Data Warehouse: Markt
Data Warehouse Engineer — Spezialisierung auf Cloud-DWH (Snowflake/BigQuery/Redshift/ClickHouse). Ein Teilsegment des Data Engineering mit Fokus auf DWH-Modellierung + dbt + Cloud-Datenplattformen. Eine Premium-Nische dank Cloud-DWH-Expertise. Rollenfamilie: Snowflake Engineer (dominierendes Cloud-DWH — Schemadesign + dbt + Kostenoptimierung), BigQuery Engineer (Google-Cloud-Daten-Stack), ClickHouse Engineer, Redshift Engineer (AWS Legacy), Data Warehouse Architect (Modellierungsspezialist — Kimball/Data Vault). Stack: SQL auf Meisterniveau (Pflicht — Window Functions, rekursive CTEs, Abfrageoptimierung, Partition Pruning, Materialized Views), Snowflake (Cloud-Premium — Tasks, Streams, Time Travel, Micro-Partitions, Snowpipe-Ingestion), BigQuery (GCP — slotbasierte Preise, BQML für ML in der DB), ClickHouse (dominierendes OLAP in der GUS — ReplicatedMergeTree, verteilte Engines, Materialized Views), Redshift (AWS Legacy — Distkey/Sortkey), Greenplum (GUS-Enterprise), dbt (Standard für die Transformationsschicht + Adapter dbt-snowflake / dbt-bigquery / dbt-clickhouse), Apache Airflow für die Orchestrierung der Ingestion, Looker/Mode/Metabase/Superset/Yandex DataLens für BI auf dem DWH. Top-Stack: snowflake, cloud, sql, python, dbt. 43% Remote. Senior Snowflake/BigQuery — Aufschlag von 10-15% gegenüber Senior Data Engineer für die Cloud-DWH-Spezialisierung.
Der Markt für Data Warehouse hat derzeit 374 offene Rollen, davon 344 frisch beobachtet. Median salary $6.588/mo.
43% der DWH-Stellen sind remote oder hybrid. Die Arbeit ist vollständig cloudbasiert. Russische Produktunternehmen — hybrid oder remote. Sber — häufiger im Büro. Internationale Cloud-DWH-SaaS (Snowflake/BigQuery/dbt Labs) — vollständig remote.
⚠ Gehalt bekannt bei 34 von 374 Stellen; Remote-Anteil aus 292 mit angegebenem Arbeitsformat; 344 als frische Beobachtungen gezählt; Trend und Besetzungsschwierigkeit werden nicht gezeigt
Timeline: postings and sources
How many Data Warehouse postings appeared each week since May 11, and from how many sources. The second line separates market growth from coverage growth: a jump in the week new sources were connected means we started seeing more, not that the market grew.
New postings and active sources per week
Sources over the period: 92
New sources connected: May 18 +2 · May 25 +2 · Jun 1 +1 · Jun 8 +3 · Jun 15 +1 · Jun 22 +11 · Jun 29 +6 · Jul 6 +8 · Jul 13 +6 · Jul 20 +8 · Jul 27 +5 · Aug 3 +3 · Aug 17 +1 · Aug 24 +2 · Aug 31 +3 · Sep 7 +1 · Sep 14 +3 · Sep 21 +5 · Oct 5 +5 · Oct 12 +5 · Oct 19 +3
Week = posting first-seen date, all statuses; postings are selected by the same rule as this page's counter. Sources are distinct collection channels; their names are not published.
Remote work over time
Share of Data Warehouse postings offering fully remote work, per week.
Remote postings, %
The share is among postings that state a format (remote, hybrid, office). Weeks with fewer than 10 such postings are left blank.
Technologies over time
How the share of Data Warehouse postings mentioning each of the top technologies changed.
Postings mentioning the technology, %
Share among postings with a tagged stack; the series starts on Aug 10: earlier stack tags were assigned differently. Weeks with fewer than 20 tagged postings are left blank.
Countries over time
How the share of Data Warehouse postings in each of the top countries changed, per week.
Postings in the country, %
Share among postings with a known country; the chart shows the five countries with the most postings over six months. Weeks with fewer than 20 postings with a known country are left blank. A rising share can mean a newly connected source in that country rather than market growth.
