellen angebunden wurden, bedeutet, dass wir mehr sehen — nicht, dass der Markt gewachsen ist.
Neue Ausschreibungen pro Woche
Diagrammdaten
| Zeitraum | Neue Ausschreibungen pro Woche |
|---|---|
| 2026-06-01 | 32 |
| 2026-06-08 | 29 |
| 2026-06-15 | 38 |
| 2026-06-22 | 89 |
| 2026-06-29 | 88 |
| 2026-07-06 | 61 |
| 2026-07-13 | 75 |
| 2026-07-20 | 88 |
| 2026-07-27 | 69 |
| 2026-08-03 | 45 |
| 2026-08-10 | 21 |
| 2026-08-17 | 27 |
| 2026-08-24 | 37 |
| 2026-08-31 | 41 |
| 2026-09-07 | 37 |
| 2026-09-14 | 34 |
| 2026-09-21 | 70 |
| 2026-09-28 | 91 |
| 2026-10-05 | 94 |
| 2026-10-12 | 200 |
| 2026-10-19 | 92 |
| 2026-10-26 | 93 |
| 2026-11-02 | 91 |
| 2026-11-09 | 124 |
Aktive Quellen pro Woche
Quellen im Zeitraum: 100. ▲ — Woche, in der viele neue Quellen angebunden wurden.
Diagrammdaten
| Zeitraum | Aktive Quellen |
|---|---|
| 2026-06-01 | 7 |
| 2026-06-08 | 9 |
| 2026-06-15 | 11 |
| 2026-06-22 | 20 |
| 2026-06-29 | 16 |
| 2026-07-06 | 19 |
| 2026-07-13 | 23 |
| 2026-07-20 | 24 |
| 2026-07-27 | 22 |
| 2026-08-03 | 21 |
| 2026-08-10 | 12 |
| 2026-08-17 | 10 |
| 2026-08-24 | 14 |
| 2026-08-31 | 19 |
| 2026-09-07 | 14 |
| 2026-09-14 | 15 |
| 2026-09-21 | 29 |
| 2026-09-28 | 24 |
| 2026-10-05 | 24 |
| 2026-10-12 | 33 |
| 2026-10-19 | 31 |
| 2026-10-26 | 30 |
| 2026-11-02 | 31 |
| 2026-11-09 | 37 |
Neue Quellen angebunden: 22. Juni +13 · 29. Juni +6 · 6. Juli +8 · 13. Juli +6 · 20. Juli +8 · alle Wochen (21) in der Tabelle
| Woche | Neue Quellen | Neue Ausschreibungen |
|---|---|---|
| 8. Juni | +3 | 29 |
| 15. Juni | +3 | 38 |
| 22. Juni | +13 | 89 |
| 29. Juni | +6 | 88 |
| 6. Juli | +8 | 61 |
| 13. Juli | +6 | 75 |
| 20. Juli | +8 | 88 |
| 27. Juli | +5 | 69 |
| 3. Aug. | +3 | 45 |
| 17. Aug. | +1 | 27 |
| 24. Aug. | +2 | 37 |
| 31. Aug. | +3 | 41 |
| 7. Sept. | +1 | 37 |
| 14. Sept. | +3 | 34 |
| 21. Sept. | +5 | 70 |
| 5. Okt. | +5 | 94 |
| 12. Okt. | +5 | 200 |
| 19. Okt. | +3 | 92 |
| 26. Okt. | +3 | 93 |
| 2. Nov. | +4 | 91 |
| 9. Nov. | +3 | 124 |
Die aktuelle Woche ist noch nicht vorbei und wird nicht gezeigt: Eine unvollständige Woche sähe wie ein Rückgang aus.
Woche = Datum der ersten Erfassung der Ausschreibung, alle Status; Ausschreibungen werden nach derselben Regel ausgewählt wie der Zähler dieser Seite. Quellen sind unterschiedliche Erfassungskanäle; ihre Namen werden nicht veröffentlicht.
Diagrammdaten
| Woche | Neue Ausschreibungen pro Woche | Aktive Quellen |
|---|---|---|
| 2026-06-01 | 32 | 7 |
| 2026-06-08 | 29 | 9 |
| 2026-06-15 | 38 | 11 |
| 2026-06-22 | 89 | 20 |
| 2026-06-29 | 88 | 16 |
| 2026-07-06 | 61 | 19 |
| 2026-07-13 | 75 | 23 |
| 2026-07-20 | 88 | 24 |
| 2026-07-27 | 69 | 22 |
| 2026-08-03 | 45 | 21 |
| 2026-08-10 | 21 | 12 |
| 2026-08-17 | 27 | 10 |
| 2026-08-24 | 37 | 14 |
| 2026-08-31 | 41 | 19 |
| 2026-09-07 | 37 | 14 |
| 2026-09-14 | 34 | 15 |
| 2026-09-21 | 70 | 29 |
| 2026-09-28 | 91 | 24 |
| 2026-10-05 | 94 | 24 |
| 2026-10-12 | 200 | 33 |
| 2026-10-19 | 92 | 31 |
| 2026-10-26 | 93 | 30 |
| 2026-11-02 | 91 | 31 |
| 2026-11-09 | 124 | 37 |
Gehälter im Zeitverlauf
Mediangehalt Data Warehouse pro Woche, USD pro Monat.
