📈

رشد ۹٪ از ۲۰۲۵ تا ۲۰۳۵ برای Database Architects، نزدیک‌ترین شغل رسمی (آمریکا)· منبع: BLS

مهندس آنالیتیکس

Analytics Engineer

مهندس آنالیتیکس (Analytics Engineer) داده‌ی خامی را که به data warehouse رسیده، با SQL و ابزارهایی مثل dbt به مدل‌های تمیز، تست‌شده و مستند تبدیل می‌کند تا تحلیل‌گرها، مدیران و ابزارهای AI بتوانند به آن تکیه کنند. این نقش میان مهندس داده و تحلیل‌گر داده قرار می‌گیرد و روش‌های مهندسی نرم‌افزار مثل version control، تست و CI را به کار تحلیل می‌آورد. در بسیاری از آگهی‌های ۲۰۲۶ کار روزانه با ابزارهای AI و آماده کردن داده برای AI agents هم از این نقش خواسته می‌شود.

SQLdbtDimensional ModelingSnowflake / BigQueryPython

مقدمه و تعریف شغل

مهندس آنالیتیکس کسی است که داده‌ی خام را در data warehouse به مدل‌های قابل اعتماد و قابل استفاده‌ی دوباره تبدیل می‌کند تا دیگران بتوانند خودشان به سؤال‌هایشان جواب بدهند. Claire Carroll در مقاله‌ی «What is analytics engineering?» (مارس ۲۰۱۹) تفاوت را این‌طور خلاصه کرد: تحلیل‌گر داده وقتش را صرف تحلیل داده می‌کند و مهندس آنالیتیکس صرف تبدیل، تست، استقرار و مستندسازی داده. Michael Kaminsky هم در ژانویه‌ی همان سال این نقش را در تقاطع مهارت‌های data scientist، analyst و data engineer توصیف کرد: کسی که روش‌های دقیق مهندسی نرم‌افزار را به کار تحلیل می‌آورد و نگاه کسب‌وکار را به مهندسی داده.

به نوشته‌ی Carroll، از ۲۰۱۲ به بعد سه تغییر این نقش را ممکن کرد: warehouseهای ابری (اول Redshift و بعد BigQuery و Snowflake) ذخیره و پردازش داده را ارزان و سریع کردند، سرویس‌هایی مثل Stitch و Fivetran استخراج داده را به کاری چندکلیکی تبدیل کردند و ابزارهای BI مثل Looker و Mode دست ذی‌نفعان را برای گزارش‌گیری باز کردند. dbt، ابزار اصلی این نقش، طبق Wikipedia در ۲۰۱۶ در شرکت RJMetrics ساخته شد و از ابتدا متن‌باز بود. در ژوئن ۲۰۲۶ ادغام dbt Labs و Fivetran کامل شد و هم‌زمان نسخه‌ی آلفای dbt Core v2.0 معرفی شد که runtime موتور Fusion را با مجوز Apache 2.0 متن‌باز می‌کند. تغییر بزرگ امروز اما AI است: در نظرسنجی ۲۰۲۶ شرکت dbt Labs، ۷۲٪ پاسخ‌دهندگان کدنویسی با کمک AI را در فرایند توسعه‌شان در اولویت گذاشته‌اند، و آگهی‌های شغلی از مهندس آنالیتیکس می‌خواهند هم با این ابزارها سریع‌تر کار کند و هم خروجی‌شان را با دقت بازبینی کند.

چه چیزی می‌سازید؟

مثال‌های واقعی از خروجی کار یک مهندس آنالیتیکس

🧱

مدل‌های ابعادی برای تصمیم‌های بودجه

در آگهی Instacart، مهندس آنالیتیکس مدل‌های ابعادی و ETL داده‌های تبلیغات پولی، SEO و attribution را می‌سازد. به گفته‌ی همان آگهی، تصمیم درباره‌ی صدها میلیون دلار بودجه‌ی مارکتینگ بر این داده‌ها تکیه دارد.

🛡️

تست، مستندات و پایش کیفیت داده

Gopuff در آگهی‌اش خواسته تست و مانیتورینگ طوری ساخته شود که مشکل داده پیش از آن‌که ذی‌نفعان پیدایش کنند دیده شود، و مدل‌ها طوری مستند شوند که هر کسی بدون پرسیدن بتواند داده را پیدا کند، بفهمد و به آن اعتماد کند.

🏪

Data mart برای تیم‌های فروش و محصول

در Klaviyo مهندس آنالیتیکس data martهای curated و governed برای تحلیل فروش و محصول می‌سازد و با reverse ETL مدل‌های مهم را به ابزارهای کاری تیم‌ها برمی‌گرداند.

📐

دیکشنری metric و Semantic Layer

Asana از مهندس آنالیتیکس ارشدش در ونکوور می‌خواهد metricها را در martهای governed و نسخه‌دار پیاده کند تا دعوای «این عدد با آن یکی نمی‌خواند» برای همیشه حل شود، و برای هر metric یک منبع واحد نگه دارد: معنی، مالک و محل آن.

🤖

داده‌ای که AI هم درست بفهمد

Perplexity در آگهی‌اش نوشته باید warehouse را «AI-readable» کرد: مستندات، context معنایی، متادیتا و lineage که سیستم‌های AI برای پرس‌وجوی درست به آن نیاز دارند. Multiverse هم Semantic Layer را با نگاه به مصرف AI agents از طریق MCP می‌خواهد.

📊

داشبورد و محصولات داده‌ای self-serve

در Airbnb.org مهندس آنالیتیکس داشبورد و data productهای self-serve طراحی می‌کند که داده را قابل کشف، قابل اعتماد و آسان برای استفاده کنند.

تخصص‌های مختلف مهندس آنالیتیکس

این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد

📣

مهندس آنالیتیکس مارکتینگ

Marketing Analytics Engineer

مدل‌سازی داده‌ی تبلیغات پولی، SEO و attribution؛ مثل تیم Marketing Enablement & Technology در Instacart که داده‌های پایه‌ی مارکتینگ را می‌سازد.

📱

مهندس آنالیتیکس محصول

Product Analytics Engineer

تعریف metricهای محصول، داده‌ی استفاده از محصول و آزمایش‌ها؛ Warp از این نقش طراحی A/B test و تطبیق مدل‌ها با فیچرها و مدل‌های قیمت‌گذاری جدید را خواسته است.

💰

مهندس آنالیتیکس مالی

Finance Analytics Engineer

ساختن پایپ‌لاین‌های ETL/ELT برای metricهای کلیدی کسب‌وکار و گزارش‌گیری مالی، در کنار تیم‌های حسابداری و مالی؛ عنوان آگهی Faire دقیقاً «Senior Finance Analytics Engineer» است.

