Specific Accountability :-
Lead the design, build, and optimization of batch and real-time data pipelines.
Own data model design, ingestion frameworks, transformation logic, and platform reliability.
Ensure high standards for data quality, lineage, governance, security, and compliance.
Drive performance tuning, cost optimization, monitoring, and incident resolution across data
platforms.
Translate business and analytics needs into scalable technical solutions and delivery plans.
Guide code reviews, technical standards, and release practices for data engineering work.
Mentor team members, allocate work, and provide technical leadership on complex initiatives.
Collaborate with value delivery owners, architects, analysts, scientists, and application teams to
enable trusted data products
Desired Candidate Profile
Experience level: 10+ years hands-on data engineering with production pipeline ownership; at least one platform or system owned end to end.
Data transformation and modeling
dbt (data build tool): models, tests, macros, incremental models, project structure
Data modeling: dimensional modeling, star schema, medallion architecture (raw / curated /
presentation, or bronze / silver / gold)
Orchestration
Apache Airflow: DAG design, task dependencies, triggers, sensors, parameterized runs, failure
handling, scheduling
Data ingestion and loading
Batch data ingestion and ETL / ELT pipeline development
Load patterns: full load, incremental load, upsert / merge, change data capture (CDC)
Multi-source ingestion: SFTP, REST APIs, relational databases, file-based ingestion
Data quality, data validation, schema evolution handling
Query engine, storage, and table formats
Dremio (or equivalent lakehouse query engine: Trino, Presto, Starburst, Athena)
Apache Iceberg (or equivalent open table format: Delta Lake, Apache Hudi)
S3 / S3-compatible object storage (AWS S3, MinIO, Dell ECS)
Partitioning, table layout, and query performance tuning
Programming and databases
Python (pipeline development, automation, scripting)
Advanced SQL, query optimization, performance tuning
PostgreSQL and/or SQL Server (relational databases)
Non-relational / NoSQL databases (must-have, not just exposure)
The platform ingests from and operates alongside several non-relational stores. The candidate must be able to work with them as a data engineer, meaning read from them, model their data into the lakehouse, and reason about their consistency and performance characteristics. Screen for hands-on experience with at least two of the following families:
Redis as a pipeline coordination or lookup layer)
schema-on-read, flattening documents into relational / lakehouse tables)
Wide-column stores: Cassandra, ScyllaDB, or HBase (partition-key design, read patterns,
extracting at scale)
out of an index for analytics)
Data formats and semi-structured data
Columnar formats: Apache Parquet (required), ORC; row formats: Avro
Text and semi-structured formats: JSON, JSON Lines, CSV / delimited files, XML; encoding,
delimiter, and quoting edge cases
Compression codecs (Snappy, gzip, zstd) and their effect on storage and query
Handling nested and evolving schemas end to end (schema inference, drift detection, schema
evolution: column add / delete / type change)
Distributed processing
Apache Spark / PySpark (DataFrame API, partitioning, joins, skew handling, writing Iceberg /
Parquet); or equivalent distributed engine
Scripting, Linux, and connectivity
based)
archiving, retries)
production)
Connectivity troubleshooting: DNS, firewalls, proxies, connection timeouts, service-to-service
networking inside Kubernetes / OpenShift
المسؤوليات المحددة:-
قيادة عمليات تصميم وبناء وتحسين خطوط تدفق البيانات (Data Pipelines) على دفعات وفي الوقت الفعلي.
تولي مسؤولية تصميم نماذج البيانات، وأطر الاستيعاب، ومنطق التحويل، وموثوقية المنصة.
ضمان معايير عالية لجودة البيانات، وتتبع الأصول (Lineage)، والحوكمة، والأمن، والامتثال.
دفع عجلة تحسين الأداء، وتقليل التكاليف، والمراقبة، وحل الحوادث عبر منصات البيانات.
المنصات.
ترجمة احتياجات الأعمال والتحليلات إلى حلول تقنية قابلة للتوسع وخطط تسليم.
توجيه مراجعات الكود، والمعايير التقنية، وممارسات الإصدار لأعمال هندسة البيانات.
توجيه أعضاء الفريق، وتوزيع المهام، وتقديم قيادة تقنية للمبادرات المعقدة.
التعاون مع مسؤولي تسليم القيمة، والمهندسين المعماريين، والمحللين، والعلماء، وفرق التطبيقات لتمكين منتجات بيانات موثوقة.
الملف التعريفي المطلوب للمرشح
مستوى الخبرة: 10 سنوات فأكثر من الخبرة العملية في هندسة البيانات مع امتلاك خطوط إنتاج فعلية؛ مع خبرة في امتلاك منصة أو نظام واحد على الأقل من البداية للنهاية.
