Данные из 10вакансий · 12 августа 2026

По этой профессии сейчас мало активных вакансий, поэтому рыночные цифры на странице ориентировочны. Путь входа, навыки и типовые ошибки от объёма выборки не зависят.

Как стать архитектором данных: путь от нуля до первого оффера

Не «стань разработчиком за 3 месяца» — реальный путь входа на основе данных по 10 вакансий.

Мурадов ЮрийАвтор·Мурадов Юрий·Аналитик SkillStat
СКПроверено·Сергей Кузнецов·Технический редактор·Эксперт по базам данных, реляционной модели и архитектуре данных
Junior-вакансий сейчас
0
0% от всех 10 вакансий
Сложность входа
Высокая
0% junior-вакансий
Senior / Junior+Intern
—
Junior-вакансий нет в текущем срезе
Навыков / вакансия
10
медиана по вакансиям
Всего вакансий
10
активных в Москве
Можно ли с нуля Короткий план Roadmap Junior-рынок Портфолио Резюме Собеседование Ошибки Обучение FAQ

Можно ли стать архитектором данных с нуля

Порог входа для архитектора данных высокий — в текущем срезе вакансий junior-уровня нет. Это не значит, что войти невозможно: рынок цикличен, и через 2–4 месяца картина может измениться.

Архитектор данных — вторая профессия, а не первая. Стартовых позиций здесь 0 вакансий из 10: компания зовёт архитектора тогда, когда отчёты перестали сходиться и каждая команда считает выручку по-своему. Чтобы это разрешить, надо уже знать, как расхождение выглядит изнутри — из аналитики, инженерии данных, отчётности или разработки хранилищ.

Что должно быть к первому отклику: SQL на уровне чтения чужой модели, а не написания запроса; понимание слоёв DWH и того, почему одна сущность живёт в трёх таблицах по-разному; опыт спора о метрике, который закончился общим определением. Медиана требований — 10 навыков, и список тут короче, чем у инженера данных. Это обманчиво: половина работы архитектора не инструментальная, а договорная, и её в требования не выписывают.

Как стать архитектором данных: короткий план

Пять шагов от своей первой витрины до целевой модели, по которой договорились несколько команд.

01
Модель и SQL
SQL — в 80% вакансий архитектора данных. Архитектору он нужен, чтобы читать модель, которая есть на самом деле: где ключ, где связь потерялась, где одна сущность записана трижды по-разному. Нормализация и денормализация — не теория, а выбор с последствиями.
02
Слои хранилища
DWH — в 40% вакансий, PostgreSQL — в 30%, ClickHouse — в 30%, Oracle — в части. Разбери, что попадает в сырой слой, что в подготовленный, где живёт витрина и почему у одной сущности бывают разные представления.
03
Владение и метрики
Возьми одну спорную метрику и доведи до общего определения: источник истины, владелец, правила расчёта, что исключается. Это ядро роли — без него любая схема через квартал разъедется.
04
Ландшафт
Apache Kafka — в 30% вакансий, ETL — в 50%, REST — в части, 1С — в части, SAP — в части. Архитектор смотрит, как системы обмениваются данными: где событие, где выгрузка, где ручной ввод.
05
Влияние изменений
Научись отвечать на вопрос «что сломается, если поменять это поле». Зависимости, происхождение данных, доступы, чувствительные поля и HashiCorp Vault (50%) для секретов — цена ошибки здесь считается в отчётах всей компании.

Что учить архитектору данных первым

Не всё сразу. Вот очерёдность по частотности в вакансиях — от самого нужного к менее срочному.

Навык Все вакансии
SQL 80%
ETL 50%
HashiCorp Vault 50%
DWH 40%
Apache Spark 30%
PostgreSQL 30%
Apache Kafka 30%
ClickHouse 30%
Python 30%

«Все вакансии» — доля из 10 вакансий. Обновлено 12 августа 2026.

