Hurtownia danych: rynek
Dane na dzień 19 listopada 2026: otwarte oferty Hurtownia danych — 442, 39% zdalnie wśród ofert z podanym trybem pracy; mediana wynagrodzenia w ofertach $7880/mies. (z 52 ofert z podanym wynagrodzeniem). Źródło: Zorky, aktualizacja codziennie.
Data Warehouse Engineer — specjalizacja w chmurowych DWH (Snowflake/BigQuery/Redshift/ClickHouse). Podsegment Data Engineering z naciskiem na modelowanie DWH + dbt + chmurowe platformy danych. Nisza premium dzięki ekspertyzie w chmurowych DWH. Rodzina ról: Snowflake Engineer (dominator chmurowych DWH — projektowanie schematów + dbt + optymalizacja kosztów), BigQuery Engineer (stack danych Google Cloud), ClickHouse Engineer, Redshift Engineer (legacy AWS), Data Warehouse Architect (specjalista od modelowania — Kimball/Data Vault). Stack: SQL na poziomie mistrzowskim (obowiązkowo — funkcje okna, rekurencyjne CTE, optymalizacja zapytań, partition pruning, widoki zmaterializowane), Snowflake (chmurowe premium — Tasks, Streams, Time Travel, mikropartycje, ingestion przez Snowpipe), BigQuery (GCP — rozliczanie za sloty, BQML do ML w bazie), ClickHouse (dominator OLAP w WNP — ReplicatedMergeTree, silniki rozproszone, widoki zmaterializowane), Redshift (legacy AWS — distkey/sortkey), Greenplum (enterprise w WNP), dbt (standard warstwy transformacji + adaptery dbt-snowflake / dbt-bigquery / dbt-clickhouse), Apache Airflow do orkiestracji ingestion, Looker/Mode/Metabase/Superset/Yandex DataLens do BI na DWH. Najczęstszy stack: snowflake, cloud, sql, python, dbt. Wśród ofert z określonym trybem pracy 39% dotyczy pracy zdalnej. Senior Snowflake/BigQuery — premia 10-15% ponad Senior Data Engineer za specjalizację w chmurowych DWH.
Dane na dzień:
Najważniejsze liczby rynku Hurtownia danych: otwarte oferty, mediana wynagrodzenia, obserwowana pula specjalistów i udział pracy zdalnej.
Rynek Hurtownia danych ma obecnie 442 otwarte role, w tym świeżo zaobserwowanych: 385. Median salary $7880/mo.
Wśród ofert z określonym trybem pracy 39% dotyczy pracy zdalnej. Praca jest w pełni chmurowa. Rosyjskie firmy produktowe — hybryda lub zdalnie. Sber — częściej biuro. Międzynarodowe chmurowe SaaS hurtowni danych (Snowflake/BigQuery/dbt Labs) — praca w pełni zdalna.
⚠ wynagrodzenie znane dla 52 z 442 ofert; udział pracy zdalnej z 362 z podanym formatem; 385 liczone jako świeże obserwacje; trendu i trudności rekrutacji nie pokazujemy
Oś czasu: ogłoszenia i źródła
Ile ogłoszeń Hurtownia danych pojawiało się co tydzień od 1 cze i z ilu źródeł pochodziły. Dolny wykres oddziela wzrost rynku od wzrostu naszego zasięgu: skok w tygodniu, w którym podłączono nowe źródła, oznacza, że zaczęliśmy widzieć więcej, a nie że rynek urósł.
Nowe ogłoszenia tygodniowo
Dane wykresu
| Okres | Nowe ogłoszenia tygodniowo |
|---|---|
| 2026-06-01 | 32 |
| 2026-06-08 | 29 |
| 2026-06-15 | 38 |
| 2026-06-22 | 89 |
| 2026-06-29 | 88 |
| 2026-07-06 | 61 |
| 2026-07-13 | 75 |
| 2026-07-20 | 88 |
| 2026-07-27 | 69 |
| 2026-08-03 | 45 |
| 2026-08-10 | 21 |
| 2026-08-17 | 27 |
| 2026-08-24 | 37 |
| 2026-08-31 | 41 |
| 2026-09-07 | 37 |
| 2026-09-14 | 34 |
| 2026-09-21 | 70 |
| 2026-09-28 | 91 |
| 2026-10-05 | 94 |
| 2026-10-12 | 200 |
| 2026-10-19 | 92 |
| 2026-10-26 | 93 |
| 2026-11-02 | 91 |
| 2026-11-09 | 124 |
Aktywne źródła w tygodniu
Źródeł w całym okresie: 100. ▲ — tydzień, w którym podłączono dużo nowych źródeł.
