Big Data : marché
Données au 19 novembre 2026 : offres ouvertes Big Data — 508, 31% en télétravail parmi les offres qui précisent le mode de travail; salaire médian annoncé $6 825/mois (sur 61 offres qui indiquent un salaire). Source : Zorky, mis à jour chaque jour.
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.
Données au:
Les chiffres clés du marché Big Data : offres ouvertes, salaire médian, vivier de spécialistes observé et part du télétravail.
Le marché Big Data compte actuellement 508 postes ouverts, dont 442 observés récemment. Median salary $6 825/mo.
Parmi les offres dont le mode de travail est indiqué, 31% sont en télétravail. L'administration des clusters se fait dans le cloud. SaaS internationaux de données cloud (Databricks/Snowflake/Confluent) — télétravail complet.
⚠ salaire connu pour 61 offres sur 508 ; part du télétravail sur 354 avec un format indiqué ; 442 comptées comme observations récentes ; la tendance et la difficulté de recrutement ne sont pas affichées
Chronologie : offres et sources
Combien d'offres Big Data sont apparues chaque semaine depuis le 1 juin, et depuis combien de sources. Le graphique du bas sépare la croissance du marché de celle de notre couverture : un saut la semaine où de nouvelles sources ont été connectées signifie que nous voyons davantage, pas que le marché a grandi.
Nouvelles offres par semaine
Données du graphique
| Période | Nouvelles offres par semaine |
|---|---|
| 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 |
Sources actives par semaine
Sources sur la période : 131. ▲ — semaine où de nombreuses nouvelles sources ont été connectées.
Données du graphique
| Période | Sources actives |
|---|---|
| 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 |
Nouvelles sources connectées : 22 juin +14 · 29 juin +13 · 6 juil. +18 · 13 juil. +8 · toutes les semaines (23) dans le tableau
| Semaine | Nouvelles sources | Nouvelles offres |
|---|---|---|
| 8 juin | +6 | 26 |
| 15 juin | +3 | 25 |
| 22 juin | +14 | 86 |
| 29 juin | +13 | 83 |
| 6 juil. | +18 | 69 |
| 13 juil. | +8 | 128 |
| 20 juil. | +5 | 135 |
| 27 juil. | +6 | 67 |
| 3 août | +6 | 56 |
| 10 août | +1 | 28 |
| 17 août | +2 | 29 |
| 24 août | +1 | 25 |
| 31 août | +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 semaine en cours n'est pas terminée et n'est pas affichée : une semaine incomplète ressemblerait à une baisse.
Semaine = date de première détection de l'offre, tous statuts ; les offres sont sélectionnées selon la même règle que le compteur de cette page. Les sources sont des canaux de collecte distincts ; leurs noms ne sont pas publiés.
Données du graphique
| Semaine | Nouvelles offres par semaine | Sources actives |
|---|---|---|
| 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 |
Les salaires dans le temps
Salaire médian Big Data par semaine, USD par mois.
Salaire médian, USD par mois
Données du graphique
| Période | Médiane | Offres avec salaire par semaine (n) |
|---|---|---|
| 2026-07-20 | 5 750 | 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 | 5 079 | 10 |
| 2026-10-12 | 6 793 | 20 |
| 2026-10-19 | 6 250 | 36 |
| 2026-10-26 | 6 726 | 21 |
| 2026-11-02 | 7 699 | 22 |
| 2026-11-09 | 4 658 | 22 |
La série commence le 20 juil. : aucune donnée avant.
Uniquement les offres avec un salaire en USD et une période connue (mois ou année), de 500 à 50 000 $ par mois. Les semaines comptant moins de 10 offres de ce type sont laissées vides — cela signifie pas de données, pas zéro.
Données du graphique
| Semaine | Médiane |
|---|---|
| 2026-06-01 | — |
| 2026-06-08 | — |
| 2026-06-15 | — |
| 2026-06-22 | — |
| 2026-06-29 | — |
| 2026-07-06 | — |
| 2026-07-13 | — |
| 2026-07-20 | 5 750 |
| 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 | 5 079 |
| 2026-10-12 | 6 793 |
| 2026-10-19 | 6 250 |
| 2026-10-26 | 6 726 |
| 2026-11-02 | 7 699 |
| 2026-11-09 | 4 658 |
Le télétravail dans le temps
Part des offres Big Data proposant un télétravail complet, par semaine.
