Lead Data Architect

Feladatok

• Warehouse- és lakehouse-megoldások tervezése és optimalizálása Snowflake, Databricks és Azure rendszereken, on-premise adatbázisokkal integrálva az analitikai, szabályozási és operatív feladatokhoz
• Konceptuális, logikai és fizikai adatmodellezési szabványok vezetése dimenziós és data vault módszerekkel, valamint kanonikus modellek és metaadat-szabványok képviselete az adattermékek újrafelhasználásához
• Együttműködés a BI- és analitikai csapatokkal olyan szimantikai és üzleti rétegek meghatározásában, amelyek lehetővé teszik a self-service analitikát
• Betöltési, pipeline-, orkesztrációs és automatizálási minták meghatározása, valamint pragmatikus szabványok bevezetése a CI/CD, az infrastructure as code, a tesztelés és az observability terén
• Adatkörnyezetünk AI/ML-re való felkészítése adatelemzőkkel és ML mérnökökkel együttműködve a feature adatok, a verziókövetés, a reprodukálhatóság, valamint a betanításhoz és inferenciához szükséges erőforrások biztosítása terén
• D&A architektúra-szabványok meghatározása és betartatása arányos design felülvizsgálatok révén, biztosítva, hogy a megoldások megfeleljenek a biztonsági, szabályozási és Enterprise Architecture elvárásoknak
• Segítségnyújtás a csapatoknak annak eldöntésében, hogy mikor érdemes a szabványos technológiáinkat használni, és mikor indokolt egy új út, valamint tanácsadás a meglévő rendszerek frissítésének priorizálásáról
• Példmutatás a design üléseken, építészek és mérnökök mentorálása, valamint a csapatok naprakészen tartása a releváns architektúra trendek terén

Feltételek és juttatások

Elvárások

• 10 év tapasztalat az adatmérnöki, adatraktározási vagy adatplatformok területén, ebből 4 év architekt vagy principal mérnöki szerepkörben
• Mélyreható szakértelem a modern felhőplatformokon futó raktár- és lakehouse-architektúrák terén (legalább kettő a következők közül: Snowflake, Databricks, Microsoft Fabric)
• Erős adatmodellezési ismeretek: konceptuális, logikai és fizikai; dimenziós és data vault; kanonikus modellek és szimantikai rétegek
• SQL Server architektúra és teljesítmény-optimalizálási ismeretek, valamint tapasztalat az on-premise rendszerek felhőbe történő modernizálásában
• Stabil alapok az adatok betöltése (batch, CDC, streaming), az orkesztráció és a DataOps gyakorlat terén
• Tapasztalat az adatkörnyezetek AI/ML-re való felkészítésében: feature adatok, verziókövetés, reprodukálhatóság
• Kiváló stakeholder-menedzsment és képesség a vezetők, építészek és mérnökök befolyásolására formális hatáskör nélkül is
• Tapasztalat nagy, multinacionális vagy mátrixszervezetben, ideális esetben Enterprise Architecture funkció mellett