🤝

مهندس آنالیتیکس فروش و بازار (GTM)

GTM Analytics Engineer

داده، metric و مدل برای تیم‌های فروش و Go-To-Market؛ OpenAI با عنوان «Analytics Engineer, GTM» و Klaviyo برای حوزه‌ی فروش و محصول چنین نقشی آگهی کرده‌اند.

🤖

مهندس آنالیتیکس برای AI

AI / Conversational Analytics Engineer

ساختن semantic model، مستندات و context تا LLMها به سؤال‌های داده‌ای درست جواب بدهند، و ارزیابی دقت آن‌ها؛ Ro این نقش را «Conversational Analytics» نامیده و تیم AI & DX Analytics در Block اثر ابزارهای AI و coding agents را اندازه می‌گیرد.

تفاوت با شغل‌های مشابه

کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟

مهندس دادهData Engineer

به نوشته‌ی Claire Carroll، در تیم‌های داده‌ی قدیمی اولین استخدام معمولاً مهندس داده بود که زیرساخت را می‌ساخت: استخراج داده از دیتابیس‌ها و ابزارهای SaaS، تبدیل و بارگذاری در warehouse. مهندس آنالیتیکس بیشتر روی لایه‌ی بعدی کار می‌کند: مدل‌سازی داده‌ای که به warehouse رسیده. در عمل مرز نرم است؛ Klaviyo مالکیت ingestion از Salesforce و ERP را هم از مهندس آنالیتیکس خواسته و Block همکاری با مهندسان داده روی پایپ‌لاین‌های ETL را.

تحلیل‌گر دادهData Analyst

تحلیل‌گر از داده برای جواب دادن به سؤال کسب‌وکار استفاده می‌کند و مهندس آنالیتیکس داده را برای این کار آماده می‌کند. مسیر از یکی به دیگری وجود دارد: Carroll خودش به‌عنوان Data Analyst استخدام شده بود، و Ro در آگهی‌اش نوشته برای تحلیل‌گرهای داده‌ای که علاقه و پروژه‌ی قابل نشان دادن دارند و می‌خواهند به analytics engineering بیایند باز است.

توسعه‌دهنده BIBI Developer

توسعه‌دهنده‌ی BI بیشتر روی لایه‌ی نمایش و داشبورد تمرکز دارد. مهندس آنالیتیکس لایه‌ی مدل و تعریف metric زیر داشبورد را می‌سازد، هرچند در بسیاری از آگهی‌ها ساختن داشبورد هم بخشی از کار است؛ Gopuff ساختن و نگهداری گزارش‌ها و داشبوردهای Looker را جزو وظایف آورده است.

دانشمند دادهData Scientist

دانشمند داده روی مدل‌سازی آماری، آزمایش و پیش‌بینی کار می‌کند و مهندس آنالیتیکس داده‌ی پایه‌ی آن کار را می‌سازد؛ در آگهی Instacart مدل‌ها برای Data Scientistها و Analystها ساخته می‌شوند. در استارتاپ‌ها مرز کم‌رنگ‌تر است: Warp از مهندس آنالیتیکس طراحی و تحلیل A/B test را هم خواسته است.

تأثیر در صنایع مختلف

مهندس آنالیتیکس در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری

🛒

خرده‌فروشی آنلاین و تحویل کالا

Instacart داده‌های پایه‌ی مارکتینگ را برای تقسیم بودجه‌ی تبلیغات می‌سازد؛ در Gopuff مهندس آنالیتیکس مدل‌های فروش، موجودی و تخصیص کالا و داشبوردهایی را می‌سازد که برنامه‌ریزان و مسئولان خرید هر روز از آن‌ها استفاده می‌کنند.

🏥

بیمه‌ی سلامت

در Oscar Health مهندسان آنالیتیکس داده‌ی عملیاتی خام را به مدل‌های ابعادی تبدیل می‌کنند و Semantic Layer پشت BI سازمان را می‌سازند.

🏦

بانک و فین‌تک

Monzo برای حوزه‌ی وام‌دهی لایه‌ای با بیش از ۱٬۷۰۰ مدل در بیش از ۱۲ محصول دارد؛ در Mercury مهندسان آنالیتیکس یک AI Data Analyst و یک dbt Agent را خودشان ساخته‌اند و اداره می‌کنند.

🧠

شرکت‌های هوش مصنوعی

OpenAI برای تیم‌های فروش و GTM و Perplexity برای AI-readable کردن warehouse مهندس آنالیتیکس استخدام می‌کنند.

💻

ابزارهای توسعه‌ی نرم‌افزار

Warp از این نقش metricهای محصول، A/B test و تحلیل ویژگی‌هایی از تعامل با AI را می‌خواهد که به ریزش کاربر می‌انجامد؛ Block بهره‌وری ابزارهای AI و coding agents را اندازه می‌گیرد.

🚗

بیمه‌ی خودرو

Zego در لندن مدل‌ها را در dbt، Snowflake و Looker می‌سازد، استفاده‌ی روزانه از AI را شرط گذاشته و بازبینی دقیق SQLهای تولیدشده با AI را جزو کار می‌داند.

🎓

آموزش

Multiverse مدل‌های dbt و Semantic Layer را با نگاه به این می‌سازد که AI agents از طریق MCP از آن‌ها استفاده کنند.

💊

سلامت دیجیتال

Ro برای conversational analytics مدل معنایی و ارزیابی‌های AI می‌سازد و به ذی‌نفعان یاد می‌دهد LLMها را درست برای کار با داده به کار ببرند.

تصورات غلط رایج

قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید

مهندس آنالیتیکس همان تحلیل‌گر ارشد است

Carroll می‌نویسد مهندس آنالیتیکس روش‌های مهندسی نرم‌افزار مثل version control و continuous integration را به کد تحلیل می‌آورد. آگهی‌ها هم همین را می‌خواهند: Instacart از code review و نوشتن طرح پیش از ساخت می‌گوید و Warp از version control، CI/CD و تست.

یاد گرفتن dbt برای ورود کافی است

dbt ابزار است. آگهی‌ها پیش از هر ابزاری SQL قوی و مدل‌سازی ابعادی را می‌خواهند؛ Multiverse طراحی warehouse به سبک Kimball را شرط گذاشته و Zego از عادت پرسیدن این‌که «آیا عدد واقعاً درست است، نه فقط این‌که کوئری اجرا شد» می‌گوید.

