Big Data: mercado
Dados de 19 de novembro de 2026: vagas abertas de Big Data — 508, 31% remotas entre as vagas que informam o modelo de trabalho; salário mediano anunciado $6.825/mês (de 61 vagas que informam salário). Fonte: Zorky, atualizado diariamente.
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.
Dados em:
Os principais números do mercado de Big Data: vagas abertas, salário mediano, grupo de especialistas observado e parcela de remoto.
O mercado de Big Data tem agora 508 vagas abertas, 442 delas observadas recentemente. Median salary $6.825/mo.
Entre as vagas com modalidade de trabalho informada, 31% são remotas. O trabalho de administração de clusters é baseado em nuvem. SaaS internacionais de dados em nuvem (Databricks/Snowflake/Confluent) — totalmente remoto.
⚠ salário conhecido para 61 de 508 vagas; participação de remoto a partir de 354 com formato informado; 442 contadas como observações recentes; tendência e dificuldade de contratação não são mostradas
Linha do tempo: vagas e fontes
Quantas vagas de Big Data apareceram a cada semana desde 1 de jun. e de quantas fontes. O gráfico inferior separa o crescimento do mercado do crescimento da nossa cobertura: um salto na semana em que novas fontes foram conectadas significa que passamos a ver mais, não que o mercado cresceu.
Novas vagas por semana
Dados do gráfico
| Período | Novas vagas 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 |
Fontes ativas por semana
Fontes no período: 131. ▲ — semana em que muitas fontes novas foram conectadas.
Dados do gráfico
| Período | Fontes ativas |
|---|---|
| 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 |
Novas fontes conectadas: 22 de jun. +14 · 29 de jun. +13 · 6 de jul. +18 · 13 de jul. +8 · todas as semanas (23) na tabela
| Semana | Fontes novas | Vagas novas |
|---|---|---|
| 8 de jun. | +6 | 26 |
| 15 de jun. | +3 | 25 |
| 22 de jun. | +14 | 86 |
| 29 de jun. | +13 | 83 |
| 6 de jul. | +18 | 69 |
| 13 de jul. | +8 | 128 |
| 20 de jul. | +5 | 135 |
| 27 de jul. | +6 | 67 |
| 3 de ago. | +6 | 56 |
| 10 de ago. | +1 | 28 |
| 17 de ago. | +2 | 29 |
| 24 de ago. | +1 | 25 |
| 31 de ago. | +4 | 56 |
| 7 de set. | +1 | 37 |
| 14 de set. | +1 | 39 |
| 21 de set. | +3 | 81 |
| 28 de set. | +3 | 91 |
| 5 de out. | +1 | 98 |
| 12 de out. | +6 | 342 |
| 19 de out. | +5 | 133 |
| 26 de out. | +2 | 117 |
| 2 de nov. | +2 | 106 |
| 9 de nov. | +7 | 134 |
A semana atual ainda não terminou e não é exibida: uma semana incompleta pareceria uma queda.
Semana = data em que a vaga foi vista pela primeira vez, todos os status; as vagas são selecionadas pela mesma regra do contador desta página. Fontes são canais de coleta distintos; seus nomes não são publicados.
Dados do gráfico
| Semana | Novas vagas por semana | Fontes ativas |
|---|---|---|
| 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 |
Os salários ao longo do tempo
Salário mediano de Big Data por semana, USD por mês.
Salário mediano, USD por mês
Dados do gráfico
| Período | Mediana | Vagas com salário por semana (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 |
A série começa em 20 de jul.: antes disso não há dados.
Apenas vagas com salário em USD e período conhecido (mês ou ano), de US$ 500 a US$ 50.000 por mês. Semanas com menos de 10 vagas assim ficam em branco — isso significa sem dados, não zero.
Dados do 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 | 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 |
O trabalho remoto ao longo do tempo
Proporção de vagas de Big Data com trabalho totalmente remoto, por semana.
Vagas remotas, %
Dados do gráfico
| Período | 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 |
A proporção é calculada entre as vagas que informam o formato (remoto, híbrido, escritório). Semanas com menos de 10 vagas assim ficam em branco.
Dados do 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 |
As tecnologias ao longo do tempo
Como mudou a proporção de vagas de Big Data que mencionam cada uma das principais tecnologias.
Vagas que mencionam a tecnologia, %
Dados do gráfico
| Período | 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 |
Proporção entre as vagas com stack marcado; a série começa em 10 de ago.: antes as tags de stack eram atribuídas de outra forma. Semanas com menos de 20 vagas marcadas ficam em branco.