Dane wykresu
| Okres | Aktywne źródła |
|---|---|
| 2026-06-01 | 7 |
| 2026-06-08 | 9 |
| 2026-06-15 | 11 |
| 2026-06-22 | 20 |
| 2026-06-29 | 16 |
| 2026-07-06 | 19 |
| 2026-07-13 | 23 |
| 2026-07-20 | 24 |
| 2026-07-27 | 22 |
| 2026-08-03 | 21 |
| 2026-08-10 | 12 |
| 2026-08-17 | 10 |
| 2026-08-24 | 14 |
| 2026-08-31 | 19 |
| 2026-09-07 | 14 |
| 2026-09-14 | 15 |
| 2026-09-21 | 29 |
| 2026-09-28 | 24 |
| 2026-10-05 | 24 |
| 2026-10-12 | 33 |
| 2026-10-19 | 31 |
| 2026-10-26 | 30 |
| 2026-11-02 | 31 |
| 2026-11-09 | 37 |
Podłączono nowe źródła: 22 cze +13 · 29 cze +6 · 6 lip +8 · 13 lip +6 · 20 lip +8 · wszystkie tygodnie (21) — w tabeli
| Tydzień | Nowe źródła | Nowe ogłoszenia |
|---|---|---|
| 8 cze | +3 | 29 |
| 15 cze | +3 | 38 |
| 22 cze | +13 | 89 |
| 29 cze | +6 | 88 |
| 6 lip | +8 | 61 |
| 13 lip | +6 | 75 |
| 20 lip | +8 | 88 |
| 27 lip | +5 | 69 |
| 3 sie | +3 | 45 |
| 17 sie | +1 | 27 |
| 24 sie | +2 | 37 |
| 31 sie | +3 | 41 |
| 7 wrz | +1 | 37 |
| 14 wrz | +3 | 34 |
| 21 wrz | +5 | 70 |
| 5 paź | +5 | 94 |
| 12 paź | +5 | 200 |
| 19 paź | +3 | 92 |
| 26 paź | +3 | 93 |
| 2 lis | +4 | 91 |
| 9 lis | +3 | 124 |
Bieżący tydzień jeszcze się nie skończył i nie jest pokazany: niepełny tydzień wyglądałby jak spadek.
Tydzień = data pierwszego pojawienia się ogłoszenia, wszystkie statusy; ogłoszenia wybiera ta sama reguła co licznik tej strony. Źródła to różne kanały zbierania; ich nazw nie publikujemy.
Dane wykresu
| Tydzień | Nowe ogłoszenia tygodniowo | Aktywne źródła |
|---|---|---|
| 2026-06-01 | 32 | 7 |
| 2026-06-08 | 29 | 9 |
| 2026-06-15 | 38 | 11 |
| 2026-06-22 | 89 | 20 |
| 2026-06-29 | 88 | 16 |
| 2026-07-06 | 61 | 19 |
| 2026-07-13 | 75 | 23 |
| 2026-07-20 | 88 | 24 |
| 2026-07-27 | 69 | 22 |
| 2026-08-03 | 45 | 21 |
| 2026-08-10 | 21 | 12 |
| 2026-08-17 | 27 | 10 |
| 2026-08-24 | 37 | 14 |
| 2026-08-31 | 41 | 19 |
| 2026-09-07 | 37 | 14 |
| 2026-09-14 | 34 | 15 |
| 2026-09-21 | 70 | 29 |
| 2026-09-28 | 91 | 24 |
| 2026-10-05 | 94 | 24 |
| 2026-10-12 | 200 | 33 |
| 2026-10-19 | 92 | 31 |
| 2026-10-26 | 93 | 30 |
| 2026-11-02 | 91 | 31 |
| 2026-11-09 | 124 | 37 |
Wynagrodzenia w czasie
Mediana wynagrodzenia Hurtownia danych tygodniowo, USD miesięcznie.
Mediana wynagrodzenia, USD miesięcznie
Dane wykresu
| Okres | Mediana | Oferty z wynagrodzeniem w tygodniu (n) |
|---|---|---|
| 2026-10-12 | 7618 | 13 |
| 2026-10-19 | 6312 | 13 |
| 2026-10-26 | 8143 | 18 |
| 2026-11-02 | 9583 | 11 |
| 2026-11-09 | 6375 | 19 |
Seria zaczyna się 12 paź: wcześniej brak danych.
Tylko ogłoszenia z wynagrodzeniem w USD i znanym okresem (miesiąc lub rok), od 500 do 50 000 $ miesięcznie. Tygodnie, w których takich ogłoszeń jest mniej niż 10, są puste — to brak danych, a nie zero.
Dane wykresu
| Tydzień | 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 | — |
| 2026-07-27 | — |
| 2026-08-03 | — |
| 2026-08-10 | — |
| 2026-08-17 | — |
| 2026-08-24 | — |
| 2026-08-31 | — |
| 2026-09-07 | — |
| 2026-09-14 | — |
| 2026-09-21 | — |
| 2026-09-28 | — |
| 2026-10-05 | — |
| 2026-10-12 | 7618 |
| 2026-10-19 | 6312 |
| 2026-10-26 | 8143 |
| 2026-11-02 | 9583 |
| 2026-11-09 | 6375 |
Praca zdalna w czasie
Udział ofert Hurtownia danych z pracą w pełni zdalną, tydzień po tygodniu.
