Wir verwenden technische Cookies und das anonymisierte Besuchsprotokoll von Zorky. Yandex Metrica (Daten werden auf Servern in Russland gespeichert) läuft nur mit Ihrer Einwilligung. Wir verkaufen keine Daten. Mehr zu Cookies und Statistik.
Zorky läuft im Testmodus — alles ist kostenlos. Stellen und Unternehmensseiten sind für alle offen; Links zu den Anzeigen und Ihre persönliche Stellenauswahl gibt es nach der Registrierung. Registrieren →

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.

442
offene Stellen — nach Jobtitel, Reposts zusammengeführt
$7.880
Median $/Monat
39%
ortsunabhängig

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
Neue Ausschreibungen pro Woche. Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
ZeitraumNeue Ausschreibungen pro Woche
2026-06-0132
2026-06-0829
2026-06-1538
2026-06-2289
2026-06-2988
2026-07-0661
2026-07-1375
2026-07-2088
2026-07-2769
2026-08-0345
2026-08-1021
2026-08-1727
2026-08-2437
2026-08-3141
2026-09-0737
2026-09-1434
2026-09-2170
2026-09-2891
2026-10-0594
2026-10-12200
2026-10-1992
2026-10-2693
2026-11-0291
2026-11-09124

Aktive Quellen pro Woche

Quellen im Zeitraum: 100. ▲ — Woche, in der viele neue Quellen angebunden wurden.

Diagrammdaten
Aktive Quellen pro Woche. Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
ZeitraumAktive Quellen
2026-06-017
2026-06-089
2026-06-1511
2026-06-2220
2026-06-2916
2026-07-0619
2026-07-1323
2026-07-2024
2026-07-2722
2026-08-0321
2026-08-1012
2026-08-1710
2026-08-2414
2026-08-3119
2026-09-0714
2026-09-1415
2026-09-2129
2026-09-2824
2026-10-0524
2026-10-1233
2026-10-1931
2026-10-2630
2026-11-0231
2026-11-0937
Neue Quellen angebunden: 22. Juni +13 · 29. Juni +6 · 6. Juli +8 · 13. Juli +6 · 20. Juli +8 · alle Wochen (21) in der Tabelle
WocheNeue QuellenNeue Ausschreibungen
8. Juni+329
15. Juni+338
22. Juni+1389
29. Juni+688
6. Juli+861
13. Juli+675
20. Juli+888
27. Juli+569
3. Aug.+345
17. Aug.+127
24. Aug.+237
31. Aug.+341
7. Sept.+137
14. Sept.+334
21. Sept.+570
5. Okt.+594
12. Okt.+5200
19. Okt.+392
26. Okt.+393
2. Nov.+491
9. Nov.+3124

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
Zeitachse: Ausschreibungen und Quellen — Data Warehouse. Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
WocheNeue Ausschreibungen pro WocheAktive Quellen
2026-06-01327
2026-06-08299
2026-06-153811
2026-06-228920
2026-06-298816
2026-07-066119
2026-07-137523
2026-07-208824
2026-07-276922
2026-08-034521
2026-08-102112
2026-08-172710
2026-08-243714
2026-08-314119
2026-09-073714
2026-09-143415
2026-09-217029
2026-09-289124
2026-10-059424
2026-10-1220033
2026-10-199231
2026-10-269330
2026-11-029131
2026-11-0912437

Gehälter im Zeitverlauf

Mediangehalt Data Warehouse pro Woche, USD pro Monat.

Mediangehalt, USD pro Monat

Diagrammdaten
Mediangehalt, USD pro Monat. Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
ZeitraumMedianStellen mit Gehalt pro Woche (n)
2026-10-127.61813
2026-10-196.31213
2026-10-268.14318
2026-11-029.58311
2026-11-096.37519

Die Reihe beginnt am 12. Okt.: davor gibt es keine Daten.

Stellen mit Gehalt pro Woche (n)

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
Gehälter im Zeitverlauf — Data Warehouse. Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
WocheMedian
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—
2026-10-127.618
2026-10-196.312
2026-10-268.143
2026-11-029.583
2026-11-096.375

Remote-Arbeit im Zeitverlauf

Anteil der Data Warehouse-Ausschreibungen mit vollständig remoter Arbeit, pro Woche.

Remote-Ausschreibungen, %

Diagrammdaten
Remote-Ausschreibungen, %. Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
ZeitraumOrtsunabhängig
2026-06-0172
2026-06-0842,9
2026-06-1558,8
2026-06-2252,4
2026-06-2952,8
2026-07-0648,4
2026-07-1350
2026-07-2068,7
2026-07-2775
2026-08-0323,7
2026-08-1013,3
2026-08-1715,4
2026-08-2440
2026-08-3131,4
2026-09-0725,8
2026-09-1426,9
2026-09-2121,3
2026-09-2849,3
2026-10-0532,9
2026-10-1236,4
2026-10-1927,6
2026-10-2650
2026-11-0242,9
2026-11-0929,6

Der Anteil bezieht sich auf Ausschreibungen mit Angabe des Arbeitsmodells (remote, hybrid, Büro). Wochen mit weniger als 10 solchen Ausschreibungen bleiben leer.

