Половина CV Data Engineer у 2026 виглядають як CV Data Analyst, у яке докинули Airflow. Або як CV DevOps, у яке посипали dbt. Рекрутер не розуміє, хто ти насправді. Data Engineer, це людина, що володіє трубами, від яких залежать інші. Якщо у твоїх пунктах це не видно, ти зливаєшся з десятком аналітиків і платформних інженерів у тій самій папці.
Перестань звучати як Data Analyst чи DevOps
Пункт "будував дашборди у Looker для фінансової команди" не твій, це речення аналітика. Пункт "налаштував Terraform для EKS-кластера" теж не твій, це DevOps. Твої пункти живуть посередині: ти зробив штуку, що годує дашборд, і ти підняв інфру, на якій ця штука крутиться. По суті: володіння пайплайном, дизайн схем, оркестрація, freshness SLA. Рекрутер скрозь резюме сканує саме цю територію.
Окремо про Analytics Engineer, у 2026 це пастка, про яку мало хто попереджає. Якщо в усіх пунктах самі dbt-моделі і тести, тебе читають як AE, а не DE. Розбавляй інжестом, стрімінгом, роботою з вартістю інфри. Саме цей контраст і підказує hiring-менеджеру, з якої сторони data-команди ти сидиш.
Форма пункту, що доводить володіння
"Володів events-пайплайном (25 млн подій на день) для команди продуктової аналітики, freshness SLA 99,4% за 14 місяців, on-call ротація з однієї людини." Три несучі речі: масштаб, метрика надійності з вікном, факт, що пейджили саме тебе. Поряд може стояти "працював над events-пайплайном". Робота та сама. Прочитання абсолютно різне. Перше речення говорить рекрутеру, що ти носиш пейджер. Друге, що ти закривав тікети.
Якщо обсяги під NDA, давай архітектуру: "DWH на 12 TB, 40+ DAG, 600 млн подій на місяць". Ці цифри NDA практично ніколи не ламають, а читаються як підтвердження масштабу.
Реалізм сучасного стека у 2026
Список з усіх існуючих warehouse-вендорів робить тебе схожим на джуна. У 2026 ринок реально ділиться так: Snowflake і Databricks для enterprise і ML-важких компаній, BigQuery для GCP-native і продуктової аналітики, Redshift здебільшого як legacy, з якого мігрують. Постав той, у якому реально шипив. Другий, як "working knowledge". Решту прибери.
Та сама логіка для оркестрації і стрімінгу. dbt, дефолт трансформацій. Airflow, ще дефолт оркестрації, але Dagster і Prefect вже не екзотика. По стрімінгу реалістичний поділ: Kafka, якщо ти on-prem або multi-cloud, Kinesis, якщо живеш в AWS, Pub/Sub, якщо живеш у GCP. Якщо перерахуєш усі п'ять без контексту, ти даєш сигнал, що жодного з них реально не крутив у проді.
Spark / Scala vs Python у 2026
Чесна відповідь у 2026: PySpark виграв щоденну роботу, Scala залишилась живою у legacy enterprise і у кількох performance-critical командах. Якщо у твоєму CV першим рядком "Scala expert", і ти подаєшся не у фінтех, телеком чи окремі Databricks-шопи, ти сам себе фільтруєш. Постав PySpark першим, Scala згадуй, тільки якщо реально шипив на ній за останні два роки. Чистий Python з pandas нормальний для джобів до 100 ГБ, кажи це прямо, не вдавай, що Spark-ом крутиш кожен батч.
Прогони своє CV через CV Analyzer на реальну вакансію Data Engineer і подивись, яких ключових слів бракує. Розрив між твоїми пунктами і JD майже завжди по трьох темах: freshness SLA, cost per query, data contracts. Саме ці три тримають senior-сигнал.
Senior-планка, яку мало хто пише
Mid-level CV Data Engineer розказують про пайплайни, які ти побудував. Senior-CV розказують про системи, від яких залежать інші команди, і контракти, що ці системи тримають. Чотири фрази, що сигналізують senior у 2026:
- Data Contracts ("впровадив контракти між бекендом і data, breaking schema changes у проді впали до нуля за квартал")
- Lineage ("розгорнув OpenLineage на 200+ моделей, MTTR для upstream-інцидентів скоротився з 4 годин до 35 хвилин")
- Оптимізація вартості ("скоротив місячний рахунок Snowflake на $14k через кластеризацію і налаштування warehouse autosuspend")
- Governance ("провів проект PII-тегування для GDPR-аудиту, 18 джерел, юристи прийняли з першого раунду")
Якщо хоча б двох з цих чотирьох у твоєму CV немає, а подаєшся на senior, hiring-менеджери перерейтинговують тебе у mid ще до дзвінка. Не зі злоби, просто pattern-matching на те, що вони читають щодня.
Три числа, що варті більше за твій стек
- Uptime / freshness SLA з вікном ("99,4% за 14 місяців")
- Ціна за запит або за оброблений TB, до і після
- Кількість downstream-споживачів ("8 продуктових команд", "40+ дашбордів", "3 ML-моделі")
ATS-пастка для Data Engineers
Data engineers люблять писати "ETL/ELT" через слеш. Біда у тому, що частина ATS читає це як "ETL" одне, а "ELT" втрачає у токенізації взагалі. Той самий трюк, що в аналітиків: розгорни хоча б раз "ETL and ELT pipelines", далі скорочуй. І ще: "PySpark" і "Apache Spark", це у багатьох ATS різні ключі. Якщо шипив обидва, ставь обидва у навичках.
Як подаєшся, лог кожну вакансію у Job Tracker з прикріпленим JD. Через 8-10 заявок побачиш, які ключові слова повторюються, ось це твій реальний keyword-set, а не той, який ти вгадав, коли писав CV.
Відповідь на інтерв'ю, що піднімає тебе на бенд вище
"Розкажи про пайплайн, що поламався у проді." Mid-інженер розповідає, як полагодив. Senior-інженер розповідає про blast radius, що саме він комунікував і що змінив у системі, щоб це не повторилось тим самим способом. "Schema change на upstream поклав нам івент-інжест на 3 години. За 10 хвилин я кинув у incident-канал список зачеплених дашбордів, відкотив консьюмера, далі написав data contract test, що падає на CI на стороні продюсера. Подібних інцидентів відтоді не було." Друга половина, ось і senior-сигнал.
Організуйте пошук роботи з Trackr
Відстежуйте відгуки, аналізуйте резюме з AI, готуйтесь до співбесід - безкоштовно.
Почати безкоштовно
