Big Data: mercado
Datos a 19 de noviembre de 2026: ofertas abiertas de Big Data — 508, el 31% en remoto entre las ofertas que indican la modalidad; salario mediano anunciado $6825/mes (de 61 ofertas que indican salario). Fuente: Zorky, actualizado a diario.
Big Data Engineer — processing very large data volumes (terabytes, petabytes) via distributed engines. A Data Engineering sub-segment with focus on Spark/Hadoop/Flink/distributed computing. A premium niche thanks to distributed-systems complexity. Role family: Spark Engineer (PySpark or Spark Scala — Big Data's main application), Hadoop Engineer (legacy enterprise — HDFS + Hive + MapReduce, migrations to Spark), Flink Engineer (true streaming, low-latency event processing), Big Data Platform Engineer (Hadoop cluster admin, Spark on k8s + Iceberg/Delta), Data Lakehouse Architect (modern architecture — Iceberg/Delta + Spark + dbt). Stack: Apache Spark (must — PySpark or Scala, execution model, shuffles, broadcasts), Hadoop (HDFS + Hive + YARN — legacy in large enterprise), Apache Flink (streaming, premium niche), Kafka (must), Delta Lake/Apache Iceberg (lakehouse table formats — modern standard), Apache Hudi (lakehouse alternative), HBase/Cassandra (NoSQL distributed for real-time), Scala or Python (Scala for performance-critical Spark, Python for most), Airflow (orchestration), Cloudera/Hortonworks (distributions, migrations to the open-source stack), Kubernetes (Spark on k8s — modern deployment). Top stack: python, spark, cloud, java, hadoop. Among jobs with a stated work format, 31% are remote.
Datos al:
Las cifras clave del mercado de Big Data: ofertas abiertas, salario mediano, grupo de especialistas observado y proporción de remoto.
El mercado de Big Data tiene ahora 508 puestos abiertos, 442 de ellos observados recientemente. Median salary $6825/mo.
Entre las vacantes con modalidad de trabajo indicada, el 31% es remoto. El trabajo de administración de clústeres está en la nube. SaaS internacionales de datos en la nube (Databricks/Snowflake/Confluent): remoto total.
⚠ salario conocido en 61 de 508 empleos; cuota de remoto a partir de 354 con formato indicado; 442 contados como observaciones recientes; no se muestran la tendencia ni la dificultad de contratación
Cronología: ofertas y fuentes
Cuántas ofertas de Big Data aparecieron cada semana desde el 1 jun y de cuántas fuentes. El gráfico inferior separa el crecimiento del mercado del crecimiento de nuestra cobertura: un salto en la semana en que se conectaron nuevas fuentes significa que empezamos a ver más, no que el mercado creció.
Nuevas ofertas por semana
Datos del gráfico
| Periodo | Nuevas ofertas por semana |
|---|---|
| 2026-06-01 | 48 |
| 2026-06-08 | 26 |
| 2026-06-15 | 25 |
| 2026-06-22 | 86 |
| 2026-06-29 | 83 |
| 2026-07-06 | 69 |
| 2026-07-13 | 128 |
| 2026-07-20 | 135 |
| 2026-07-27 | 67 |
| 2026-08-03 | 56 |
| 2026-08-10 | 28 |
| 2026-08-17 | 29 |
| 2026-08-24 | 25 |
| 2026-08-31 | 56 |
| 2026-09-07 | 37 |
| 2026-09-14 | 39 |
| 2026-09-21 | 81 |
| 2026-09-28 | 91 |
| 2026-10-05 | 98 |
| 2026-10-12 | 342 |
| 2026-10-19 | 133 |
| 2026-10-26 | 117 |
| 2026-11-02 | 106 |
| 2026-11-09 | 134 |
Fuentes activas por semana
Fuentes en el periodo: 131. ▲ — semana en la que se conectaron muchas fuentes nuevas.