تحويل البيانات ونمذجتها
dbt (أداة بناء البيانات): النماذج، الاختبارات، الماكرو، النماذج التزايدية، هيكل المشروع
نمذجة البيانات: النمذجة الأبعاد، مخطط النجمة (Star Schema)، هيكلية الميدالية (خام / منقح / عرض، أو برونزي / فضي / ذهبي)
مفاهيم مستودعات البيانات وهيكلية بحيرة البيانات (Lakehouse)
التنسيق (Orchestration)
استيعاب البيانات وتحميلها
استيعاب البيانات على دفعات وتطوير خطوط ETL / ELT
أنماط التحميل: التحميل الكامل، التحميل التزايدي، Upsert / Merge، التقاط بيانات التغيير (CDC)
الاستيعاب متعدد المصادر: SFTP، واجهات برمجة تطبيقات REST، قواعد البيانات العلائقية، الاستيعاب المعتمد على الملفات
جودة البيانات، التحقق من صحة البيانات، التعامل مع تطور المخطط (Schema Evolution)
محرك الاستعلام، التخزين، وتنسيقات الجداول
Dremio (أو محرك استعلام بحيرة بيانات مكافئ: Trino, Presto, Starburst, Athena)
Apache Iceberg (أو تنسيق جداول مفتوح مكافئ: Delta Lake, Apache Hudi)
S3 / التخزين الكائني المتوافق مع S3 (AWS S3, MinIO, Dell ECS)
التقسيم (Partitioning)، تخطيط الجداول، وتحسين أداء الاستعلام
البرمجة وقواعد البيانات
Python (تطوير خطوط التدفق، الأتمتة، البرمجة النصية)
SQL متقدم، تحسين الاستعلامات، تحسين الأداء
PostgreSQL و/أو SQL Server (قواعد البيانات العلائقية)
قواعد بيانات غير علائقية / NoSQL (شرط أساسي، وليس مجرد معرفة سطحية)
تستوعب المنصة البيانات وتعمل جنباً إلى جنب مع العديد من المخازن غير العلائقية. يجب أن يكون المرشح قادراً على العمل معها كمهندس بيانات، أي القراءة منها، ونمذجة بياناتها في بحيرة البيانات، والاستدلال حول خصائص اتساقها وأدائها. يتم الفرز بناءً على الخبرة العملية في اثنين على الأقل من العائلات التالية:
مخازن Key-value / في الذاكرة: Redis (التخزين المؤقت، الطوابير، الحالة؛ سلوك TTL والإخلاء؛ استخدام Redis كطبقة تنسيق أو بحث لخطوط التدفق)
قواعد بيانات المستندات: MongoDB, Couchbase, أو DocumentDB (مستندات JSON المتداخلة، المخطط عند القراءة، تسطيح المستندات إلى جداول علائقية / بحيرة بيانات)
مخازن الأعمدة الواسعة: Cassandra, ScyllaDB, أو HBase (تصميم مفتاح التقسيم، أنماط القراءة، الاستخراج على نطاق واسع)
محركات البحث / التحليلات: Elasticsearch أو OpenSearch (تصميم الفهرس، الاستعلام، استخراج البيانات من الفهرس للتحليلات)
تنسيقات البيانات والبيانات شبه المهيكلة
تنسيقات عمودية: Apache Parquet (مطلوب)، ORC؛ تنسيقات صفية: Avro
تنسيقات نصية وشبه مهيكلة: JSON, JSON Lines, CSV / ملفات محددة بفواصل، XML؛ التشفير، والمحدد، وحالات استخدام علامات الاقتباس
ترميز الضغط (Snappy, gzip, zstd) وتأثيرها على التخزين والاستعلام
التعامل مع المخططات المتداخلة والمتطورة من البداية للنهاية (استنتاج المخطط، اكتشاف الانحراف، تطور المخطط: إضافة / حذف / تغيير نوع العمود)
المعالجة الموزعة
Apache Spark / PySpark (واجهة برمجة تطبيقات DataFrame، التقسيم، الربط، معالجة الانحراف، الكتابة إلى Iceberg / Parquet)؛ أو محرك موزع مكافئ
فهم التوازي، عمليات الخلط (Shuffles)، ضبط الذاكرة، وتكلفة المهام الموزعة
البرمجة النصية، Linux، والاتصال
Bash / البرمجة النصية لـ shell وسطر أوامر Linux (أدوات النشر والتشغيل تعتمد على النصوص البرمجية)
SFTP / SSH: إدارة المفاتيح، التحويلات الآلية، التسليم المعتمد على الملفات (ملفات التحقق / النتائج، الأرشفة، إعادة المحاولة)
شهادات TLS والاتصالات الآمنة (فهم التحقق من الشهادات؛ وعدم تعطيله أبداً في الإنتاج)
استكشاف أخطاء الاتصال وإصلاحها: DNS، جدران الحماية، الوكلاء، انتهاء مهلة الاتصال، شبكات الخدمة إلى الخدمة داخل Kubernetes / OpenShift
YAML وإدارة التكوين لخطوط التدفق، dbt، Airflow، ونسخ Kubernetes