Полный список навыков с частотностью, связками и зарплатной премией — навыки архитектора данных →

Roadmap архитектора данных: от нуля до junior

Порядок опирается на частотность навыков по данным вакансий. Первые 4–5 этапов — минимум для первого оффера.

  1. 01
    SQL 80% вакансий

    Основа работы с данными: выборки, агрегации, JOIN, оконные функции.

    Подробнее →
  2. 02
    Python для данных 30% вакансий

    Pandas, NumPy — базовая обработка и трансформация датасетов.

    Подробнее →
  3. 03
    ETL и пайплайны 50% вакансий

    Построение потоков данных, оркестрация: Airflow, dbt.

    Подробнее →
  4. 04
    Хранилища данных (DWH) 30% вакансий

    Аналитические СУБД и хранилища: PostgreSQL, ClickHouse, BigQuery, Redshift.

    Подробнее →
  5. 05
    Распределённые системы 30% вакансий

    Spark, Kafka — обработка больших объёмов данных и стриминг.

    Подробнее →
  6. 06
    ML-фреймворки middle+

    Scikit-learn, PyTorch, TensorFlow — для ML/AI-инженеров.

    Подробнее →
  7. 07
    MLOps и деплой моделей middle+

    Versioning (MLflow), сервинг моделей, мониторинг дрейфа — для ML-инженеров.

    Подробнее →
  8. 08
    Облака и управляемые сервисы middle+

    AWS/GCP/Azure: managed warehouses, ML-платформы, объектные хранилища.

    Подробнее →

Junior-вакансии архитектора данных: что реально требуют работодатели

Срез построен на 10 активных вакансий.

Junior-вакансий
0
inc. стажировки
Доля junior
0%
от всего рынка
Senior / Junior+Intern
—
нет junior-вакансий
Навыков / вакансия
10
медиана
Распределение вакансий по грейдам
Middle — 10% (1)
Senior — 70% (7)
Lead — 20% (2)
Что значат эти цифры. 0 вакансий стартового уровня из 10 — вход конкурентный, и дело не в плохом месяце на рынке. Архитектора данных нанимают под уже случившуюся боль: витрины расходятся, метрику считают три команды по-разному, новый источник ломает отчёты. Новичок такую задачу не берёт не из-за недоверия, а потому что решение требует памяти о том, как это ломалось раньше. Практический вывод: смотри не на эти вакансии, а на соседние — инженер данных, аналитик отчётности, разработчик DWH. Архитектором становятся оттуда.

Какие проекты сделать для портфолио

Портфолио архитектора данных — не код и не дашборд. Это разбор: как сущности живут сейчас, где расходятся определения, какая модель предлагается взамен и что произойдёт с зависимыми отчётами при переходе. Проверяют одно — умеешь ли обосновать решение, а не нарисовать красивую схему.

Целевая модель одного домена
Средняя · 2–3 недели
Стек: SQL, DWH, PostgreSQL
GitHub: Схема сущностей и связей картинкой, описание слоёв, правила именования, ограничения и открытые вопросы — текстом в репозитории
Ценность: Главный артефакт роли: видно, как ты выбираешь между нормализацией и удобством чтения и чем платишь за выбор
Разбор расхождения в отчётах
Средняя · 1–2 недели
Стек: SQL, DWH, ClickHouse
GitHub: Два источника, две формулы, запросы, объяснение разницы и предложенное правило с владельцем
Ценность: Ровно та задача, под которую нанимают: не «посчитать правильно», а «договориться, что считается правильным»
Карта потоков между системами
Средняя · 2 недели
Стек: Apache Kafka, ETL, REST, 1С
GitHub: Схема ландшафта: где сущность рождается, куда копируется, где вводится руками, какие обмены событийные, а какие пакетные
Ценность: Показывает мышление уровнем выше пайплайна: архитектор видит систему, а не задачу
Оценка влияния изменения
Высокая · 1–2 недели
Стек: SQL, DWH, ETL
GitHub: Изменение в источнике, список зависимых витрин и отчётов, план перехода, что ломается и как это заметят
Ценность: Самый частый разбор на собеседовании: цена изменения в архитектуре данных считается не в часах, а в сломанных отчётах