Mediangehalt, USD pro Monat
Diagrammdaten
| Zeitraum | Median | Stellen mit Gehalt pro Woche (n) |
|---|---|---|
| 2026-10-12 | 7.618 | 13 |
| 2026-10-19 | 6.312 | 13 |
| 2026-10-26 | 8.143 | 18 |
| 2026-11-02 | 9.583 | 11 |
| 2026-11-09 | 6.375 | 19 |
Die Reihe beginnt am 12. Okt.: davor gibt es keine Daten.
Nur Ausschreibungen mit Gehalt in USD und bekanntem Zeitraum (Monat oder Jahr), 500–50.000 $ pro Monat. Wochen mit weniger als 10 solchen Ausschreibungen bleiben leer — das heißt keine Daten, nicht null.
Diagrammdaten
| Woche | Median |
|---|---|
| 2026-06-01 | — |
| 2026-06-08 | — |
| 2026-06-15 | — |
| 2026-06-22 | — |
| 2026-06-29 | — |
| 2026-07-06 | — |
| 2026-07-13 | — |
| 2026-07-20 | — |
| 2026-07-27 | — |
| 2026-08-03 | — |
| 2026-08-10 | — |
| 2026-08-17 | — |
| 2026-08-24 | — |
| 2026-08-31 | — |
| 2026-09-07 | — |
| 2026-09-14 | — |
| 2026-09-21 | — |
| 2026-09-28 | — |
| 2026-10-05 | — |
| 2026-10-12 | 7.618 |
| 2026-10-19 | 6.312 |
| 2026-10-26 | 8.143 |
| 2026-11-02 | 9.583 |
| 2026-11-09 | 6.375 |
Remote-Arbeit im Zeitverlauf
Anteil der Data Warehouse-Ausschreibungen mit vollständig remoter Arbeit, pro Woche.
Remote-Ausschreibungen, %
Diagrammdaten
| Zeitraum | Ortsunabhängig |
|---|---|
| 2026-06-01 | 72 |
| 2026-06-08 | 42,9 |
| 2026-06-15 | 58,8 |
| 2026-06-22 | 52,4 |
| 2026-06-29 | 52,8 |
| 2026-07-06 | 48,4 |
| 2026-07-13 | 50 |
| 2026-07-20 | 68,7 |
| 2026-07-27 | 75 |
| 2026-08-03 | 23,7 |
| 2026-08-10 | 13,3 |
| 2026-08-17 | 15,4 |
| 2026-08-24 | 40 |
| 2026-08-31 | 31,4 |
| 2026-09-07 | 25,8 |
| 2026-09-14 | 26,9 |
| 2026-09-21 | 21,3 |
| 2026-09-28 | 49,3 |
| 2026-10-05 | 32,9 |
| 2026-10-12 | 36,4 |
| 2026-10-19 | 27,6 |
| 2026-10-26 | 50 |
| 2026-11-02 | 42,9 |
| 2026-11-09 | 29,6 |
Der Anteil bezieht sich auf Ausschreibungen mit Angabe des Arbeitsmodells (remote, hybrid, Büro). Wochen mit weniger als 10 solchen Ausschreibungen bleiben leer.
Diagrammdaten
| Woche | Ortsunabhängig |
|---|---|
| 2026-06-01 | 72 |
| 2026-06-08 | 42,9 |
| 2026-06-15 | 58,8 |
| 2026-06-22 | 52,4 |
| 2026-06-29 | 52,8 |
| 2026-07-06 | 48,4 |
| 2026-07-13 | 50 |
| 2026-07-20 | 68,7 |
| 2026-07-27 | 75 |
| 2026-08-03 | 23,7 |
| 2026-08-10 | 13,3 |
| 2026-08-17 | 15,4 |
| 2026-08-24 | 40 |
| 2026-08-31 | 31,4 |
| 2026-09-07 | 25,8 |
| 2026-09-14 | 26,9 |
| 2026-09-21 | 21,3 |
| 2026-09-28 | 49,3 |
| 2026-10-05 | 32,9 |
| 2026-10-12 | 36,4 |
| 2026-10-19 | 27,6 |
| 2026-10-26 | 50 |
| 2026-11-02 | 42,9 |
| 2026-11-09 | 29,6 |
Technologien im Zeitverlauf
Wie sich der Anteil der Data Warehouse-Stellen verändert hat, die jede der Top-Technologien nennen.
Ausschreibungen mit der Technologie, %
Diagrammdaten
| Zeitraum | Snowflake | SQL | cloud |
|---|---|---|---|
| 2026-08-17 | 80,8 | 11,5 | 34,6 |
| 2026-08-24 | 74,3 | 22,9 | 22,9 |
| 2026-08-31 | 72,5 | 17,5 | 25 |
| 2026-09-07 | 76,5 | 17,6 | 29,4 |
| 2026-09-14 | 64,5 | 38,7 | 16,1 |
| 2026-09-21 | 76,2 | 22,2 | 31,7 |
| 2026-09-28 | 56 | 26,2 | 59,5 |
| 2026-10-05 | 70,8 | 49,4 | 47,2 |
| 2026-10-12 | 75,3 | 34,3 | 43,3 |
| 2026-10-19 | 78,7 | 65,2 | 42,7 |
| 2026-10-26 | 77,4 | 60,2 | 44,1 |
| 2026-11-02 | 72,1 | 58,1 | 52,3 |
| 2026-11-09 | 71,9 | 48,8 | 42,1 |
Die Reihe beginnt am 17. Aug.: davor gibt es keine Daten.