AI به‌زودی کار مهندس آنالیتیکس را انجام می‌دهد

در نظرسنجی ۲۰۲۶ dbt Labs، ۷۲٪ پاسخ‌دهندگان کدنویسی با کمک AI را در اولویت گذاشته‌اند، اما ۷۱٪ نگران رسیدن داده‌ی نادرست یا ساختگی (hallucinated) به ذی‌نفعان‌اند. آگهی‌ها هم AI را کنار مهارت می‌خواهند نه به‌جای آن: Multiverse پایه‌ای قوی برای کار بدون کمک AI و ارزیابی انتقادی خروجی آن را شرط گذاشته است.

بدون سال‌ها سابقه‌ی مهندسی داده نمی‌شود وارد شد

آگهی Analytics Engineer I در Oscar Health یک سال تجربه می‌خواهد و Zego حدود یک تا سه سال. Ro هم نوشته برای تحلیل‌گرهای داده‌ای که علاقه و پروژه‌ی قابل نشان دادن دارند و می‌خواهند به analytics engineering بیایند باز است.

این نقش سقف رشد پایینی دارد

سطح‌های Staff و Lead در آگهی‌ها دیده می‌شوند. Monzo برای Staff Analytics Engineer نوشته که مدیر مستقیم کسی نیستید اما شکل ساختن داده را در کل یک حوزه تعیین می‌کنید؛ حوزه‌ای با بیش از ۱٬۷۰۰ مدل. در نظرسنجی dbt Labs هم بیش از ۸۰٪ پاسخ‌دهندگان practitioner در آمریکای شمالی درآمد بالای ۱۰۰ هزار دلار گزارش کرده‌اند.

یک روز کاری واقعی

در هر سطح روز کاری چه شکلی است؟

جونیور (۰–۲ سال)

روی پروژه‌های کوچک و متوسط کار می‌کنید و مدل‌ها را زیر نظر مهندسان ارشدتر می‌سازید؛ این دقیقاً تعبیر آگهی Analytics Engineer I در Oscar Health است. در نظرسنجی dbt Labs بیشتر پاسخ‌دهندگان گفته‌اند بیشترین وقتشان صرف نگهداری و مرتب کردن datasetها می‌شود، پس بخش بزرگی از روز به کار روی مدل‌های موجود می‌گذرد.

◆ساختن یا تغییر یک مدل dbt بر اساس نیازی که با کارشناس کسب‌وکار روشن شده
◆نوشتن تست‌های خودکار برای مدل جدید
◆پاسخ دادن در کانال پشتیبانی پلتفرم داده و رسیدگی به درخواست‌های دسترسی
◆ریشه‌یابی یک خطای داده با کمک چک‌های کیفیت و هشدارهای موجود و ارجاع آن به تیم درست
◆مستند کردن مدل‌ها و best practiceهای تیم

میانی (۲–۵ سال)

کار را مستقل از ابتدا تا انتها تحویل می‌دهید. در آگهی Analytics Engineer II شرکت Instacart، از این سطح انتظار می‌رود طرح را پیش از ساختن بنویسد و به اشتراک بگذارد، کد دیگران را بازبینی کند، observability پایپ‌لاین‌ها را بهتر کند و در incident response پلتفرم داده شرکت کند.

◆جلسه با Data Scientistها یا تیم کسب‌وکار برای تبدیل یک سؤال به نیازمندی داده
◆نوشتن سند طراحی برای یک data mart و گرفتن بازخورد از تیم
◆پیاده‌سازی مدل‌ها، تست‌ها و مستندات در dbt
◆بازبینی pull requestهای هم‌تیمی‌ها
◆افزودن چک freshness و کیفیت به پایپ‌لاین و پیگیری یک incident

ارشد (۵+ سال)

تمرکز از ساختن مدل به شکل دادن استانداردها می‌رود. Klaviyo از سطح ارشد راهبری و منتورینگ از راه design review و همسو کردن تیم‌های محصول، مهندسی، BI و حقوقی روی data contract و governance را می‌خواهد. در سطح Staff، Monzo می‌گوید اثر شما از نوشتن SQL بیشتر نمی‌آید، از گذاشتن الگوها، بازبینی طرح‌ها و باز کردن گره کار تیم‌ها می‌آید.

◆design review برای مدل‌های یک حوزه و تعیین الگوهای مشترک
◆تعریف data contract و SLA با تیم‌هایی که داده را تولید می‌کنند
◆منتورینگ مهندسان جونیور و میانی
◆تصمیم درباره‌ی ابزار و معماری همراه با تیم پلتفرم داده
◆گفت‌وگو با مدیران درباره‌ی تصمیم‌هایی که داده باید پشتیبانی کند

مسئولیت‌ها و وظایف

مسئولیت‌های اصلی

وظایف روزانه و مهارت‌های مورد نیاز در این شغل

فنی

◈طراحی و ساخت مدل‌های ابعادی (fact و dimension) در dbt روی warehouseهایی مثل Snowflake
◈نوشتن تست، مستندات و مانیتورینگ تا مشکل داده پیش از رسیدن به ذی‌نفعان دیده شود
◈تعریف metricها و Semantic Layer تا تیم‌ها و ابزارهای AI از یک تعریف استفاده کنند
◈ساخت و بهبود پایپ‌لاین‌های ELT و زمان‌بندی آن‌ها با Airflow یا Dagster
◈code review، نوشتن طرح پیش از ساخت و نگهداری استانداردهای کدنویسی تیم
◈استفاده از ابزارهای AI در توسعه و بازبینی دقیق کدی که AI تولید کرده است

مهارت نرم

◈ترجمه‌ی سؤال‌های کسب‌وکار به نیازمندی داده، همراه با تیم‌های محصول، مالی و مارکتینگ
◈فراهم کردن امکان self-serve برای ذی‌نفعان و آموزش استفاده‌ی درست از داده

مهارت‌های مورد نیاز

مهارت‌های فنی، نرم و حوزه‌ای که یک مهندس آنالیتیکس موفق به آن‌ها نیاز دارد

مهارت‌های فنی

SQL پیشرفتهضروری

join، window function و بهینه‌سازی؛ Perplexity از توانایی استدلال درباره‌ی درستی، grain و edge caseها در کوئری‌های پیچیده می‌گوید.

مدل‌سازی ابعادیضروری

fact و dimension، star schema و SCD به روش Kimball؛ در آگهی‌های Instacart، Multiverse و Asana صریحاً آمده است.

dbtضروری

مدل، تست، مستندات، macro و package؛ در بیشتر آگهی‌های بررسی‌شده خواسته شده است.

Data Warehouseضروری

کار با Snowflake، BigQuery یا Redshift، شامل کارایی و هزینه‌ی کوئری.

Git و CI/CDضروری

branch، pull request و اجرای خودکار تست‌ها؛ Warp و Multiverse هر دو آن را خواسته‌اند.