Как оформить GitHub и резюме

Профиль GitHub
  • Репозиторий здесь — папка с разборами, а не с кодом: одна папка на домен данных
  • Схема модели картинкой в README, исходник рядом: смотрящий не станет ставить редактор ради твоей диаграммы
  • Правила именования, определения метрик и владельцев — текстом в .md. Скриншот таблицы не читается и не ищется
  • В каждом разборе: что было, где расходилось, что предложил, что сломается при переходе
  • Кейсы с работы перепиши своими словами: убери названия систем, суммы и внутренние справочники
  • Каталог и схема ландшафта — второй сильный артефакт: покажи, где сущность рождается и куда расходится
Резюме без коммерческого опыта
  • Пиши предыдущую роль языком архитектуры: не «строил витрины», а «отвечал за модель домена заказов и правила его изменения»
  • Домены важнее инструментов: платежи, клиенты, товародвижение, маркетинг. Архитектор данных нанимается в предметную область, а не «в данные вообще»
  • Навыки — только рабочие: SQL, ETL. Список СУБД без модели за ним читается как резюме инженера
  • Назови масштаб: сколько источников, сколько команд-потребителей, где проходила граница ответственности. Архитектура без масштаба неотличима от проектирования одной таблицы
  • Опыт спора о метрике сильнее любого сертификата: назови конфликт, участников и то, чем закончилось
Слабое резюме

«Проектировал хранилища данных, знаю SQL, DWH и ETL, опыт работы с PostgreSQL и ClickHouse»

Сильное резюме

«Отвечал за модель домена платежей: четыре источника, включая 1С и внешний шлюз. Свёл три версии определения выручки к одному правилу с владельцем на стороне финансов — расхождение между отчётом продаж и бухгалтерией закрылось. Описал слои и правила именования в каталоге, добавил проверку влияния при смене схемы источника: до этого её ловили постфактум по жалобам. Разбор: [ссылка]»

Самостоятельно, курсы или вуз — какой путь выбрать

Самостоятельно
Моделирование, слои и правила владения разбираются по открытым источникам, а тренироваться можно на модели своей компании — она уже перед глазами
Некому сказать, что твоя модель развалится на третьем домене. Ошибка архитектуры видна через год, и в одиночку эту обратную связь не получить
Если работаешь с данными сейчас: инженерия, аналитика, отчётность, хранилища — материал под рукой
Курсы с ментором
Разбор твоей модели человеком, который видел, как похожие модели ломались, — единственное, что реально ускоряет
Дорого, и программ именно по архитектуре данных мало: чаще под этим названием продают инженерию данных
Если техническая база есть, а системного взгляда на домены и владение не хватает
Вуз
Базы данных, моделирование и проектирование систем в программе есть — это фундамент, который потом не переучивают
Четыре года, и к архитектуре данных они всё равно не приведут напрямую: диплом не заменяет опыта разбора расхождений
Если выбираешь первое образование и целишься в корпорации, где архитектурный трек формализован
Ловушка архитектуры данных: проектировать схему вместо разбора реальности. Нарисовать красивую целевую модель на чистом листе легко и приятно. Только компания живёт не на чистом листе: у неё есть 1С с историей в десять лет, внешний шлюз, который отдаёт клиента без идентификатора, и отдел, который восемь лет считает выручку по-своему и не собирается переставать. Архитектор ценен не идеальной схемой, а моделью, в которую влезло это всё. Учись начинать с «как есть», даже когда «как есть» ужасно.