Datos del gráfico
| Periodo | Fuentes activas |
|---|---|
| 2026-06-01 | 13 |
| 2026-06-08 | 12 |
| 2026-06-15 | 11 |
| 2026-06-22 | 24 |
| 2026-06-29 | 27 |
| 2026-07-06 | 35 |
| 2026-07-13 | 28 |
| 2026-07-20 | 33 |
| 2026-07-27 | 24 |
| 2026-08-03 | 30 |
| 2026-08-10 | 18 |
| 2026-08-17 | 19 |
| 2026-08-24 | 14 |
| 2026-08-31 | 22 |
| 2026-09-07 | 19 |
| 2026-09-14 | 17 |
| 2026-09-21 | 27 |
| 2026-09-28 | 34 |
| 2026-10-05 | 27 |
| 2026-10-12 | 36 |
| 2026-10-19 | 35 |
| 2026-10-26 | 32 |
| 2026-11-02 | 34 |
| 2026-11-09 | 48 |
Nuevas fuentes conectadas: 22 jun +14 · 29 jun +13 · 6 jul +18 · 13 jul +8 · todas las semanas (23) en la tabla
| Semana | Fuentes nuevas | Ofertas nuevas |
|---|---|---|
| 8 jun | +6 | 26 |
| 15 jun | +3 | 25 |
| 22 jun | +14 | 86 |
| 29 jun | +13 | 83 |
| 6 jul | +18 | 69 |
| 13 jul | +8 | 128 |
| 20 jul | +5 | 135 |
| 27 jul | +6 | 67 |
| 3 ago | +6 | 56 |
| 10 ago | +1 | 28 |
| 17 ago | +2 | 29 |
| 24 ago | +1 | 25 |
| 31 ago | +4 | 56 |
| 7 sept | +1 | 37 |
| 14 sept | +1 | 39 |
| 21 sept | +3 | 81 |
| 28 sept | +3 | 91 |
| 5 oct | +1 | 98 |
| 12 oct | +6 | 342 |
| 19 oct | +5 | 133 |
| 26 oct | +2 | 117 |
| 2 nov | +2 | 106 |
| 9 nov | +7 | 134 |
La semana actual aún no ha terminado y no se muestra: una semana incompleta parecería una caída.
Semana = fecha en que se detectó la oferta por primera vez, todos los estados; las ofertas se seleccionan con la misma regla que el contador de esta página. Las fuentes son canales de recopilación distintos; sus nombres no se publican.
Datos del gráfico
| Semana | Nuevas ofertas por semana | Fuentes activas |
|---|---|---|
| 2026-06-01 | 48 | 13 |
| 2026-06-08 | 26 | 12 |
| 2026-06-15 | 25 | 11 |
| 2026-06-22 | 86 | 24 |
| 2026-06-29 | 83 | 27 |
| 2026-07-06 | 69 | 35 |
| 2026-07-13 | 128 | 28 |
| 2026-07-20 | 135 | 33 |
| 2026-07-27 | 67 | 24 |
| 2026-08-03 | 56 | 30 |
| 2026-08-10 | 28 | 18 |
| 2026-08-17 | 29 | 19 |
| 2026-08-24 | 25 | 14 |
| 2026-08-31 | 56 | 22 |
| 2026-09-07 | 37 | 19 |
| 2026-09-14 | 39 | 17 |
| 2026-09-21 | 81 | 27 |
| 2026-09-28 | 91 | 34 |
| 2026-10-05 | 98 | 27 |
| 2026-10-12 | 342 | 36 |
| 2026-10-19 | 133 | 35 |
| 2026-10-26 | 117 | 32 |
| 2026-11-02 | 106 | 34 |
| 2026-11-09 | 134 | 48 |
Salarios a lo largo del tiempo
Salario mediano de Big Data por semana, USD al mes.
Salario mediano, USD al mes
Datos del gráfico
| Periodo | Mediana | Ofertas con salario por semana (n) |
|---|---|---|
| 2026-07-20 | 5750 | 12 |
| 2026-07-27 | — | 4 |
| 2026-08-03 | — | 0 |
| 2026-08-10 | — | 0 |
| 2026-08-17 | — | 0 |
| 2026-08-24 | — | 0 |
| 2026-08-31 | — | 0 |
| 2026-09-07 | — | 0 |
| 2026-09-14 | — | 1 |
| 2026-09-21 | — | 4 |
| 2026-09-28 | — | 3 |
| 2026-10-05 | 5079 | 10 |
| 2026-10-12 | 6793 | 20 |
| 2026-10-19 | 6250 | 36 |
| 2026-10-26 | 6726 | 21 |
| 2026-11-02 | 7699 | 22 |
| 2026-11-09 | 4658 | 22 |
La serie empieza el 20 jul: antes no hay datos.
Solo ofertas con salario en USD y periodo conocido (mes o año), de 500 a 50 000 $ al mes. Las semanas con menos de 10 ofertas así quedan en blanco: significa sin datos, no cero.
Datos del gráfico
| Semana | Mediana |
|---|---|
| 2026-06-01 | — |
| 2026-06-08 | — |
| 2026-06-15 | — |
| 2026-06-22 | — |
| 2026-06-29 | — |
| 2026-07-06 | — |
| 2026-07-13 | — |
| 2026-07-20 | 5750 |
| 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 | 5079 |
| 2026-10-12 | 6793 |
| 2026-10-19 | 6250 |
| 2026-10-26 | 6726 |
| 2026-11-02 | 7699 |
| 2026-11-09 | 4658 |
El trabajo remoto a lo largo del tiempo
Proporción de ofertas de Big Data con trabajo totalmente remoto, por semana.
