معمار داده
Data Architect
معمار داده تصمیم می‌گیرد داده‌های یک سازمان چه ساختاری داشته باشند، روی چه پلتفرمی نگه داشته شوند، چطور میان سیستم‌ها جابه‌جا شوند و با چه قواعدی از نظر کیفیت، امنیت و مالکیت اداره شوند. خروجی کارش مدل دادهٔ سازمان، معماری هدف و نقشهٔ راه مهاجرت، و استانداردهایی است که مهندسان داده، DBA ها و تیم‌های BI بر اساس آن کار می‌کنند. در آگهی‌های ۲۰۲۶ آماده کردن داده برای AI هم به این فهرست اضافه شده است: داده‌ای که RAG، جست‌وجوی برداری و ایجنت‌های AI بتوانند با کنترل دسترسی و ردیابی‌پذیری از آن استفاده کنند.
مقدمه و تعریف شغل
معمار داده (Data Architect) طرح کلی دادهٔ یک سازمان را می‌کشد و نگه می‌دارد: کدام داده در کدام سیستم مرجع است، مدل داده چه شکلی دارد، داده از سیستم‌های عملیاتی چطور به انبار داده یا Lakehouse می‌رسد، و چه استانداردهایی برای کیفیت، امنیت و مالکیت رعایت می‌شود. Robert Half می‌نویسد معمار داده باید نیازهای کسب‌وکار را بفهمد و ارزیابی کند و آن‌ها را به راه‌حل‌های مشخص پایگاه داده تبدیل کند. اداره آمار کار آمریکا (BLS) این کار را در گروه Database Architects می‌شمارد و O*NET عنوان Data Architect را اولین نمونه‌عنوان همین گروه آورده است. در آگهی‌های ۲۰۲۶ معمار داده بیشتر طراح و تصمیم‌گیر است تا مجری، اما بیشتر آگهی‌ها همچنان تسلط عملی به SQL و پلتفرم‌های داده را می‌خواهند.
ریشهٔ این تخصص به انبار داده برمی‌گردد. طبق ویکی‌پدیا، Computerworld ابداع اصطلاح data warehouse در ۱۹۹۰ را به Bill Inmon نسبت داده و روش مدل‌سازی ابعادی Ralph Kimball در کنار رویکرد Inmon یکی از دو روش اصلی طراحی انبار داده است. در ۲۰۱۹ و ۲۰۲۰ Zhamak Dehghani در مقاله‌هایی روی سایت Martin Fowler، Data Mesh را به‌عنوان راهی برای عبور از data lake و انبار دادهٔ متمرکز مطرح کرد. آگهی‌های امروز همهٔ این لایه‌ها را با هم می‌خواهند: مدل‌سازی ابعادی، نرمال‌شده و Data Vault، یک پلتفرم ابری (Snowflake، Databricks یا Azure)، حاکمیت داده و حالا آماده کردن داده برای AI. BLS پیش‌بینی می‌کند اشتغال Database Architects در آمریکا از ۲۰۲۵ تا ۲۰۳۵، ۹٪ رشد کند و پذیرش AI در سازمان‌ها را یکی از دلایلش می‌داند؛ میانهٔ دستمزد سالانهٔ این گروه در مه ۲۰۲۵، ۱۳۹٬۵۰۰ دلار بوده است. در بریتانیا، ITJobsWatch در شش ماه منتهی به ۲۲ اکتبر ۲۰۲۶، ۹۵۴ آگهی استخدام دائم با عنوان Data Architect ثبت کرده، در برابر ۲۳۵ آگهی در همین بازهٔ ۲۰۲۵، و AI در ۲۱٫۵٪ این آگهی‌ها آمده است.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک معمار داده
معماری هدف و نقشهٔ راه مهاجرت
در Cordance، معمار داده مالک معماری هدف و نقشهٔ راه یک پلتفرم واحد گزارش‌گیری برای چهار محصول است. او وضعیت فعلی پایگاه‌های داده، pipeline ها و گزارش‌ها را بررسی می‌کند، بار تحلیلی را از سیستم‌های تراکنشی جدا می‌کند و مهاجرت را مرحله‌به‌مرحله برنامه‌ریزی می‌کند تا گزارش‌های مشتری‌ها از کار نیفتد؛ از جمله کم کردن بار پشتیبانی صدها گزارش سفارشی مشتری با dataset های قابل استفادهٔ مجدد.