Что спрашивают на собеседовании

Моделирование данных
Типовые вопросы
  • ·Когда денормализация оправдана, а когда это просто лень
  • ·Как выбираешь ключ сущности, если в источниках он разный
  • ·Одна и та же сущность лежит в трёх системах — что делаешь
  • ·Чем витрина отличается от подготовленного слоя и зачем их разделять
Как показать проектом

Целевая модель из портфолио: объясни, почему разложил именно так и чем заплатил

Владение и определения
Типовые вопросы
  • ·Два отдела считают выручку по-разному — твои действия
  • ·Что такое источник истины и кто его назначает
  • ·Кто владелец справочника и что он решает
  • ·Как фиксируешь определение метрики, чтобы через год его не переписали заново
Как показать проектом

Разбор расхождения: чем закончилось и кто в итоге владеет правилом

Ландшафт и обмен
Типовые вопросы
  • ·Где брать данные из 1С: прямой доступ к базе или обмен, и почему
  • ·Когда событийный обмен через Apache Kafka уместнее выгрузки
  • ·Как понять, что сущность вводится руками, и что с этим делать
  • ·Внешний источник отдаёт клиента без идентификатора — как связываешь
Как показать проектом

Карта потоков: покажи, где ландшафт держится на честном слове

Влияние изменений
Типовые вопросы
  • ·Источник переименовал поле — как узнаешь, что пострадало
  • ·Как считаешь цену изменения модели
  • ·Витрину используют шесть команд, модель надо поменять — план перехода
  • ·Чем происхождение данных отличается от документации и зачем оно
Как показать проектом

Оценка влияния: список сломанного и порядок перехода

Доступ и чувствительные данные
Типовые вопросы
  • ·Как классифицируешь чувствительные поля в модели
  • ·Аналитику нужен доступ ко всей витрине, а там персональные поля — решение
  • ·Зачем HashiCorp Vault в контуре данных
  • ·Временный доступ выдали и забыли — как этого не допустить
Как показать проектом

Модель домена: покажи, где отмечены чувствительные поля и правила доступа

Сколько времени нужно, чтобы стать архитектором данных

Минимум
2–3 года
Из инженерии данных или отчётности, где уже вёл домен целиком: добираются моделирование, владение и масштаб
Медиана
4–6 лет
Обычный путь: аналитика или разработка хранилищ, потом инженер данных, потом ответственность за домен
Реалистично
5–8 лет
Если начинать без данных в опыте: сначала соседняя роль, и только потом архитектурная

Здесь считают не месяцы обучения, а число пережитых ошибок. В архитектуре данных нельзя пройти курс и выйти на позицию: 0 вакансий стартового уровня из 10 — это устройство профессии, а не временное состояние рынка. Срок считается от входа в данные вообще, а не от начала подготовки к этой роли.

Ускоряет одно: взять домен целиком на текущей работе. Не витрину, не поток, а домен — с источниками, владельцами, определениями и спорами. Год такого опыта весит больше, чем три года аккуратно собранных пайплайнов.

Ошибки новичков

Целятся в роль напрямую

Почему мешает: Стартовых позиций 0 вакансий из 10. Отклики на архитектора без опыта работы с данными не читают — не из снобизма, а потому что решение без памяти о прошлых поломках нечем обосновать

Как исправить: Выбери вход через инженерию данных, отчётность или аналитику и внутри неё бери ответственность за домен, а не за задачу

Рисуют модель с чистого листа

Почему мешает: Целевая схема, в которую не влезли 1С с десятилетней историей и отдел с собственной формулой выручки, останется картинкой. Внедрять её будет некому

Как исправить: Начинай с «как есть»: источники, владельцы, расхождения. Целевая модель — ответ на них, а не идеал из учебника

Считают, что архитектура про инструменты

Почему мешает: ClickHouse, Apache Kafka и dbt не решают, кто владеет справочником клиентов. Расхождение в отчётах живёт в договорённостях, а не в СУБД