Anteil unter Ausschreibungen mit getaggtem Stack; die Reihe beginnt am 10. Aug.: davor wurden Stack-Tags anders vergeben. Wochen mit weniger als 20 getaggten Ausschreibungen bleiben leer.
Diagrammdaten
| Woche | Snowflake | SQL | cloud | Python | dbt |
|---|---|---|---|---|---|
| 2026-08-10 | — | — | — | — | — |
| 2026-08-17 | 80,8 | 11,5 | 34,6 | 3,8 | 7,7 |
| 2026-08-24 | 74,3 | 22,9 | 22,9 | 28,6 | 2,9 |
| 2026-08-31 | 72,5 | 17,5 | 25 | 10 | 15 |
| 2026-09-07 | 76,5 | 17,6 | 29,4 | 11,8 | 2,9 |
| 2026-09-14 | 64,5 | 38,7 | 16,1 | 19,4 | 6,5 |
| 2026-09-21 | 76,2 | 22,2 | 31,7 | 31,7 | 19 |
| 2026-09-28 | 56 | 26,2 | 59,5 | 29,8 | 14,3 |
| 2026-10-05 | 70,8 | 49,4 | 47,2 | 42,7 | 16,9 |
| 2026-10-12 | 75,3 | 34,3 | 43,3 | 20,2 | 16,9 |
| 2026-10-19 | 78,7 | 65,2 | 42,7 | 44,9 | 40,4 |
| 2026-10-26 | 77,4 | 60,2 | 44,1 | 48,4 | 32,3 |
| 2026-11-02 | 72,1 | 58,1 | 52,3 | 52,3 | 40,7 |
| 2026-11-09 | 71,9 | 48,8 | 42,1 | 37,2 | 33,1 |
Länder im Zeitverlauf
Wie sich der Anteil der Data Warehouse-Stellen in jedem der Top-Länder pro Woche verändert hat.
Ausschreibungen im Land, %
Diagrammdaten
| Zeitraum | Polen | USA | Vereinigtes Königreich |
|---|---|---|---|
| 2026-06-01 | 56,2 | 28,1 | 0 |
| 2026-06-08 | 27,6 | 37,9 | 3,4 |
| 2026-06-15 | 43,2 | 18,9 | 8,1 |
| 2026-06-22 | 63,2 | 12,6 | 1,1 |
| 2026-06-29 | 37,9 | 34,5 | 3,4 |
| 2026-07-06 | 17,9 | 51,8 | 0 |
| 2026-07-13 | 24,6 | 31,1 | 1,6 |
| 2026-07-20 | 55,2 | 14,9 | 11,5 |
| 2026-07-27 | 65,5 | 5,2 | 12,1 |
| 2026-08-03 | 17,1 | 12,2 | 22 |
| 2026-08-10 | 10 | 20 | 40 |
| 2026-08-17 | 13,6 | 9,1 | 45,5 |
| 2026-08-24 | 25 | 17,9 | 28,6 |
| 2026-08-31 | 11,1 | 13,9 | 38,9 |
| 2026-09-07 | 6,7 | 13,3 | 36,7 |
| 2026-09-14 | 7,4 | 29,6 | 18,5 |
| 2026-09-21 | 14,3 | 25 | 8,9 |
| 2026-09-28 | 18,6 | 15,1 | 7 |
| 2026-10-05 | 37,2 | 8,1 | 9,3 |
| 2026-10-12 | 23,4 | 19,3 | 10,3 |
| 2026-10-19 | 42,7 | 15,9 | 4,9 |
| 2026-10-26 | 39,8 | 14,8 | 10,2 |
| 2026-11-02 | 27,7 | 25,3 | 6 |
| 2026-11-09 | 23,3 | 14,6 | 8,7 |
Anteil unter Ausschreibungen mit bekanntem Land; das Diagramm zeigt die fünf Länder mit den meisten Ausschreibungen über sechs Monate. Wochen mit weniger als 20 Ausschreibungen mit bekanntem Land bleiben leer. Ein steigender Anteil kann eine neu angebundene Quelle in diesem Land bedeuten statt Marktwachstum.