تبدیل data lake به Lakehouse
TerraPower از معمار داده می‌خواهد data lake سازمانی را به معماری Lakehouse تبدیل کند، طوری که برای خرید و یکپارچه‌سازی اپلیکیشن‌های تازه هم جا داشته باشد، و یک معماری Data Hub را برای کم کردن اتصال‌های نقطه‌به‌نقطه میان اپلیکیشن‌های عملیاتی و Lakehouse بسنجد. آگهی هدف را آماده شدن داده برای آموزش AI هم می‌داند.
چارچوب حاکمیت داده
در همان آگهی TerraPower، معمار داده catalog، data dictionary و چارچوب metadata را تعریف و نگهداری می‌کند، با تیم حقوقی و امنیت سایبری استاندارد طبقه‌بندی دادهٔ حساس را می‌نویسد و استانداردهای مدل‌سازی مفهومی، منطقی و فیزیکی را برای همهٔ پلتفرم‌ها تعیین می‌کند.
استانداردها و فریم‌ورک‌های مشترک pipeline
Waymo از Sr. Staff Data Architect می‌خواهد جلسه‌های مرکزی بازبینی طراحی داده را اداره کند، استانداردهای Lakehouse/Medallion را برای باز کردن lineage درهم‌تنیده اجرا کند و فریم‌ورک‌های سلف‌سرویس و سرویس‌های مدیریت‌شدهٔ pipeline بسازد که مهندسان داده و دانشمندان دادهٔ محصول روی آن کار کنند.
بنیان داده برای AI و ایجنت‌ها
GE Vernova سیستم‌هایی می‌خواهد که منابع داده را به ایجنت‌های AI وصل کنند، با کنترل‌هایی مثل RBAC/ABAC، lineage، ردیابی‌پذیری و ارزیابی خروجی AI. در TikTok، معمار AI و داده منابع داده‌ای مثل دانش سیاست‌ها، تصمیم‌های اجرایی، تحقیقات و گزارش‌های کاربران را یکپارچه می‌کند تا راه‌حل‌هایی با RAG، سیستم‌های دانش، ایجنت‌ها و بازبینی انسانی ساخته شوند.
دادهٔ مشتری و هویت
در Massive Rocket، معمار داده Snowflake و Databricks را به ابزارهایی مثل mParticle، Hightouch و Braze وصل می‌کند و برای چند برند و بازار مدل داده، identity resolution و قواعد consent تعریف می‌کند تا فعالیت ناشناس و شناخته‌شدهٔ هر مشتری از چند منبع به هم پیوند بخورد.
تخصص‌های مختلف معمار داده
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
معمار پلتفرم ابری
Cloud / Lakehouse Platform Architect
تخصص عمیق در یک پلتفرم مثل Databricks، Snowflake یا Azure. طبق ITJobsWatch، عنوان‌هایی مثل Azure Data Architect، AWS Data Architect، Databricks Architect و Snowflake Architect هرکدام در حدود ۲ تا ۳ درصد آگهی‌های Data Architect بریتانیا دیده می‌شوند.
معمار دادهٔ سازمانی
Enterprise Data Architect
یکپارچه کردن دادهٔ چند محصول یا چند شرکت در یک مدل و پلتفرم مشترک؛ Cordance همین را برای چهار محصولش می‌خواهد. ITJobsWatch این عنوان را در ۳٫۴٪ آگهی‌های Data Architect بریتانیا ثبت کرده است.