Ogłoszenia zdalne, %
Dane wykresu
| Okres | Zdalnie |
|---|---|
| 2026-06-01 | 72 |
| 2026-06-08 | 42,9 |
| 2026-06-15 | 58,8 |
| 2026-06-22 | 52,4 |
| 2026-06-29 | 52,8 |
| 2026-07-06 | 48,4 |
| 2026-07-13 | 50 |
| 2026-07-20 | 68,7 |
| 2026-07-27 | 75 |
| 2026-08-03 | 23,7 |
| 2026-08-10 | 13,3 |
| 2026-08-17 | 15,4 |
| 2026-08-24 | 40 |
| 2026-08-31 | 31,4 |
| 2026-09-07 | 25,8 |
| 2026-09-14 | 26,9 |
| 2026-09-21 | 21,3 |
| 2026-09-28 | 49,3 |
| 2026-10-05 | 32,9 |
| 2026-10-12 | 36,4 |
| 2026-10-19 | 27,6 |
| 2026-10-26 | 50 |
| 2026-11-02 | 42,9 |
| 2026-11-09 | 29,6 |
Udział liczony jest wśród ogłoszeń, które podają tryb pracy (zdalnie, hybrydowo, biuro). Tygodnie, w których takich ogłoszeń jest mniej niż 10, są puste.
Dane wykresu
| Tydzień | Zdalnie |
|---|---|
| 2026-06-01 | 72 |
| 2026-06-08 | 42,9 |
| 2026-06-15 | 58,8 |
| 2026-06-22 | 52,4 |
| 2026-06-29 | 52,8 |
| 2026-07-06 | 48,4 |
| 2026-07-13 | 50 |
| 2026-07-20 | 68,7 |
| 2026-07-27 | 75 |
| 2026-08-03 | 23,7 |
| 2026-08-10 | 13,3 |
| 2026-08-17 | 15,4 |
| 2026-08-24 | 40 |
| 2026-08-31 | 31,4 |
| 2026-09-07 | 25,8 |
| 2026-09-14 | 26,9 |
| 2026-09-21 | 21,3 |
| 2026-09-28 | 49,3 |
| 2026-10-05 | 32,9 |
| 2026-10-12 | 36,4 |
| 2026-10-19 | 27,6 |
| 2026-10-26 | 50 |
| 2026-11-02 | 42,9 |
| 2026-11-09 | 29,6 |
Technologie w czasie
Jak zmieniał się udział ofert Hurtownia danych, w których pojawia się każda z czołowych technologii.
Ogłoszenia wymieniające technologię, %
Dane wykresu
| Okres | Snowflake | SQL | cloud |
|---|---|---|---|
| 2026-08-17 | 80,8 | 11,5 | 34,6 |
| 2026-08-24 | 74,3 | 22,9 | 22,9 |
| 2026-08-31 | 72,5 | 17,5 | 25 |
| 2026-09-07 | 76,5 | 17,6 | 29,4 |
| 2026-09-14 | 64,5 | 38,7 | 16,1 |
| 2026-09-21 | 76,2 | 22,2 | 31,7 |
| 2026-09-28 | 56 | 26,2 | 59,5 |
| 2026-10-05 | 70,8 | 49,4 | 47,2 |
| 2026-10-12 | 75,3 | 34,3 | 43,3 |
| 2026-10-19 | 78,7 | 65,2 | 42,7 |
| 2026-10-26 | 77,4 | 60,2 | 44,1 |
| 2026-11-02 | 72,1 | 58,1 | 52,3 |
| 2026-11-09 | 71,9 | 48,8 | 42,1 |
Seria zaczyna się 17 sie: wcześniej brak danych.
Udział wśród ogłoszeń z otagowanym stosem; seria zaczyna się 10 sie: wcześniej tagi stosu nadawano inaczej. Tygodnie z mniej niż 20 otagowanymi ogłoszeniami są puste.
Dane wykresu
| Tydzień | Snowflake | SQL | cloud | Python | dbt |
|---|---|---|---|---|---|
| 2026-08-10 | — | — | — | — | — |
| 2026-08-17 | 80,8 | 11,5 | 34,6 | 3,8 | 7,7 |
| 2026-08-24 | 74,3 | 22,9 | 22,9 | 28,6 | 2,9 |
| 2026-08-31 | 72,5 | 17,5 | 25 | 10 | 15 |
| 2026-09-07 | 76,5 | 17,6 | 29,4 | 11,8 | 2,9 |
| 2026-09-14 | 64,5 | 38,7 | 16,1 | 19,4 | 6,5 |
| 2026-09-21 | 76,2 | 22,2 | 31,7 | 31,7 | 19 |
| 2026-09-28 | 56 | 26,2 | 59,5 | 29,8 | 14,3 |
| 2026-10-05 | 70,8 | 49,4 | 47,2 | 42,7 | 16,9 |
| 2026-10-12 | 75,3 | 34,3 | 43,3 | 20,2 | 16,9 |
| 2026-10-19 | 78,7 | 65,2 | 42,7 | 44,9 | 40,4 |
| 2026-10-26 | 77,4 | 60,2 | 44,1 | 48,4 | 32,3 |
| 2026-11-02 | 72,1 | 58,1 | 52,3 | 52,3 | 40,7 |
| 2026-11-09 | 71,9 | 48,8 | 42,1 | 37,2 | 33,1 |
Kraje w czasie
Jak zmieniał się udział ofert Hurtownia danych w każdym z czołowych krajów, tydzień po tygodniu.