Offres en télétravail, %
Données du graphique
| Période | Télétravail |
|---|---|
| 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 part est calculée parmi les offres qui précisent le mode de travail (télétravail, hybride, bureau). Les semaines comptant moins de 10 offres de ce type sont laissées vides.
Données du graphique
| Semaine | Télétravail |
|---|---|
| 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 |
Les technologies dans le temps
Comment la part des offres Big Data mentionnant chacune des principales technologies a évolué.
Offres mentionnant la technologie, %
Données du graphique
| Période | 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 |
Part parmi les offres avec un stack tagué ; la série commence le 10 août : auparavant les tags de stack étaient attribués différemment. Les semaines comptant moins de 20 offres taguées sont laissées vides.
Données du graphique
| Semaine | 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 |
Pays au fil du temps
Comment la part des offres Big Data dans chacun des principaux pays a évolué, par semaine.
Offres dans le pays, %
Données du graphique
| Période | Pologne | États-Unis | Inde |
|---|---|---|---|
| 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 |
Part parmi les offres dont le pays est connu ; le graphique montre les cinq pays comptant le plus d'offres sur six mois. Les semaines comptant moins de 20 offres avec un pays connu sont laissées vides. Une part en hausse peut signifier une source nouvellement connectée dans ce pays plutôt qu'une croissance du marché.
Données du graphique
| Semaine | Pologne | États-Unis | Inde | Singapour | Afrique du Sud |
|---|---|---|---|---|---|
| 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 |
Marché net : indice de recrutement
Les mêmes 7 505 sites carrières d'employeurs ; le nombre d'offres provient du site lui-même. Connecter de nouvelles sources ne fait pas bouger cet indice — il montre le marché, pas notre couverture. C'est l'ensemble du marché du panel, pas seulement Big Data.
Indice de recrutement, 16 oct. = 100
Données du graphique
| Période | Indice de recrutement |
|---|---|
| 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 |
Indice chaîné : chaque jour ne compare que les sites interrogés ce jour-là et la veille ; les valeurs aberrantes et les pannes d'interrogation d'une plateforme entière sont exclues. Les jours sans paire comparable sont laissés vides.
Données du graphique
| Jour | Indice de recrutement |
|---|---|
| 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 |
Combien d'offres Big Data ouvertes il y a et combien de spécialistes correspondants Zorky observe.
Demande et offre observée
Données du graphique
| Indicateur | Valeur |
|---|---|
| Demande ouverte | 508 |
| Demande ouverte | 508 |
| Offre observée | — non publié |
Le Big Data forme un segment premium des systèmes distribués. Moteurs : migrations de Hadoop historique → Spark sur k8s + Iceberg, demande de streaming (Flink + Kafka), croissance des partenaires Databricks. Tendance 2026 : l'architecture lakehouse (Iceberg/Delta) domine, fin de vie de Hadoop dans les grandes entreprises.
⚠ les candidats correspondant à une offre ne sont pas encore comptés : la demande et le vivier observé sont affichés
Comment se répartissent les salaires des offres Big Data, en dollars américains par mois.
Distribution des salaires
Données du graphique
| Indicateur | Valeur |
|---|---|
| <$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 |
- exploitable pour le calcul: 61 (12%)
- indiqué mais non converti en USD/mois: 63 (12,4%)
- non indiqué: 384 (75,6%)
Une offre sur dix propose moins de $3 289, une sur dix plus de $14 641. La moitié des offres propose entre $5 375 et $9 250. Échantillon: 61.