معمار حاکمیت و دادهٔ مرجع
Data Governance & MDM Architect
catalog، metadata، lineage، master data و طبقه‌بندی دادهٔ حساس. TerraPower توانایی راه‌اندازی برنامهٔ حاکمیت با MDM، کیفیت داده و lineage را شرط کرده و Cuesta شناخت سبک‌های معماری MDM و ریشه‌های رایج مشکلات کیفیت داده را می‌خواهد.
معمار داده برای AI
AI Data Architect
ساختن بنیان داده برای RAG، جست‌وجوی برداری، ایجنت‌ها و ارزیابی خروجی AI. GE Vernova و TikTok هر دو آگهی با این تمرکز دارند و ITJobsWatch عنوان Artificial Intelligence Architect را در ۵٫۸٪ آگهی‌های Data Architect بریتانیا دیده است.
معمار دادهٔ مشتری
Customer Data / MarTech Architect
اتصال انبار داده به CDP، CRM و ابزارهای بازاریابی، identity resolution و مدیریت consent. Massive Rocket برای این نقش تخصص در Snowflake، Databricks و customer data platform ها را می‌خواهد.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
مهندس داده pipeline ها و مدل‌های داده را می‌سازد و نگه می‌دارد؛ معمار داده تعیین می‌کند این ساخته‌ها در کل سازمان چه شکل و چه استانداردی داشته باشند. TerraPower از معمار داده می‌خواهد تیمی از مهندسان داده را راهنمایی و منتورینگ کند، طراحی‌هایشان را بازبینی کند و پایبندی به استانداردهای معماری را تضمین کند، و Waymo از او فریم‌ورک‌های مشترکی می‌خواهد که مهندسان داده روی آن کار کنند. مرز دو نقش نرم است: بیشتر معماران از مهندسی داده می‌آیند و Cordance، Climb و TerraPower سابقه در مهندسی داده را برای عنوان Data Architect می‌پذیرند.
مهندس آنالیتیکس داده‌ای را که به انبار داده رسیده، معمولاً با SQL و dbt، به مدل‌ها و متریک‌های قابل استفاده تبدیل می‌کند. معمار داده یک لایه بالاتر کار می‌کند: مدل دادهٔ سازمانی، تعریف‌های واحد کسب‌وکار و استانداردهای مدل معنایی را تعیین می‌کند که مدل‌های تحلیلی باید با آن هم‌خوان باشند. آگهی Cordance هر دو سو را نشان می‌دهد: سابقهٔ analytics engineering را برای معمار داده می‌پذیرد و از او می‌خواهد مدل دادهٔ مشترک و تعریف‌های canonical کسب‌وکار را تعریف کند.
طبق BLS، مدیر پایگاه داده مطمئن می‌شود پایگاه داده‌ها کارا و بدون خطا اجرا می‌شوند، از داده نسخهٔ پشتیبان می‌گیرد و دسترسی‌ها را به‌روز می‌کند؛ معمار پایگاه داده پایگاه‌های داده‌ای تازه طراحی می‌کند و می‌سازد. BLS برای DBA ها از ۲۰۲۵ تا ۲۰۳۵ رشدی پیش‌بینی نمی‌کند (۰٪) و برای معماران ۹٪، و می‌نویسد برخی DBA ها احتمالاً به نقش‌هایی مثل معمار پایگاه داده می‌روند. در آگهی Cordance هم معمار داده DBA ها را در مدرن‌سازی، CDC، پشتیبان‌گیری و بازیابی راهنمایی می‌کند.
معمار راهکار و معمار سازمانی کل یک سیستم یا کل فناوری سازمان را طراحی می‌کنند و معمار داده روی لایهٔ داده تمرکز دارد. Robert Half در راهنمای حقوق ۲۰۲۶ بریتانیا هر سه عنوان را کنار هم در گروه رهبری IT آورده است. مرزها اینجا هم نرم است: Massive Rocket سابقه در Data Architecture یا Solution Architecture را می‌پذیرد و O*NET عنوان Enterprise Architect را هم در نمونه‌عنوان‌های گروه Database Architects آورده است.