Ogłoszenia w kraju, %
Dane wykresu
| Okres | Polska | USA | Wielka Brytania |
|---|---|---|---|
| 2026-06-01 | 56,2 | 28,1 | 0 |
| 2026-06-08 | 27,6 | 37,9 | 3,4 |
| 2026-06-15 | 43,2 | 18,9 | 8,1 |
| 2026-06-22 | 63,2 | 12,6 | 1,1 |
| 2026-06-29 | 37,9 | 34,5 | 3,4 |
| 2026-07-06 | 17,9 | 51,8 | 0 |
| 2026-07-13 | 24,6 | 31,1 | 1,6 |
| 2026-07-20 | 55,2 | 14,9 | 11,5 |
| 2026-07-27 | 65,5 | 5,2 | 12,1 |
| 2026-08-03 | 17,1 | 12,2 | 22 |
| 2026-08-10 | 10 | 20 | 40 |
| 2026-08-17 | 13,6 | 9,1 | 45,5 |
| 2026-08-24 | 25 | 17,9 | 28,6 |
| 2026-08-31 | 11,1 | 13,9 | 38,9 |
| 2026-09-07 | 6,7 | 13,3 | 36,7 |
| 2026-09-14 | 7,4 | 29,6 | 18,5 |
| 2026-09-21 | 14,3 | 25 | 8,9 |
| 2026-09-28 | 18,6 | 15,1 | 7 |
| 2026-10-05 | 37,2 | 8,1 | 9,3 |
| 2026-10-12 | 23,4 | 19,3 | 10,3 |
| 2026-10-19 | 42,7 | 15,9 | 4,9 |
| 2026-10-26 | 39,8 | 14,8 | 10,2 |
| 2026-11-02 | 27,7 | 25,3 | 6 |
| 2026-11-09 | 23,3 | 14,6 | 8,7 |
Udział wśród ogłoszeń ze znanym krajem; wykres pokazuje pięć krajów z największą liczbą ogłoszeń w ciągu sześciu miesięcy. Tygodnie z mniej niż 20 ogłoszeniami ze znanym krajem są puste. Rosnący udział może oznaczać nowo podłączone źródło w tym kraju, a nie wzrost rynku.
Dane wykresu
| Tydzień | Polska | USA | Indie | Wielka Brytania | Australia |
|---|---|---|---|---|---|
| 2026-06-01 | 56,2 | 28,1 | 6,2 | 0 | 0 |
| 2026-06-08 | 27,6 | 37,9 | 17,2 | 3,4 | 0 |
| 2026-06-15 | 43,2 | 18,9 | 5,4 | 8,1 | 2,7 |
| 2026-06-22 | 63,2 | 12,6 | 8 | 1,1 | 1,1 |
| 2026-06-29 | 37,9 | 34,5 | 5,7 | 3,4 | 2,3 |
| 2026-07-06 | 17,9 | 51,8 | 16,1 | 0 | 0 |
| 2026-07-13 | 24,6 | 31,1 | 21,3 | 1,6 | 3,3 |
| 2026-07-20 | 55,2 | 14,9 | 6,9 | 11,5 | 3,4 |
| 2026-07-27 | 65,5 | 5,2 | 3,4 | 12,1 | 3,4 |
| 2026-08-03 | 17,1 | 12,2 | 19,5 | 22 | 4,9 |
| 2026-08-10 | 10 | 20 | 10 | 40 | 15 |
| 2026-08-17 | 13,6 | 9,1 | 18,2 | 45,5 | 9,1 |
| 2026-08-24 | 25 | 17,9 | 17,9 | 28,6 | 3,6 |
| 2026-08-31 | 11,1 | 13,9 | 16,7 | 38,9 | 11,1 |
| 2026-09-07 | 6,7 | 13,3 | 16,7 | 36,7 | 3,3 |
| 2026-09-14 | 7,4 | 29,6 | 29,6 | 18,5 | 3,7 |
| 2026-09-21 | 14,3 | 25 | 12,5 | 8,9 | 5,4 |
| 2026-09-28 | 18,6 | 15,1 | 11,6 | 7 | 7 |
| 2026-10-05 | 37,2 | 8,1 | 11,6 | 9,3 | 2,3 |
| 2026-10-12 | 23,4 | 19,3 | 15,2 | 10,3 | 0,7 |
| 2026-10-19 | 42,7 | 15,9 | 12,2 | 4,9 | 6,1 |
| 2026-10-26 | 39,8 | 14,8 | 12,5 | 10,2 | 5,7 |
| 2026-11-02 | 27,7 | 25,3 | 4,8 | 6 | 1,2 |
| 2026-11-09 | 23,3 | 14,6 | 5,8 | 8,7 | 0 |
Czysty rynek: indeks zatrudnienia
Ten sam zestaw 7505 stron kariery pracodawców; liczba ogłoszeń pochodzi z samej strony. Podłączanie nowych źródeł nie rusza tego indeksu — pokazuje rynek, a nie nasz zasięg. To cały rynek panelu, a nie tylko Hurtownia danych.