Données du graphique
| Indicateur | Borne inférieure | Borne supérieure | Nombre |
|---|---|---|---|
| <$1k | 0 | 1 000 | 0 |
| $1–2k | 1 000 | 2 000 | 4 |
| $2–3k | 2 000 | 3 000 | 2 |
| $3–4k | 3 000 | 4 000 | 2 |
| $4–5k | 4 000 | 5 000 | 5 |
| $5–6k | 5 000 | 6 000 | 7 |
| $6–7k | 6 000 | 7 000 | 12 |
| $7–8k | 7 000 | 8 000 | 8 |
| $8–9k | 8 000 | 9 000 | 5 |
| $9–10k | 9 000 | 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 |
Dans quels pays il y a le plus d'offres Big Data ouvertes.
Géographie de la demande
| pays | offres | part |
|---|---|---|
| Pologne | 113 | 27,2% |
| États-Unis | 86 | 20,7% |
| Inde | 43 | 10,3% |
| Singapour | 28 | 6,7% |
| Canada | 17 | 4,1% |
| Royaume-Uni | 15 | 3,6% |
| Russie | 13 | 3,1% |
| France | 11 | 2,6% |
| Espagne | 10 | 2,4% |
| Allemagne | 9 | 2,2% |
| Autres pays | 71 | 17,1% |
Le leader par nombre d'offres Big Data est la Pologne (113 postes). Moscou domine. Pologne — un marché européen favorable au Big Data. Un large segment international à distance via Databricks/Snowflake.
⚠ nombre d'offres uniquement : le salaire par pays n'est pas publié
Données du graphique
| Pays | Offres |
|---|---|
| PL | 113 |
| US | 86 |
| IN | 43 |
| SG | 28 |
| CA | 17 |
| GB | 15 |
| RU | 13 |
| FR | 11 |
| ES | 10 |
| DE | 9 |
Quelles technologies sont le plus souvent demandées dans la même offre que Big Data.
Utilisée avec
Part : combien des 508 offres du marché Big Data mentionnent cette technologie. Tri par nombre d’offres, pas par « force d’association ». Les termes génériques comme cloud ne désignent pas un cloud précis (AWS, Azure).
Stack Big Data principale 2026 : Apache Spark (indispensable — PySpark ou Scala), Hadoop (HDFS + Hive — historique des grands comptes), Apache Flink (streaming premium), Kafka (indispensable), Delta Lake / Apache Iceberg (lakehouse — standard moderne), Apache Hudi, HBase / Cassandra (NoSQL distribué), Scala ou Python, Airflow, Cloudera / Hortonworks, Kubernetes (Spark sur k8s). Senior — Apache Atlas / DataHub.
Couples courants : Spark + Kafka, Spark + Iceberg, Hadoop + Hive, Spark + Scala, Flink + Kafka. Feuille de route d'apprentissage : expérience de Data Engineer Middle → Spark en profondeur → modèle d'exécution de Spark → un lakehouse (Iceberg) → bases de Hadoop (pour l'historique) → Spark sur k8s.
Données du graphique
| Nom | Nombre |
|---|---|
| python | 217 |
| spark | 215 |
| java | 163 |
| cloud | 157 |
| hadoop | 151 |
| sql | 142 |
| aws | 118 |
| pyspark | 105 |
| databricks | 92 |
| azure | 77 |
| scala | 74 |
| kafka | 70 |
Combien d'offres Big Data il y a à chaque niveau, de junior à principal.
Demande par niveau
| niveau | offres |
|---|---|
| senior | 141 |
| lead | 48 |
| middle | 47 |
| principal | 20 |
| junior | 6 |
Les Juniors sont quasi inexistants — le marché attend une expérience de Data Engineer Middle. Parcours de carrière : Data Engineer Middle → Big Data Middle en 4-8 mois → Senior → Platform Engineer / Architecte Lakehouse / Head of Big Data.
⚠ côté demande uniquement : le niveau du vivier observé est inconnu pour la majeure partie
Données du graphique
| Niveau | Nombre |
|---|---|
| senior | 141 |
| lead | 48 |
| middle | 47 |
| principal | 20 |
| junior | 6 |
Qui recrute le plus pour Big Data et à quel point la demande se concentre chez les plus grandes entreprises.