Ofertas remotas, %
Datos del gráfico
| Periodo | Remoto |
|---|---|
| 2026-06-01 | 79,1 |
| 2026-06-08 | 31,6 |
| 2026-06-15 | 11,8 |
| 2026-06-22 | 31,5 |
| 2026-06-29 | 23,9 |
| 2026-07-06 | 32,4 |
| 2026-07-13 | 44 |
| 2026-07-20 | 75,6 |
| 2026-07-27 | 68 |
| 2026-08-03 | 20 |
| 2026-08-10 | 25 |
| 2026-08-17 | 28 |
| 2026-08-24 | 20 |
| 2026-08-31 | 20 |
| 2026-09-07 | 17,1 |
| 2026-09-14 | 23,7 |
| 2026-09-21 | 37,5 |
| 2026-09-28 | 36,9 |
| 2026-10-05 | 43,6 |
| 2026-10-12 | 36,8 |
| 2026-10-19 | 31,9 |
| 2026-10-26 | 25,9 |
| 2026-11-02 | 25,3 |
| 2026-11-09 | 24,6 |
La proporción se calcula entre las ofertas que indican la modalidad (remoto, híbrido, oficina). Las semanas con menos de 10 ofertas así quedan en blanco.
Datos del gráfico
| Semana | Remoto |
|---|---|
| 2026-06-01 | 79,1 |
| 2026-06-08 | 31,6 |
| 2026-06-15 | 11,8 |
| 2026-06-22 | 31,5 |
| 2026-06-29 | 23,9 |
| 2026-07-06 | 32,4 |
| 2026-07-13 | 44 |
| 2026-07-20 | 75,6 |
| 2026-07-27 | 68 |
| 2026-08-03 | 20 |
| 2026-08-10 | 25 |
| 2026-08-17 | 28 |
| 2026-08-24 | 20 |
| 2026-08-31 | 20 |
| 2026-09-07 | 17,1 |
| 2026-09-14 | 23,7 |
| 2026-09-21 | 37,5 |
| 2026-09-28 | 36,9 |
| 2026-10-05 | 43,6 |
| 2026-10-12 | 36,8 |
| 2026-10-19 | 31,9 |
| 2026-10-26 | 25,9 |
| 2026-11-02 | 25,3 |
| 2026-11-09 | 24,6 |
Tecnologías a lo largo del tiempo
Cómo cambió la proporción de ofertas de Big Data que mencionan cada una de las principales tecnologías.
Ofertas que mencionan la tecnología, %
Datos del gráfico
| Periodo | Python | cloud | SQL |
|---|---|---|---|
| 2026-08-10 | 34,8 | 4,3 | 13 |
| 2026-08-17 | 44,4 | 7,4 | 22,2 |
| 2026-08-24 | — | — | — |
| 2026-08-31 | 49 | 15,7 | 35,3 |
| 2026-09-07 | 48,3 | 13,8 | 41,4 |
| 2026-09-14 | 28,6 | 25,7 | 20 |
| 2026-09-21 | 36,4 | 30,3 | 37,9 |
| 2026-09-28 | 43,2 | 42 | 37 |
| 2026-10-05 | 57,8 | 47,8 | 51,1 |
| 2026-10-12 | 33 | 32,6 | 27,7 |
| 2026-10-19 | 61,4 | 41,2 | 47,4 |
| 2026-10-26 | 59,4 | 44,8 | 50 |
| 2026-11-02 | 50 | 28,4 | 34,1 |
| 2026-11-09 | 54,5 | 24,2 | 37,4 |
Proporción entre las ofertas con stack etiquetado; la serie empieza el 10 ago: antes las etiquetas de stack se asignaban de otra forma. Las semanas con menos de 20 ofertas etiquetadas quedan en blanco.
Datos del gráfico
| Semana | Python | Java | cloud | hadoop | SQL |
|---|---|---|---|---|---|
| 2026-08-10 | 34,8 | 17,4 | 4,3 | 39,1 | 13 |
| 2026-08-17 | 44,4 | 11,1 | 7,4 | 3,7 | 22,2 |
| 2026-08-24 | — | — | — | — | — |
| 2026-08-31 | 49 | 13,7 | 15,7 | 15,7 | 35,3 |
| 2026-09-07 | 48,3 | 20,7 | 13,8 | 17,2 | 41,4 |
| 2026-09-14 | 28,6 | 25,7 | 25,7 | 17,1 | 20 |
| 2026-09-21 | 36,4 | 24,2 | 30,3 | 27,3 | 37,9 |
| 2026-09-28 | 43,2 | 22,2 | 42 | 21 | 37 |
| 2026-10-05 | 57,8 | 35,6 | 47,8 | 23,3 | 51,1 |
| 2026-10-12 | 33 | 39 | 32,6 | 54,3 | 27,7 |
| 2026-10-19 | 61,4 | 34,2 | 41,2 | 36 | 47,4 |
| 2026-10-26 | 59,4 | 31,2 | 44,8 | 15,6 | 50 |
| 2026-11-02 | 50 | 33 | 28,4 | 13,6 | 34,1 |
| 2026-11-09 | 54,5 | 36,4 | 24,2 | 26,3 | 37,4 |
Países a lo largo del tiempo
Cómo cambió por semana la proporción de ofertas de Big Data en cada uno de los principales países.