Indeks zatrudnienia, 16 paź = 100
Dane wykresu
| Okres | Indeks zatrudnienia |
|---|---|
| 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 |
Indeks łańcuchowy: każdego dnia porównujemy tylko strony odpytane zarówno tego dnia, jak i poprzedniego; wartości odstające i awarie odpytywania całej platformy są wykluczone. Dni bez porównywalnych par są puste.
Dane wykresu
| Dzień | Indeks zatrudnienia |
|---|---|
| 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 |
Ile jest otwartych ofert Hurtownia danych i ilu pasujących specjalistów widzi Zorky.
Popyt i obserwowana podaż
Dane wykresu
| Wskaźnik | Wartość |
|---|---|
| Otwarty popyt | 442 |
| Otwarty popyt | 442 |
| Obserwowana podaż | — nie publikujemy |
Data Warehouse Engineer tworzy stały strumień ofert. Czynniki: migracje legacy DWH (Greenplum/Redshift) na Snowflake/BigQuery/ClickHouse, wzrost nowoczesnego stacku danych (dbt + chmurowe DWH), dominacja ClickHouse w zespołach produktowych WNP.
⚠ kandydaci pasujący do oferty nie są jeszcze liczeni: pokazujemy popyt i obserwowaną pulę
Jak rozkładają się wynagrodzenia w ofertach Hurtownia danych, w dolarach USA miesięcznie.
Rozkład wynagrodzeń
Dane wykresu
| Wskaźnik | Wartość |
|---|---|
| <$1k | 0 |
| $1–2k | 0 |
| $2–3k | 0 |
| $3–4k | 0 |
| $4–5k | 5 |
| $5–6k | 6 |
| $6–7k | 11 |
| $7–8k | 5 |
| $8–9k | 7 |
| $9–10k | 3 |
| $10–12k | 9 |
| $12–15k | 4 |
| $15–20k | 1 |
| $20k+ | 1 |
- nadaje się do obliczeń: 52 (11,8%)
- podano, ale nie przeliczono na USD/mies.: 54 (12,2%)
- nie podano: 336 (76%)
W co dziesiątej ofercie widełki są poniżej $5373, w co dziesiątej — powyżej $12 500. Połowa ofert proponuje od $6062 do $10 250. Próba: 52.
Dane wykresu
| Wskaźnik | Dolna granica | Górna granica | Liczba |
|---|---|---|---|
| <$1k | 0 | 1000 | 0 |
| $1–2k | 1000 | 2000 | 0 |
| $2–3k | 2000 | 3000 | 0 |
| $3–4k | 3000 | 4000 | 0 |
| $4–5k | 4000 | 5000 | 5 |
| $5–6k | 5000 | 6000 | 6 |
| $6–7k | 6000 | 7000 | 11 |
| $7–8k | 7000 | 8000 | 5 |
| $8–9k | 8000 | 9000 | 7 |
| $9–10k | 9000 | 10 000 | 3 |
| $10–12k | 10 000 | 12 000 | 9 |
| $12–15k | 12 000 | 15 000 | 4 |
| $15–20k | 15 000 | 20 000 | 1 |
| $20k+ | 20 000 | — | 1 |
W jakich krajach jest najwięcej otwartych ofert Hurtownia danych.
Geografia popytu
| kraj | oferty | udział |
|---|---|---|
| Polska | 118 | 30,8% |
| Stany Zjednoczone | 79 | 20,6% |
| Indie | 49 | 12,8% |
| Wielka Brytania | 25 | 6,5% |
| Francja | 19 | 5% |
| Niemcy | 18 | 4,7% |
| Kanada | 8 | 2,1% |
| Meksyk | 6 | 1,6% |
| Rosja | 6 | 1,6% |
| Republika Południowej Afryki | 5 | 1,3% |
| Pozostałe kraje | 50 | 13,1% |
Liderem pod względem liczby ofert DWH jest Polska (118 stanowisk). Rosja — dominacja ClickHouse. Polska — UE przyjazna DWH. Duży międzynarodowy rynek zdalny przez Snowflake/dbt Labs.
⚠ tylko liczba ofert: wynagrodzenia według krajów nie są publikowane
Dane wykresu
| Kraj | Oferty |
|---|---|
| PL | 118 |
| US | 79 |
| IN | 49 |
| GB | 25 |
| FR | 19 |
| DE | 18 |
| CA | 8 |
| MX | 6 |
| RU | 6 |
| ZA | 5 |
Jakie technologie najczęściej są wymagane w jednej ofercie razem z Hurtownia danych.
Używana razem z
Udział — ile z 442 ofert rynku Hurtownia danych wymienia tę technologię. Kolejność według liczby ofert, a nie „siły powiązania”. Ogólne pojęcia, jak cloud, to nie konkretna chmura (AWS, Azure).
Najpopularniejszy stack DWH 2026: SQL na poziomie mistrzowskim (obowiązkowo), jedna chmurowa hurtownia DWH: Snowflake (chmurowa premium) / BigQuery (GCP) / ClickHouse (dominujący OLAP w WNP) / Redshift (legacy AWS), dbt (standard warstwy transformacji), Apache Airflow (orkiestracja ingestii), Apache Iceberg / Delta Lake (lakehouse), Kafka + Debezium (CDC), Looker / Mode / Metabase / Superset / Yandex DataLens (BI).