Dados do 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 ao longo do tempo
Como mudou, por semana, a proporção de vagas de Big Data em cada um dos principais países.
Vagas no país, %
Dados do gráfico
| Período | Polônia | EUA | Índia |
|---|---|---|---|
| 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 |
Proporção entre as vagas com país conhecido; o gráfico mostra os cinco países com mais vagas em seis meses. Semanas com menos de 20 vagas com país conhecido ficam em branco. Uma proporção em alta pode indicar uma fonte recém-conectada naquele país, e não crescimento do mercado.
Dados do gráfico
| Semana | Polônia | EUA | Índia | Singapura | África do Sul |
|---|---|---|---|---|---|
| 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 limpo: índice de contratação
Os mesmos 7.505 sites de carreira de empregadores; o número de vagas vem do próprio site. Conectar novas fontes não move este índice — ele mostra o mercado, não a nossa cobertura. É todo o mercado do painel, não apenas Big Data.
Índice de contratação, 16 de out. = 100
Dados do gráfico
| Período | Índice de contratação |
|---|---|
| 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 encadeado: cada dia compara apenas os sites consultados naquele dia e no anterior; valores discrepantes e falhas de consulta de uma plataforma inteira são excluídos. Dias sem pares comparáveis ficam em branco.
Dados do gráfico
| Dia | Índice de contratação |
|---|---|
| 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 |
Quantas vagas abertas de Big Data existem e quantos especialistas compatíveis o Zorky observa.
Demanda e oferta observada
Dados do gráfico
| Indicador | Valor |
|---|---|
| Demanda aberta | 508 |
| Demanda aberta | 508 |
| Oferta observada | — não publicado |
Big Data forma um segmento premium de sistemas distribuídos. Direcionadores: migrações de Hadoop legado → Spark em k8s + Iceberg, demanda por streaming (Flink + Kafka), crescimento dos parceiros Databricks. Tendência 2026: a arquitetura lakehouse (Iceberg/Delta) domina, Hadoop em EOL no grande enterprise.
⚠ candidatos compatíveis com uma vaga ainda não são contados: são mostrados a demanda e o pool observado
Como se distribuem os salários nas vagas de Big Data, em dólares americanos por mês.
Distribuição de salários
Dados do 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 |
- utilizável no cálculo: 61 (12%)
- informado, mas não convertido para USD/mês: 63 (12,4%)
- não informado: 384 (75,6%)
Uma em cada dez vagas oferece menos de $3.289, uma em cada dez mais de $14.641. Metade das vagas oferece entre $5.375 e $9.250. Amostra: 61.
Dados do gráfico
| Indicador | Limite inferior | Limite superior | Quantidade |
|---|---|---|---|
| <$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 |
Em quais países há mais vagas abertas de Big Data.
Geografia da demanda
| país | vagas | proporção |
|---|---|---|
| Polônia | 113 | 27,2% |
| Estados Unidos | 86 | 20,7% |
| Índia | 43 | 10,3% |
| Singapura | 28 | 6,7% |
| Canadá | 17 | 4,1% |
| Reino Unido | 15 | 3,6% |
| Rússia | 13 | 3,1% |
| França | 11 | 2,6% |
| Espanha | 10 | 2,4% |
| Alemanha | 9 | 2,2% |
| Outros países | 71 | 17,1% |
O líder em número de vagas de Big Data é a Polônia (113 vagas). Moscou domina. A Polônia — mercado da UE amigável a Big Data. Grande segmento remoto internacional via Databricks/Snowflake.
⚠ apenas número de vagas: o salário por país não é publicado
Dados do gráfico
| País | Vagas |
|---|---|
| PL | 113 |
| US | 86 |
| IN | 43 |
| SG | 28 |
| CA | 17 |
| GB | 15 |
| RU | 13 |
| FR | 11 |
| ES | 10 |
| DE | 9 |
Quais tecnologias são mais pedidas na mesma vaga que Big Data.
Usada junto com
Participação: quantas das 508 vagas do mercado Big Data mencionam esta tecnologia. Ordenado pelo número de vagas, não pela “força da associação”. Termos genéricos como cloud não são uma nuvem específica (AWS, Azure).