Ofertas en el país, %
Datos del gráfico
| Periodo | Polonia | EE. UU. | India |
|---|---|---|---|
| 2026-06-01 | 62,2 | 20 | 0 |
| 2026-06-08 | 16 | 20 | 24 |
| 2026-06-15 | 14,3 | 33,3 | 19 |
| 2026-06-22 | 57,5 | 8,8 | 15 |
| 2026-06-29 | 12,5 | 20 | 15 |
| 2026-07-06 | 14,3 | 32,7 | 12,2 |
| 2026-07-13 | 22,3 | 28,7 | 20,2 |
| 2026-07-20 | 53,2 | 7,3 | 10,5 |
| 2026-07-27 | 51,6 | 12,9 | 6,5 |
| 2026-08-03 | 13,7 | 19,6 | 21,6 |
| 2026-08-10 | 17,4 | 17,4 | 30,4 |
| 2026-08-17 | 3,8 | 26,9 | 19,2 |
| 2026-08-24 | 0 | 20 | 15 |
| 2026-08-31 | 1,9 | 13,2 | 18,9 |
| 2026-09-07 | 11,1 | 11,1 | 16,7 |
| 2026-09-14 | 6,2 | 21,9 | 18,8 |
| 2026-09-21 | 22,1 | 32,4 | 14,7 |
| 2026-09-28 | 11,9 | 26,2 | 11,9 |
| 2026-10-05 | 46,4 | 9,5 | 3,6 |
| 2026-10-12 | 14,5 | 33,6 | 9,3 |
| 2026-10-19 | 32 | 20,3 | 6,2 |
| 2026-10-26 | 26,3 | 15,8 | 15,8 |
| 2026-11-02 | 14,7 | 21,1 | 10,5 |
| 2026-11-09 | 19,8 | 10,7 | 5 |
Proporción entre las ofertas con país conocido; el gráfico muestra los cinco países con más ofertas en seis meses. Las semanas con menos de 20 ofertas con país conocido quedan en blanco. Una proporción al alza puede deberse a una fuente recién conectada en ese país y no al crecimiento del mercado.
Datos del gráfico
| Semana | Polonia | EE. UU. | India | Singapur | Sudáfrica |
|---|---|---|---|---|---|
| 2026-06-01 | 62,2 | 20 | 0 | 0 | 0 |
| 2026-06-08 | 16 | 20 | 24 | 0 | 12 |
| 2026-06-15 | 14,3 | 33,3 | 19 | 0 | 9,5 |
| 2026-06-22 | 57,5 | 8,8 | 15 | 0 | 0 |
| 2026-06-29 | 12,5 | 20 | 15 | 38,8 | 1,2 |
| 2026-07-06 | 14,3 | 32,7 | 12,2 | 10,2 | 0 |
| 2026-07-13 | 22,3 | 28,7 | 20,2 | 2,1 | 0 |
| 2026-07-20 | 53,2 | 7,3 | 10,5 | 12,1 | 0,8 |
| 2026-07-27 | 51,6 | 12,9 | 6,5 | 16,1 | 1,6 |
| 2026-08-03 | 13,7 | 19,6 | 21,6 | 3,9 | 5,9 |
| 2026-08-10 | 17,4 | 17,4 | 30,4 | 0 | 0 |
| 2026-08-17 | 3,8 | 26,9 | 19,2 | 3,8 | 0 |
| 2026-08-24 | 0 | 20 | 15 | 10 | 0 |
| 2026-08-31 | 1,9 | 13,2 | 18,9 | 1,9 | 15,1 |
| 2026-09-07 | 11,1 | 11,1 | 16,7 | 0 | 13,9 |
| 2026-09-14 | 6,2 | 21,9 | 18,8 | 3,1 | 12,5 |
| 2026-09-21 | 22,1 | 32,4 | 14,7 | 5,9 | 0 |
| 2026-09-28 | 11,9 | 26,2 | 11,9 | 16,7 | 4,8 |
| 2026-10-05 | 46,4 | 9,5 | 3,6 | 4,8 | 8,3 |
| 2026-10-12 | 14,5 | 33,6 | 9,3 | 1,9 | 12,6 |
| 2026-10-19 | 32 | 20,3 | 6,2 | 7 | 7 |
| 2026-10-26 | 26,3 | 15,8 | 15,8 | 6,1 | 4,4 |
| 2026-11-02 | 14,7 | 21,1 | 10,5 | 12,6 | 7,4 |
| 2026-11-09 | 19,8 | 10,7 | 5 | 5,8 | 18,2 |
Mercado limpio: índice de contratación
Los mismos 7505 portales de empleo de empresas; el número de ofertas se toma del propio portal. Conectar nuevas fuentes no mueve este índice: muestra el mercado, no nuestra cobertura. Es todo el mercado del panel, no solo Big Data.