Diagrammdaten
Remote-Arbeit im Zeitverlauf — Data Warehouse. Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
WocheOrtsunabhängig
2026-06-0172
2026-06-0842,9
2026-06-1558,8
2026-06-2252,4
2026-06-2952,8
2026-07-0648,4
2026-07-1350
2026-07-2068,7
2026-07-2775
2026-08-0323,7
2026-08-1013,3
2026-08-1715,4
2026-08-2440
2026-08-3131,4
2026-09-0725,8
2026-09-1426,9
2026-09-2121,3
2026-09-2849,3
2026-10-0532,9
2026-10-1236,4
2026-10-1927,6
2026-10-2650
2026-11-0242,9
2026-11-0929,6

Technologien im Zeitverlauf

Wie sich der Anteil der Data Warehouse-Stellen verändert hat, die jede der Top-Technologien nennen.

Ausschreibungen mit der Technologie, %

Diagrammdaten
Ausschreibungen mit der Technologie, %. Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
ZeitraumSnowflakeSQLcloud
2026-08-1780,811,534,6
2026-08-2474,322,922,9
2026-08-3172,517,525
2026-09-0776,517,629,4
2026-09-1464,538,716,1
2026-09-2176,222,231,7
2026-09-285626,259,5
2026-10-0570,849,447,2
2026-10-1275,334,343,3
2026-10-1978,765,242,7
2026-10-2677,460,244,1
2026-11-0272,158,152,3
2026-11-0971,948,842,1

Die Reihe beginnt am 17. Aug.: davor gibt es keine Daten.

Bis zu 5 im Diagramm:

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
Technologien im Zeitverlauf — Data Warehouse. Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
WocheSnowflakeSQLcloudPythondbt
2026-08-10—————
2026-08-1780,811,534,63,87,7
2026-08-2474,322,922,928,62,9
2026-08-3172,517,5251015
2026-09-0776,517,629,411,82,9
2026-09-1464,538,716,119,46,5
2026-09-2176,222,231,731,719
2026-09-285626,259,529,814,3
2026-10-0570,849,447,242,716,9
2026-10-1275,334,343,320,216,9
2026-10-1978,765,242,744,940,4
2026-10-2677,460,244,148,432,3
2026-11-0272,158,152,352,340,7
2026-11-0971,948,842,137,233,1

Länder im Zeitverlauf

Wie sich der Anteil der Data Warehouse-Stellen in jedem der Top-Länder pro Woche verändert hat.

Ausschreibungen im Land, %

Diagrammdaten
Ausschreibungen im Land, %. Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
ZeitraumPolenUSAVereinigtes Königreich
2026-06-0156,228,10
2026-06-0827,637,93,4
2026-06-1543,218,98,1
2026-06-2263,212,61,1
2026-06-2937,934,53,4
2026-07-0617,951,80
2026-07-1324,631,11,6
2026-07-2055,214,911,5
2026-07-2765,55,212,1
2026-08-0317,112,222
2026-08-10102040
2026-08-1713,69,145,5
2026-08-242517,928,6
2026-08-3111,113,938,9
2026-09-076,713,336,7
2026-09-147,429,618,5
2026-09-2114,3258,9
2026-09-2818,615,17
2026-10-0537,28,19,3
2026-10-1223,419,310,3
2026-10-1942,715,94,9
2026-10-2639,814,810,2
2026-11-0227,725,36
2026-11-0923,314,68,7
Bis zu 5 im Diagramm:

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
Länder im Zeitverlauf — Data Warehouse. Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
WochePolenUSAIndienVereinigtes KönigreichAustralien
2026-06-0156,228,16,200
2026-06-0827,637,917,23,40
2026-06-1543,218,95,48,12,7
2026-06-2263,212,681,11,1
2026-06-2937,934,55,73,42,3
2026-07-0617,951,816,100
2026-07-1324,631,121,31,63,3
2026-07-2055,214,96,911,53,4
2026-07-2765,55,23,412,13,4
2026-08-0317,112,219,5224,9
2026-08-101020104015
2026-08-1713,69,118,245,59,1
2026-08-242517,917,928,63,6
2026-08-3111,113,916,738,911,1
2026-09-076,713,316,736,73,3
2026-09-147,429,629,618,53,7
2026-09-2114,32512,58,95,4
2026-09-2818,615,111,677
2026-10-0537,28,111,69,32,3
2026-10-1223,419,315,210,30,7
2026-10-1942,715,912,24,96,1
2026-10-2639,814,812,510,25,7
2026-11-0227,725,34,861,2
2026-11-0923,314,65,88,70

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
Einstellungsindex, 16. Okt. = 100. Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
ZeitraumEinstellungsindex
2026-10-16100
2026-10-17100,03
2026-10-1899,76
2026-10-1999,68
2026-10-2099,27
2026-10-2198,6
2026-10-2299,07
2026-10-2397,4
2026-10-2497,41
2026-10-2697,33
2026-10-2796,76
2026-10-2896,21
2026-10-2995,17
2026-10-3095,13
2026-10-3193,65
2026-11-0193,33
2026-11-0292,67
2026-11-0392,65
2026-11-0492,41
2026-11-0592,13
2026-11-0690,44
2026-11-0790,48
2026-11-0890,45
2026-11-1090,29
2026-11-1190,22
2026-11-1390,12
2026-11-1489,7
2026-11-1589,68
2026-11-1689,62
2026-11-1888,91
2026-11-1988,02

