Usamos cookies técnicos e o registro de visitas anonimizado do Zorky. O Yandex Metrica (dados armazenados em servidores na Rússia) só funciona com o seu consentimento. Nunca vendemos dados. Mais sobre cookies e estatísticas.
O Zorky está em modo de teste — tudo é gratuito. As vagas e as páginas das empresas são abertas a todos; os links dos anúncios e sua seleção pessoal abrem após o cadastro. Cadastre-se →

Data Warehouse: mercado

Dados de 19 de novembro de 2026: vagas abertas de Data Warehouse — 442, 39% remotas entre as vagas que informam o modelo de trabalho; salário mediano anunciado $7.880/mês (de 52 vagas que informam salário). Fonte: Zorky, atualizado diariamente.

Data Warehouse Engineer — especialização em DWH na nuvem (Snowflake/BigQuery/Redshift/ClickHouse). Um subsegmento de Data Engineer com foco em modelagem de DWH + dbt + plataformas de dados na nuvem. Um nicho premium graças à expertise em DWH na nuvem. Família de cargos: Snowflake Engineer (líder de DWH na nuvem — design de esquemas + dbt + otimização de custos), BigQuery Engineer (stack de dados do Google Cloud), ClickHouse Engineer, Redshift Engineer (legado AWS), Data Warehouse Architect (especialista em modelagem — Kimball/Data Vault). Stack: SQL em nível de domínio (obrigatório — window functions, CTE recursivas, otimização de consultas, partition pruning, materialized views), Snowflake (nuvem premium — Tasks, Streams, Time Travel, micro-partitions, ingestão via Snowpipe), BigQuery (GCP — preço baseado em slots, BQML para ML dentro do banco), ClickHouse (líder OLAP na CEI — ReplicatedMergeTree, engines distribuídas, materialized views), Redshift (legado AWS — distkey/sortkey), Greenplum (corporativo na CEI), dbt (padrão da camada de transformação + adaptadores dbt-snowflake / dbt-bigquery / dbt-clickhouse), Apache Airflow para orquestração da ingestão, Looker/Mode/Metabase/Superset/Yandex DataLens para BI sobre o DWH. Stack principal: snowflake, cloud, sql, python, dbt. Entre as vagas com modalidade de trabalho informada, 39% são remotas. Snowflake/BigQuery Sênior — prêmio de 10-15% sobre Data Engineer Sênior pela especialidade em DWH na nuvem.

Dados em:

Os principais números do mercado de Data Warehouse: vagas abertas, salário mediano, grupo de especialistas observado e parcela de remoto.

442
vagas abertas — por cargo, republicações mescladas
$7.880
mediana $/mês
39%
remoto

O mercado de Data Warehouse tem agora 442 vagas abertas, 385 delas observadas recentemente. Median salary $7.880/mo.

Entre as vagas com modalidade de trabalho informada, 39% são remotas. O trabalho é totalmente baseado em nuvem. Empresas de produto russas — híbrido ou remoto. Sber — mais frequentemente escritório. SaaS internacionais de DWH em nuvem (Snowflake/BigQuery/dbt Labs) — totalmente remoto.

⚠ salário conhecido para 52 de 442 vagas; participação de remoto a partir de 362 com formato informado; 385 contadas como observações recentes; tendência e dificuldade de contratação não são mostradas

Linha do tempo: vagas e fontes

Quantas vagas de Data Warehouse 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
Novas vagas por semana. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
PeríodoNovas vagas 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

Fontes ativas por semana

Fontes no período: 100. ▲ — semana em que muitas fontes novas foram conectadas.

Dados do gráfico
Fontes ativas por semana. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
PeríodoFontes ativas
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
Novas fontes conectadas: 22 de jun. +13 · 29 de jun. +6 · 6 de jul. +8 · 13 de jul. +6 · 20 de jul. +8 · todas as semanas (21) na tabela
SemanaFontes novasVagas novas
8 de jun.+329
15 de jun.+338
22 de jun.+1389
29 de jun.+688
6 de jul.+861
13 de jul.+675
20 de jul.+888
27 de jul.+569
3 de ago.+345
17 de ago.+127
24 de ago.+237
31 de ago.+341
7 de set.+137
14 de set.+334
21 de set.+570
5 de out.+594
12 de out.+5200
19 de out.+392
26 de out.+393
2 de nov.+491
9 de nov.+3124

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
Linha do tempo: vagas e fontes — Data Warehouse. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
SemanaNovas vagas por semanaFontes ativas
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

Os salários ao longo do tempo

Salário mediano de Data Warehouse por semana, USD por mês.