Diagrammdaten
| Woche | Polen | USA | Indien | Vereinigtes Königreich | Australien |
|---|---|---|---|---|---|
| 2026-06-01 | 56,2 | 28,1 | 6,2 | 0 | 0 |
| 2026-06-08 | 27,6 | 37,9 | 17,2 | 3,4 | 0 |
| 2026-06-15 | 43,2 | 18,9 | 5,4 | 8,1 | 2,7 |
| 2026-06-22 | 63,2 | 12,6 | 8 | 1,1 | 1,1 |
| 2026-06-29 | 37,9 | 34,5 | 5,7 | 3,4 | 2,3 |
| 2026-07-06 | 17,9 | 51,8 | 16,1 | 0 | 0 |
| 2026-07-13 | 24,6 | 31,1 | 21,3 | 1,6 | 3,3 |
| 2026-07-20 | 55,2 | 14,9 | 6,9 | 11,5 | 3,4 |
| 2026-07-27 | 65,5 | 5,2 | 3,4 | 12,1 | 3,4 |
| 2026-08-03 | 17,1 | 12,2 | 19,5 | 22 | 4,9 |
| 2026-08-10 | 10 | 20 | 10 | 40 | 15 |
| 2026-08-17 | 13,6 | 9,1 | 18,2 | 45,5 | 9,1 |
| 2026-08-24 | 25 | 17,9 | 17,9 | 28,6 | 3,6 |
| 2026-08-31 | 11,1 | 13,9 | 16,7 | 38,9 | 11,1 |
| 2026-09-07 | 6,7 | 13,3 | 16,7 | 36,7 | 3,3 |
| 2026-09-14 | 7,4 | 29,6 | 29,6 | 18,5 | 3,7 |
| 2026-09-21 | 14,3 | 25 | 12,5 | 8,9 | 5,4 |
| 2026-09-28 | 18,6 | 15,1 | 11,6 | 7 | 7 |
| 2026-10-05 | 37,2 | 8,1 | 11,6 | 9,3 | 2,3 |
| 2026-10-12 | 23,4 | 19,3 | 15,2 | 10,3 | 0,7 |
| 2026-10-19 | 42,7 | 15,9 | 12,2 | 4,9 | 6,1 |
| 2026-10-26 | 39,8 | 14,8 | 12,5 | 10,2 | 5,7 |
| 2026-11-02 | 27,7 | 25,3 | 4,8 | 6 | 1,2 |
| 2026-11-09 | 23,3 | 14,6 | 5,8 | 8,7 | 0 |
Bereinigter Markt: Einstellungsindex
Dieselben 7.505 Karriereseiten von Arbeitgebern; die Zahl der Ausschreibungen stammt direkt von der Seite. Neue Quellen bewegen diesen Index nicht — er zeigt den Markt, nicht unsere Abdeckung. Das ist der gesamte Panelmarkt, nicht nur Data Warehouse.
Einstellungsindex, 16. Okt. = 100
Diagrammdaten
| Zeitraum | Einstellungsindex |
|---|---|
| 2026-10-16 | 100 |
| 2026-10-17 | 100,03 |
| 2026-10-18 | 99,76 |
| 2026-10-19 | 99,68 |
| 2026-10-20 | 99,27 |
| 2026-10-21 | 98,6 |
| 2026-10-22 | 99,07 |
| 2026-10-23 | 97,4 |
| 2026-10-24 | 97,41 |
| 2026-10-26 | 97,33 |
| 2026-10-27 | 96,76 |
| 2026-10-28 | 96,21 |
| 2026-10-29 | 95,17 |
| 2026-10-30 | 95,13 |
| 2026-10-31 | 93,65 |
| 2026-11-01 | 93,33 |
| 2026-11-02 | 92,67 |
| 2026-11-03 | 92,65 |
| 2026-11-04 | 92,41 |
| 2026-11-05 | 92,13 |
| 2026-11-06 | 90,44 |
| 2026-11-07 | 90,48 |
| 2026-11-08 | 90,45 |
| 2026-11-10 | 90,29 |
| 2026-11-11 | 90,22 |
| 2026-11-13 | 90,12 |
| 2026-11-14 | 89,7 |
| 2026-11-15 | 89,68 |
| 2026-11-16 | 89,62 |
| 2026-11-18 | 88,91 |
| 2026-11-19 | 88,02 |
Kettenindex: Jeder Tag vergleicht nur Seiten, die an diesem und am vorherigen Tag abgefragt wurden; Ausreißer und plattformweite Abfrageausfälle sind ausgeschlossen. Tage ohne vergleichbare Paare bleiben leer.
Diagrammdaten
| Tag | Einstellungsindex |
|---|---|
| 2026-10-16 | 100 |
| 2026-10-17 | 100,03 |
| 2026-10-18 | 99,76 |
| 2026-10-19 | 99,68 |
| 2026-10-20 | 99,27 |
| 2026-10-21 | 98,6 |
| 2026-10-22 | 99,07 |
| 2026-10-23 | 97,4 |
| 2026-10-24 | 97,41 |
| 2026-10-26 | 97,33 |
| 2026-10-27 | 96,76 |
| 2026-10-28 | 96,21 |
| 2026-10-29 | 95,17 |
| 2026-10-30 | 95,13 |
| 2026-10-31 | 93,65 |
| 2026-11-01 | 93,33 |
| 2026-11-02 | 92,67 |
| 2026-11-03 | 92,65 |
| 2026-11-04 | 92,41 |
| 2026-11-05 | 92,13 |
| 2026-11-06 | 90,44 |
| 2026-11-07 | 90,48 |
| 2026-11-08 | 90,45 |
| 2026-11-10 | 90,29 |
| 2026-11-11 | 90,22 |
| 2026-11-13 | 90,12 |
| 2026-11-14 | 89,7 |
| 2026-11-15 | 89,68 |
| 2026-11-16 | 89,62 |
| 2026-11-18 | 88,91 |
| 2026-11-19 | 88,02 |
Wie viele offene Data Warehouse-Jobs es gibt und wie viele passende Fachkräfte Zorky sieht.