Employeurs
La demande est répartie entre 293 employeurs. Le plus grand en représente 7.9 %, les dix premiers 20.5 % ; les 79.5 % restants forment la longue traîne.
| part | valeur |
|---|---|
| top 1 | 7.9% |
| top 3 | 11.8% |
| top 10 | 20.5% |
| longue traîne | 79.5% |
⚠ les noms ne sont pas affichés : le classificateur ne distingue pas encore les agences de recrutement des employeurs finaux
Sur quels sites d'entreprises et sites d'emploi Zorky collecte les offres Big Data.
Où Zorky voit ce marché
Observé sur 64 sources ; la plus grande en représente 18.9 % : ce marché ne repose pas sur un seul canal.
Données du graphique
| Classe | Nom | Nom anglais | Nombre | Part |
|---|---|---|---|---|
| ats | ATS и карьерные сайты | ATS et sites carrières | 257 | 0,5059 |
| board | джоб-борды и агрегаторы | job boards et agrégateurs | 240 | 0,4724 |
| telegram | Telegram | Telegram | 11 | 0,0217 |
Les offres Big Data les plus récentes, issues des pages carrières des entreprises.
Postes récents
- 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 · $4 158
Dernières offres Big Data ouvertes — les 10 postes les plus récents avec une qualité de description suffisante. La liste complète est dans notre CRM ou via le lien « voir tout » ci-dessous.
Marchés voisins
Big Data Engineer — un segment premium de niche de la filière Data. Comparaison avec les autres spécialisations data — dans le SiblingSubnichesChart ci-dessus.
⚠ les marchés voisins de comparaison ne sont pas encore définis
Comment c'est mesuré
- Offre
- une offre ouverte ayant passé le contrôle qualité et citant au moins deux technologies
- Candidat observé
- un candidat dont la stack contient cette technologie ; un agrégat — aucune fiche individuelle ne sort du périmètre
- Candidat correspondant
- pas encore compté
- Fenêtre
- offres ouvertes au moment de la création de l'instantané
À propos des données
- Certaines ventilations sont masquées : leur couverture de données n'est pas encore suffisante.
- Les statistiques ne sont affichées que là où l'échantillon passe un contrôle qualité.
- Un bloc absent ne signifie pas une valeur nulle.
Ventilations masquées actuellement : 8.
Domaine: Data Engineering
Spécialisations associées
Au sein de l'Ingénieur Big Data : Ingénieur Spark (PySpark ou Spark Scala — usage principal), Ingénieur Hadoop (entreprise historique — HDFS + Hive + MapReduce), Ingénieur Flink (vrai streaming, niche premium), Ingénieur plateforme Big Data (administration de cluster Hadoop, Spark sur k8s + Iceberg/Delta), Architecte Data Lakehouse (architecture moderne). Comparaison avec les autres spécialisations data — dans la barre ci-dessous.
Questions fréquentes
Les questions les plus fréquentes sur le Big Data : rémunération, Spark vs Hadoop vs Flink, Lakehouse (Delta/Iceberg/Hudi), différence avec Data Engineer / ML Engineer, télétravail, comment débuter (4-8 mois après Data Engineer Middle), compétences Senior. Les réponses sont recalculées automatiquement.
Quel est le salaire d'un ingénieur Big Data Junior, Middle, Senior ou Lead ?
Les offres Big Data Junior sont QUASI INEXISTANTES — le marché attend une expérience de Data Engineer Middle + une pratique de Spark. Le saut Junior → Middle — le modèle d'exécution de Spark + l'un de Hadoop/Flink/Kafka en profondeur. Le Senior est responsable de l'architecture de la plateforme Big Data + mentor. Le Lead Big Data — gestion de systèmes distribués avec 5+ ingénieurs, responsable du dimensionnement des clusters + de l'optimisation des coûts. Parcours de carrière : Data Engineer Middle/Senior → Big Data Middle en 4-8 mois → Senior → soit Platform Engineer (focus infrastructure), soit Architecte Lakehouse (stack data moderne).
