Data Warehouse: mercado

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

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.

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 — 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.

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.

Sim, 43% das vagas de DWH são remotas ou híbridas. O trabalho é totalmente baseado em nuvem (Snowflake/BigQuery/ClickHouse Cloud). Empresas de produto russas — híbrido ou remoto após o período de experiência. Sber — mais frequentemente presencial por causa de data residency. SaaS internacionais de DWH — totalmente remoto: Snowflake, BigQuery (Google), dbt Labs, Databricks. Hubs de relocação: Berlim, Amsterdã, Zurique (UE data-friendly), Dubai, Chipre, Lisboa. Inglês — obrigatório para remoto internacional com um prêmio +25-40%.

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).

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).

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.

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.