Nachfrage und beobachtetes Angebot
Diagrammdaten
| Kennzahl | Wert |
|---|---|
| Offene Nachfrage | 442 |
| Offene Nachfrage | 442 |
| Beobachtetes Angebot | — nicht veröffentlicht |
Data Warehouse Engineer bildet einen beständigen Strom an Stellen. Treiber: Migrationen von Legacy-DWH (Greenplum/Redshift) zu Snowflake/BigQuery/ClickHouse, Wachstum des modernen Data Stack (dbt + Cloud-DWH), ClickHouse dominiert in Produktteams der GUS.
⚠ zu einer Stelle passende Kandidaten werden noch nicht gezählt: gezeigt werden Nachfrage und der beobachtete Pool
Wie sich die Gehälter in Data Warehouse-Jobs verteilen, in US-Dollar pro Monat.
Gehaltsverteilung
Diagrammdaten
| Kennzahl | Wert |
|---|---|
| <$1k | 0 |
| $1–2k | 0 |
| $2–3k | 0 |
| $3–4k | 0 |
| $4–5k | 5 |
| $5–6k | 6 |
| $6–7k | 11 |
| $7–8k | 5 |
| $8–9k | 7 |
| $9–10k | 3 |
| $10–12k | 9 |
| $12–15k | 4 |
| $15–20k | 1 |
| $20k+ | 1 |
- für die Berechnung nutzbar: 52 (11,8%)
- angegeben, aber nicht in USD/Monat umgerechnet: 54 (12,2%)
- nicht angegeben: 336 (76%)
Jede zehnte Stellenanzeige bietet unter $5.373, jede zehnte über $12.500. Die Hälfte der Anzeigen bietet zwischen $6.062 und $10.250. Stichprobe: 52.
Diagrammdaten
| Kennzahl | Untergrenze | Obergrenze | Anzahl |
|---|---|---|---|
| <$1k | 0 | 1.000 | 0 |
| $1–2k | 1.000 | 2.000 | 0 |
| $2–3k | 2.000 | 3.000 | 0 |
| $3–4k | 3.000 | 4.000 | 0 |
| $4–5k | 4.000 | 5.000 | 5 |
| $5–6k | 5.000 | 6.000 | 6 |
| $6–7k | 6.000 | 7.000 | 11 |
| $7–8k | 7.000 | 8.000 | 5 |
| $8–9k | 8.000 | 9.000 | 7 |
| $9–10k | 9.000 | 10.000 | 3 |
| $10–12k | 10.000 | 12.000 | 9 |
| $12–15k | 12.000 | 15.000 | 4 |
| $15–20k | 15.000 | 20.000 | 1 |
| $20k+ | 20.000 | — | 1 |
In welchen Ländern es die meisten offenen Data Warehouse-Jobs gibt.
Geografie der Nachfrage
| Land | Stellen | Anteil |
|---|---|---|
| Polen | 118 | 30,8% |
| Vereinigte Staaten | 79 | 20,6% |
| Indien | 49 | 12,8% |
| Vereinigtes Königreich | 25 | 6,5% |
| Frankreich | 19 | 5% |
| Deutschland | 18 | 4,7% |
| Kanada | 8 | 2,1% |
| Mexiko | 6 | 1,6% |
| Russland | 6 | 1,6% |
| Südafrika | 5 | 1,3% |
| Übrige Länder | 50 | 13,1% |
Führend bei der Zahl der Stellen für DWH: Polen (118 Stellen). Russland — ClickHouse dominiert. Polen — DWH-freundliche EU. Große internationale Remote-Arbeit über Snowflake/dbt Labs.
⚠ nur Stellenzahlen: Gehalt nach Land wird nicht veröffentlicht
Diagrammdaten
| Land | Stellen |
|---|---|
| PL | 118 |
| US | 79 |
| IN | 49 |
| GB | 25 |
| FR | 19 |
| DE | 18 |
| CA | 8 |
| MX | 6 |
| RU | 6 |
| ZA | 5 |
Welche Technologien am häufigsten im selben Job wie Data Warehouse verlangt werden.
Wird zusammen verwendet mit
Anteil — wie viele der 442 Stellen im Markt Data Warehouse diese Technologie nennen. Sortiert nach Stellenzahl, nicht nach „Stärke des Zusammenhangs“. Oberbegriffe wie cloud sind keine bestimmte Cloud (AWS, Azure).
Top-DWH-Stack 2026: SQL auf Expertenniveau (Pflicht), ein Cloud-DWH: Snowflake (Cloud-Premium) / BigQuery (GCP) / ClickHouse (dominierendes OLAP in der GUS) / Redshift (AWS-Legacy), dbt (Standard der Transformationsschicht), Apache Airflow (Orchestrierung der Ingestion), Apache Iceberg / Delta Lake (Lakehouse), Kafka + Debezium (CDC), Looker / Mode / Metabase / Superset / Yandex DataLens (BI).