Salário mediano, USD por mês

Dados do gráfico
Salário mediano, USD por mês. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
PeríodoMedianaVagas com salário por semana (n)
2026-10-127.61813
2026-10-196.31213
2026-10-268.14318
2026-11-029.58311
2026-11-096.37519

A série começa em 12 de out.: antes disso não há dados.

Vagas com salário por semana (n)

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
Os salários ao longo do tempo — Data Warehouse. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do 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—
2026-10-127.618
2026-10-196.312
2026-10-268.143
2026-11-029.583
2026-11-096.375

O trabalho remoto ao longo do tempo

Proporção de vagas de Data Warehouse com trabalho totalmente remoto, por semana.

Vagas remotas, %

Dados do gráfico
Vagas remotas, %. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
PeríodoRemoto
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

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
O trabalho remoto ao longo do tempo — Data Warehouse. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do 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

As tecnologias ao longo do tempo

Como mudou a proporção de vagas de Data Warehouse que mencionam cada uma das principais tecnologias.

Vagas que mencionam a tecnologia, %

Dados do gráfico
Vagas que mencionam a tecnologia, %. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
PeríodoSnowflakeSQLcloud
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

A série começa em 17 de ago.: antes disso não há dados.

Até 5 no gráfico:

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
As tecnologias ao longo do tempo — Data Warehouse. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do 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 ao longo do tempo

Como mudou, por semana, a proporção de vagas de Data Warehouse em cada um dos principais países.

Vagas no país, %

Dados do gráfico
Vagas no país, %. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
PeríodoPolôniaEUAReino 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
Até 5 no gráfico:

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
Países ao longo do tempo — Data Warehouse. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
SemanaPolôniaEUAÍndiaReino UnidoAustrália
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 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 Data Warehouse.

Índice de contratação, 16 de out. = 100

Dados do gráfico
Índice de contratação, 16 de out. = 100. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
PeríodoÍndice de contratação
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 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
Mercado limpo: índice de contratação — Data Warehouse. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
DiaÍndice de contratação
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

Quantas vagas abertas de Data Warehouse existem e quantos especialistas compatíveis o Zorky observa.

Demanda e oferta observada

Dados do gráfico
Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
IndicadorValor
Demanda aberta442
Demanda aberta442
Oferta observada— não publicado

Data Warehouse Engineer forma um fluxo estável de vagas. Direcionadores: migrações de DWH legado (Greenplum/Redshift) para Snowflake/BigQuery/ClickHouse, crescimento do modern data stack (dbt + DWH em nuvem), ClickHouse dominando os times de produto da CEI.

⚠ 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 Data Warehouse, em dólares americanos por mês.

Distribuição de salários

P25 $6.062 · P50 $7.880 · P75 $10.250
Dados do gráfico
Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do 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
Salário nas vagas: base 442
  • utilizável no cálculo: 52 (11,8%)
  • informado, mas não convertido para USD/mês: 54 (12,2%)
  • não informado: 336 (76%)

Uma em cada dez vagas oferece menos de $5.373, uma em cada dez mais de $12.500. Metade das vagas oferece entre $6.062 e $10.250. Amostra: 52.

Dados do gráfico
Distribuição de salários — Data Warehouse. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
IndicadorLimite inferiorLimite superiorQuantidade
<$1k01.0000
$1–2k1.0002.0000
$2–3k2.0003.0000
$3–4k3.0004.0000
$4–5k4.0005.0005
$5–6k5.0006.0006
$6–7k6.0007.00011
$7–8k7.0008.0005
$8–9k8.0009.0007
$9–10k9.00010.0003
$10–12k10.00012.0009
$12–15k12.00015.0004
$15–20k15.00020.0001
$20k+20.000—1

Em quais países há mais vagas abertas de Data Warehouse.

