Data Engineer, Analyst, Scientist и Analytics Engineer
«Data-роли» — это четыре разные профессии, которые часто путают, потому что все они работают с данными. Но что они делают и какие навыки нужны — разное.
Этот урок — про границы и пересечения.
Большая четвёрка
Поток грубо такой: DE кладёт данные в DWH -> AE моделирует их в bottom layer (dbt) -> DA строит дашборды -> бизнес решает. DS параллельно использует те же данные для моделей.
Data Engineer (DE)
Что делает: Строит пайплайны и инфраструктуру для перемещения данных. Ingestion из источников, моделирование, оркестрация, data quality.
Стек: Python, SQL, Airflow, Spark, Kafka, dbt, Snowflake/BigQuery, S3, Docker.
Кому подчиняется в иерархии: Обычно VP of Engineering или Head of Data.
Типичная задача: «Нужно интегрировать Salesforce в DWH, обновлять каждый час, с дедупликацией».
Кто хорошо подходит: Бывшие бэкенд-разработчики, DBA, выпускники с инженерным мышлением. Любители «как работает капот».
Data Analyst (DA)
Что делает: Отвечает на бизнес-вопросы через данные. Дашборды, ad-hoc анализы, презентации.
Стек: SQL (главное), Tableau / Looker / Metabase / Power BI, Excel, Python (опционально).
Кому подчиняется: Часто внутри бизнес-команды (Marketing Analyst, Product Analyst). Реже в data-команде.
Типичная задача: «Продажи в Европе упали на 12% в марте. Найди причину».
Кто хорошо подходит: Любители разбираться в бизнесе, объяснять числа, рисовать графики. Меньше техники, больше коммуникации.
Data Scientist (DS)
Что делает: Строит ML-модели. Прогнозы, рекомендации, классификация, генеративный AI.
Стек: Python (Pandas, sklearn, PyTorch / TensorFlow), Jupyter, SQL, статистика, ML frameworks.
Кому подчиняется: Head of ML, иногда CTO.
Типичная задача: «Построй модель прогноза churn клиентов на 90 дней с AUC > 0.85».
Кто хорошо подходит: Любители математики, статистики, экспериментов. Часто с университетским бэкграундом в STEM.
Analytics Engineer (AE) — мост
Что делает: «Последняя миля» трансформации данных в DWH. Превращает сырые таблицы от DE в аналитически удобные модели (star schema, marts) через dbt. Делает DWH удобным для DA.
Стек: SQL (главное), dbt, Snowflake/BigQuery, Git, иногда Python.
Кому подчиняется: Head of Data, реже Head of Analytics.
Типичная задача: «Аналитики жалуются, что им долго писать запросы — каждый раз JOIN’ы на 7 таблиц. Сделай dimensional model с готовыми fact/dim таблицами».
Кто хорошо подходит: SQL-маньяки, бывшие аналитики, которые хотят больше инженерии. Люди, которые любят dbt.
Сравнение по ключевым осям
Реальные пересечения
В стартапе все четыре роли может выполнять один человек — «full-stack data person». В корпорации — отдельные команды по 10+ человек на каждую роль.
Часто DA «вырастают» в AE, когда им надоедает писать одни и те же SELECT и хочется «инженерить» их в dbt. AE «вырастают» в DE, когда им надоедает только SQL и хочется потрогать инфру. DE «не растут» в DS — это разные карьерные ветки.
Откуда взялся Analytics Engineer
Раньше было только DE и DA. В 2017-2020 появился dbt, и стало понятно: между «грузить данные» (DE) и «строить дашборды» (DA) есть большой пласт работы: моделирование, тесты, документация моделей в DWH.
dbt и роль Analytics Engineer: детальный разбор Этот пласт нельзя свалить ни на DE (они не разбираются в бизнес-логике метрик), ни на DA (они не умеют в Git и CI/CD).
Так появилась роль AE. Сейчас в крупных компаниях AE — отдельная функция с своим грейдом и зарплатной сеткой.
Если ты «крепкий DA, который любит SQL и Git» — Analytics Engineer может быть твоей сладкой точкой. Зарплата выше, чем у DA, порог входа ниже, чем у DE. Спрос растёт быстро.
Куда идти новичку
Распространённая ошибка новичков: хотеть быть DS, потому что «престижно и про AI». Реальность: в DS высокий порог входа (математика, теория ML), много рисёрча и часто скучной подготовки данных. На рынке DS-вакансий джуниоров мало, а DE-джуниоров — много. С точки зрения «легче войти» — DE / AE / DA побеждают.
Зарплаты: грубые ориентиры (Россия, 2026)
Примерно одинаково между DE / AE / DS / DA на одном грейде, но:
- DA — обычно ниже всего на старте, потолок ниже.
- AE — растёт быстро, потолок выше DA.
- DE — равен DS на middle/senior, иногда выше из-за дефицита.
- DS — высокий потолок, особенно с ML / LLM-опытом, но плотная конкуренция за топ-вакансии.
В международных компаниях DE и DS зарабатывают сравнимо, $150-300k+ для middle/senior.
Попробуй сам
- Открой LinkedIn, найди по одной вакансии: Data Engineer, Analytics Engineer, Data Analyst, Data Scientist. Сравни требования — какие технологии повторяются у одной роли, но не у другой? Сделай для себя «технологическую карту» каждой роли.
- Если бы тебе сейчас нужно было выбрать одну роль на 5 лет вперёд — какую? Запиши 3 причины и 3 опасения. Возвращайся к ним через 3 месяца, проверь, изменилось ли мнение.