Pythonمهم

برای خودکارسازی، ingestion از API و ابزارسازی؛ در Klaviyo و Mercury شرط و در Instacart امتیاز است.

Orchestrationمهم

زمان‌بندی و مدیریت وابستگی اجرای مدل‌ها با Airflow یا Dagster.

Semantic Layer و تعریف metricمهم

تعریف یکسان metricها برای BI و AI؛ در آگهی‌های Oscar Health، Asana و Multiverse آمده است.

مهارت‌های نرم

ترجمه‌ی نیاز به مدلضروری

Zego می‌خواهد هر مدلی که می‌سازید به سؤالی جواب بدهد که کسی واقعاً پرسیده است.

ارتباط با افراد غیرفنیضروری

Klaviyo و Instacart هر دو کار با ذی‌نفعان غیرفنی و توضیح روشن را شرط گذاشته‌اند.

دقت و شک سالم به اعدادضروری

عادت پرسیدن این‌که آیا عدد واقعاً درست است، نه فقط این‌که کوئری اجرا شد (Zego).

code review و نوشتن طرحمهم

بازبینی کد دیگران و به اشتراک گذاشتن طرح پیش از ساخت (Instacart، Multiverse).

آموزش ذی‌نفعانمهم

Ro از آموزش بهترین روش‌های استفاده از LLM برای داده به ذی‌نفعان و ساختن محتوای آموزشی می‌گوید.

کار مستقل در ابهاممهم

Perplexity می‌خواهد پروژه را از یک مسئله‌ی مبهم تا سیستم production با کمترین نظارت جلو ببرید.

AI و دانش حوزه

کار با ابزارهای AI codingمهم

Copilot، Cursor یا Claude Code به‌عنوان بخش واقعی کار روزانه (Multiverse)؛ Zego می‌گوید هر روز از AI استفاده خواهید کرد.

بازبینی کد تولیدشده با AIمهم

دیباگ و بازبینی انتقادی SQLی که AI نوشته، با همان دقت کد دستی (Zego، Multiverse).

Data contract و governanceمهم

مالکیت، SLA، دسترسی و lineage داده (Monzo، Klaviyo، Perplexity).

دانش یک حوزه‌ی کسب‌وکارمهم

مثل attribution در مارکتینگ (Instacart)، وام و اعتبار (Monzo) یا گزارش‌گیری مالی (Faire).

مستندات و متادیتا برای AIمفید

context معنایی، متادیتا و lineage که سیستم‌های AI برای پرس‌وجوی درست لازم دارند (Perplexity).

مدیریت هزینه‌ی warehouseمفید

توجه به هزینه و compute در طراحی مدل‌ها (Warp) و مدیریت هزینه‌ی warehouse (Perplexity).

ضروری — بدون آن نمی‌توان وارد بازار کار شدمهم — تفاوت بین جونیور و میانیمفید — مزیت رقابتی

نقشه راه و مسیر آموزشی

نقشه راه تبدیل شدن به مهندس آنالیتیکس

این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.

SQL عمیق و مدل‌سازی ابعادی

⏱️ ۲ تا ۳ ماه

پایه‌ی این نقش SQL است: join، window function، CTE و فکر کردن به grain (سطح جزئیات هر ردیف). هم‌زمان مدل‌سازی ابعادی به روش Kimball را یاد بگیرید؛ آگهی‌های Instacart، Multiverse و Asana صریحاً star schema و Slowly Changing Dimension را خواسته‌اند.

SQL پیشرفته (Window Functions, CTEs)Grain و کلیدهاStar SchemaFact و DimensionSlowly Changing DimensionsPostgreSQL یا DuckDB

منابع پیشنهادی

SQLBolt - Interactive SQL Lessons Select Star SQL Dimensional Modeling Techniques - Kimball Group The Data Warehouse Toolkit, 3rd Edition - Kimball Group

dbt، Git و گردش کار مهندسی

⏱️ ۲ تا ۳ ماه

dbt ابزاری است که در بیشتر آگهی‌های بررسی‌شده برای این صفحه خواسته شده. مدل، source، تست و مستندات را در آن یاد بگیرید و پروژه را از اول با Git و pull request جلو ببرید. برای تمرین بدون حساب ابری، dbt را با DuckDB روی لپ‌تاپ اجرا کنید.

dbt Models و Sourcesdbt TestsJinja و MacrosMaterializationsGit و Pull Requestdbt-duckdb

منابع پیشنهادی

dbt Fundamentals (VS Code) - dbt Learn How we structure our dbt projects - dbt Docs jaffle-shop - dbt Labs sample project (GitHub)Pro Git (free online book)

Warehouse ابری و ورود داده

⏱️ ۱ تا ۲ ماه

یکی از warehouseهای رایج در آگهی‌ها (Snowflake، BigQuery یا Redshift) را عمیق‌تر یاد بگیرید: کارایی کوئری، هزینه و دسترسی‌ها. بعد ببینید داده چطور به warehouse می‌رسد؛ سرویس‌هایی مثل Fivetran و Airbyte همین کار را انجام می‌دهند.

Snowflake / BigQuery / Redshiftکارایی و هزینه‌ی کوئریمدیریت دسترسیELT در برابر ETLAirbyte / Fivetran

منابع پیشنهادی

dbt-duckdb adapter (GitHub)Snowflake - Getting started Try BigQuery using the sandbox - Google Cloud Airbyte Documentation

تست، ارکستراسیون، BI و Semantic Layer

⏱️ ۲ تا ۳ ماه

کیفیت داده بخش اصلی کار است: تست، مانیتورینگ freshness و رسیدگی به incident. اجرای منظم مدل‌ها را با Airflow یا Dagster یاد بگیرید، چند داشبورد در یک ابزار BI بسازید و metricها را یک‌جا در Semantic Layer تعریف کنید.

dbt Data TestsFreshness و ObservabilityAirflow / DagsterLooker / Tableau / HexSemantic Layer و MetricFlowCI برای dbt

منابع پیشنهادی

Add data tests to your DAG - dbt Docs Semantic Layer - dbt Learn Dagster University Apache Airflow Documentation Introduction to LookML - Looker docs

مهندسی آنالیتیکس در کنار AI

⏱️ مداوم

آگهی‌های ۲۰۲۶ از مهندس آنالیتیکس می‌خواهند با ابزارهای AI کد بنویسد، کد تولیدشده با AI را دقیق بازبینی کند و مدل‌ها و metricها را طوری مستند و عرضه کند که AI agents هم درست از آن‌ها استفاده کنند؛ از جمله از طریق MCP. این مرحله با تغییر ابزارها ادامه دارد.