Nachfrage und beobachtetes Angebot
| Offene Nachfrage | 374 |
| Beobachtetes Angebot | — nicht veröffentlicht |
Data Warehouse Engineer bildet einen beständigen Strom an Stellen. Treiber: Migrationen von Legacy-DWH (Greenplum/Redshift) zu Snowflake/BigQuery/ClickHouse, Wachstum des modernen Data Stack (dbt + Cloud-DWH), ClickHouse dominiert in Produktteams der GUS.
⚠ zu einer Stelle passende Kandidaten werden noch nicht gezählt: gezeigt werden Nachfrage und der beobachtete Pool
Gehaltsverteilung
Jeder Zehnte verdient unter $4.062, jeder Zehnte über $10.625. Die Hälfte des Markts liegt zwischen $5.775 und $8.405. Stichprobe: 34.
Geografie der Nachfrage
| Land | Stellen |
|---|---|
| PL | 107 |
| US | 61 |
| IN | 50 |
| GB | 26 |
| DE | 13 |
| CA | 9 |
| FR | 9 |
| SG | 8 |
| MX | 7 |
| AU | 5 |
The leader by DWH job count is Poland (107 positions). Russia — ClickHouse dominator. Poland — DWH-friendly EU. Large international remote via Snowflake/dbt Labs.
⚠ nur Stellenzahlen: Gehalt nach Land wird nicht veröffentlicht
Wird zusammen verwendet mit
Top-DWH-Stack 2026: SQL auf Expertenniveau (Pflicht), ein Cloud-DWH: Snowflake (Cloud-Premium) / BigQuery (GCP) / ClickHouse (dominierendes OLAP in der GUS) / Redshift (AWS-Legacy), dbt (Standard der Transformationsschicht), Apache Airflow (Orchestrierung der Ingestion), Apache Iceberg / Delta Lake (Lakehouse), Kafka + Debezium (CDC), Looker / Mode / Metabase / Superset / Yandex DataLens (BI).
Häufige Paare: SQL + Snowflake, SQL + ClickHouse, dbt + Snowflake, dbt + BigQuery, dbt + ClickHouse, Airflow + DWH. Lern-Roadmap: fortgeschrittenes SQL → ein Cloud-DWH (ClickHouse für die GUS oder Snowflake international) → dbt → Modellierung nach Kimball → Airflow-Grundlagen → ein BI-Tool.
Nachfrage nach Level
| Level | Stellen |
|---|---|
| senior | 154 |
| middle | 25 |
| lead | 21 |
| Principal | 12 |
| junior | 6 |
Juniors sind rar — der Markt erwartet fortgeschrittenes SQL + ein DWH. Karriereweg: Analyst Senior / Data Engineer Middle → DWH Middle → Senior → DWH Architect / Head of Data.
⚠ nur die Nachfrageseite: das Level des beobachteten Pools ist größtenteils unbekannt
Arbeitgeber
Die Nachfrage verteilt sich auf 243 Arbeitgeber. Der größte steht für 2.8 %, die Top Ten für 16.9 %; die übrigen 83.2 % sind Long Tail.
| Anteil | Wert |
|---|---|
| Top-1 | 2.8% |
| Top-3 | 6.7% |
| Top-10 | 16.9% |
| Long Tail | 83.2% |
⚠ Namen werden nicht angezeigt: Personalvermittler und Endarbeitgeber werden vom Klassifikator noch nicht unterschieden
Wo Zorky diesen Markt sieht
Beobachtet in 52 Quellen; die größte steht für 17.4 % — dieser Markt hängt nicht an einem einzigen Kanal.
Neueste Ausschreibungen
- Snowflake Developer · US · $11.885
- Data Warehouse Developer · GB
- Morningstar - Data Engineering Manager - Snowflake DB/Kafka/Airflow · IN
- Staff Software Engineer, BigQuery Processing Core Runtime · US
- Senior Snowflake Engineer
- Snowflake Cortex AI Engineer · US
- Data Warehouse Engineer · RO
- Full Stack Developer (Python/Django + React + Snowflake) · US
Die neuesten offenen Stellen für DWH Engineer — die 10 jüngsten Positionen mit ausreichender Beschreibungsqualität. Die vollständige Liste finden Sie in unserem CRM oder über den Link „Alle ansehen“ unten.