Typowe pary: SQL + Snowflake, SQL + ClickHouse, dbt + Snowflake, dbt + BigQuery, dbt + ClickHouse, Airflow + DWH. Roadmapa nauki: zaawansowany SQL → jedna chmurowa hurtownia DWH (ClickHouse dla WNP lub Snowflake na rynek międzynarodowy) → dbt → modelowanie Kimballa → podstawy Airflow → jedno narzędzie BI.
Dane wykresu
| Nazwa | Liczba |
|---|---|
| snowflake | 324 |
| sql | 203 |
| cloud | 201 |
| python | 162 |
| dbt | 148 |
| aws | 118 |
| azure | 100 |
| airflow | 85 |
| databricks | 73 |
| gcp | 63 |
| bigquery | 61 |
| kafka | 26 |
Ile jest ofert Hurtownia danych na każdym poziomie — od junior do principal.
Popyt według poziomu
| poziom | oferty |
|---|---|
| senior | 163 |
| middle | 40 |
| principal | 28 |
| lead | 27 |
| junior | 10 |
Juniorów jest mało — rynek oczekuje zaawansowanego SQL + jednej hurtowni DWH. Ścieżka kariery: Analyst Senior / Data Engineer Middle → DWH Middle → Senior → DWH Architect / Head of Data.
⚠ tylko strona popytu: poziom większości obserwowanej puli jest nieznany
Dane wykresu
| Poziom | Liczba |
|---|---|
| senior | 163 |
| middle | 40 |
| principal | 28 |
| lead | 27 |
| junior | 10 |
Kto najwięcej zatrudnia w obszarze Hurtownia danych i jak bardzo popyt skupia się u największych firm.
Pracodawcy
Popyt rozkłada się na 280 pracodawców. Największy odpowiada za 3.3%, pierwsza dziesiątka za 16.7%; pozostałe 83.3% to długi ogon.
| udział | wartość |
|---|---|
| top-1 | 3.3% |
| top-3 | 7.2% |
| top-10 | 16.7% |
| długi ogon | 83.3% |
⚠ nazw nie pokazujemy: klasyfikator jeszcze nie odróżnia agencji rekrutacyjnych od pracodawców końcowych
Z jakich stron firm i portali Zorky zbiera oferty Hurtownia danych.
Gdzie Zorky widzi ten rynek
Obserwowane w 65 źródłach; największe odpowiada za 15.4% — ten rynek nie opiera się na jednym kanale.
Dane wykresu
| Klasa | Nazwa | Nazwa angielska | Liczba | Udział |
|---|---|---|---|---|
| ats | ATS и карьерные сайты | ATS i strony kariery | 223 | 0,5045 |
| board | джоб-борды и агрегаторы | portale pracy i agregatory | 202 | 0,457 |
| telegram | Telegram | Telegram | 17 | 0,0385 |
Najnowsze oferty Hurtownia danych ze stron karier firm.
Najnowsze ogłoszenia
- Snowflake Data Engineer (Middle+/Senior)
- Snowflake Data Engineer (Middle+/Senior) | Remote
- Snowflake Data Engineer | German B2+ Required | Fully Remote · RS
- Snowflake Data Engineer | 3 year(s) | Middle | IC
- Senior Data Engineer (Snowflake, AWS, Big Data) · AU
- Snowflake Data Engineer · US
- Snowflake Consultant - Senior Manager – Data & AI Engineering · GB
- Director, Data Warehouse Engineering · US · $16 997
Najnowsze otwarte oferty DWH Engineer — najświeższe 10 stanowisk z odpowiednią jakością opisu. Pełna lista jest w naszym CRM lub pod linkiem „zobacz wszystkie” poniżej.
Sąsiednie rynki
DWH Engineer — segment premium kierunku Data. Premia 10-15% względem Senior Data Engineer za specjalizację w chmurowych hurtowniach DWH. Porównanie — na wykresie SiblingSubnichesChart powyżej.
⚠ rynki sąsiednie do porównania nie są jeszcze określone
Jak to mierzymy
- Oferta
- otwarta oferta, która przeszła kontrolę jakości i wymienia co najmniej dwie technologie
- Obserwowany kandydat
- kandydat, którego stack zawiera tę technologię; agregat — żaden pojedynczy rekord nie opuszcza perymetru
- Kandydat do dopasowania
- jeszcze nie liczone
- Okno
- oferty otwarte w chwili tworzenia snapshotu
O danych
- Część przekrojów jest ukryta: pokrycie danymi jest jeszcze niewystarczające.
- Statystyki pokazujemy tylko tam, gdzie próba przechodzi próg jakości.
- Brak bloku nie oznacza wartości zero.
Obecnie ukryte przekroje: 8.
Kierunek: Inżynieria danych
Pokrewne specjalizacje
W ramach Data Warehouse Engineer: Snowflake Engineer (dominator chmurowych DWH), BigQuery Engineer (GCP), ClickHouse Engineer, Redshift Engineer (legacy AWS), Data Warehouse Architect (specjalista od modelowania). Porównanie z innymi specjalizacjami danych — na wykresie słupkowym poniżej.