AI coding tools (Copilot, Cursor, Claude Code)بازبینی کد AIModel Context Protocol (MCP)dbt MCP Serverمستندات و متادیتا برای AIارزیابی دقت پاسخ‌های AI

منابع پیشنهادی

dbt MCP Server - dbt Learn dbt-mcp (GitHub)Model Context Protocol - Introduction 2026 State of Analytics Engineering Report - dbt Labs

ابزارها و استک فنی

ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت

مدل‌سازی و تبدیل داده

dbt

ابزار تبدیل داده با SQL: هر مدل یک دستور SELECT است و dbt وابستگی‌ها، تست‌ها و مستندات را مدیریت می‌کند. در بیشتر آگهی‌های بررسی‌شده خواسته شده است.

ضروری

Git & GitHub

version control، branch و pull request؛ پایه‌ی code review و CI در کار با dbt.

ضروری

SQLFluff

linter برای SQL که با پروژه‌های dbt هم کار می‌کند و سبک کد تیم را یکدست نگه می‌دارد.

مفید

dbt Semantic Layer (MetricFlow)

تعریف یک‌جای metricها تا ابزارهای BI و AI از یک تعریف استفاده کنند؛ Multiverse و Asana تجربه‌ی Semantic Layer را خواسته‌اند.

پیشرفته

انبار داده (Data Warehouse)

Snowflake

warehouse ابری که در آگهی‌های Instacart، Klaviyo، Mercury و Zego نام برده شده است.

ضروری

Google BigQuery

warehouse ابری Google Cloud که در آگهی‌های Warp و Monzo آمده؛ sandbox آن امکان امتحان محدود بدون هزینه را می‌دهد.

مفید

Amazon Redshift

warehouse ابری AWS؛ در آگهی‌های Klaviyo و Warp به‌عنوان یکی از گزینه‌ها آمده است.

مفید

DuckDB

دیتابیس تحلیلی SQL که درون برنامه و روی لپ‌تاپ اجرا می‌شود؛ با dbt-duckdb برای تمرین dbt بدون حساب ابری مناسب است.

مفید

ورود داده و ارکستراسیون

Apache Airflow

ابزار متن‌باز زمان‌بندی و مدیریت وابستگی پایپ‌لاین‌ها؛ Instacart آن را در کنار dbt و Snowflake شرط گذاشته است.

ضروری

Fivetran

سرویس مدیریت‌شده‌ی انتقال داده از منابع مختلف به warehouse؛ ادغامش با dbt Labs در ژوئن ۲۰۲۶ کامل شد.

مفید

Airbyte

پلتفرم متن‌باز انتقال داده از صدها منبع به warehouse و lake.

مفید

Dagster

ارکستراتور داده با دوره‌های آموزشی Dagster University؛ Zocdoc آن را در کنار SQL و dbt خواسته است.

پیشرفته

BI و تحلیل

Looker / LookML

ابزار BI گوگل که مدل معنایی را با LookML تعریف می‌کند؛ Oscar Health حتی برای سطح جونیور تجربه‌ی یک زبان مدل‌سازی معنایی مثل LookML خواسته است.

مفید

Tableau

ابزار BI و مصورسازی که در آگهی‌های OpenAI و Airbnb.org آمده است.

مفید

Hex

محیط notebook و داشبورد برای SQL و Python؛ در آگهی‌های Warp، Ro و Mercury نام برده شده است.

مفید

Metabase

ابزار BI متن‌باز که برای ساختن داشبورد روی پروژه‌های تمرینی مناسب است.

مفید

ضروری — باید یاد بگیریدمفید — ارزش یادگیری داردپیشرفته — برای سطوح ارشد

مسیر پیشرفت شغلی

از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید

Analytics Engineer I (جونیور)

۰ تا ۲ سال

ساختن و نگهداری مدل‌ها و تست‌ها زیر نظر مهندسان ارشدتر، اجرای پروژه‌های کوچک و متوسط و ریشه‌یابی خطاهای داده (بر اساس آگهی Oscar Health)

SQLdbtLookMLGitCloud Warehouse

Analytics Engineer II (میانی)

۲ تا ۵ سال

تحویل مستقل مدل‌ها و پایپ‌لاین‌ها از ابتدا تا انتها، code review، نوشتن طرح پیش از ساخت و مالکیت کیفیت داده (بر اساس آگهی Instacart)

Dimensional ModelingdbtSnowflakeAirflowData Testing

Senior Analytics Engineer

۵+ سال

مالکیت مدل‌های یک حوزه‌ی کسب‌وکار، منتورینگ از طریق design review، و همسو کردن تیم‌ها روی data contract و governance (بر اساس آگهی‌های Klaviyo و Airbnb.org)

Data ArchitectureData ContractsSemantic LayerMentoringStakeholder Management

Staff / Lead Analytics Engineer

۶+ سال

شکل دادن معماری داده در چند محصول یا حوزه بدون مدیریت مستقیم افراد؛ اثرگذاری از راه الگوها، بازبینی طرح‌ها و رفع گره کار تیم‌ها (بر اساس آگهی‌های Monzo و Zocdoc)

Systems ThinkingData Products & SLAsCI/CD for DataInfluenceGovernance

چالش‌ها و جنبه‌های منفی

واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید

کیفیت داده هنوز مانع اول است

عمومی

در نظرسنجی ۲۰۲۶ dbt Labs، کیفیت پایین داده همچنان پرتکرارترین مانع گزارش‌شده است. بخش مهمی از کار مهندس آنالیتیکس پیدا کردن و رفع ریشه‌ای همین مشکلات است، نه فقط ساختن مدل جدید.

مالکیت مبهم داده

عمومی

۴۱٪ پاسخ‌دهندگان همان نظرسنجی مالکیت مبهم داده را چالشی ادامه‌دار می‌دانند و این رقم نسبت به سال قبل تقریباً تغییر نکرده است. وقتی معلوم نیست هر جدول مال کیست، تست شکسته یا عدد اشتباه بی‌صاحب می‌ماند.

سرعت AI در برابر اعتماد

عمومی

۷۱٪ پاسخ‌دهندگان dbt Labs نگران رسیدن داده‌ی نادرست یا hallucinated به ذی‌نفعان‌اند، در حالی که فقط ۲۴٪ استفاده از AI در مدیریت پایپ‌لاین (تست، observability و کنترل کیفیت) را در اولویت گذاشته‌اند. خروجی با کمک AI سریع‌تر می‌شود، اما کنترل‌ها با همان سرعت رشد نمی‌کنند.