Índice de contratación, 16 oct = 100
Datos del gráfico
| Periodo | Índice de contratación |
|---|---|
| 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 |
Índice encadenado: cada día compara solo los portales consultados ese día y el anterior; se excluyen los valores atípicos y las caídas de consulta de toda una plataforma. Los días sin pares comparables quedan en blanco.
Datos del gráfico
| Día | Índice de contratación |
|---|---|
| 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 |
Cuántas ofertas abiertas de Big Data hay y cuántos especialistas adecuados observa Zorky.
Demanda y oferta observada
Datos del gráfico
| Indicador | Valor |
|---|---|
| Demanda abierta | 508 |
| Demanda abierta | 508 |
| Oferta observada | — no publicado |
Big Data forma un segmento con prima de sistemas distribuidos. Motores: migraciones de Hadoop heredado a Spark sobre k8s + Iceberg, demanda de streaming (Flink + Kafka), crecimiento de los partners de Databricks. Tendencia 2026: domina la arquitectura lakehouse (Iceberg/Delta), fin de vida de Hadoop en las grandes empresas.
⚠ los candidatos que encajan con una vacante aún no se cuentan: se muestran la demanda y el pool observado
Cómo se distribuyen los salarios en las ofertas de Big Data, en dólares estadounidenses al mes.
Distribución de salarios
Datos del gráfico
| Indicador | Valor |
|---|---|
| <$1k | 0 |
| $1–2k | 4 |
| $2–3k | 2 |
| $3–4k | 2 |
| $4–5k | 5 |
| $5–6k | 7 |
| $6–7k | 12 |
| $7–8k | 8 |
| $8–9k | 5 |
| $9–10k | 4 |
| $10–12k | 3 |
| $12–15k | 3 |
| $15–20k | 5 |
| $20k+ | 1 |
- apto para el cálculo: 61 (12%)
- indicado, pero no convertido a USD/mes: 63 (12,4%)
- no indicado: 384 (75,6%)
Una de cada diez ofertas paga menos de $3289 y una de cada diez más de $14.641. La mitad de las ofertas ofrece entre $5375 y $9250. Muestra: 61.
Datos del gráfico
| Indicador | Límite inferior | Límite superior | Cantidad |
|---|---|---|---|
| <$1k | 0 | 1000 | 0 |
| $1–2k | 1000 | 2000 | 4 |
| $2–3k | 2000 | 3000 | 2 |
| $3–4k | 3000 | 4000 | 2 |
| $4–5k | 4000 | 5000 | 5 |
| $5–6k | 5000 | 6000 | 7 |
| $6–7k | 6000 | 7000 | 12 |
| $7–8k | 7000 | 8000 | 8 |
| $8–9k | 8000 | 9000 | 5 |
| $9–10k | 9000 | 10.000 | 4 |
| $10–12k | 10.000 | 12.000 | 3 |
| $12–15k | 12.000 | 15.000 | 3 |
| $15–20k | 15.000 | 20.000 | 5 |
| $20k+ | 20.000 | — | 1 |
En qué países hay más ofertas abiertas de Big Data.
Geografía de la demanda
| país | empleos | proporción |
|---|---|---|
| Polonia | 113 | 27,2% |
| Estados Unidos | 86 | 20,7% |
| India | 43 | 10,3% |
| Singapur | 28 | 6,7% |
| Canadá | 17 | 4,1% |
| Reino Unido | 15 | 3,6% |
| Rusia | 13 | 3,1% |
| Francia | 11 | 2,6% |
| España | 10 | 2,4% |
| Alemania | 9 | 2,2% |
| Otros países | 71 | 17,1% |
El líder por número de vacantes de Big Data es Polonia (113 vacantes). Moscú domina. Polonia — mercado de la UE Big-Data-friendly. Gran remoto internacional vía Databricks/Snowflake.
⚠ solo número de empleos: el salario por país no se publica
Datos del gráfico
| País | Ofertas |
|---|---|
| PL | 113 |
| US | 86 |
| IN | 43 |
| SG | 28 |
| CA | 17 |
| GB | 15 |
| RU | 13 |
| FR | 11 |
| ES | 10 |
| DE | 9 |
Qué tecnologías se piden con más frecuencia en la misma oferta que Big Data.
Se usa junto con
Cuota: cuántas de las 508 ofertas del mercado Big Data mencionan esta tecnología. Ordenado por número de ofertas, no por «fuerza de asociación». Términos genéricos como cloud no son una nube concreta (AWS, Azure).