Häufige Paare: SQL + Snowflake, SQL + ClickHouse, dbt + Snowflake, dbt + BigQuery, dbt + ClickHouse, Airflow + DWH. Lern-Roadmap: fortgeschrittenes SQL → ein Cloud-DWH (ClickHouse für die GUS oder Snowflake international) → dbt → Modellierung nach Kimball → Airflow-Grundlagen → ein BI-Tool.
Diagrammdaten
| Name | Anzahl |
|---|---|
| snowflake | 324 |
| sql | 203 |
| cloud | 201 |
| python | 162 |
| dbt | 148 |
| aws | 118 |
| azure | 100 |
| airflow | 85 |
| databricks | 73 |
| gcp | 63 |
| bigquery | 61 |
| kafka | 26 |
Wie viele Data Warehouse-Jobs es auf jeder Stufe gibt — von Junior bis Principal.
Nachfrage nach Level
| Level | Stellen |
|---|---|
| senior | 163 |
| middle | 40 |
| Principal | 28 |
| lead | 27 |
| junior | 10 |
Juniors sind rar — der Markt erwartet fortgeschrittenes SQL + ein DWH. Karriereweg: Analyst Senior / Data Engineer Middle → DWH Middle → Senior → DWH Architect / Head of Data.
⚠ nur die Nachfrageseite: das Level des beobachteten Pools ist größtenteils unbekannt
Diagrammdaten
| Stufe | Anzahl |
|---|---|
| senior | 163 |
| middle | 40 |
| Principal | 28 |
| lead | 27 |
| junior | 10 |
Wer im Bereich Data Warehouse am meisten einstellt und wie stark sich die Nachfrage auf die größten Unternehmen konzentriert.
Arbeitgeber
Die Nachfrage verteilt sich auf 280 Arbeitgeber. Der größte steht für 3.3 %, die Top Ten für 16.7 %; die übrigen 83.3 % sind Long Tail.
| Anteil | Wert |
|---|---|
| Top-1 | 3.3% |
| Top-3 | 7.2% |
| Top-10 | 16.7% |
| Long Tail | 83.3% |
⚠ Namen werden nicht angezeigt: Personalvermittler und Endarbeitgeber werden vom Klassifikator noch nicht unterschieden
Von welchen Unternehmensseiten und Jobbörsen Zorky Data Warehouse-Jobs sammelt.
Wo Zorky diesen Markt sieht
Beobachtet in 65 Quellen; die größte steht für 15.4 % — dieser Markt hängt nicht an einem einzigen Kanal.
Diagrammdaten
| Klasse | Name | Englischer Name | Anzahl | Anteil |
|---|---|---|---|---|
| ats | ATS и карьерные сайты | ATS & Karriereseiten | 223 | 0,5045 |
| board | джоб-борды и агрегаторы | Jobbörsen & Aggregatoren | 202 | 0,457 |
| telegram | Telegram | Telegram | 17 | 0,0385 |
Die neuesten Data Warehouse-Jobs von Karriereseiten der Unternehmen.
Neueste Ausschreibungen
- Snowflake Data Engineer (Middle+/Senior)
- Snowflake Data Engineer (Middle+/Senior) | Remote
- Snowflake Data Engineer | German B2+ Required | Fully Remote · RS
- Snowflake Data Engineer | 3 year(s) | Middle | IC
- Senior Data Engineer (Snowflake, AWS, Big Data) · AU
- Snowflake Data Engineer · US
- Snowflake Consultant - Senior Manager – Data & AI Engineering · GB
- Director, Data Warehouse Engineering · US · $16.997
Die neuesten offenen Stellen für DWH Engineer — die 10 jüngsten Positionen mit ausreichender Beschreibungsqualität. Die vollständige Liste finden Sie in unserem CRM oder über den Link „Alle ansehen“ unten.
Benachbarte Märkte
DWH Engineer — ein Premiumsegment der Richtung Data. Aufschlag von 10-15% gegenüber Senior Data Engineer für die Spezialisierung auf Cloud-DWH. Vergleich — im SiblingSubnichesChart oben.
⚠ angrenzende Märkte zum Vergleich sind noch nicht definiert
So wird gemessen
- 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
Über die Daten
- Einige Aufschlüsselungen sind ausgeblendet: Die Datenabdeckung reicht noch nicht aus.
- Statistiken erscheinen nur, wo die Stichprobe eine Qualitätsschwelle passiert.
- Ein fehlender Block bedeutet nicht den Wert null.
Derzeit ausgeblendete Aufschlüsselungen: 8.
Richtung: Datenengineering
Verwandte Spezialisierungen
Innerhalb von Data Warehouse Engineer: Snowflake Engineer (Dominator im Cloud-DWH), BigQuery Engineer (GCP), ClickHouse Engineer, Redshift Engineer (AWS-Legacy), Data Warehouse Architect (Modellierungsspezialist). Vergleich mit anderen Datenspezialisierungen — im Balken unten.
Häufig gestellte Fragen
Die häufigsten Fragen zu DWH Engineer: Bezahlung, Snowflake vs. BigQuery vs. ClickHouse vs. Redshift, dbt vs. Airflow (Ergänzung, keine Konkurrenz), Unterschiede zu Data Engineer / Analytics Engineer, Remote, Einstieg (6-10 Monate), Senior-Fähigkeiten. Die Antworten werden automatisch neu berechnet.