Top stack de Big Data 2026: Apache Spark (obrigatório — PySpark ou Scala), Hadoop (HDFS + Hive — legacy enterprise), Apache Flink (streaming premium), Kafka (obrigatório), Delta Lake / Apache Iceberg (lakehouse — padrão moderno), Apache Hudi, HBase / Cassandra (NoSQL distribuído), Scala ou Python, Airflow, Cloudera / Hortonworks, Kubernetes (Spark on k8s). Senior — Apache Atlas / DataHub.
Pares comuns: Spark + Kafka, Spark + Iceberg, Hadoop + Hive, Spark + Scala, Flink + Kafka. Roadmap de aprendizado: experiência de Data Engineer Pleno → Spark a fundo → modelo de execução do Spark → um lakehouse (Iceberg) → noções de Hadoop (para legado) → Spark em k8s.
Dados do gráfico
| Nome | Quantidade |
|---|---|
| python | 217 |
| spark | 215 |
| java | 163 |
| cloud | 157 |
| hadoop | 151 |
| sql | 142 |
| aws | 118 |
| pyspark | 105 |
| databricks | 92 |
| azure | 77 |
| scala | 74 |
| kafka | 70 |
Quantas vagas de Big Data há em cada nível, de júnior a principal.
Demanda por nível
| nível | vagas |
|---|---|
| senior | 141 |
| lead | 48 |
| middle | 47 |
| principal | 20 |
| junior | 6 |
Júniors quase não existem — o mercado espera experiência de Data Engineer Pleno. Fluxo de carreira: Data Engineer Pleno → Big Data Pleno em 4-8 meses → Sênior → Platform Engineer / Lakehouse Architect / Head of Big Data.
⚠ apenas o lado da demanda: a senioridade do pool observado é desconhecida na maior parte
Dados do gráfico
| Nível | Quantidade |
|---|---|
| senior | 141 |
| lead | 48 |
| middle | 47 |
| principal | 20 |
| junior | 6 |
Quem mais contrata em Big Data e quanto a demanda se concentra nas maiores empresas.
Empregadores
A demanda está distribuída entre 293 empregadores. O maior responde por 7.9%, os dez primeiros por 20.5%; os 79.5% restantes são cauda longa.
| proporção | valor |
|---|---|
| top 1 | 7.9% |
| top 3 | 11.8% |
| top 10 | 20.5% |
| cauda longa | 79.5% |
⚠ os nomes não são mostrados: o classificador ainda não distingue agências de recrutamento de empregadores finais
De quais sites de empresas e portais de vagas o Zorky coleta as vagas de Big Data.
Onde o Zorky vê este mercado
Observado em 64 fontes; a maior responde por 18.9%: este mercado não depende de um único canal.
Dados do gráfico
| Classe | Nome | Nome em inglês | Quantidade | Proporção |
|---|---|---|---|---|
| ats | ATS и карьерные сайты | ATS e sites de carreira | 257 | 0,5059 |
| board | джоб-борды и агрегаторы | sites de vagas e agregadores | 240 | 0,4724 |
| telegram | Telegram | Telegram | 11 | 0,0217 |
As vagas de Big Data mais recentes dos sites de carreira das empresas.
Vagas recentes
- 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
Vagas de Big Data abertas mais recentes — as 10 posições mais recentes com qualidade de descrição adequada. A lista completa está no nosso CRM ou pelo link "ver todas" abaixo.
Mercados adjacentes
Big Data Engineer — segmento premium de nicho da direção de Data. Comparação com outras especializações de dados — no SiblingSubnichesChart acima.
⚠ mercados adjacentes para comparação ainda não foram definidos
Como é medido
- Vaga
- uma vaga aberta que passou pelo filtro de qualidade e lista pelo menos duas tecnologias
- Candidato observado
- um candidato cujo stack contém esta tecnologia; um agregado — nenhum registro individual sai do perímetro
- Candidato compatível
- ainda não contado
- Janela
- vagas abertas no momento em que o snapshot foi gerado
Sobre os dados
- Alguns detalhamentos estão ocultos: a cobertura de dados deles ainda não é suficiente.
- As estatísticas só aparecem onde a amostra passa por um controle de qualidade.
- A ausência de um bloco não significa valor zero.
Detalhamentos ocultos no momento: 8.
Área: Engenharia de Dados
Especializações relacionadas
Dentro de Big Data Engineer: Spark Engineer (PySpark ou Spark Scala — principal aplicação), Hadoop Engineer (enterprise legado — HDFS + Hive + MapReduce), Flink Engineer (streaming de verdade, nicho premium), Big Data Platform Engineer (admin de cluster Hadoop, Spark em k8s + Iceberg/Delta), Data Lakehouse Architect (arquitetura moderna). A comparação com outras especializações de dados — na barra abaixo.