Najczęściej zadawane pytania
Najczęstsze pytania o DWH Engineer: wynagrodzenie, Snowflake vs BigQuery vs ClickHouse vs Redshift, dbt vs Airflow (uzupełniają się, nie konkurują), różnice względem Data Engineer / Analytics Engineer, praca zdalna, jak zacząć (6-10 miesięcy), umiejętności Senior. Odpowiedzi przeliczają się automatycznie.
Ile zarabia DWH Junior, Middle, Senior lub Lead?
Ofert Junior DWH jest mało — rynek oczekuje zaawansowanego SQL + praktyki z jedną hurtownią DWH (często po Analyst Senior z biegłością w SQL lub Data Engineer Middle). Skok Junior → Middle — dogłębne opanowanie jednej hurtowni DWH + dbt + pipeline'y zasilania. Senior odpowiada za architekturę modelowania DWH (star/snowflake/Data Vault). Lead — zarządzanie zespołem modelowania + projektowanie korporacyjnej architektury danych. Ścieżka kariery: Analyst Senior / Data Engineer Middle → DWH Middle → Senior → albo Data Warehouse Architect, albo Head of Data.
Jakiego stacku najczęściej wymagają oferty DWH Engineer?
5 najważniejszych: snowflake, cloud, sql, python, dbt. SQL na poziomie biegłym (funkcje okna, rekurencyjne CTE, optymalizacja zapytań, partition pruning). Jedna z chmurowych hurtowni danych: Snowflake (chmurowa premium — Tasks/Streams/Time Travel/mikropartycje/Snowpipe), BigQuery (GCP — rozliczanie slotów/BQML), ClickHouse (dominujący OLAP w WNP — ReplicatedMergeTree/rozproszone/widoki zmaterializowane), Redshift (legacy AWS — distkey/sortkey). Greenplum w enterprise w WNP (Sber). dbt — obowiązkowo (standard warstwy transformacji — modele + testy + makra + pakiety). Apache Airflow do ingestii. Apache Iceberg/Delta Lake — formaty tabel lakehouse (rosnące). Apache Kafka + Debezium do CDC. BI: Looker/Mode/Metabase/Superset/Yandex DataLens. Znajomość modelowania Kimballa (schematy gwiazdy/płatka śniegu, wolno zmieniające się wymiary) lub Data Vault — obowiązkowa dla Senior.
Snowflake vs BigQuery vs ClickHouse vs Redshift — co wybrać?
Snowflake — dominator cloud-DWH w projektach międzynarodowych. Multi-cloud (AWS/Azure/GCP), rozdzielenie storage/compute, Time Travel, Snowpipe do streamingu. Ceny premium, ale najlepsze DX. Senior Snowflake — premia w międzynarodowej pracy zdalnej. BigQuery — natywny dla Google Cloud. Ceny oparte na slotach (lub on-demand), BQML do uczenia maszynowego wewnątrz bazy. Dominator w firmach opartych na GCP. ClickHouse — dominator open-source OLAP w WNP. Najszybszy OLAP na kolumnowym storage. Senior ClickHouse — rynkowa konieczność w produktowych firmach z WNP. Redshift — dziedzictwo AWS, migracje do Snowflake lub BigQuery. Mniej nowych projektów. Strategia: ClickHouse, jeśli jesteś w zespole produktowym z WNP, Snowflake do międzynarodowej pracy zdalnej, BigQuery, jeśli w stacku GCP, Redshift tylko do utrzymania projektów legacy na AWS.
dbt czy Airflow — czy to konkurenci?
To nie konkurenci — to uzupełnienie. Airflow — orkiestracja (kiedy co uruchomić, zależności między zadaniami). dbt — warstwa transformacji (modele SQL + testy + dokumentacja + lineage). Klasyczny pipeline modern data stack: Airflow uruchamia ingest (skrypty Python/Spark) → dbt działa w Airflow jako BashOperator lub DbtRunOperator (przez providera astronomer-dbt) → dbt wykonuje transformacje SQL w hurtowni (Snowflake/BigQuery/ClickHouse) → warstwa BI (Looker/Metabase) czyta finalne modele dbt. Senior DWH Engineer odpowiada za oba. Airflow do orkiestracji + ingestu, dbt do transformacji + testów. Znajomość modułów dbt (sources/models/tests/macros/snapshots/seeds) + dobrych praktyk dbt — obowiązkowa dla Seniora w 2026.
Jaki odsetek ofert dotyczy pracy zdalnej?
Wśród ofert z określonym trybem pracy 39% dotyczy pracy zdalnej. Oferty bez określonego trybu nie wchodzą do mianownika; pracy hybrydowej nie zaliczamy do zdalnej.
Czym DWH Engineer różni się od Data Engineer / Analytics Engineer?
DWH Engineer (ta strona) — fokus na chmurowych DWH (Snowflake/BigQuery/ClickHouse/Redshift) + modelowaniu. Biegły SQL + jedna hurtownia DWH dogłębnie. Data Engineer (ogólnie) — szerszy zakres: potoki + DWH + streaming + Spark. Analytics Engineer — fokus na dbt + warstwie transformacji. Plasuje się między Data Engineer a Data Analyst. SQL + dbt + jedna hurtownia DWH (często Snowflake/BigQuery), ale BEZ Spark i streamingu. Przejście DWH Engineer → Analytics Engineer — 1-2 miesięcy (ten sam stack, fokus na dbt). DWH Engineer → Data Engineer (ogólnie) — 3-6 miesięcy (+ Spark + Airflow głębiej).