Geografia da demanda

paísvagasproporção
Polônia11830,8%
Estados Unidos7920,6%
Índia4912,8%
Reino Unido256,5%
França195%
Alemanha184,7%
Canadá82,1%
México61,6%
Rússia61,6%
África do Sul51,3%
Outros países5013,1%

O líder em número de vagas de DWH é a Polônia (118 vagas). Rússia — dominada por ClickHouse. A Polônia — UE amigável a DWH. Grande segmento remoto internacional via Snowflake/dbt Labs.

⚠ apenas número de vagas: o salário por país não é publicado

Dados do gráfico
Geografia da demanda — Data Warehouse. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
PaísVagas
PL118
US79
IN49
GB25
FR19
DE18
CA8
MX6
RU6
ZA5

Quais tecnologias são mais pedidas na mesma vaga que Data Warehouse.

Usada junto com

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%

Participação: quantas das 442 vagas do mercado Data Warehouse 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 DWH 2026: SQL em nível de domínio (obrigatório), um DWH em nuvem: Snowflake (premium em nuvem) / BigQuery (GCP) / ClickHouse (dominador OLAP na CEI) / Redshift (legacy AWS), dbt (padrão da camada de transform), Apache Airflow (orquestração de ingestão), Apache Iceberg / Delta Lake (lakehouse), Kafka + Debezium (CDC), Looker / Mode / Metabase / Superset / Yandex DataLens (BI).

Pares comuns: SQL + Snowflake, SQL + ClickHouse, dbt + Snowflake, dbt + BigQuery, dbt + ClickHouse, Airflow + DWH. Roadmap de aprendizado: SQL avançado → um DWH em nuvem (ClickHouse para a CEI ou Snowflake para o internacional) → dbt → modelagem Kimball → noções de Airflow → uma ferramenta de BI.

Dados do gráfico
Usada junto com — Data Warehouse. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
NomeQuantidade
snowflake324
sql203
cloud201
python162
dbt148
aws118
azure100
airflow85
databricks73
gcp63
bigquery61
kafka26

Quantas vagas de Data Warehouse há em cada nível, de júnior a principal.

Demanda por nível

nívelvagas
senior163
middle40
principal28
lead27
junior10

Júniors são escassos — o mercado espera SQL avançado + um DWH. Fluxo de carreira: Analyst Sênior / Data Engineer Pleno → DWH Pleno → Sênior → DWH Architect / Head of Data.

⚠ apenas o lado da demanda: a senioridade do pool observado é desconhecida na maior parte

Dados do gráfico
Demanda por nível — Data Warehouse. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
NívelQuantidade
senior163
middle40
principal28
lead27
junior10

Quem mais contrata em Data Warehouse e quanto a demanda se concentra nas maiores empresas.

Empregadores

A demanda está distribuída entre 280 empregadores. O maior responde por 3.3%, os dez primeiros por 16.7%; os 83.3% restantes são cauda longa.

o maior 3,3%2.º–3.º 3,8%4.º–10.º 9,6%os demais 83,3%
proporçãovalor
top 13.3%
top 37.2%
top 1016.7%
cauda longa83.3%

⚠ 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 Data Warehouse.

Onde o Zorky vê este mercado

Observado em 65 fontes; a maior responde por 15.4%: este mercado não depende de um único canal.

Dados do gráfico
Onde o Zorky vê este mercado — Data Warehouse. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
ClasseNomeNome em inglêsQuantidadeProporção
atsATS и карьерные сайтыATS e sites de carreira2230,5045
boardджоб-борды и агрегаторыsites de vagas e agregadores2020,457
telegramTelegramTelegram170,0385

As vagas de Data Warehouse mais recentes dos sites de carreira das empresas.

Vagas recentes

Todas as vagas →

Vagas de DWH Engineer 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.

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 Data Warehouse Engineer: Snowflake Engineer (dominador do cloud-DWH), BigQuery Engineer (GCP), ClickHouse Engineer, Redshift Engineer (legado AWS), Data Warehouse Architect (especialista em modelagem). A comparação com outras especializações de dados — na barra abaixo.

Big DataEngenheiro de dadosDBAStreaming

Perguntas frequentes

As perguntas mais comuns sobre DWH Engineer: pagamento, Snowflake vs BigQuery vs ClickHouse vs Redshift, dbt vs Airflow (complementares, não concorrentes), diferenças de Data Engineer / Analytics Engineer, remoto, como começar (6-10 meses), skills de Senior. As respostas se recalculam automaticamente.

Quanto ganha um DWH Júnior, Pleno, Sênior ou Lead?