Was verdient ein DWH als Junior, Middle, Senior oder Lead?
Junior-Stellen im DWH-Bereich sind rar — der Markt erwartet fortgeschrittenes SQL + praktische Erfahrung mit einem DWH (oft nach Analyst Senior mit SQL-Beherrschung oder Data Engineer Middle). Der Sprung Junior → Middle — ein DWH in der Tiefe beherrschen + dbt + Ingestion-Pipelines. Ein Senior verantwortet die DWH-Modellierungsarchitektur (Star/Snowflake/Data Vault). Lead — Führung des Modellierungsteams + Entwurf der Enterprise-Datenarchitektur. Karriereweg: Analyst Senior / Data Engineer Middle → DWH Middle → Senior → entweder Data Warehouse Architect oder Head of Data.
Welchen Stack braucht a DWH Engineer am häufigsten?
Top 5: snowflake, cloud, sql, python, dbt. SQL auf Expertenniveau (Fensterfunktionen, rekursive CTEs, Abfrageoptimierung, Partition Pruning). Eines der Cloud-DWHs: Snowflake (Cloud-Premium — Tasks/Streams/Time Travel/Micro-Partitions/Snowpipe), BigQuery (GCP — Slot-Preise/BQML), ClickHouse (dominierendes OLAP in der GUS — ReplicatedMergeTree/verteilt/Materialized Views), Redshift (AWS-Legacy — Distkey/Sortkey). Greenplum im Enterprise der GUS (Sber). dbt — Pflicht (Standard der Transformationsschicht — Modelle + Tests + Makros + Pakete). Apache Airflow für die Ingestion. Apache Iceberg/Delta Lake — Lakehouse-Tabellenformate (wachsend). Apache Kafka + Debezium für CDC. BI: Looker/Mode/Metabase/Superset/Yandex DataLens. Kenntnis der Kimball-Modellierung (Stern-/Schneeflockenschemata, Slowly Changing Dimensions) oder von Data Vault — Pflicht für Senior.
Snowflake vs. BigQuery vs. ClickHouse vs. Redshift — was wählen?
Snowflake — der dominierende Cloud-DWH in internationalen Projekten. Multi-Cloud (AWS/Azure/GCP), Trennung von Storage/Compute, Time Travel, Snowpipe für Streaming. Premium-Preise, aber die beste DX. Senior Snowflake — Premium in internationaler Remote-Arbeit. BigQuery — nativ in Google Cloud. Slot-basierte Preise (oder On-Demand), BQML für Machine Learning in der Datenbank. Dominiert in GCP-Unternehmen. ClickHouse — der dominierende Open-Source-OLAP in der GUS. Das schnellste OLAP auf spaltenbasiertem Speicher. Senior ClickHouse — eine Marktnotwendigkeit in Produktunternehmen der GUS. Redshift — AWS-Altlast, Migrationen zu Snowflake oder BigQuery. Weniger neue Projekte. Strategie: ClickHouse in einem Produktteam der GUS, Snowflake für internationale Remote-Arbeit, BigQuery im GCP-Stack, Redshift nur zur Wartung alter AWS-Projekte.
dbt vs. Airflow — sind das Konkurrenten?
Keine Konkurrenten — sondern Ergänzungen. Airflow — Orchestrierung (wann was läuft, Abhängigkeiten zwischen Aufgaben). dbt — Transformationsschicht (SQL-Modelle + Tests + Dokumentation + Lineage). Klassische Pipeline des Modern Data Stack: Airflow stößt die Ingestion an (Python-/Spark-Skripte) → dbt läuft in Airflow als BashOperator oder DbtRunOperator (über den Provider astronomer-dbt) → dbt führt SQL-Transformationen im DWH aus (Snowflake/BigQuery/ClickHouse) → die BI-Schicht (Looker/Metabase) liest die finalen dbt-Modelle. Ein Senior DWH Engineer beherrscht beides. Airflow für Orchestrierung + Ingestion, dbt für Transformationen + Tests. Kenntnis der dbt-Bausteine (sources/models/tests/macros/snapshots/seeds) + dbt-Best-Practices — Pflicht für Seniors 2026.
Welcher Anteil der Stellen ist vollständig remote?
Unter den Stellen mit angegebenem Arbeitsmodell sind 39% vollständig remote. Stellen ohne Angabe des Arbeitsmodells sind vom Nenner ausgeschlossen; hybride Arbeit wird nicht als vollständig remote gezählt.
Worin unterscheidet sich DWH Engineer von Data Engineer / Analytics Engineer?
DWH Engineer (diese Seite) — Fokus auf Cloud-DWH (Snowflake/BigQuery/ClickHouse/Redshift) + Modellierung. SQL-Meisterschaft + ein DWH in der Tiefe. Data Engineer (allgemein) — breiterer Umfang: Pipelines + DWH + Streaming + Spark. Analytics Engineer — Fokus auf dbt + Transformationsschicht. Steht zwischen Data Engineer und Data Analyst. SQL + dbt + ein DWH (oft Snowflake/BigQuery), aber OHNE Spark und Streaming. Karrierewechsel DWH Engineer → Analytics Engineer — 1-2 Monate (derselbe Stack, Fokus auf dbt). DWH Engineer → Data Engineer (allgemein) — 3-6 Monate (+ Spark + Airflow vertiefen).