Benachbarte Märkte
DWH Engineer — ein Premiumsegment der Richtung Data. Aufschlag von 10-15% gegenüber Senior Data Engineer für die Spezialisierung auf Cloud-DWH. Vergleich — im SiblingSubnichesChart oben.
⚠ angrenzende Märkte zum Vergleich sind noch nicht definiert
So wird gemessen
- Stelle
- eine offene Stelle, die das Qualitäts-Gate passiert hat und mindestens zwei Technologien nennt
- Beobachteter Kandidat
- ein Kandidat, dessen Stack diese Technologie enthält; ein Aggregat — kein einziger Datensatz verlässt den Perimeter
- Matchbarer Kandidat
- noch nicht gezählt
- Fenster
- Stellen, die zum Zeitpunkt der Erstellung des Snapshots offen waren
Über die Daten
- Einige Aufschlüsselungen sind ausgeblendet: Die Datenabdeckung reicht noch nicht aus.
- Statistiken erscheinen nur, wo die Stichprobe eine Qualitätsschwelle passiert.
- Ein fehlender Block bedeutet nicht den Wert null.
Derzeit ausgeblendete Aufschlüsselungen: 8.
Datenstand 2026-10-27
Richtung: Data Engineering
Verwandte Spezialisierungen
Innerhalb von Data Warehouse Engineer: Snowflake Engineer (Dominator im Cloud-DWH), BigQuery Engineer (GCP), ClickHouse Engineer, Redshift Engineer (AWS-Legacy), Data Warehouse Architect (Modellierungsspezialist). Vergleich mit anderen Datenspezialisierungen — im Balken unten.
Häufig gestellte Fragen
Die häufigsten Fragen zu DWH Engineer: Bezahlung, Snowflake vs. BigQuery vs. ClickHouse vs. Redshift, dbt vs. Airflow (Ergänzung, keine Konkurrenz), Unterschiede zu Data Engineer / Analytics Engineer, Remote, Einstieg (6-10 Monate), Senior-Fähigkeiten. Die Antworten werden automatisch neu berechnet.
Was verdient ein DWH als Junior, Middle, Senior oder Lead?
Junior-Stellen im DWH-Bereich sind rar — der Markt erwartet fortgeschrittenes SQL + praktische Erfahrung mit einem DWH (oft nach Analyst Senior mit SQL-Beherrschung oder Data Engineer Middle). Der Sprung Junior → Middle — ein DWH in der Tiefe beherrschen + dbt + Ingestion-Pipelines. Ein Senior verantwortet die DWH-Modellierungsarchitektur (Star/Snowflake/Data Vault). Lead — Führung des Modellierungsteams + Entwurf der Enterprise-Datenarchitektur. Karriereweg: Analyst Senior / Data Engineer Middle → DWH Middle → Senior → entweder Data Warehouse Architect oder Head of Data.
Welchen Stack braucht a DWH Engineer am häufigsten?
Top 5: snowflake, cloud, sql, python, dbt. SQL auf Expertenniveau (Fensterfunktionen, rekursive CTEs, Abfrageoptimierung, Partition Pruning). Eines der Cloud-DWHs: Snowflake (Cloud-Premium — Tasks/Streams/Time Travel/Micro-Partitions/Snowpipe), BigQuery (GCP — Slot-Preise/BQML), ClickHouse (dominierendes OLAP in der GUS — ReplicatedMergeTree/verteilt/Materialized Views), Redshift (AWS-Legacy — Distkey/Sortkey). Greenplum im Enterprise der GUS (Sber). dbt — Pflicht (Standard der Transformationsschicht — Modelle + Tests + Makros + Pakete). Apache Airflow für die Ingestion. Apache Iceberg/Delta Lake — Lakehouse-Tabellenformate (wachsend). Apache Kafka + Debezium für CDC. BI: Looker/Mode/Metabase/Superset/Yandex DataLens. Kenntnis der Kimball-Modellierung (Stern-/Schneeflockenschemata, Slowly Changing Dimensions) oder von Data Vault — Pflicht für Senior.
Snowflake vs. BigQuery vs. ClickHouse vs. Redshift — was wählen?