Quelle stack demande-t-on le plus souvent en Big Data ?
Top 5 : python, spark, cloud, java, hadoop. Apache Spark — indispensable (PySpark le plus souvent, Spark Scala pour les cas critiques en performance). Compréhension approfondie du modèle d'exécution (DAG, stages, tâches), des shuffles, des broadcasts, du partitionnement. Hadoop — HDFS + Hive + YARN — entreprise historique (Sber/banques/télécoms), migrations vers la stack open source. Apache Flink — vrai streaming, niche premium. Kafka — indispensable (partitions, consumer groups, exactly-once). Delta Lake/Apache Iceberg — formats de tables lakehouse (standard moderne, remplacent la stack Hadoop classique). Apache Hudi — alternative à Iceberg. HBase/Cassandra — NoSQL distribué pour le temps réel. Scala ou Python — Scala pour Spark en production, Python le plus souvent. Airflow pour l'orchestration des jobs batch. Distributions Cloudera/Hortonworks (entreprise historique). Kubernetes — Spark sur k8s + Spark Operator. Apache Atlas/DataHub — lignage des données + catalogue (indispensable pour un Senior). Connaissance du tuning de la JVM (GC G1/ZGC, profilage du heap) — indispensable pour un Senior Spark Scala.
Spark vs Hadoop vs Flink — que choisir pour le Big Data ?
Apache Spark — standard industriel + dominant. PySpark — le plus grand marché, Spark Scala — niche premium. Inconvénients : streaming en micro-batch (latence de l'ordre de la seconde), pas du vrai temps réel. Hadoop (HDFS + MapReduce + Hive) — historique en entreprise. Utilisé dans les grandes banques/télécoms où la migration vers l'open source n'est pas terminée. À connaître absolument si vous travaillez chez Sber/dans les banques. Tendance : migrations de Hadoop vers Spark sur k8s + Iceberg/Delta Lake. Apache Flink — véritable moteur de streaming avec une latence de l'ordre de la milliseconde, sémantique exactly-once nativement. Segment en croissance : FinTech/AdTech/IoT/inférence ML en temps réel. Stratégie : Spark d'abord (taille du marché), puis Flink pour se diversifier et viser une rémunération premium. N'apprenez Hadoop que si vous vous orientez vers la banque.
Lakehouse (Delta Lake / Iceberg / Hudi) — que faut-il apprendre en 2026 ?
Architecture Lakehouse — architecture de données moderne qui combine le Data Lake (stockage bon marché dans S3/HDFS) et le Data Warehouse (ACID + schéma imposé + indexation). Remplace la stack Hadoop classique. Trois principaux formats de tables : Delta Lake (d'origine Databricks, le plus mature, dominant dans les environnements Databricks), Apache Iceberg, Apache Hudi (troisième place, mises à jour les plus rapides via l'ingestion incrémentale). Stratégie : Iceberg d'abord (vainqueur du standard ouvert 2024–2026), Delta Lake si vous travaillez avec Databricks, Hudi uniquement pour un cas d'usage précis (CDC + nombreuses mises à jour).
Quelle part des offres propose du télétravail ?
Parmi les offres dont le mode de travail est indiqué, 31% sont en télétravail. Les offres sans mode de travail indiqué sont exclues du dénominateur ; le travail hybride n’est pas compté comme du télétravail.
En quoi l'Ingénieur Big Data diffère-t-il du Data Engineer / ML Engineer ?
Ingénieur Big Data (cette page) — centré sur les systèmes distribués pour traiter des téraoctets et plus. Spark/Hadoop/Flink + gestion de clusters. Prime pour la complexité des systèmes distribués. Data Engineer (généraliste) — peut travailler sur des volumes plus petits (Go-To) sans Spark. Centré sur les pipelines + la modélisation DWH. ML Engineer — déploie les modèles en production (FastAPI + ONNX/TorchServe), feature store, MLOps. Centré sur l'inférence. ML Engineer Senior ≈ Big Data Senior. Reconversion Data Engineer → Big Data en 4-8 mois (Spark + un lakehouse + Kafka). Big Data → ML Engineer en 8-12 mois (PyTorch + stack MLOps). Beaucoup d'ingénieurs Big Data Senior passent au ML Engineering (infrastructure de données → déploiement de modèles).