Vagas de DWH Júnior são escassas — o mercado espera SQL avançado + um DWH na prática (muitas vezes depois de Analyst Sênior com domínio de SQL ou Data Engineer Pleno). O salto Júnior → Pleno — dominar um DWH a fundo + dbt + pipelines de ingestão. O Sênior é dono da arquitetura de modelagem do DWH (star/snowflake/Data Vault). Lead — gerenciar o time de modelagem + desenhar a arquitetura de dados enterprise. Fluxo de carreira: Analyst Sênior / Data Engineer Pleno → DWH Pleno → Sênior → ou Data Warehouse Architect ou Head of Data.

De qual stack um DWH Engineer mais precisa?

Top 5: snowflake, cloud, sql, python, dbt. SQL em nível de domínio (window functions, recursive CTE, otimização de queries, partition pruning). Um dos cloud DWH: Snowflake (cloud premium — Tasks/Streams/Time Travel/micro-partitions/Snowpipe), BigQuery (GCP — slot pricing/BQML), ClickHouse (dominador de OLAP na CEI — ReplicatedMergeTree/distributed/materialised views), Redshift (AWS legacy — distkey/sortkey). Greenplum em enterprise da CEI (Sber). dbt — obrigatório (padrão da transform layer — models + tests + macros + packages). Apache Airflow para ingestion. Apache Iceberg/Delta Lake — formatos de tabela de lakehouse (em crescimento). Apache Kafka + Debezium para CDC. BI: Looker/Mode/Metabase/Superset/Yandex DataLens. Conhecimento de Kimball modeling (star/snowflake schemas, slowly changing dimensions) ou Data Vault — obrigatório para Senior.

Snowflake vs BigQuery vs ClickHouse vs Redshift — o que escolher?

Snowflake — dominador do cloud-DWH em projetos internacionais. Multi-cloud (AWS/Azure/GCP), separação de storage/compute, Time Travel, Snowpipe para streaming. Preço premium, mas o melhor DX. Senior Snowflake — premium no remoto internacional. BigQuery — nativo do Google Cloud. Preço slot-based (ou on-demand), BQML para machine learning dentro do BD. Dominador em shops de GCP. ClickHouse — dominador OLAP open-source na CEI. O OLAP mais rápido em storage colunar. Senior ClickHouse — necessidade de mercado em empresas de produto da CEI. Redshift — legado da AWS, migrações para Snowflake ou BigQuery. Menos projetos novos. Estratégia: ClickHouse se você está em uma equipe de produto da CEI, Snowflake para remoto internacional, BigQuery se você está na stack GCP, Redshift apenas para manutenção de projetos AWS legados.

dbt vs Airflow — são concorrentes?

Não são concorrentes — são complementares. Airflow — orquestração (quando executar o quê, dependências entre tarefas). dbt — camada de transformação (modelos SQL + testes + documentação + linhagem). Pipeline clássico do modern data stack: o Airflow dispara a ingestão (scripts Python/Spark) → o dbt roda no Airflow como BashOperator ou DbtRunOperator (via o provider astronomer-dbt) → o dbt executa as transformações SQL no DWH (Snowflake/BigQuery/ClickHouse) → a camada de BI (Looker/Metabase) lê os modelos finais do dbt. Um DWH Engineer Sênior domina os dois. Airflow para orquestração + ingestão, dbt para transformações + testes. Conhecer os módulos do dbt (sources/models/tests/macros/snapshots/seeds) + as boas práticas do dbt — obrigatório para Sênior em 2026.

Qual é a proporção de vagas remotas?

Entre as vagas com modalidade de trabalho informada, 39% são remotas. Vagas sem modalidade informada são excluídas do denominador; trabalho híbrido não é contado como remoto.

Em que o DWH Engineer difere de Data Engineer / Analytics Engineer?

DWH Engineer (esta página) — foco em DWH de nuvem (Snowflake/BigQuery/ClickHouse/Redshift) + modelagem. Domínio de SQL + um DWH em profundidade. Data Engineer (geral) — escopo mais amplo: pipelines + DWH + streaming + Spark. Analytics Engineer — foco em dbt + camada de transform. Fica entre Data Engineer e Data Analyst. SQL + dbt + um DWH (muitas vezes Snowflake/BigQuery), mas SEM Spark e streaming. Transição de carreira DWH Engineer → Analytics Engineer — 1-2 meses (mesmo stack, foco em dbt). DWH Engineer → Data Engineer (geral) — 3-6 meses (+ Spark + Airflow mais a fundo).