Snowflake — der dominierende Cloud-DWH in internationalen Projekten. Multi-Cloud (AWS/Azure/GCP), Trennung von Storage/Compute, Time Travel, Snowpipe für Streaming. Premium-Preise, aber die beste DX. Senior Snowflake — Premium in internationaler Remote-Arbeit. BigQuery — nativ in Google Cloud. Slot-basierte Preise (oder On-Demand), BQML für Machine Learning in der Datenbank. Dominiert in GCP-Unternehmen. ClickHouse — der dominierende Open-Source-OLAP in der GUS. Das schnellste OLAP auf spaltenbasiertem Speicher. Senior ClickHouse — eine Marktnotwendigkeit in Produktunternehmen der GUS. Redshift — AWS-Altlast, Migrationen zu Snowflake oder BigQuery. Weniger neue Projekte. Strategie: ClickHouse in einem Produktteam der GUS, Snowflake für internationale Remote-Arbeit, BigQuery im GCP-Stack, Redshift nur zur Wartung alter AWS-Projekte.
dbt vs. Airflow — sind das Konkurrenten?
Keine Konkurrenten — sondern Ergänzungen. Airflow — Orchestrierung (wann was läuft, Abhängigkeiten zwischen Aufgaben). dbt — Transformationsschicht (SQL-Modelle + Tests + Dokumentation + Lineage). Klassische Pipeline des Modern Data Stack: Airflow stößt die Ingestion an (Python-/Spark-Skripte) → dbt läuft in Airflow als BashOperator oder DbtRunOperator (über den Provider astronomer-dbt) → dbt führt SQL-Transformationen im DWH aus (Snowflake/BigQuery/ClickHouse) → die BI-Schicht (Looker/Metabase) liest die finalen dbt-Modelle. Ein Senior DWH Engineer beherrscht beides. Airflow für Orchestrierung + Ingestion, dbt für Transformationen + Tests. Kenntnis der dbt-Bausteine (sources/models/tests/macros/snapshots/seeds) + dbt-Best-Practices — Pflicht für Seniors 2026.
Können DWH Engineers remote arbeiten?
Ja, 43% der DWH-Stellen sind remote oder hybrid. Die Arbeit ist vollständig cloudbasiert (Snowflake/BigQuery/ClickHouse Cloud). Russische Produktunternehmen — hybrid oder remote nach der Probezeit. Sber — wegen Datenresidenz häufiger Büro. Internationale DWH-SaaS — vollständig remote: Snowflake, BigQuery (Google), dbt Labs, Databricks. Relokations-Hubs: Berlin, Amsterdam, Zürich (datenfreundliches Europa), Dubai, Zypern, Lissabon. Englisch — Pflicht für internationale Remote-Arbeit mit einem Aufschlag von +25-40%.
Worin unterscheidet sich DWH Engineer von Data Engineer / Analytics Engineer?
DWH Engineer (this page) — focus on cloud DWH (Snowflake/BigQuery/ClickHouse/Redshift) + modelling. SQL mastery + one DWH deeply. Data Engineer (general) — broader scope: pipelines + DWH + streaming + Spark. Analytics Engineer — focus on dbt + transform layer. Sits between Data Engineer and Data Analyst. SQL + dbt + one DWH (often Snowflake/BigQuery), but WITHOUT Spark and streaming. Career switch DWH Engineer → Analytics Engineer — 1-2 months (same stack, focus on dbt). DWH Engineer → Data Engineer (general) — 3-6 months (+ Spark + Airflow deeper).
Wie fängt man 2026 mit DWH an?