Od czego zacząć w DWH w 2026?
Roadmapa (zakłada się doświadczenie SQL Middle lub Data Analyst): 1) Zaawansowany SQL — dogłębnie funkcje okna, rekurencyjne CTE, optymalizacja zapytań, EXPLAIN ANALYZE, indeksy, partition pruning. PostgreSQL + jedna baza OLAP (zalecany ClickHouse — najczęściej używany w WNP). 2) Jedna chmurowa hurtownia DWH: ClickHouse (zalecany dla kariery w WNP — open source, za darmo) LUB Snowflake (dla międzynarodowej pracy zdalnej — 30-dniowy darmowy trial) LUB BigQuery (darmowy poziom GCP). Opanuj funkcje specyficzne dla silnika (ClickHouse: ReplicatedMergeTree + rozproszenie + widoki zmaterializowane; Snowflake: Tasks + Streams + Time Travel + mikropartycje). 3) dbt — oficjalny tutorial getdbt.com + projekt własny Jaffle Shop. Opanuj modele + testy + makra + źródła + snapshoty. 4) Modelowanie Kimballa — schemat gwiazdy, schemat płatka śniegu, wolno zmieniające się wymiary (SCD). Książka „The Data Warehouse Toolkit” Kimball. 5) Podstawy Airflow — orkiestracja pobierania danych. 6) Apache Iceberg lub Delta Lake — podstawy lakehouse. 7) Jedno narzędzie BI — Metabase/Superset/Yandex DataLens (za darmo) lub Looker (premium). 8) Kompletny projekt własny: pobieranie danych (skrypt Python + Airflow) → DWH (ClickHouse lub BigQuery) → modele dbt → dashboard BI w Metabase. Kursy: Karpov.Courses „Data Engineer” (obejmuje DWH), OTUS „Data Engineer”, Yandex.Practicum „Data Engineer”, DataCamp „Data Engineer with dbt”, Snowflake University (EN — za darmo, najlepsze źródło o Snowflake), ClickHouse Academy (EN — za darmo). Książki: „The Data Warehouse Toolkit” Kimball (obowiązkowa lektura), „Analytics Engineering with dbt” (przewodnik po nowoczesnym stacku danych). Czas do Junior DWH — 6-10 miesięcy (szybciej niż ogólny Data Engineer dzięki węższemu zakresowi).
Ile otwartych ofert zawiera ta próba?
Opublikowana próba zawiera 442 otwartych ofert po połączeniu ponownych publikacji. To ta sama liczba co we wskaźniku głównym. Sekcja geograficzna opisuje zasięg próby; nie jest to szacunek całego rynku.
Jakich umiejętności potrzebuje Senior DWH Engineer?
Senior DWH odpowiada za pełny cykl chmurowej hurtowni danych. Biegłość w SQL: dogłębnie funkcje okna, rekurencyjne CTE, plany zapytań (EXPLAIN ANALYZE), partition pruning, indeksy, widoki zmaterializowane, wzorce optymalizacji zapytań. Jedna chmurowa hurtownia dogłębnie: Snowflake (Tasks/Streams/Time Travel/mikropartycje/Snowpipe/optymalizacja kosztów przez dobór rozmiaru warehouse'u) lub BigQuery (zarządzanie slotami/BQML/tabele partycjonowane) lub ClickHouse (ReplicatedMergeTree/silniki rozproszone/widoki zmaterializowane/kodeki/słowniki). Modelowanie: biegłość w metodyce Kimballa (schemat gwiazdy/płatka śniegu, wymiary uzgodnione, typy SCD 1-6), podstawy Data Vault, architektura lakehouse (ewolucja partycji Iceberg/Delta, time-travel, ewolucja schematu). dbt: biegłość (models/sources/tests/macros/snapshots/seeds/exposures), dobre praktyki (modele inkrementalne, strategie materializacji, specyfika adapterów dbt-snowflake/dbt-bigquery). Wydajność: wzorce optymalizacji zapytań dla każdego silnika hurtowni, zarządzanie kosztami (zużycie kredytów Snowflake / sloty BigQuery / dobór rozmiaru klastra ClickHouse). Pozyskiwanie danych: Kafka + Debezium do CDC, Airflow do ładowania wsadowego, Snowpipe / Snowflake Streams / widoki zmaterializowane. Jakość danych: testy dbt + Great Expectations + Soda. Integracja z BI: jedno z Looker/Mode/Metabase/Superset/Yandex DataLens na poziomie projektowania warstwy semantycznej. Kompetencje miękkie: code review (SQL + dbt), mentoring Middle, komunikacja z zespołami analitycznymi/biznesowymi. Angielski dla Senior+ obowiązkowo — dokumentacja hurtowni danych jest przeważnie po angielsku.
Zostaw zgłoszenie
Opisz zadanie i zostaw kontakt — zgłoszenie trafi do naszego CRM, a odpowiemy na podany kontakt.