Как исправить: Возьми одну спорную метрику и доведи до общего определения с владельцем. Это и есть работа

Проектируют без потребителей

Почему мешает: Модель, красивая на схеме и неудобная аналитикам, обрастает обходными витринами за месяц. Через год их двадцать, и общая модель снова потеряна

Как исправить: Проверяй каждую сущность вопросом: как по ней будут считать метрику и хватит ли данных без ещё одного соединения

Забывают про происхождение данных

Почему мешает: Без ответа «откуда взялась эта цифра» доверие к витрине падает при первом же расхождении, и команды возвращаются к своим выгрузкам

Как исправить: Фиксируй путь: источник, преобразование, витрина, владелец. Каталог полезнее самой аккуратной диаграммы

Оставляют доступ на потом

Почему мешает: Классификация чувствительных полей, роли и хранение секретов — часть модели, а не отдельная задача безопасности. HashiCorp Vault — в 50% вакансий архитектора данных, и это не случайность

Как исправить: Отмечай чувствительные поля прямо в модели домена и назначай владельца доступа вместе с владельцем данных

Путают архитектуру с инженерией

Почему мешает: Инженер данных отвечает за поток, архитектор — за то, что этот поток вообще должен строиться и куда. Кандидат, который рассказывает про оркестрацию, отвечает не на тот вопрос

Как исправить: Тренируй ответ на «что сломается, если поменять это поле» — список зависимостей вместо описания загрузки

Не считают цену перехода

Почему мешает: «Правильная модель» без плана миграции не будет внедрена: у бизнеса нет квартала на переезд ради красоты

Как исправить: К каждому предложению — что ломается, кого затрагивает, в каком порядке переводить и как откатиться

Как SkillStat считает данные

Источник: 10 вакансий в московском сегменте. Навыки и грейды извлекаются автоматически из текста каждой вакансии.

Грейды: определяются по требованиям вакансии — уровню опыта, упоминанию «junior», «intern», «стажёр». Это рыночная оценка объявления.

Сложность входа: рассчитывается по доле junior-вакансий и медиане навыков на junior-уровне. Это индикатор, а не гарантия.

Обновление: данные пересчитываются регулярно. Текущий срез — 12 августа 2026.

