🔒Открыть пост
и посмотреть медиа
и посмотреть медиа
Кажется, что путь в Data Engineering начинается где-то далеко за горизонтом. Там, где люди свободно разбавляют свою речь словами вроде Spark, Airflow, Kafka, Docker и ещё десятка терминов, которые особенно любят перечислять в вакансиях.
А вы пока просто неплохо пишете SQL, знаете немного Python и иногда поглядываете на инженеров данных с мыслью: «Звучит интересно. Но, наверное, мне ещё рано».
Спойлер: вполне возможно, что уже нет
На самом деле в Data Engineering гораздо важнее понимать, как данные путешествуют от источника до готового отчёта: где они собираются, преобразуются, проверяются, теряются, дублируются и почему в понедельник дашборд вдруг показывает совсем не те цифры, что в пятницу.
В новой статье Дмитрий Кузьмин рассказывает:
▪️ кому действительно стоит присмотреться к Data Engineering;
▪️ какие знания уже можно считать хорошей стартовой базой;
▪️ почему недостаточно просто знать SQL или отдельно изучить Airflow;
▪️ как понять, что пора собирать разрозненные навыки в полноценный карьерный маршрут;
▪️ и в каких случаях лучше сначала укрепить фундамент, а уже потом браться за сложные практикумы.
А ещё внутри есть небольшой чек-лист для самопроверки. Без экзаменов и оценок, но с честными вопросами про JOIN’ы, дубли, Python-скрипты, локальное окружение и способность не закрывать ноутбук после первой ошибки в логах.
Если вы уже работаете с данными, аналитикой, BI или Python и всё чаще хотите понимать не только итоговую цифру в отчёте, но и то, откуда она вообще взялась, — эта статья для вас.
Читать полный разбор ↘️
⭕️Как понять, что вам уже пора в Data Engineering⭕️