تعریف‌های متناقض یک metric

عمومی

وقتی هر تیم عدد خودش را دارد، اعتماد از بین می‌رود. Asana از مهندس آنالیتیکس می‌خواهد با martهای metric نسخه‌دار دعوای «این عدد با آن یکی نمی‌خواند» را حل کند و برای هر metric یک تعریف و یک مالک نگه دارد؛ کاری که به اندازه‌ی SQL به گفت‌وگو با تیم‌ها نیاز دارد.

هزینه‌ی warehouse تندتر از بودجه بالا می‌رود

عمومی

۵۷٪ پاسخ‌دهندگان dbt Labs افزایش هزینه‌ی warehouse و compute را گزارش کرده‌اند و فقط ۳۶٪ افزایش بودجه‌ی تیم را. مدل‌هایی که بی‌دقت اجرا شوند مستقیم روی همین هزینه اثر می‌گذارند؛ Warp و Perplexity هم توجه به هزینه و compute را جزو شرایط آورده‌اند.

سواد داده‌ی ذی‌نفعان

عمومی

۳۶٪ پاسخ‌دهندگان سواد داده‌ی ذی‌نفعان را مانع دانسته‌اند. در آگهی‌ها آموزش هم جزو کار آمده است: Ro از مهندس آنالیتیکس می‌خواهد بهترین روش‌های استفاده از LLM برای داده را به ذی‌نفعان یاد بدهد و آن را به محتوای آموزشی قابل استفاده‌ی دوباره تبدیل کند.

حقوق و بازار کار جهانی

حقوق جهانی مهندس آنالیتیکس

حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.

کشور	حداقل	میانه / میانگین	حداکثر	ارز
🇺🇸آمریکا	$166,600	$187,450	$208,300	USD
🇨🇦کانادا	CA$157,400	CA$177,100	CA$196,800	CAD
🇬🇧انگلستان	£121,600	£143,100	£164,600	GBP

* ارقام سالانه‌اند. منبع هر رقم:

چگونه از صفر شروع کنیم

برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی

ماه ۱: SQL پیشرفته

window function، CTE و join را تا جایی تمرین کنید که بتوانید grain هر کوئری را توضیح بدهید.

SQLBolt Select Star SQL

ماه ۲: مدل‌سازی ابعادی

fact، dimension، star schema و SCD را از منابع Kimball یاد بگیرید و برای یک کسب‌وکار آشنا روی کاغذ مدل بکشید.

Dimensional Modeling Techniques - Kimball Group

ماه ۳: dbt

دوره‌ی dbt Fundamentals را بگذرانید و پروژه‌ی jaffle-shop را با DuckDB روی لپ‌تاپ اجرا کنید.

dbt Fundamentals (VS Code)jaffle-shop (GitHub)dbt-duckdb (GitHub)

ماه ۴: تست، Git و CI

برای مدل‌ها تست بنویسید، با Git و pull request کار کنید و یک CI ساده بسازید.

Add data tests to your DAG - dbt Docs Pro Git

ماه ۵: ارکستراسیون و Semantic Layer

اجرای روزانه‌ی پروژه را زمان‌بندی کنید و چند metric را یک‌جا تعریف کنید.

Dagster University About MetricFlow - dbt Docs

ماه ۶: پورتفولیو و درخواست

دو یا سه پروژه‌ی کامل با README روشن در GitHub بگذارید و برای نقش‌های Analytics Engineer I یا نقش‌هایی که مثل Ro به تحلیل‌گرها باز هستند درخواست بدهید.

پروژه‌های پیشنهادی برای رزومه

مدل ابعادی یک فروشگاه با dbt و DuckDB

مبتدی

پروژه‌ی نمونه‌ی jaffle-shop از dbt Labs را روی DuckDB اجرا کنید، بعد آن را به یک star schema با fact سفارش و dimensionهای مشتری و محصول تبدیل کنید و برای کلیدها تست unique و not_null بنویسید.

SQLdbtDuckDBGit

زمان تخمینی: ۱ تا ۲ هفته

تاریخچه‌ی تغییرات با dbt snapshots

متوسط

با dbt snapshots تغییرات یک جدول (مثلاً پلن اشتراک مشتری) را نگه دارید و از آن یک dimension از نوع SCD Type 2 بسازید؛ همان مفهومی که Instacart و Asana در آگهی‌شان خواسته‌اند. در README توضیح دهید گزارش‌های گذشته چطور درست می‌مانند.

dbtSQLDuckDB یا PostgreSQL

زمان تخمینی: ۱ هفته

CI برای پروژه‌ی dbt

متوسط

برای پروژه‌تان یک workflow در GitHub Actions بسازید که با هر pull request مدل‌ها را build و تست کند و SQL را با SQLFluff بررسی کند. یکی از pull requestها را عمداً با یک تست شکسته باز کنید تا نشان دهید CI جلوی خطا را می‌گیرد.

dbtGitHub ActionsSQLFluffGit

زمان تخمینی: ۱ تا ۲ هفته

پایپ‌لاین ELT با زمان‌بندی و هشدار

متوسط

داده‌ی یک API عمومی را با Python یا Airbyte بارگذاری کنید، با dbt مدل کنید و اجرای روزانه را با Dagster یا Airflow زمان‌بندی کنید. برای freshness داده تست بگذارید تا اگر داده‌ی امروز نرسید، پایپ‌لاین خبر بدهد.

PythonAirbytedbtDagster / Airflow

زمان تخمینی: ۲ تا ۳ هفته

metricهای تعریف‌شده و دستیار AI روی پروژه‌ی خودتان

پیشرفته

برای مدل‌های پروژه‌ی قبلی metricها را با MetricFlow تعریف و مستند کنید، پروژه را با dbt MCP server در اختیار یک دستیار AI بگذارید و با یک مجموعه سؤال ثابت دقت پاسخ‌ها را بسنجید؛ شبیه ارزیابی‌هایی که Ro برای conversational analytics در آگهی‌اش آورده است.

MetricFlowdbt MCP ServerLLMdbt

زمان تخمینی: ۳ تا ۴ هفته

مثال‌های واقعی و Case Studies

داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند

Claire Carroll

پیشینه

به‌عنوان Data Analyst استخدام شده بود: برای تیم‌های مالی و مارکتینگ داده استخراج می‌کرد، روندها را تحلیل می‌کرد و بیشتر وقتش در Excel و Looker می‌گذشت. به‌تدریج روز کاری‌اش به آماده‌سازی داده با نوشتن کد تبدیل و تست و نوشتن مستندات تبدیل شد و ابزارهایش از Excel و Looker به iTerm، GitHub و Atom تغییر کرد.

