Usamos cookies técnicas y el registro de visitas anonimizado de Zorky. Yandex Metrica (los datos se guardan en servidores en Rusia) solo se activa con tu consentimiento. Nunca vendemos datos. Más sobre cookies y estadísticas.
Zorky está en modo de prueba: todo es gratis. Los empleos y las páginas de empresas están abiertos a todos; los enlaces a las ofertas y tu selección personal se abren tras registrarte. Regístrate →

Data Warehouse: mercado

Datos a 19 de noviembre de 2026: ofertas abiertas de Data Warehouse — 442, el 39% en remoto entre las ofertas que indican la modalidad; salario mediano anunciado $7880/mes (de 52 ofertas que indican salario). Fuente: Zorky, actualizado a diario.

Data Warehouse Engineer: especialización en DWH en la nube (Snowflake/BigQuery/Redshift/ClickHouse). Un subsegmento de Data Engineer centrado en el modelado de DWH + dbt + plataformas de datos en la nube. Un nicho premium gracias a la experiencia en DWH cloud. Familia de roles: Snowflake Engineer (el DWH cloud dominante: diseño de esquemas + dbt + optimización de costes), BigQuery Engineer (stack de datos de Google Cloud), ClickHouse Engineer, Redshift Engineer (AWS legacy), Data Warehouse Architect (especialista en modelado: Kimball/Data Vault). Stack: SQL a nivel de maestría (imprescindible: funciones de ventana, CTE recursivas, optimización de consultas, partition pruning, vistas materializadas), Snowflake (cloud premium: Tasks, Streams, Time Travel, micro-particiones, ingesta con Snowpipe), BigQuery (GCP: precios por slots, BQML para ML dentro de la BD), ClickHouse (OLAP dominante en la CEI: ReplicatedMergeTree, motores distribuidos, vistas materializadas), Redshift (AWS legacy: distkey/sortkey), Greenplum (empresas de la CEI), dbt (estándar de la capa de transformación + adaptadores dbt-snowflake / dbt-bigquery / dbt-clickhouse), Apache Airflow para orquestar la ingesta, Looker/Mode/Metabase/Superset/Yandex DataLens para BI sobre el DWH. Stack principal: snowflake, cloud, sql, python, dbt. Entre las vacantes con modalidad de trabajo indicada, el 39% es remoto. Un Senior Snowflake/BigQuery tiene una prima del 10-15% sobre un Senior Data Engineer por la especialidad en DWH cloud.

Datos al:

Las cifras clave del mercado de Data Warehouse: ofertas abiertas, salario mediano, grupo de especialistas observado y proporción de remoto.

442
empleos abiertos — por título del puesto, republicaciones fusionadas
$7880
mediana $/mes
39%
remoto

El mercado de Data Warehouse tiene ahora 442 puestos abiertos, 385 de ellos observados recientemente. Median salary $7880/mo.

Entre las vacantes con modalidad de trabajo indicada, el 39% es remoto. El trabajo es totalmente en la nube. Empresas de producto rusas: híbrido o remoto. Sber: más a menudo presencial. SaaS internacionales de DWH en la nube (Snowflake/BigQuery/dbt Labs): remoto total.

⚠ salario conocido en 52 de 442 empleos; cuota de remoto a partir de 362 con formato indicado; 385 contados como observaciones recientes; no se muestran la tendencia ni la dificultad de contratación

Cronología: ofertas y fuentes

Cuántas ofertas de Data Warehouse 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
Nuevas ofertas por semana. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
PeriodoNuevas ofertas por semana
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

Fuentes activas por semana

Fuentes en el periodo: 100. ▲ — semana en la que se conectaron muchas fuentes nuevas.

Datos del gráfico
Fuentes activas por semana. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
PeriodoFuentes activas
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
Nuevas fuentes conectadas: 22 jun +13 · 29 jun +6 · 6 jul +8 · 13 jul +6 · 20 jul +8 · todas las semanas (21) en la tabla
SemanaFuentes nuevasOfertas nuevas
8 jun+329
15 jun+338
22 jun+1389
29 jun+688
6 jul+861
13 jul+675
20 jul+888
27 jul+569
3 ago+345
17 ago+127
24 ago+237
31 ago+341
7 sept+137
14 sept+334
21 sept+570
5 oct+594
12 oct+5200
19 oct+392
26 oct+393
2 nov+491
9 nov+3124

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
Cronología: ofertas y fuentes — Data Warehouse. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
SemanaNuevas ofertas por semanaFuentes activas
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

Salarios a lo largo del tiempo

Salario mediano de Data Warehouse por semana, USD al mes.