Частые вопросы

Можно ли стать архитектором данных с нуля?
Прямого входа здесь практически нет: стартовых позиций архитектора данных — 0 из 10. Роль состоит из решений, которые нечем обосновать без опыта: где рождается сущность, кто владеет справочником, что сломается при смене источника. Путь один — сначала данные вообще (аналитика, инженерия, отчётность, хранилища), потом ответственность за домен, потом архитектура.
Чем архитектор данных отличается от инженера данных?
Уровнем решения. Инженер данных строит и держит конкретный маршрут: источник, загрузка, витрина, расписание. Архитектор решает, какие сущности вообще есть в компании, кто ими владеет, где источник истины и по каким правилам модель можно менять. Инженер отвечает на «как довезти», архитектор — на «что везём и зачем». Почти все архитекторы данных выросли из инженеров, обратный переход встречается редко.
Чем архитектор данных отличается от системного архитектора?
Предметом. Системный архитектор проектирует, как устроены сервисы и их взаимодействие. Архитектор данных проектирует сущности, их связи и правила владения — его волнует, что «клиент» в одной системе и «клиент» в другой это разные записи об одном человеке. Стеки пересекаются, но вопросы разные.
Нужен ли SQL архитектору данных?
Да, но не в том смысле, что аналитику. SQL — в 80% вакансий архитектора данных. Архитектор пишет запросы редко, а читает модель постоянно: где ключ, где связь потеряна, где одна сущность записана в трёх таблицах с разными правилами. Уровень нужен такой, чтобы за полдня понять чужую схему по данным, а не по документации — документация врёт чаще.
Сколько лет опыта нужно?
Обычно четыре-шесть лет в данных, и считаются не годы, а домены: сколько сущностей ты описал, сколько расхождений разобрал, сколько твоих моделей пережило изменение источника. Быстрее доходят те, кто в предыдущей роли брал домен целиком — с источниками, владельцами и спорами о метрике, а не одну витрину.
Обязательно ли быть сначала инженером данных?
Не обязательно, но это самый частый путь. Заходят также из отчётности (там раньше всех видно, как расходятся определения метрик), из разработки хранилищ и из корпоративной разработки на Java — обычно вместе с опытом внедрения SAP или 1С. Общее у всех входов одно: человек уже видел, как ломается доверие к цифрам.
Что такое DWH и почему он в каждой второй вакансии?
DWH — хранилище со слоями: сырые данные, подготовленный слой, витрины. Встречается в 40% вакансий архитектора данных. Для архитектора это основной холст: слои задают, где можно менять правила без разрушения зависимых отчётов, а где нельзя. Модель домена без понимания слоёв превращается в схему таблиц, которую невозможно развивать.
Нужно ли программировать?
Мало. Python — в 30% вакансий архитектора данных, и обычно для проверки данных и разовых сверок. Java чаще признак корпоративного контура вокруг, чем требование писать код. Читать чужой код и понимать, что делает преобразование, важнее, чем писать свой.
Зачем архитектору данных 1С и SAP?
1С — в части вакансий архитектора данных, SAP — в части, ERP — в части. Это не про программирование, а про то, что в большинстве компаний ключевые сущности — контрагент, договор, номенклатура, проводка — рождаются именно там, со своей учётной логикой и своими справочниками. Архитектор, который не понимает закрытие периода, спроектирует модель, расходящуюся с бухгалтерией.
Нужен ли Apache Kafka?
Apache Kafka — в 30% вакансий архитектора данных, ETL — в 50%. Архитектору не надо настраивать кластер. Надо понимать следствия выбора: событийный обмен даёт свежесть, но приносит дубли, повторную доставку и порядок событий как отдельную проблему; пакетная выгрузка проще, но данные стареют. Это выбор архитектуры, а не инструмента.
Что за LLM в вакансиях архитектора данных?
LLM — в части вакансий архитектора данных. Обычно за этим стоит новый контур: данные для моделей, каталог и качество источников, правила доступа к чувствительным полям. Иногда — просто мода в тексте вакансии. На собеседовании спрашивай, что там на самом деле: разница между этими двумя вариантами огромна.
Какое образование нужно?
Диплом по прикладной математике или информатике помогает при входе в корпорации, но большинство вакансий смотрит на опыт с доменами. Профильных программ по архитектуре данных почти нет: то, что продают под этим названием, чаще инженерия данных. Ценность в другом — в разобранных расхождениях, а их в дипломе не бывает.
Какие проекты сделать для портфолио?
Не пайплайны. Разбор расхождения между отчётами с предложенным правилом и владельцем; целевая модель одного домена с обоснованием выбора; карта потоков между системами; оценка влияния изменения. Ключевые навыки профессии для них: SQL, ETL, HashiCorp Vault. Смотрят не на схему, а на обоснование.
Как понять, что пора идти в архитектуру данных?
Признак простой: на текущей работе тебя всё чаще зовут не сделать витрину, а решить, какая цифра правильная. Если ты уже спорил о метрике с двумя командами и договорился, объяснял, почему нельзя просто переименовать поле, и знаешь, кто владеет справочником, — ты делаешь работу архитектора без названия. Дальше вопрос формализации.
Сколько зарабатывает Архитектор данных?
Медиана по профессии — 180 000 ₽. Это одна из немногих ролей, где начинающих в выборке почти не бывает: 0 вакансий стартового уровня из 10. Разбивка по грейдам — на странице зарплат архитектора данных.
Где посмотреть навыки архитектора данных?
На странице навыков архитектора данных — частотность по 10 вакансий, разбивка по грейдам и связки инструментов.