دستاورد

در مارس ۲۰۱۹ مقاله‌ی «What is analytics engineering?» را در وبلاگ dbt Labs منتشر کرد. نوشت که پیش از یک سخنرانی نمی‌دانست عنوان شغلش را چه بنویسد و آخر نوشت «Data Something»، و در همان مقاله تفاوت دو نقش را در یک جمله گفت: تحلیل‌گر داده را تحلیل می‌کند و مهندس آنالیتیکس آن را تبدیل، تست، مستقر و مستند می‌کند.

درس کلیدی

مسیر او نشان می‌دهد این نقش می‌تواند از دل کار یک تحلیل‌گر داده بیرون بیاید: وقتی تیم‌ها خودشان گزارش می‌گیرند، کار ارزشمندتر آماده کردن داده‌ای است که بتوانند به آن اعتماد کنند.

Michael Kaminsky

پیشینه

Data strategist و کارآفرین. پیش‌تر director of analytics شرکت Harry's بود و روش‌های پژوهش اقتصادسنجی را در حوزه‌هایی مثل اقتصاد محیط زیست، سیاست‌گذاری رفاه کودکان و اثربخشی درمان‌های پزشکی به کار برده است.

دستاورد

در ژانویه‌ی ۲۰۱۹ در وبلاگ Locally Optimistic مقاله‌ی «The Analytics Engineer» را نوشت و نقشی را که به گفته‌ی خودش برخی آن را analytics engineer می‌نامیدند این‌طور تعریف کرد: کسی در تقاطع مهارت‌های data scientist، analyst و data engineer که کد ELT در سطح production می‌نویسد و به تحلیل‌گرها و data scientistها روش‌هایی مثل ساختن مجموعه‌ی تست و CI را یاد می‌دهد.

درس کلیدی

نوشتن دقیق و عمومی درباره‌ی کاری که هر روز انجام می‌دهید می‌تواند به روشن شدن یک نقش تازه کمک کند؛ گاهی یک حرفه پیش از آن‌که عنوان رسمی پیدا کند، در کار روزمره‌ی آدم‌ها وجود دارد.

Tristan Handy

پیشینه

بنیان‌گذار و مدیرعامل dbt Labs که به گفته‌ی صفحه‌ی معرفی‌اش در dbt Summit، بیش از دو دهه به‌عنوان data practitioner در شرکت‌های بزرگ و استارتاپ‌ها کار کرده است.

دستاورد

به گفته‌ی همان صفحه، dbt در ۱۰۰٬۰۰۰ تیم از جمله JetBlue و HubSpot استفاده می‌شود و او هر هفته از راه خبرنامه و پادکستش درباره‌ی analytics engineering با هزاران مخاطب حرف می‌زند. عنوان فعلی‌اش در این صفحه President و هم‌بنیان‌گذار Fivetran + dbt Labs است.

درس کلیدی

ابزاری که برای مشکل کار روزانه‌ی یک حرفه ساخته می‌شود، اگر دیگران هم همان مشکل را داشته باشند، می‌تواند به زبان مشترک آن حرفه تبدیل شود.

نمونه آگهی استخدام واقعی + تحلیل

یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش

Analytics Engineer II

Instacartکانادا — دورکاری (فقط انتاریو، آلبرتا، بریتیش کلمبیا یا نوااسکوشیا)2026-08-31

مشاهده آگهی اصلی نسخه‌ی آرشیوشده (اگر آگهی بسته شده باشد)

تحلیل نیازمندی‌ها

3–5 years of experience in Analytics Engineering, Data Engineering, or closely related roles, with hands-on ownership of production data models and pipelines.

این آگهی سطح میانی است. «مالکیت» یعنی مدل یا پایپ‌لاینی را که در production کار می‌کند خودتان نگه داشته‌اید و وقتی خراب شده، درستش کرده‌اید. سابقه‌ای که در آن مدل‌ها را خودتان ساخته و نگه داشته‌اید به این شرط نزدیک‌تر است تا گزارش‌گیری صرف.

ضروری

Strong SQL skills and hands-on experience building well-architected dimensional data models (star schemas, fact/dimension tables, SCDs).

هسته‌ی فنی نقش. باید بتوانید برای یک فرایند کسب‌وکار fact table و dimension طراحی کنید و بدانید Slowly Changing Dimension یعنی نگه داشتن تاریخچه‌ی تغییر یک ویژگی (مثلاً تغییر شهر مشتری) بدون خراب شدن گزارش‌های گذشته. منبع کلاسیک این مفاهیم روش Kimball است.

ضروری

Hands-on experience with the modern data stack, including dbt, Snowflake, and Airflow.

سه ابزار مشخص: dbt برای نوشتن تبدیل‌ها به‌صورت مدل‌های SQL تست‌پذیر، Snowflake به‌عنوان warehouse و Airflow برای زمان‌بندی اجرای پایپ‌لاین. اگر به Snowflake دسترسی ندارید، منطق dbt را می‌توانید با DuckDB روی لپ‌تاپ تمرین کنید.

ضروری

Working knowledge of marketing data and metrics — including paid media performance, attribution concepts, and channel-level measurement — or the ability to ramp quickly.

این خط مخصوص تیم مارکتینگ Instacart است: باید با عملکرد تبلیغات پولی، مفهوم attribution (نسبت دادن نتیجه به کانال تبلیغاتی) و اندازه‌گیری به تفکیک کانال آشنا باشید. خود آگهی «یا توانایی یادگیری سریع» را هم پذیرفته است.

مهم

Demonstrated ability to deliver complete data models and pipelines independently, manage multiple priorities, and write clean, well-documented, well-tested code.

در آگهی سطح I شرکت Oscar Health کار «زیر نظر مهندسان ارشدتر» انجام می‌شود؛ این‌جا انتظار تحویل مستقل است. کد «well-tested» در dbt یعنی دست‌کم تست‌های unique و not_null روی کلیدها و تست برای منطق‌های مهم.

ضروری

Effective communicator who can collaborate across data, marketing, and engineering teams to understand requirements and deliver solutions.

بخش بزرگی از کار گفت‌وگو با تیم‌های مارکتینگ، داده و مهندسی برای فهمیدن نیاز است. برای مصاحبه، نمونه‌ای آماده کنید که در آن تعریف یک metric را با ذی‌نفعان یکی کرده‌اید.

ضروری

Python experience for automation or advanced transformations.

Python در این آگهی جزو شرایط ترجیحی است، نه حداقل‌ها؛ برای خودکارسازی و تبدیل‌هایی که در SQL سخت‌اند به کار می‌آید.

مفید

Comfort using AI-assisted developer tools to improve code quality and speed (e.g., generating tests, validating logic, comparing suggestions).