Salario mediano, USD al mes

Datos del gráfico
Salario mediano, USD al mes. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
PeriodoMedianaOfertas con salario por semana (n)
2026-10-12761813
2026-10-19631213
2026-10-26814318
2026-11-02958311
2026-11-09637519

La serie empieza el 12 oct: antes no hay datos.

Ofertas con salario por semana (n)

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
Salarios a lo largo del tiempo — Data Warehouse. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
SemanaMediana
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—
2026-10-127618
2026-10-196312
2026-10-268143
2026-11-029583
2026-11-096375

El trabajo remoto a lo largo del tiempo

Proporción de ofertas de Data Warehouse con trabajo totalmente remoto, por semana.

Ofertas remotas, %

Datos del gráfico
Ofertas remotas, %. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
PeriodoRemoto
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

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
El trabajo remoto a lo largo del tiempo — Data Warehouse. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
SemanaRemoto
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

Tecnologías a lo largo del tiempo

Cómo cambió la proporción de ofertas de Data Warehouse que mencionan cada una de las principales tecnologías.

Ofertas que mencionan la tecnología, %

Datos del gráfico
Ofertas que mencionan la tecnología, %. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
PeriodoSnowflakeSQLcloud
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

La serie empieza el 17 ago: antes no hay datos.

Hasta 5 en el gráfico:

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
Tecnologías a lo largo del tiempo — Data Warehouse. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
SemanaSnowflakeSQLcloudPythondbt
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

Países a lo largo del tiempo

Cómo cambió por semana la proporción de ofertas de Data Warehouse en cada uno de los principales países.

Ofertas en el país, %

Datos del gráfico
Ofertas en el país, %. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
PeriodoPoloniaEE. UU.Reino Unido
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
Hasta 5 en el gráfico:

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
Países a lo largo del tiempo — Data Warehouse. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
SemanaPoloniaEE. UU.IndiaReino UnidoAustralia
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

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 Data Warehouse.

Índice de contratación, 16 oct = 100

Datos del gráfico
Índice de contratación, 16 oct = 100. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
PeriodoÍndice de contratación
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

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
Mercado limpio: índice de contratación — Data Warehouse. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
DíaÍndice de contratación
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

Cuántas ofertas abiertas de Data Warehouse hay y cuántos especialistas adecuados observa Zorky.

Demanda y oferta observada

Datos del gráfico
Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
IndicadorValor
Demanda abierta442
Demanda abierta442
Oferta observada— no publicado

Data Warehouse Engineer genera un flujo constante de vacantes. Motores: migraciones de DWH heredados (Greenplum/Redshift) a Snowflake/BigQuery/ClickHouse, el crecimiento del modern data stack (dbt + DWH en la nube), ClickHouse como dominante en los equipos de producto de la CEI.

⚠ 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 Data Warehouse, en dólares estadounidenses al mes.

Distribución de salarios

P25 $6062 · P50 $7880 · P75 $10.250
Datos del gráfico
Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
IndicadorValor
<$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
Salario en las ofertas: base 442
  • apto para el cálculo: 52 (11,8%)
  • indicado, pero no convertido a USD/mes: 54 (12,2%)
  • no indicado: 336 (76%)

Una de cada diez ofertas paga menos de $5373 y una de cada diez más de $12.500. La mitad de las ofertas ofrece entre $6062 y $10.250. Muestra: 52.

Datos del gráfico
Distribución de salarios — Data Warehouse. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
IndicadorLímite inferiorLímite superiorCantidad
<$1k010000
$1–2k100020000
$2–3k200030000
$3–4k300040000
$4–5k400050005
$5–6k500060006
$6–7k6000700011
$7–8k700080005
$8–9k800090007
$9–10k900010.0003
$10–12k10.00012.0009
$12–15k12.00015.0004
$15–20k15.00020.0001
$20k+20.000—1

En qué países hay más ofertas abiertas de Data Warehouse.

Geografía de la demanda

paísempleosproporción
Polonia11830,8%
Estados Unidos7920,6%
India4912,8%
Reino Unido256,5%
Francia195%
Alemania184,7%
Canadá82,1%
México61,6%
Rusia61,6%
Sudáfrica51,3%
Otros países5013,1%

El líder por número de vacantes de DWH es Polonia (118 vacantes). Rusia — dominador de ClickHouse. Polonia — UE DWH-friendly. Gran remoto internacional vía Snowflake/dbt Labs.