Stack principal de Big Data 2026: Apache Spark (obligatorio: PySpark o Scala), Hadoop (HDFS + Hive, legacy enterprise), Apache Flink (streaming premium), Kafka (obligatorio), Delta Lake / Apache Iceberg (lakehouse, estándar moderno), Apache Hudi, HBase / Cassandra (NoSQL distribuido), Scala o Python, Airflow, Cloudera / Hortonworks, Kubernetes (Spark on k8s). Senior: Apache Atlas / DataHub.
Parejas habituales: Spark + Kafka, Spark + Iceberg, Hadoop + Hive, Spark + Scala, Flink + Kafka. Hoja de ruta de aprendizaje: experiencia como Data Engineer Middle → Spark a fondo → modelo de ejecución de Spark → un lakehouse (Iceberg) → nociones de Hadoop (para sistemas heredados) → Spark sobre k8s.
Datos del gráfico
| Nombre | Cantidad |
|---|---|
| python | 217 |
| spark | 215 |
| java | 163 |
| cloud | 157 |
| hadoop | 151 |
| sql | 142 |
| aws | 118 |
| pyspark | 105 |
| databricks | 92 |
| azure | 77 |
| scala | 74 |
| kafka | 70 |
Cuántas ofertas de Big Data hay en cada nivel, de junior a principal.
Demanda por nivel
| nivel | empleos |
|---|---|
| senior | 141 |
| lead | 48 |
| middle | 47 |
| principal | 20 |
| junior | 6 |
Los Junior casi no existen: el mercado espera experiencia como Data Engineer Middle. Trayectoria: Data Engineer Middle → Big Data Middle en 4-8 meses → Senior → Platform Engineer / Lakehouse Architect / Head of Big Data.
⚠ solo el lado de la demanda: el nivel del pool observado se desconoce en su mayor parte
Datos del gráfico
| Nivel | Cantidad |
|---|---|
| senior | 141 |
| lead | 48 |
| middle | 47 |
| principal | 20 |
| junior | 6 |
Quién contrata más en Big Data y cuánto se concentra la demanda en las empresas más grandes.
Empleadores
La demanda se reparte entre 293 empleadores. El mayor concentra el 7.9%, los diez primeros el 20.5%; el 79.5% restante es cola larga.
| proporción | valor |
|---|---|
| top-1 | 7.9% |
| top-3 | 11.8% |
| top-10 | 20.5% |
| cola larga | 79.5% |
⚠ no se muestran nombres: el clasificador aún no distingue entre agencias de selección y empleadores finales
De qué webs de empresas y portales de empleo recoge Zorky las ofertas de Big Data.
Dónde ve Zorky este mercado
Observado en 64 fuentes; la mayor concentra el 18.9%: este mercado no depende de un solo canal.
Datos del gráfico
| Clase | Nombre | Nombre en inglés | Cantidad | Proporción |
|---|---|---|---|---|
| ats | ATS и карьерные сайты | ATS y webs de empleo de empresas | 257 | 0,5059 |
| board | джоб-борды и агрегаторы | portales de empleo y agregadores | 240 | 0,4724 |
| telegram | Telegram | Telegram | 11 | 0,0217 |
Las ofertas de Big Data más recientes de las webs de empleo de las empresas.
Vacantes recientes
- Senior Java Microservices & Spark Developer · SG
- Senior Java Spark Developer - Assistant Vice President · IN
- Senior Data Engineer (Snowflake, AWS, Big Data) · AU
- Senior/Lead Data Engineer (Java/Flink/Kafka) · UA
- Эксперт по администрированию Hadoop в Мегафон · RU
- Senior Python Developer (PySpark, Databricks, React)
- Senior Python Developer (PySpark, Azure)
- Senior Data Engineer (Spark & Python Specialist) · ZA · $4158
Últimas vacantes abiertas de Big Data: las 10 posiciones más recientes con una descripción de calidad suficiente. La lista completa está en nuestro CRM o en el enlace «ver todas» de abajo.
Mercados adyacentes
Big Data Engineer — segmento premium de nicho de la dirección de datos. La comparación con otras especializaciones de datos está en el SiblingSubnichesChart de arriba.
⚠ los mercados adyacentes para comparar aún no están definidos
Cómo se mide
- Vacante
- un empleo abierto que superó el filtro de calidad y menciona al menos dos tecnologías
- Candidato observado
- un candidato cuyo stack contiene esta tecnología; es un agregado: ni un solo registro sale del perímetro
- Candidato emparejable
- aún no contabilizado
- Ventana
- empleos abiertos en el momento en que se generó el snapshot
Sobre los datos
- Algunos desgloses están ocultos: su cobertura de datos aún no es suficiente.
- Las estadísticas se muestran solo donde la muestra supera un control de calidad.
- Que falte un bloque no significa que el valor sea cero.
Desgloses ocultos actualmente: 8.