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
Bereinigter Markt: Einstellungsindex — Data Warehouse. Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
TagEinstellungsindex
2026-10-16100
2026-10-17100,03
2026-10-1899,76
2026-10-1999,68
2026-10-2099,27
2026-10-2198,6
2026-10-2299,07
2026-10-2397,4
2026-10-2497,41
2026-10-2697,33
2026-10-2796,76
2026-10-2896,21
2026-10-2995,17
2026-10-3095,13
2026-10-3193,65
2026-11-0193,33
2026-11-0292,67
2026-11-0392,65
2026-11-0492,41
2026-11-0592,13
2026-11-0690,44
2026-11-0790,48
2026-11-0890,45
2026-11-1090,29
2026-11-1190,22
2026-11-1390,12
2026-11-1489,7
2026-11-1589,68
2026-11-1689,62
2026-11-1888,91
2026-11-1988,02

Wie viele offene Data Warehouse-Jobs es gibt und wie viele passende Fachkräfte Zorky sieht.

Nachfrage und beobachtetes Angebot

Diagrammdaten
Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
KennzahlWert
Offene Nachfrage442
Offene Nachfrage442
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

P25 $6.062 · P50 $7.880 · P75 $10.250
Diagrammdaten
Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
KennzahlWert
<$1k0
$1–2k0
$2–3k0
$3–4k0
$4–5k5
$5–6k6
$6–7k11
$7–8k5
$8–9k7
$9–10k3
$10–12k9
$12–15k4
$15–20k1
$20k+1
Gehalt in Stellenanzeigen: Basis 442
  • 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
Gehaltsverteilung — Data Warehouse. Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
KennzahlUntergrenzeObergrenzeAnzahl
<$1k01.0000
$1–2k1.0002.0000
$2–3k2.0003.0000
$3–4k3.0004.0000
$4–5k4.0005.0005
$5–6k5.0006.0006
$6–7k6.0007.00011
$7–8k7.0008.0005
$8–9k8.0009.0007
$9–10k9.00010.0003
$10–12k10.00012.0009
$12–15k12.00015.0004
$15–20k15.00020.0001
$20k+20.000—1

In welchen Ländern es die meisten offenen Data Warehouse-Jobs gibt.

Geografie der Nachfrage

LandStellenAnteil
Polen11830,8%
Vereinigte Staaten7920,6%
Indien4912,8%
Vereinigtes Königreich256,5%
Frankreich195%
Deutschland184,7%
Kanada82,1%
Mexiko61,6%
Russland61,6%
Südafrika51,3%
Übrige Länder5013,1%

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
Geografie der Nachfrage — Data Warehouse. Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
LandStellen
PL118
US79
IN49
GB25
FR19
DE18
CA8
MX6
RU6
ZA5

Welche Technologien am häufigsten im selben Job wie Data Warehouse verlangt werden.

Wird zusammen verwendet mit

snowflake
32473,3%
sql
20345,9%
cloud
20145,5%
python
16236,7%
dbt
14833,5%
aws
11826,7%
azure
10022,6%
airflow
8519,2%
databricks
7316,5%
gcp
6314,3%

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
Wird zusammen verwendet mit — Data Warehouse. Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
NameAnzahl
snowflake324
sql203
cloud201
python162
dbt148
aws118
azure100
airflow85
databricks73
gcp63
bigquery61
kafka26

Wie viele Data Warehouse-Jobs es auf jeder Stufe gibt — von Junior bis Principal.

Nachfrage nach Level

LevelStellen
senior163
middle40
Principal28
lead27
junior10

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
Nachfrage nach Level — Data Warehouse. Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
StufeAnzahl
senior163
middle40
Principal28
lead27
junior10

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.

größter 3,3%2.–3. 3,8%4.–10. 9,6%übrige 83,3%
AnteilWert
Top-13.3%
Top-37.2%
Top-1016.7%
Long Tail83.3%

⚠ 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
Wo Zorky diesen Markt sieht — Data Warehouse. Datentabelle des Abschnitts. Ein fehlender Wert ist keine Null; Einheiten und Stichprobe stehen in der Beschreibung der Kennzahl.
KlasseNameEnglischer NameAnzahlAnteil
atsATS и карьерные сайтыATS & Karriereseiten2230,5045
boardджоб-борды и агрегаторыJobbörsen & Aggregatoren2020,457
telegramTelegramTelegram170,0385

Die neuesten Data Warehouse-Jobs von Karriereseiten der Unternehmen.

Neueste Ausschreibungen

Alle Stellen →

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.

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.

Big DataDateningenieurDBADatenstromverarbeitung

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.

Mit dem Absenden stimmen Sie zu: Datenschutzerklärung.