⚠ solo número de empleos: el salario por país no se publica

Datos del gráfico
Geografía de la demanda — Data Warehouse. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
PaísOfertas
PL118
US79
IN49
GB25
FR19
DE18
CA8
MX6
RU6
ZA5

Qué tecnologías se piden con más frecuencia en la misma oferta que Data Warehouse.

Se usa junto con

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%

Cuota: cuántas de las 442 ofertas del mercado Data Warehouse 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 DWH 2026: SQL a nivel de dominio (obligatorio), un DWH cloud: Snowflake (premium cloud) / BigQuery (GCP) / ClickHouse (dominante OLAP en la CEI) / Redshift (legacy AWS), dbt (estándar de la capa de transformación), Apache Airflow (orquestación de ingesta), Apache Iceberg / Delta Lake (lakehouse), Kafka + Debezium (CDC), Looker / Mode / Metabase / Superset / Yandex DataLens (BI).

Parejas habituales: SQL + Snowflake, SQL + ClickHouse, dbt + Snowflake, dbt + BigQuery, dbt + ClickHouse, Airflow + DWH. Hoja de ruta de aprendizaje: SQL avanzado → un DWH en la nube (ClickHouse para la CEI o Snowflake para el mercado internacional) → dbt → modelado de Kimball → nociones de Airflow → una herramienta de BI.

Datos del gráfico
Se usa junto con — Data Warehouse. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
NombreCantidad
snowflake324
sql203
cloud201
python162
dbt148
aws118
azure100
airflow85
databricks73
gcp63
bigquery61
kafka26

Cuántas ofertas de Data Warehouse hay en cada nivel, de junior a principal.

Demanda por nivel

nivelempleos
senior163
middle40
principal28
lead27
junior10

Los Junior escasean: el mercado espera SQL avanzado + un DWH. Trayectoria: Analyst Senior / Data Engineer Middle → DWH Middle → Senior → DWH Architect / Head of Data.

⚠ solo el lado de la demanda: el nivel del pool observado se desconoce en su mayor parte

Datos del gráfico
Demanda por nivel — Data Warehouse. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
NivelCantidad
senior163
middle40
principal28
lead27
junior10

Quién contrata más en Data Warehouse y cuánto se concentra la demanda en las empresas más grandes.

Empleadores

La demanda se reparte entre 280 empleadores. El mayor concentra el 3.3%, los diez primeros el 16.7%; el 83.3% restante es cola larga.

el mayor 3,3%2.º–3.º 3,8%4.º–10.º 9,6%el resto 83,3%
proporciónvalor
top-13.3%
top-37.2%
top-1016.7%
cola larga83.3%

⚠ 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 Data Warehouse.

Dónde ve Zorky este mercado

Observado en 65 fuentes; la mayor concentra el 15.4%: este mercado no depende de un solo canal.

Datos del gráfico
Dónde ve Zorky este mercado — Data Warehouse. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
ClaseNombreNombre en inglésCantidadProporción
atsATS и карьерные сайтыATS y webs de empleo de empresas2230,5045
boardджоб-борды и агрегаторыportales de empleo y agregadores2020,457
telegramTelegramTelegram170,0385

Las ofertas de Data Warehouse más recientes de las webs de empleo de las empresas.

Vacantes recientes

Todos los empleos →

Últimas vacantes abiertas de DWH Engineer: 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.

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 Data Warehouse Engineer: Snowflake Engineer (el dominante del DWH en la nube), BigQuery Engineer (GCP), ClickHouse Engineer, Redshift Engineer (AWS heredado), Data Warehouse Architect (especialista en modelado). La comparación con otras especializaciones de datos está en la barra de abajo.

Big DataIngeniero de datosDBAStreaming

Preguntas frecuentes

Las preguntas más frecuentes sobre DWH Engineer: salario, Snowflake frente a BigQuery frente a ClickHouse frente a Redshift, dbt frente a Airflow (se complementan, no compiten), diferencias con Data Engineer / Analytics Engineer, trabajo remoto, cómo empezar (6-10 meses), skills de Senior. Las respuestas se recalculan automáticamente.

¿Cuánto gana un DWH Junior, Middle, Senior o Lead?

