Который раз читаю посты, в которых авторы гордятся, что на этапе скрининга резюме отклонили менторов, которые сливают вопросы или учат накрутке.
Я могу еще понять отказ самим накрутчикам, но менторам…

Более яркого примера синдрома вахтера я не встречала. Понятное дело, что при отборе оцениваются не только навыки, и что вам вполне могут отказать по высосанным из пальца причинам, но вот так открыто это признавать…

К тому же, если ваш отбор может разрушится от слива вопросов, то может проблема не в ужасных кандидатах, а в том как проводятся собеседования?
Может стоит перестать задавать однотипные вопросы и мучить кандидатов оконками?

Если это новая норма, то я срочно становлюсь лидом и отбираю исключительно по вайбам и стилю.
После пишу пост о том, что не пропустила дата-инженера в скинни джинсах, а вы в комментах восхищаетесь, какой я крутой лидер!

PS: накрутку не поддерживаю, сама не накручиваю

Что думаете на этот счет?
❤️ - не поддерживаю такой отбор
😭 - считаю такой отбор абсолютно правильным

признавайтесь
кто?

В продолжение вчерашней темы делюсь серией статей - Mastering Trino and Apache Iceberg: The Modern Data Stack Explained.

Коротко: серия объясняет, как Trino и Iceberg вместе решают проблемы масштабирования, производительности и управления данными, заменяя устаревшие подходы (вроде Hive) и открывая путь к modern data stack 💅🏼

Будет очень полезно тем, кто планировал основательно разобраться с Trino и Iceberg, но откладывал это. На мой взгляд, в этой серии лучшая выжимка базы по этим инструментам.

Статьи серии:
1️⃣ Parquet и Iceberg: Фундамент Data-Архитектур
→ Зачем нужны колоночные форматы (Parquet) и табличные (Iceberg).

2️⃣ Apache Iceberg: Будущее управления данными
→ ACID, версионирование, time travel — как Iceberg решает большие проблемы data lakes.

3️⃣ Архитектура Trino и интеграция Trino и Iceberg
→ Как Trino взаимодействует с Iceberg-таблицами на уровне метаданных и данных.

4️⃣ Распределенная обработка запросов в Trino
→ Из чего состоит Trino Workflow и конфигурация источников данных

5️⃣ Мульти-источники данных в Trino
→ Как Trino обрабатывает запросы к разным БД и файловым системам одновременно.

6️⃣ Trino vs Файловые системы
→ Особенности работы со структурированными данными (PostgreSQL, Oracle) и файлами (Parquet в MinIO).

7️⃣ Практика: Запросы к Iceberg через Trino
→ Примеры создания таблиц

8️⃣ Партиционирование в Iceberg
→ Виды партиций и польза от их использования

9️⃣ Джойны и агрегации на Iceberg-таблицах
→ Оптимизация сложных запросов: как избежать «узких мест» в Trino.

1️⃣0️⃣ Iceberg vs Hive: Что лучше?
→ Чем метаданные Iceberg лучше Hive, и как это влияет на производительность.

1️⃣1️⃣ Разбор мифа «Создание таблиц Iceberg дублирует данные?»
→ Как Iceberg управляет данными через метаданные без копирования.

Уже все телеграм каналы обсудили эту плашку у Ozon’a, но мне все равно хочется кое-что отметить.

Забавляет не сама плашка, а то, что она у Ozon’a.

Забавляет, потому что ни одна компания не отказывала мне так часто именно по причине нехватки опыта, как Ozon (те же самые Авито и Яндекс, например, резюме рассматривают),
и из-за того, сколько знакомых накрутчиков там работают.

Эта зацикленность на количестве лет в итоге работает как «самоисполняющееся пророчество» — чем жестче это требование, тем больше кандидатов добавляют себе годы опыта.

В любом случае, факта, что Ozon — классный работодатель, это не отменяет.

Русское слово «сложно» на английский можно перевести как difficult или hard.
Однако эти два прилагательных не взаимозаменяемы.

Для примера возьмём процесс набора мышечной массы хаха. Алгоритм действий понятен — следить за КБЖУ и заниматься силовыми тренировками. То есть всё вполне ясно и оттого вовсе не difficult, но при этом hard, потому что требует много дисциплины и мотивации.

Надеюсь, аналогия понятна.

Так вот, дата-инжиниринг для меня не hard, но действительно difficult. И прежде всего из‑за «солянки» технологий, которые постоянно меняются и быстро устаревают.
Чтобы оставаться востребованным на рынке труда, нужно постоянно разбираться в новом дата‑стеке. Но и этого недостаточно — работодатель ждёт не только понимания требуемых технологий, но и подтверждённого промышленного опыта работы с ними.
Чего, например, не наблюдается у тех же самых бэкендеров.

Что делаете вы?
Изучаете всё самостоятельно и приукрашиваете опыт, рассказывая о якобы реализованных проектах, или честно признаётесь, надеясь на адекватность потенциального работодателя?

как вам такое?🤭🙏🏽

Influence назвали оттенок помады ‘потоком данных’😭

жду выхода оттенка ‘ETL’

хочу