Wie fängt man 2026 mit DWH an?
Roadmap (vorausgesetzt wird Erfahrung als SQL Middle oder Data Analyst): 1) Fortgeschrittenes SQL — Fensterfunktionen in der Tiefe, rekursive CTE, Abfrageoptimierung, EXPLAIN ANALYZE, Indizes, Partition Pruning. PostgreSQL + eine OLAP-Datenbank (ClickHouse empfohlen — in der GUS am meisten genutzt). 2) Ein Cloud-DWH: ClickHouse (empfohlen für eine Karriere in der GUS — Open Source, kostenlos) ODER Snowflake (für internationale Remote-Arbeit — 30-tägige kostenlose Testversion) ODER BigQuery (kostenloses GCP-Kontingent). Beherrschen Sie die engine-spezifischen Funktionen (ClickHouse: ReplicatedMergeTree + Distributed + Materialized Views; Snowflake: Tasks + Streams + Time Travel + Mikropartitionen). 3) dbt — offizielles Tutorial auf getdbt.com + Pet-Projekt Jaffle Shop. Beherrschen Sie Models + Tests + Macros + Sources + Snapshots. 4) Modellierung nach Kimball — Sternschema, Schneeflockenschema, Slowly Changing Dimensions (SCD). Buch „The Data Warehouse Toolkit“ von Kimball. 5) Airflow-Grundlagen — Orchestrierung der Datenaufnahme. 6) Apache Iceberg oder Delta Lake — Grundlagen des Lakehouse. 7) Ein BI-Tool — Metabase/Superset/Yandex DataLens (kostenlos) oder Looker (Premium). 8) Durchgängiges Pet-Projekt: Datenaufnahme (Python-Skript + Airflow) → DWH (ClickHouse oder BigQuery) → dbt-Modelle → BI-Dashboard in Metabase. Kurse: Karpov.Courses „Data Engineer“ (enthält DWH), OTUS „Data Engineer“, Yandex.Practicum „Data Engineer“, DataCamp „Data Engineer with dbt“, Snowflake University (EN — kostenlos, die beste Ressource zu Snowflake), ClickHouse Academy (EN — kostenlos). Bücher: „The Data Warehouse Toolkit“ von Kimball (Pflichtlektüre), „Analytics Engineering with dbt“ (Leitfaden zum modernen Daten-Stack). Zeit bis zum Junior DWH — 6-10 Monate (schneller als beim allgemeinen Data Engineer dank kleinerem Umfang).
Wie viele offene Stellen enthält diese Stichprobe?
Die veröffentlichte Stichprobe enthält 442 offene Stellen nach Zusammenführung erneuter Veröffentlichungen. Dies entspricht dem Wert der Hauptkennzahl. Der geografische Abschnitt beschreibt die Abdeckung der Stichprobe; dies ist keine Schätzung des gesamten Marktes.
Welche Fähigkeiten braucht ein Senior DWH Engineer?
Ein Senior DWH verantwortet den gesamten Zyklus des Cloud-DWH. Beherrschung von SQL: Window Functions in der Tiefe, rekursive CTEs, Abfragepläne (EXPLAIN ANALYZE), Partition Pruning, Indizes, Materialized Views, Muster der Abfrageoptimierung. Ein Cloud-DWH in der Tiefe: Snowflake (Tasks/Streams/Time Travel/Micro-Partitions/Snowpipe/Kostenoptimierung über die Warehouse-Größe) oder BigQuery (Slot-Management/BQML/partitionierte Tabellen) oder ClickHouse (ReplicatedMergeTree/verteilte Engines/Materialized Views/Codecs/Dictionaries). Modellierung: Beherrschung von Kimball (Star-/Snowflake-Schema, Conformed Dimensions, SCD-Typen 1-6), Grundlagen von Data Vault, Lakehouse-Architektur (Partition Evolution in Iceberg/Delta, Time Travel, Schema Evolution). dbt: Beherrschung (Models/Sources/Tests/Macros/Snapshots/Seeds/Exposures), Best Practices (inkrementelle Modelle, Materialisierungsstrategien, Besonderheiten der Adapter dbt-snowflake/dbt-bigquery). Performance: Muster der Abfrageoptimierung je DWH-Engine, Kostenmanagement (Credit-Verbrauch in Snowflake / Slots in BigQuery / Clustergröße in ClickHouse). Datenaufnahme: Kafka + Debezium für CDC, Airflow für Batch-Aufnahme, Snowpipe / Snowflake Streams / Materialized Views. Datenqualität: dbt-Tests + Great Expectations + Soda. BI-Integration: eines von Looker/Mode/Metabase/Superset/Yandex DataLens auf dem Niveau des Entwurfs der semantischen Schicht. Soft Skills: Code Review (SQL + dbt), Mentoring von Middles, Kommunikation mit Analyst-/Business-Teams. Englisch ab Senior+ Pflicht — die DWH-Dokumentation ist überwiegend EN.
Anfrage hinterlassen
Beschreiben Sie die Aufgabe und hinterlassen Sie einen Kontakt — die Anfrage geht in unser CRM, und wir antworten über den angegebenen Kontakt.