Perguntas frequentes
As perguntas mais comuns sobre Big Data: pagamento, Spark vs Hadoop vs Flink, Lakehouse (Delta/Iceberg/Hudi), diferença de Data Engineer / ML Engineer, remoto, como começar (4-8 meses após Data Engineer Middle), skills de Senior. As respostas se recalculam automaticamente.
Quanto ganha um Big Data Júnior, Pleno, Sênior ou Lead?
Vagas de Big Data Júnior QUASE NÃO EXISTEM — o mercado espera experiência de Data Engineer Pleno + prática em Spark. O salto Júnior → Pleno — modelo de execução do Spark + um de Hadoop/Flink/Kafka a fundo. O Sênior é dono da arquitetura da plataforma de Big Data + mentor. Lead Big Data — gerenciar sistemas distribuídos com 5+ engenheiros, responsável pelo dimensionamento do cluster + otimização de custo. Fluxo de carreira: Data Engineer Pleno/Sênior → Big Data Pleno em 4-8 meses → Sênior → ou Platform Engineer (foco em infra) ou Lakehouse Architect (modern data stack).
De qual stack Big Data mais precisa?
Top 5: python, spark, cloud, java, hadoop. Apache Spark — obrigatório (PySpark na maior parte, Spark Scala para performance-critical). Entendimento profundo do modelo de execução (DAG, stages, tasks), shuffles, broadcasts, partitioning. Hadoop — HDFS + Hive + YARN — legacy enterprise (Sber/bancos/telco), migrações para o stack open-source. Apache Flink — streaming de verdade, nicho premium. Kafka — obrigatório (partitions, consumer groups, exactly-once). Delta Lake/Apache Iceberg — formatos de tabela de lakehouse (padrão moderno, substituindo o stack Hadoop clássico). Apache Hudi — alternativa ao Iceberg. HBase/Cassandra — NoSQL distribuído para real-time. Scala ou Python — Scala para Spark de produção, Python na maior parte. Airflow para orquestração de batch-jobs. Distribuições Cloudera/Hortonworks (legacy enterprise). Kubernetes — Spark em k8s + Spark Operator. Apache Atlas/DataHub — data lineage + catalog (obrigatório para Senior). Conhecimento de JVM tuning (GC G1/ZGC, heap profiling) — obrigatório para Senior de Spark Scala.
Spark vs Hadoop vs Flink — o que escolher para Big Data?
Apache Spark — padrão industrial + dominador. PySpark — o maior mercado, Spark Scala — nicho com adicional. Contras: streaming por micro-batch (latência de segundos), não é tempo real de verdade. Hadoop (HDFS + MapReduce + Hive) — legado enterprise. Usado em grandes bancos/telecom onde a migração para open-source não terminou. Precisa conhecer se você trabalha no Sber/bancos. Tendência: migrações de Hadoop para Spark em k8s + Iceberg/Delta Lake. Apache Flink — motor de streaming de verdade, com latência de milissegundos e semântica exactly-once de fábrica. Segmento em crescimento: FinTech/AdTech/IoT/inferência de ML em tempo real. Estratégia: Spark primeiro (tamanho de mercado), depois Flink para diversificação e salário com adicional. Aprenda Hadoop só se você vai para a área bancária.
Lakehouse (Delta Lake / Iceberg / Hudi) — o que aprender em 2026?
Arquitetura lakehouse — arquitetura de dados moderna que combina Data Lake (armazenamento barato em S3/HDFS) com Data Warehouse (ACID + validação de schema + indexação). Substitui o stack Hadoop clássico. Três principais formatos de tabela: Delta Lake (original da Databricks, o mais maduro, dominante em empresas que usam Databricks), Apache Iceberg, Apache Hudi (terceiro lugar, atualizações mais rápidas via ingestão incremental). Estratégia: primeiro Iceberg (o padrão aberto vencedor 2024–2026), Delta Lake se você trabalha com Databricks, Hudi só para um caso de uso específico (CDC + muitas atualizações).
Qual é a proporção de vagas remotas?
Entre as vagas com modalidade de trabalho informada, 31% são remotas. Vagas sem modalidade informada são excluídas do denominador; trabalho híbrido não é contado como remoto.
Em que o Big Data Engineer difere de Data Engineer / ML Engineer?