نشانه‌ی روند ۲۰۲۶: انتظار دارند از ابزارهای AI برای تولید تست، اعتبارسنجی منطق و مقایسه‌ی پیشنهادها استفاده کنید. خود آگهی هدف را بهتر شدن «کیفیت و سرعت» کد گفته است، نه فقط سرعت.

مفید

تحلیل مسئولیت‌ها

Marketing Analytics Data Development: Independently build and maintain high-quality dimensional data models and ETL pipelines that support marketing analytics across Paid Marketing, SEO, Retailer Marketing, and attribution — delivering complete data assets end-to-end with minimal oversight.

کار اصلی: ساختن مدل‌های ابعادی و ETL برای داده‌های تبلیغات پولی، SEO و بازاریابی فروشگاه‌ها، از ابتدا تا انتها. به گفته‌ی آگهی، تصمیم درباره‌ی صدها میلیون دلار بودجه‌ی مارکتینگ بر همین داده‌ها تکیه دارد؛ پس خطای مدل مستقیم به خطای تصمیم تبدیل می‌شود.

Cross-functional Partnership: Work closely with Data Scientists, Analysts, and Marketing stakeholders to translate analytical needs and business questions into data requirements, and deliver trusted, decision-ready datasets.

ترجمه‌ی سؤال کسب‌وکار به نیازمندی داده: کدام جدول، با چه grain و با چه تعریفی. خروجی کار datasetهایی است که Data Scientistها و Analystها بتوانند برای تصمیم‌گیری به آن‌ها تکیه کنند.

Data Quality Ownership: Own data quality for the models you build — writing tests, documentation, and monitoring, and resolving data issues at their root cause across the marketing workflows you support.

کیفیت داده‌ی مدل‌های خودتان با شماست: تست، مستندات، مانیتورینگ و رفع مشکل از ریشه، نه وصله کردن خروجی.

Code Review & Design: Conduct thorough code reviews, write and share designs publicly before building, and apply simple, reusable modeling patterns that leave the codebase better than you found it.

پیش از ساختن، طرح را می‌نویسید و با تیم به اشتراک می‌گذارید و بعد از ساختن، کد دیگران را بازبینی می‌کنید. این از همان روش‌های مهندسی نرم‌افزار است که Carroll و Kaminsky در ۲۰۱۹ وجه تمایز این نقش دانستند.

Pipeline Evolution & Observability: Improve existing marketing data pipelines to reduce manual effort and improve performance, enhance observability (logging, metrics, freshness and quality checks), and participate in incident response for the data platform.

بهبود پایپ‌لاین‌های موجود، افزودن لاگ، metric و چک‌های freshness و کیفیت، و حضور در incident response؛ یعنی وقتی داده‌ی امروز نرسیده یا عددی غلط شده، شما هم در پیدا کردن علت سهم دارید.

نتیجه‌گیری کلی

این آگهی تصویر روشنی از سطح میانی می‌دهد: SQL قوی و مدل‌سازی ابعادی پایه است، dbt و Snowflake و Airflow ابزار روزمره‌اند، و مالکیت کیفیت داده، code review و نوشتن طرح پیش از ساخت چیزی است که از این سطح انتظار می‌رود. حقوق پایه‌ی اعلام‌شده برای کانادا ۱۳۹٬۰۰۰ تا ۱۴۶٬۵۰۰ دلار کانادا است. Python و کار با ابزارهای AI در فهرست شرایط ترجیحی آمده‌اند، نه حداقل‌ها.

آینده و روندها

پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید

رشد ۹٪ اشتغال Database Architects در آمریکا از ۲۰۲۵ تا ۲۰۳۵ (از ۶۹٬۵۰۰ به ۷۶٬۰۰۰ نفر). BLS شغلی به نام Analytics Engineer ندارد و O*NET تخصص Data Warehousing Specialists را، که نزدیک‌ترین شرح وظایف به این نقش است، زیر همین گروه قرار می‌دهد.

منبع: BLS Occupational Outlook Handbook، پیش‌بینی ۲۰۲۵ تا ۲۰۳۵

مهارت‌های نوظهور که باید یاد بگیرید

کار روزانه با ابزارهای AI coding مثل Copilot، Cursor و Claude Code (Multiverse، Zego)بازبینی انتقادی SQL و کدی که AI تولید کرده (Zego، Multiverse)Semantic Layer برای استفاده‌ی AI agents از طریق MCP (Multiverse)AI-readable کردن warehouse با مستندات، متادیتا و lineage (Perplexity)ارزیابی دقت conversational analytics و پاسخ‌های LLM (Ro)ساختن AI agent برای خودکار کردن کار تیم داده (Warp، Mercury)Data contract و SLA برای data productها (Monzo، Asana)

پیش‌بینی‌های آینده

2026

Gartner در فوریه‌ی ۲۰۲۵ پیش‌بینی کرد که تا پایان ۲۰۲۶ سازمان‌ها ۶۰٪ پروژه‌های AI را که داده‌ی «AI-ready» پشتیبانشان نیست کنار می‌گذارند. آماده کردن همین داده‌ی قابل اعتماد بخش اصلی کار مهندس آنالیتیکس است.

2035

BLS پیش‌بینی می‌کند اشتغال Database Architects، نزدیک‌ترین شغل رسمی به این نقش، در آمریکا از ۶۹٬۵۰۰ نفر در ۲۰۲۵ به ۷۶٬۰۰۰ نفر در ۲۰۳۵ برسد و دلیل آن را نیاز سازمان‌هایی می‌داند که AI را برای پردازش داده‌هایشان به کار می‌گیرند.

ریسک‌های واقعی

در نظرسنجی ۲۰۲۶ dbt Labs، ۷۲٪ پاسخ‌دهندگان کدنویسی با کمک AI را در اولویت گذاشته‌اند، اما فقط ۲۴٪ استفاده از AI برای تست، observability و کنترل کیفیت پایپ‌لاین را، و ۷۱٪ نگران رسیدن داده‌ی نادرست به ذی‌نفعان‌اند. خود dbt Labs در همین گزارش نوشته که analytics engineering از «لایه‌ی توانمندسازی» به «لایه‌ی کنترل» تبدیل می‌شود. برداشت ما از این ارقام و از آگهی‌ها این است که ارزش کار از نوشتن SQL ساده به سمت بازبینی خروجی AI، ساختن مدل و metric قابل اعتماد و قابل فهم کردن داده برای AI می‌رود؛ کسی که فقط کوئری نوشتن بلد است در این تغییر آسیب‌پذیرتر است.

منابع

اطلاعات این صفحه در تاریخ ۱۳ مهر ۱۴۰۵ از این ۲۶ منبع بررسی شده است.

برای راهنمایی شخصی‌سازی‌شده مشاوره بگیرید