Por onde começar em DWH em 2026?

Roadmap (presume-se experiência de SQL Middle ou Data Analyst): 1) SQL avançado — window functions a fundo, CTE recursivo, otimização de consultas, EXPLAIN ANALYZE, índices, partition pruning. PostgreSQL + um OLAP (ClickHouse recomendado — o mais usado na CEI). 2) Um DWH cloud: ClickHouse (recomendado para carreira na CEI — open-source, gratuito) OU Snowflake (para remoto internacional — trial gratuito de 30 dias) OU BigQuery (free tier do GCP). Domine recursos específicos do engine (ClickHouse: ReplicatedMergeTree + distributed + materialized views; Snowflake: Tasks + Streams + Time Travel + micro-partitions). 3) dbt — tutorial oficial getdbt.com + pet project Jaffle Shop. Domine models + tests + macros + sources + snapshots. 4) Modelagem Kimball — star schema, snowflake schema, slowly changing dimensions (SCD). Livro "The Data Warehouse Toolkit" Kimball. 5) Noções de Airflow — orquestração de ingestão. 6) Apache Iceberg ou Delta Lake — noções de lakehouse. 7) Uma ferramenta de BI — Metabase/Superset/Yandex DataLens (gratuitos) ou Looker (premium). 8) Pet project ponta a ponta: ingestão (script Python + Airflow) → DWH (ClickHouse ou BigQuery) → models dbt → dashboard de BI no Metabase. Cursos: Karpov.Courses "Data Engineer" (inclui DWH), OTUS "Data Engineer", Yandex.Practicum "Data Engineer", DataCamp "Data Engineer with dbt", Snowflake University (EN — gratuito, melhor recurso de Snowflake), ClickHouse Academy (EN — gratuito). Livros: "The Data Warehouse Toolkit" Kimball (leitura obrigatória), "Analytics Engineering with dbt" (guia da modern data stack). Tempo até Junior DWH — 6-10 meses (mais rápido que Data Engineer geral graças ao escopo menor).

Quantas vagas abertas estão nesta amostra?

A amostra publicada contém 442 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 DWH Engineer precisa?

Um DWH Sênior é dono do ciclo completo de DWH em nuvem. Domínio de SQL: funções de janela a fundo, CTE recursiva, planos de consulta (EXPLAIN ANALYZE), partition pruning, índices, materialized views, padrões de otimização de consultas. Um DWH em nuvem a fundo: Snowflake (Tasks/Streams/Time Travel/micro-partições/Snowpipe/otimização de custos via dimensionamento de warehouses) ou BigQuery (gestão de slots/BQML/tabelas particionadas) ou ClickHouse (ReplicatedMergeTree/engines distribuídas/materialized views/codecs/dicionários). Modelagem: domínio de Kimball (star/snowflake schema, dimensões conformadas, SCD tipos 1-6), noções de Data Vault, arquitetura lakehouse (evolução de partições no Iceberg/Delta, time-travel, evolução de schema). dbt: domínio (models/sources/tests/macros/snapshots/seeds/exposures), boas práticas (modelos incrementais, estratégias de materialização, especificidades dos adaptadores dbt-snowflake/dbt-bigquery). Desempenho: padrões de otimização de consultas para cada engine de DWH, gestão de custos (uso de créditos no Snowflake / slots no BigQuery / dimensionamento de clusters ClickHouse). Ingestão: Kafka + Debezium para CDC, Airflow para ingestão em lote, Snowpipe / Snowflake Streams / materialized views. Qualidade de dados: testes dbt + Great Expectations + Soda. Integração com BI: um entre Looker/Mode/Metabase/Superset/Yandex DataLens no nível de design da camada semântica. Soft skills: code review (SQL + dbt), mentoria de Plenos, comunicação com times de Analistas/Negócio. Inglês para Sênior+ obrigatório — a documentação de DWH é predominantemente em inglês.

Deixar uma solicitação

Descreva a tarefa e deixe um contato: a solicitação chega ao nosso CRM e respondemos no contato informado.

Ao enviar, você concorda com a política de privacidade.