Data Engineer (Senior)

Если ты уже работаешь во Флаувау, рекомендуй кандидата. Если присматриваешься к нам как соискатель — оставляй отклик напрямую. 🌷 Если ты — сотрудник Флаувау и рекомендуешь кандидата В полях «Ваше имя» и «Фамилия» укажите имя и фамилию кандидата , которого рекомендуете. В поле «Сопроводительное письмо» напишите ваши имя и фамилию — как человека, который дает рекомендацию. 🌷 Если ты — соискатель Заполни форму, добавь сопроводительное письмо (по желанию) — мы вернемся с ответом, если твой опыт подойдет под роль. Кто мы и что строим Flowwow — международный маркетплейс подарков. Под ним работает Data Platform, которую мы построили с нуля: не «настроили managed-сервисы», а спроектировали и написали сами — от storage-слоя до AI-агентов поверх данных. Это lakehouse на Apache Iceberg + Trino, со Spark для тяжёлых вычислений, CDC-пайплайнами на Kafka/Debezium, всё в Kubernetes. Поверх этого — большой слой собственного кода: свой фреймворк Data Vault — моделирование хранилища как код, а не как набор ручных SQL-скриптов; обвязка вокруг Airflow — собственные операторы, хуки, генерация DAG'ов, инструменты тестирования пайплайнов; самописный lineage и инструменты наблюдаемости данных; AI-слой: агенты на LangGraph + MCP, которые расследуют инциденты, анализируют качество данных и помогают команде в рутине. Мы — команда инженеров, а не операторов ETL. Бо́льшая часть нашей работы — это Python-разработка: библиотеки, фреймворки, сервисы, которыми пользуется вся дата-вертикаль компании. Почему эта роль интересная Это позиция Senior DE с сильным уклоном в платформенную разработку. Не «писать пайплайны по тикетам», а проектировать инструменты, из-за которых пайплайны пишутся в разы быстрее — или не пишутся руками вообще. Вы будете работать с lakehouse-стеком на уровне внутренностей: оптимизация Trino-запросов и работа с коннекторами, maintenance Iceberg-таблиц (компакция, snapshot expiration, position/equality deletes — мы знаем эту боль изнутри), эволюция схем, REST-каталог. Это та глубина, которая редко встречается в продуктовых компаниях. И второе: мы AI-native команда. Claude Code и аналогичные инструменты — часть ежедневного рабочего процесса, а не эксперимент по пятницам. Мы строим harness-системы вокруг LLM: агентов с инструментами, автоматизацию code review, ассистентов для написания DAG'ов. Если вам близко состояние, когда ты проектируешь систему, а агент под твоим контролем выполняет рутину — вам у нас понравится. развитие ядра платформы: фреймворка Data Vault, обвязки Airflow, lineage-инструментов; проектирование API для использования другими инженерами и ответственность за их развитие; разработка библиотек и фреймворков на Python: клиентов к источникам данных, инструментов тестирования пайплайнов, оберток над инфраструктурными компонентами; обеспечение качества кода через типизацию, тестирование и code review; работа с lakehouse-архитектурой: Iceberg maintenance, оптимизация layout'а таблиц, тюнинг Trino, разработка Spark-джоб для тяжелых трансформаций; построение интеграций с источниками данных: OLTP-базы, REST/gRPC API, Kafka, файловые хранилища, SaaS-системы; проектирование унифицированных интерфейсов подключения новых источников; внедрение AI-инструментов в инженерные процессы: разработка агентов для расследования инцидентов, анализа качества данных, поддержки DAG'ов и code review; участие в архитектурных решениях: выбор технологий, проектирование интерфейсов между компонентами, формирование и внедрение best practices в команде; проведение code review и менторинг менее опытных коллег. Промышленный опыт от 5 лет в data engineering или backend-разработке с сильным дата-уклоном: production-системы под реальной нагрузкой, ответственность за их эксплуатацию, а не только за написание кода. Python — главное требование. Уровень senior разработчика: ООП, проектирование API библиотек, типизация, тесты, опыт написания переиспользуемых компонентов, которыми пользовались другие люди. Lakehouse-стек на практике. Apache Iceberg (или Delta/Hudi с готовностью быстро переключиться): устройство таблиц, snapshots, компакция, schema evolution. Понимание, чем lakehouse отличается от классического DWH не на уровне статьи на Medium. Trino или другой MPP-движок: архитектура распределённого выполнения, чтение планов запросов, оптимизация, опыт работы с коннекторами. Apache Airflow глубоко: не только разработка DAG'ов, но и внутреннее устройство (scheduler, executors, метаданные), опыт написания собственных операторов и хуков. Apache Spark: PySpark, Spark SQL, понимание модели выполнения. SQL продвинутого уровня: оконные функции, CTE, оптимизация, чтение планов исполнения, работа с большими объёмами. Git, CI/CD — уверенно. полная занятость; оформление: трудовой договор; график: 5/2 удаленный формат работы; уровень дохода обсуждается на этапах найма. Что приятного мы делаем для сотрудников предлагаем ДМС со стоматологией или компенсацию на медицинское обслуживание, а также сервис психологической поддержки; заботимся о физическом здоровье — компенсируем расходы на занятия спортом или покупку спортивного оборудования; компенсируем стоимость техники, которую вы приобретаете для работы; создаем условия для развития: оплачиваем обучение, конференции и митапы, нужные для работы; подключаем к корпоративной программе лояльности: персональным скидкам на Flowwow и предложениям от партнеров. Наши ценности Забота и любовь Наш продукт основан на желании людей радовать друг друга и быть вместе. Пока любовь жива, у Flowwow будут пользователи. Развитие и рост Flowwow быстро развивается и с радостью поддерживает инициативы сотрудников. Культура взаимопомощи У нас работают люди, вовлеченные в процесс и небезразличные к тому, что они делают. Открытость к изменениям Каждый может проявлять инициативу, предлагать и быстро видеть свой вклад в общий успех. Благотворительность Одна из целей Flowwow — помогать людям. Нас объединяют социальная ответственность и готовность участвовать в специальных благотворительных мероприятиях.