Big Data Engineer (esta página) — foco em sistemas distribuídos para processar terabytes+. Spark/Hadoop/Flink + gerenciamento de cluster. Adicional pela complexidade de sistemas distribuídos. Data Engineer (geral) — pode trabalhar com volumes menores (GB-TB) sem Spark. Foco em pipelines + modelagem de DWH. ML Engineer — leva modelos à produção (FastAPI + ONNX/TorchServe), feature store, MLOps. Foco em inferência. ML Engineer Sênior ≈ Big Data Sênior. Mudança de carreira Data Engineer → Big Data em 4-8 meses (Spark + um lakehouse + Kafka). Big Data → ML Engineer em 8-12 meses (PyTorch + stack de MLOps). Muitos engenheiros Big Data Sêniores migram para ML Engineering (infraestrutura de dados → deploy de modelos).
Por onde começar em Big Data em 2026?
Pressupõe experiência de Data Engineer Pleno (Python + SQL + Airflow + um DWH). Roadmap: 1) Apache Spark a fundo — documentação oficial + Databricks Learning Academy (gratuita). Dominar DataFrame API + Spark SQL + Window Functions + Structured Streaming. 2) Modelo de execução do Spark — planos físicos/lógicos, DAG, stages, tasks, shuffles, broadcasts, estratégias de particionamento. 3) PySpark — para a maioria dos projetos. Alternativa: Spark Scala para o crítico em desempenho. 4) Kafka — partitions, consumer groups, semântica exactly-once. 5) Um formato lakehouse: Iceberg (recomendado — vencedor de padrão aberto) ou Delta Lake (se for Databricks). 6) Noções de Hadoop — HDFS + Hive (para manutenção de projetos bancários legados). 7) Spark em Kubernetes (Spark Operator). 8) Pet project de ponta a ponta: pipeline Spark + Kafka + Iceberg + Airflow num dataset de 10-50 GB, com deploy na nuvem. Cursos: Karpov.Courses "Spark Developer", OTUS "Big Data Engineer", Yandex.Practicum (parte da trilha de Data Engineer), Databricks Learning Academy (EN — o melhor recurso gratuito), especialização "Big Data" da Coursera. Livros: "Spark: The Definitive Guide" Chambers/Zaharia, "Designing Data-Intensive Applications" Kleppmann (obrigatório). Data Engineer Pleno → Big Data Pleno — 4-8 meses.
Quantas vagas abertas estão nesta amostra?
A amostra publicada contém 508 vagas abertas após agrupar republicações. É o mesmo número do indicador principal. A seção geográfica descreve a cobertura da amostra; não é uma estimativa de todo o mercado.
De quais skills um Senior Big Data Engineer precisa?
Um Big Data Engineer Sênior é dono do ciclo completo de sistemas distribuídos. Domínio de Spark: modelo de execução (plano lógico → plano físico → tarefas), otimização de shuffle (evitar shuffles quando possível, broadcast joins para tabelas pequenas, repartition vs coalesce, tratamento de skew), funcionamento interno do Catalyst optimizer, modelo de memória Tungsten, Spark SQL a fundo, Structured Streaming com exactly-once. Desempenho: tuning da JVM para Spark em Scala (G1/ZGC, dimensionamento do heap — executor.memory + driver.memory + memoryOverhead), pandas UDFs vs Pandas API on Spark, engine Photon (só no Databricks). Kafka: semântica producer-consumer a fundo, estratégias de particionamento, exactly-once via transações, schema registry (Avro/Protobuf), noções de Kafka Streams. Lakehouse: Iceberg/Delta — evolução de schema, time-travel, evolução de partições, optimize/vacuum, particionamento oculto. Administração de clusters: Spark em k8s (Spark Operator), otimização de custos (instâncias spot, autoescalonamento), Cloudera/Hortonworks para legado. SQL: SQL avançado para Spark SQL + Hive SQL + um DWH (Snowflake/BigQuery). Data Governance: Apache Atlas ou DataHub — linhagem, catálogo, controle de acesso. DevOps: Docker, Kubernetes, Terraform para IaC, CI/CD para aplicações Spark (Spark Submit + GitHub Actions). Soft skills: code review, mentoria, comunicação com Data Scientists / times de Analytics sobre requisitos. Inglês — obrigatório para Sênior+ (a documentação de Big Data é predominantemente em inglês, há poucas fontes em russo).
Deixar uma solicitação
Descreva a tarefa e deixe um contato: a solicitação chega ao nosso CRM e respondemos no contato informado.