Roadmap (vorausgesetzt wird Erfahrung als SQL Middle oder Data Analyst): 1) Fortgeschrittenes SQL — Fensterfunktionen in der Tiefe, rekursive CTE, Abfrageoptimierung, EXPLAIN ANALYZE, Indizes, Partition Pruning. PostgreSQL + eine OLAP-Datenbank (ClickHouse empfohlen — in der GUS am meisten genutzt). 2) Ein Cloud-DWH: ClickHouse (empfohlen für eine Karriere in der GUS — Open Source, kostenlos) ODER Snowflake (für internationale Remote-Arbeit — 30-tägige kostenlose Testversion) ODER BigQuery (kostenloses GCP-Kontingent). Beherrschen Sie die engine-spezifischen Funktionen (ClickHouse: ReplicatedMergeTree + Distributed + Materialized Views; Snowflake: Tasks + Streams + Time Travel + Mikropartitionen). 3) dbt — offizielles Tutorial auf getdbt.com + Pet-Projekt Jaffle Shop. Beherrschen Sie Models + Tests + Macros + Sources + Snapshots. 4) Modellierung nach Kimball — Sternschema, Schneeflockenschema, Slowly Changing Dimensions (SCD). Buch „The Data Warehouse Toolkit“ von Kimball. 5) Airflow-Grundlagen — Orchestrierung der Datenaufnahme. 6) Apache Iceberg oder Delta Lake — Grundlagen des Lakehouse. 7) Ein BI-Tool — Metabase/Superset/Yandex DataLens (kostenlos) oder Looker (Premium). 8) Durchgängiges Pet-Projekt: Datenaufnahme (Python-Skript + Airflow) → DWH (ClickHouse oder BigQuery) → dbt-Modelle → BI-Dashboard in Metabase. Kurse: Karpov.Courses „Data Engineer“ (enthält DWH), OTUS „Data Engineer“, Yandex.Practicum „Data Engineer“, DataCamp „Data Engineer with dbt“, Snowflake University (EN — kostenlos, die beste Ressource zu Snowflake), ClickHouse Academy (EN — kostenlos). Bücher: „The Data Warehouse Toolkit“ von Kimball (Pflichtlektüre), „Analytics Engineering with dbt“ (Leitfaden zum modernen Daten-Stack). Zeit bis zum Junior DWH — 6-10 Monate (schneller als beim allgemeinen Data Engineer dank kleinerem Umfang).
Wie viele offene Stellen gibt es in der GUS und Europa für DWH?
350 active open Data Warehouse Engineer positions. Geography: Poland, the US, India. The real market is broader thanks to the huge international remote (Snowflake/dbt Labs/Databricks — all full-remote-friendly). Time to close a Senior DWH role — 4-6 weeks.
Welche Fähigkeiten braucht ein Senior DWH Engineer?
Ein Senior DWH verantwortet den gesamten Zyklus des Cloud-DWH. Beherrschung von SQL: Window Functions in der Tiefe, rekursive CTEs, Abfragepläne (EXPLAIN ANALYZE), Partition Pruning, Indizes, Materialized Views, Muster der Abfrageoptimierung. Ein Cloud-DWH in der Tiefe: Snowflake (Tasks/Streams/Time Travel/Micro-Partitions/Snowpipe/Kostenoptimierung über die Warehouse-Größe) oder BigQuery (Slot-Management/BQML/partitionierte Tabellen) oder ClickHouse (ReplicatedMergeTree/verteilte Engines/Materialized Views/Codecs/Dictionaries). Modellierung: Beherrschung von Kimball (Star-/Snowflake-Schema, Conformed Dimensions, SCD-Typen 1-6), Grundlagen von Data Vault, Lakehouse-Architektur (Partition Evolution in Iceberg/Delta, Time Travel, Schema Evolution). dbt: Beherrschung (Models/Sources/Tests/Macros/Snapshots/Seeds/Exposures), Best Practices (inkrementelle Modelle, Materialisierungsstrategien, Besonderheiten der Adapter dbt-snowflake/dbt-bigquery). Performance: Muster der Abfrageoptimierung je DWH-Engine, Kostenmanagement (Credit-Verbrauch in Snowflake / Slots in BigQuery / Clustergröße in ClickHouse). Datenaufnahme: Kafka + Debezium für CDC, Airflow für Batch-Aufnahme, Snowpipe / Snowflake Streams / Materialized Views. Datenqualität: dbt-Tests + Great Expectations + Soda. BI-Integration: eines von Looker/Mode/Metabase/Superset/Yandex DataLens auf dem Niveau des Entwurfs der semantischen Schicht. Soft Skills: Code Review (SQL + dbt), Mentoring von Middles, Kommunikation mit Analyst-/Business-Teams. Englisch ab Senior+ Pflicht — die DWH-Dokumentation ist überwiegend EN.
Anfrage hinterlassen
Beschreiben Sie die Aufgabe und hinterlassen Sie einen Kontakt — die Anfrage geht in unser CRM, und wir antworten über den angegebenen Kontakt.