Las vacantes Junior de DWH escasean: el mercado espera SQL avanzado + práctica real con un DWH (a menudo tras ser Analyst Senior con dominio de SQL o Data Engineer Middle). El salto de Junior a Middle: dominar un DWH a fondo + dbt + pipelines de ingesta. Un Senior es responsable de la arquitectura de modelado del DWH (estrella/copo de nieve/Data Vault). Lead: gestión del equipo de modelado + diseño de la arquitectura de datos enterprise. Trayectoria: Analyst Senior / Data Engineer Middle → DWH Middle → Senior → luego Data Warehouse Architect o Head of Data.

¿Qué stack necesita con más frecuencia un DWH Engineer?

Principales 5: snowflake, cloud, sql, python, dbt. SQL a nivel de dominio (window functions, CTE recursivos, optimización de consultas, partition pruning). Uno de los DWH cloud: Snowflake (premium cloud, Tasks/Streams/Time Travel/micro-partitions/Snowpipe), BigQuery (GCP, slot pricing/BQML), ClickHouse (dominante OLAP en la CEI, ReplicatedMergeTree/distributed/vistas materializadas), Redshift (AWS legacy, distkey/sortkey). Greenplum en enterprise de la CEI (Sber). dbt, obligatorio (estándar de la capa de transformación, models + tests + macros + packages). Apache Airflow para ingesta. Apache Iceberg/Delta Lake, formatos de tabla lakehouse (en crecimiento). Apache Kafka + Debezium para CDC. BI: Looker/Mode/Metabase/Superset/Yandex DataLens. Conocimiento de modelado Kimball (esquemas estrella/copo de nieve, slowly changing dimensions) o Data Vault, obligatorio para Senior.

Snowflake frente a BigQuery frente a ClickHouse frente a Redshift: ¿cuál elegir?

Snowflake: el DWH en la nube dominante en los proyectos internacionales. Multi-cloud (AWS/Azure/GCP), separación de almacenamiento/cómputo, Time Travel, Snowpipe para streaming. Precio premium, pero la mejor DX. Un Senior Snowflake es premium en el remoto internacional. BigQuery: nativo de Google Cloud. Precio por slots (o on-demand), BQML para machine learning dentro de la BD. Dominante en las empresas GCP. ClickHouse: el dominante OLAP de código abierto en la CEI. El OLAP más rápido sobre almacenamiento columnar. Un Senior ClickHouse es una necesidad de mercado en las empresas de producto de la CEI. Redshift: legado de AWS, migraciones a Snowflake o BigQuery. Menos proyectos nuevos. Estrategia: ClickHouse si estás en un equipo de producto de la CEI, Snowflake para el remoto internacional, BigQuery si trabajas en el stack de GCP, Redshift solo para mantener proyectos AWS heredados.

dbt frente a Airflow — ¿son competidores?

No son competidores, sino complementos. Airflow: orquestación (cuándo ejecutar qué, dependencias entre tareas). dbt: capa de transformación (modelos SQL + pruebas + documentación + linaje). Pipeline clásico del modern data stack: Airflow lanza la ingesta (scripts de Python/Spark) → dbt se ejecuta en Airflow como BashOperator o DbtRunOperator (vía el provider astronomer-dbt) → dbt ejecuta las transformaciones SQL en el DWH (Snowflake/BigQuery/ClickHouse) → la capa de BI (Looker/Metabase) lee los modelos finales de dbt. Un Senior DWH Engineer domina ambos. Airflow para orquestación + ingesta, dbt para transformaciones + pruebas. Conocer los módulos de dbt (sources/models/tests/macros/snapshots/seeds) + las buenas prácticas de dbt es imprescindible para un Senior en 2026.

¿Qué proporción de vacantes ofrece trabajo remoto?

Entre las vacantes con modalidad de trabajo indicada, el 39% es remoto. Las vacantes sin modalidad indicada se excluyen del denominador; el trabajo híbrido no se cuenta como remoto.

¿En qué se diferencia DWH Engineer de Data Engineer / Analytics Engineer?

DWH Engineer (esta página) — foco en DWH cloud (Snowflake/BigQuery/ClickHouse/Redshift) + modelado. Dominio de SQL + un DWH a fondo. Data Engineer (general) — alcance más amplio: pipelines + DWH + streaming + Spark. Analytics Engineer — foco en dbt + capa de transformación. Se sitúa entre Data Engineer y Data Analyst. SQL + dbt + un DWH (a menudo Snowflake/BigQuery), pero SIN Spark ni streaming. El cambio de carrera DWH Engineer → Analytics Engineer — 1-2 meses (mismo stack, foco en dbt). DWH Engineer → Data Engineer (general) — 3-6 meses (+ Spark + Airflow a fondo).