Área: Ingeniería de datos
Especializaciones relacionadas
Dentro de Big Data Engineer: Spark Engineer (PySpark o Spark con Scala: la aplicación principal), Hadoop Engineer (enterprise heredado: HDFS + Hive + MapReduce), Flink Engineer (streaming real, nicho premium), Big Data Platform Engineer (administración de clústeres Hadoop, Spark sobre k8s + Iceberg/Delta), Data Lakehouse Architect (arquitectura moderna). La comparación con otras especializaciones de datos está en la barra de abajo.
Preguntas frecuentes
Las preguntas más frecuentes sobre Big Data: salario, Spark frente a Hadoop frente a Flink, Lakehouse (Delta/Iceberg/Hudi), diferencia con Data Engineer / ML Engineer, trabajo remoto, cómo empezar (4-8 meses tras Data Engineer Middle), skills de Senior. Las respuestas se recalculan automáticamente.
¿Cuánto gana un Big Data Junior, Middle, Senior o Lead?
Las vacantes Junior de Big Data CASI NO EXISTEN: el mercado espera experiencia como Data Engineer Middle + práctica real con Spark. El salto de Junior a Middle: modelo de ejecución de Spark + uno de Hadoop/Flink/Kafka a fondo. Un Senior es responsable de la arquitectura de la plataforma Big Data y hace de mentor. Lead Big Data: gestión de sistemas distribuidos con 5+ ingenieros, responsable del dimensionamiento del clúster + la optimización de costes. Trayectoria: Data Engineer Middle/Senior → Big Data Middle en 4-8 meses → Senior → luego Platform Engineer (foco en infraestructura) o Lakehouse Architect (modern data stack).
¿Qué stack necesita con más frecuencia Big Data?
Principales 5: python, spark, cloud, java, hadoop. Apache Spark, obligatorio (PySpark para la mayoría, Spark Scala para lo crítico en rendimiento). Comprensión profunda del modelo de ejecución (DAG, stages, tasks), shuffles, broadcasts, partitioning. Hadoop, HDFS + Hive + YARN, legacy enterprise (Sber/bancos/telco), migraciones al stack open-source. Apache Flink, streaming real, nicho premium. Kafka, obligatorio (partitions, consumer groups, exactly-once). Delta Lake/Apache Iceberg, formatos de tabla lakehouse (estándar moderno, reemplazan al stack clásico de Hadoop). Apache Hudi, alternativa a Iceberg. HBase/Cassandra, NoSQL distribuido para real-time. Scala o Python, Scala para Spark en producción, Python para la mayoría. Airflow para orquestación de batch-jobs. Distribuciones Cloudera/Hortonworks (legacy enterprise). Kubernetes, Spark sobre k8s + Spark Operator. Apache Atlas/DataHub, data lineage + catalog (obligatorio para Senior). Conocimiento de tuning de la JVM (GC G1/ZGC, profiling de heap), obligatorio para Senior de Spark Scala.
Spark frente a Hadoop frente a Flink: ¿cuál elegir para Big Data?
Apache Spark: estándar industrial y dominador. PySpark es el mercado más grande; Spark en Scala, un nicho con prima. Inconvenientes: streaming en micro-batches (latencia de segundos), no es tiempo real de verdad. Hadoop (HDFS + MapReduce + Hive): enterprise heredado. Se usa en grandes bancos/telecos donde la migración a open source no ha terminado. Imprescindible si trabajas en Sber/bancos. Tendencia: migraciones de Hadoop a Spark sobre k8s + Iceberg/Delta Lake. Apache Flink: motor de streaming real con latencia de milisegundos y semántica exactly-once de serie. Segmento en crecimiento: FinTech/AdTech/IoT/inferencia de ML en tiempo real. Estrategia: primero Spark (tamaño del mercado), después Flink para diversificar y cobrar una prima. Aprende Hadoop solo si vas a la banca.
Lakehouse (Delta Lake / Iceberg / Hudi): ¿qué aprender en 2026?
Arquitectura lakehouse: arquitectura de datos moderna que combina el Data Lake (almacenamiento barato en S3/HDFS) con el Data Warehouse (ACID + validación de esquema + indexación). Sustituye al stack clásico de Hadoop. Tres formatos de tabla principales: Delta Lake (original de Databricks, el más maduro, domina en empresas con Databricks), Apache Iceberg, Apache Hudi (tercer puesto, las actualizaciones más rápidas mediante ingesta incremental). Estrategia: primero Iceberg (el ganador del estándar abierto 2024–2026), Delta Lake si trabajas con Databricks, Hudi solo para un caso de uso concreto (CDC + muchas actualizaciones).
¿Qué proporción de vacantes ofrece trabajo remoto?
Entre las vacantes con modalidad de trabajo indicada, el 31% es remoto. Las vacantes sin modalidad indicada se excluyen del denominador; el trabajo híbrido no se cuenta como remoto.