Par où commencer en Big Data en 2026 ?
Une expérience de Data Engineer Middle est supposée (Python + SQL + Airflow + un DWH). Feuille de route : 1) Apache Spark en profondeur — documentation officielle + Databricks Learning Academy (gratuit). Maîtriser l'API DataFrame + Spark SQL + Window Functions + Structured Streaming. 2) Modèle d'exécution de Spark — plans physiques/logiques, DAG, stages, tasks, shuffles, broadcasts, stratégies de partitionnement. 3) PySpark — pour la plupart des projets. Alternative : Spark Scala pour les cas critiques en performance. 4) Kafka — partitions, consumer groups, sémantique exactly-once. 5) Un format lakehouse : Iceberg (recommandé — vainqueur du standard ouvert) ou Delta Lake (si Databricks). 6) Bases de Hadoop — HDFS + Hive (pour la maintenance des projets bancaires historiques). 7) Spark sur Kubernetes (Spark Operator). 8) Projet personnel de bout en bout : pipeline Spark + Kafka + Iceberg + Airflow sur un jeu de données de 10-50 Go, déployé dans le cloud. Formations : Karpov.Courses « Spark Developer », OTUS « Big Data Engineer », Yandex.Practicum (partie du parcours Data Engineer), Databricks Learning Academy (EN — la meilleure ressource gratuite), spécialisation Coursera « Big Data ». Livres : « Spark: The Definitive Guide » Chambers/Zaharia, « Designing Data-Intensive Applications » Kleppmann (incontournable). Data Engineer Middle → Big Data Middle — 4-8 mois.
Combien d’offres ouvertes cet échantillon contient-il ?
L’échantillon publié contient 508 offres ouvertes après regroupement des republications. C’est le même nombre que dans l’indicateur principal. La section géographique décrit la couverture de l’échantillon ; il ne s’agit pas d’une estimation de l’ensemble du marché.
De quelles compétences un ingénieur Big Data Senior a-t-il besoin ?
Un Big Data Engineer Senior prend en charge le cycle complet des systèmes distribués. Maîtrise de Spark : modèle d'exécution (plan logique → plan physique → tâches), optimisation des shuffles (les éviter autant que possible, broadcast joins pour les petites tables, repartition vs coalesce, gestion du skew), fonctionnement interne de l'optimiseur Catalyst, modèle mémoire Tungsten, Spark SQL en profondeur, Structured Streaming avec exactly-once. Performance : réglage de la JVM pour Spark Scala (G1/ZGC, dimensionnement du heap — executor.memory + driver.memory + memoryOverhead), pandas UDFs vs Pandas API on Spark, moteur Photon (Databricks uniquement). Kafka : sémantique producteur-consommateur en profondeur, stratégies de partitionnement, exactly-once via les transactions, schema registry (Avro/Protobuf), bases de Kafka Streams. Lakehouse : Iceberg/Delta — évolution de schéma, time-travel, évolution des partitions, optimize/vacuum, partitionnement caché. Administration de clusters : Spark sur k8s (Spark Operator), optimisation des coûts (instances spot, autoscaling), Cloudera/Hortonworks pour l'historique. SQL : SQL avancé pour Spark SQL + Hive SQL + un DWH (Snowflake/BigQuery). Gouvernance des données : Apache Atlas ou DataHub — lignage, catalogue, contrôle d'accès. DevOps : Docker, Kubernetes, Terraform pour l'IaC, CI/CD pour les applications Spark (Spark Submit + GitHub Actions). Soft skills : revue de code, mentorat, communication avec les Data Scientists / équipes Analytics sur les exigences. Anglais — indispensable pour Senior+ (la documentation Big Data est majoritairement en anglais, peu de sources en russe).
Laisser une demande
Décrivez la tâche et laissez un contact : la demande arrive dans notre CRM et nous répondons au contact indiqué.