¿Por dónde empezar en DWH en 2026?

Hoja de ruta (se da por supuesta experiencia como SQL Middle o Data Analyst): 1) SQL avanzado: funciones de ventana a fondo, CTE recursivas, optimización de consultas, EXPLAIN ANALYZE, índices, partition pruning. PostgreSQL + un OLAP (se recomienda ClickHouse: el más usado en la CEI). 2) Un DWH en la nube: ClickHouse (recomendado para una carrera en la CEI: código abierto, gratis), Snowflake (para el remoto internacional: prueba gratuita de 30 días) o BigQuery (nivel gratuito de GCP). Domina las funciones específicas del motor (ClickHouse: ReplicatedMergeTree + distribuido + vistas materializadas; Snowflake: Tasks + Streams + Time Travel + microparticiones). 3) dbt: el tutorial oficial de getdbt.com + el proyecto personal Jaffle Shop. Domina models + tests + macros + sources + snapshots. 4) Modelado de Kimball: esquema en estrella, esquema en copo de nieve, dimensiones lentamente cambiantes (SCD). Libro "The Data Warehouse Toolkit" de Kimball. 5) Nociones de Airflow: orquestación de la ingesta. 6) Apache Iceberg o Delta Lake: nociones de lakehouse. 7) Una herramienta de BI: Metabase/Superset/Yandex DataLens (gratis) o Looker (premium). 8) Proyecto personal de extremo a extremo: ingesta (script de Python + Airflow) → DWH (ClickHouse o BigQuery) → modelos dbt → dashboard de BI en Metabase. Cursos: Karpov.Courses "Data Engineer" (incluye DWH), OTUS "Data Engineer", Yandex.Practicum "Data Engineer", DataCamp "Data Engineer with dbt", Snowflake University (EN, gratis, el mejor recurso sobre Snowflake), ClickHouse Academy (EN, gratis). Libros: "The Data Warehouse Toolkit" de Kimball (lectura obligada), "Analytics Engineering with dbt" (guía del modern data stack). Tiempo hasta Junior DWH: 6-10 meses (más rápido que Data Engineer general gracias a un alcance más acotado).

¿Cuántas vacantes abiertas contiene esta muestra?

La muestra publicada contiene 442 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 DWH Engineer?

Un Senior DWH es responsable del ciclo completo del DWH en la nube. Dominio de SQL: funciones de ventana a fondo, CTE recursivas, planes de consulta (EXPLAIN ANALYZE), partition pruning, índices, vistas materializadas, patrones de optimización de consultas. Un DWH cloud a fondo: Snowflake (Tasks/Streams/Time Travel/micro-partitions/Snowpipe/optimización de costes mediante el dimensionado de warehouses) o BigQuery (gestión de slots/BQML/tablas particionadas) o ClickHouse (ReplicatedMergeTree/motores distribuidos/vistas materializadas/codecs/diccionarios). Modelado: dominio de Kimball (esquema en estrella/copo de nieve, dimensiones conformadas, SCD de tipos 1-6), nociones de Data Vault, arquitectura lakehouse (evolución de particiones en Iceberg/Delta, time travel, evolución de esquema). dbt: dominio (models/sources/tests/macros/snapshots/seeds/exposures), buenas prácticas (modelos incrementales, estrategias de materialización, particularidades de los adaptadores dbt-snowflake/dbt-bigquery). Rendimiento: patrones de optimización de consultas para cada motor de DWH, gestión de costes (consumo de créditos en Snowflake / slots en BigQuery / dimensionado de clústeres de ClickHouse). Ingesta: Kafka + Debezium para CDC, Airflow para la ingesta por lotes, Snowpipe / Snowflake Streams / vistas materializadas. Calidad de datos: dbt tests + Great Expectations + Soda. Integración con BI: uno de Looker/Mode/Metabase/Superset/Yandex DataLens a nivel de diseño de la capa semántica. Soft: code review (SQL + dbt), mentoría a Middle, comunicación con los equipos de Analistas/Negocio. Inglés para Senior+ imprescindible: la documentación de DWH está mayoritariamente en inglés.

Dejar una solicitud

Describe la tarea y deja un contacto: la solicitud llega a nuestro CRM y respondemos al contacto que indiques.

Al enviar, aceptas la política de privacidad.