¿En qué se diferencia Big Data Engineer de Data Engineer / ML Engineer?
Big Data Engineer (esta página): centrado en sistemas distribuidos para procesar terabytes o más. Spark/Hadoop/Flink + gestión de clústeres. Prima por la complejidad de los sistemas distribuidos. Data Engineer (general): puede trabajar con volúmenes menores (GB-TB) sin Spark. Centrado en pipelines + modelado de DWH. ML Engineer: despliega modelos en producción (FastAPI + ONNX/TorchServe), feature store, MLOps. Centrado en la inferencia. ML Engineer Senior ≈ Big Data Senior. Cambio de carrera de Data Engineer a Big Data en 4-8 meses (Spark + un lakehouse + Kafka). De Big Data a ML Engineer en 8-12 meses (PyTorch + stack de MLOps). Muchos ingenieros Big Data senior pasan a ML Engineering (de la infraestructura de datos al despliegue de modelos).
¿Por dónde empezar en Big Data en 2026?
Se da por supuesta experiencia como Data Engineer Middle (Python + SQL + Airflow + un DWH). Hoja de ruta: 1) Apache Spark a fondo: documentación oficial + Databricks Learning Academy (gratis). Domina la DataFrame API + Spark SQL + funciones de ventana + Structured Streaming. 2) Modelo de ejecución de Spark: planes físicos/lógicos, DAG, stages, tasks, shuffles, broadcasts, estrategias de particionado. 3) PySpark: para la mayoría de los proyectos. Alternativa: Spark con Scala para lo crítico en rendimiento. 4) Kafka: particiones, consumer groups, semántica exactly-once. 5) Un formato lakehouse: Iceberg (recomendado: el ganador como estándar abierto) o Delta Lake (si usas Databricks). 6) Nociones de Hadoop: HDFS + Hive (para mantener proyectos bancarios heredados). 7) Spark sobre Kubernetes (Spark Operator). 8) Proyecto personal de extremo a extremo: pipeline Spark + Kafka + Iceberg + Airflow sobre un dataset de 10-50 GB, desplegado en la nube. Cursos: Karpov.Courses "Spark Developer", OTUS "Big Data Engineer", Yandex.Practicum (parte del itinerario de Data Engineer), Databricks Learning Academy (EN, el mejor recurso gratuito), especialización "Big Data" de Coursera. Libros: "Spark: The Definitive Guide" de Chambers/Zaharia, "Designing Data-Intensive Applications" de Kleppmann (lectura obligada). De Data Engineer Middle a Big Data Middle: 4-8 meses.
¿Cuántas vacantes abiertas contiene esta muestra?
La muestra publicada contiene 508 vacantes abiertas tras agrupar las republicaciones. Es la misma cifra del indicador principal. La sección geográfica describe la cobertura de la muestra; no es una estimación de todo el mercado.
¿Qué skills necesita un Senior Big Data Engineer?
Un Senior Big Data Engineer es responsable del ciclo completo de sistemas distribuidos. Dominio de Spark: modelo de ejecución (plan lógico → plan físico → tareas), optimización del shuffle (evitar shuffles cuando sea posible, broadcast joins para tablas pequeñas, repartition frente a coalesce, manejo del skew), funcionamiento interno del optimizador Catalyst, modelo de memoria Tungsten, Spark SQL a fondo, Structured Streaming con exactly-once. Rendimiento: ajuste de la JVM para Spark en Scala (G1/ZGC, dimensionado del heap: executor.memory + driver.memory + memoryOverhead), pandas UDFs frente a la Pandas API on Spark, motor Photon (solo Databricks). Kafka: semántica productor-consumidor a fondo, estrategias de particionado, exactly-once mediante transacciones, schema registry (Avro/Protobuf), nociones de Kafka Streams. Lakehouse: Iceberg/Delta: evolución de esquema, time travel, evolución de particiones, optimize/vacuum, particionado oculto. Administración de clústeres: Spark sobre k8s (Spark Operator), optimización de costes (instancias spot, autoescalado), Cloudera/Hortonworks para legacy. SQL: SQL avanzado para Spark SQL + Hive SQL + un DWH (Snowflake/BigQuery). Data Governance: Apache Atlas o DataHub: linaje, catálogo, control de accesos. DevOps: Docker, Kubernetes, Terraform para IaC, CI/CD para aplicaciones Spark (Spark Submit + GitHub Actions). Soft: code review, mentoría, comunicación con los equipos de Data Scientists / Analytics sobre los requisitos. Inglés: imprescindible para Senior+ (la documentación de Big Data está mayoritariamente en inglés, hay pocas fuentes en ruso).
Dejar una solicitud
Describe la tarea y deja un contacto: la solicitud llega a nuestro CRM y respondemos al contacto que indiques.