تأثیر در صنایع مختلف
معمار داده در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
مشاوره و خدمات فناوری
طبق BLS، ۲۳٪ معماران پایگاه داده در آمریکا در خدمات طراحی سیستم‌های کامپیوتری کار می‌کنند؛ Climb، Cuesta Partners و Concurrency نمونه‌هایی از شرکت‌های مشاوره‌اند که برای پروژه‌های مشتری معمار داده می‌خواهند
مالی و بیمه
طبق BLS دومین کارفرمای بزرگ معماران پایگاه داده در آمریکاست (۱۵٪)؛ میانهٔ دستمزد سالانهٔ این گروه در صنعت مالی و بیمه در مه ۲۰۲۵، ۱۴۶٬۴۷۰ دلار بوده است
خودروی خودران
Waymo برای data lake و انبار داده‌ای در مقیاس چند پتابایت، معمار ارشدی می‌خواهد که پردازش پراکنده را به یک اکوسیستم تحلیلی استاندارد و مقیاس‌پذیر برساند
انرژی
TerraPower (فناوری هسته‌ای) Lakehouse و حاکمیت داده را برای آماده شدن داده برای آموزش AI می‌خواهد و GE Vernova بنیان داده برای محصولات AI و ایجنت‌ها
شبکه‌های اجتماعی و امنیت محتوا
TikTok برای تیم Trust & Safety معماری می‌خواهد که دادهٔ سیاست‌ها، تصمیم‌های اجرایی و گزارش‌های کاربران را برای RAG، ایجنت‌ها و بازبینی انسانی آماده کند؛ آگهی هشدار می‌دهد این نقش ممکن است با محتوای آسیب‌زا سروکار داشته باشد
خرده‌فروشی و نرم‌افزار SaaS
Cordance گزارش‌گیری چند محصول نرم‌افزاری برای صنعت فروش کالای دست‌دوم را یکی می‌کند؛ با داده‌هایی مثل فروش در صندوق، موجودی، کمک‌های اهدایی و فروش اینترنتی
بازاریابی و تعامل با مشتری
Massive Rocket دادهٔ مشتری را میان انبار داده و ابزارهای بازاریابی مثل Braze برای چند برند و بازار جابه‌جا و یکپارچه می‌کند
پروژه‌های دولتی و امنیتی بریتانیا
طبق ITJobsWatch، ۱۱٫۵٪ آگهی‌های Data Architect بریتانیا به مجوز امنیتی (Security Cleared) اشاره دارند؛ مجوزی که معمولاً برای پروژه‌های دولتی و دفاعی لازم است
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
معمار داده فقط ERD می‌کشد
ERD بخش کوچکی از کار است. در آگهی Cordance، معمار داده وضعیت فعلی را بررسی و وابستگی‌ها و ریسک‌های مهاجرت را مستند می‌کند، پلتفرم‌ها را ارزیابی می‌کند، برنامهٔ مهاجرت مرحله‌ای می‌نویسد، حاکمیت داده برقرار می‌کند و یافته‌هایش را به برآورد، ریسک و پیشنهاد سرمایه‌گذاری تبدیل می‌کند.
معمار داده دیگر کد نمی‌نویسد
بیشتر آگهی‌ها نقش را «hands-on» می‌خواهند. Massive Rocket مهارت قوی در SQL و Python را شرط کرده، GE Vernova مهارت در Python و SQL را، و Climb می‌نویسد معمار در تمام مدت تحویل کنار مهندسان کار می‌کند و پیچیده‌ترین مسئله‌های فنی را حل می‌کند. Cuesta حتی تجربهٔ روزانه با ابزارهای توسعه با کمک AI مثل Cursor، Claude Code یا Codex را امتیاز می‌داند.
می‌شود مستقیم معمار داده شد
تقریباً همهٔ آگهی‌ها سال‌ها سابقه می‌خواهند: TikTok ۵ سال، Concurrency ۷ سال، Cordance و Climb ۸ سال، TerraPower ۹ سال، GE Vernova و Cuesta ۱۰ سال و Waymo ۱۲ سال یا بیشتر. BLS هم می‌نویسد DBA های باتجربه ممکن است به معمار پایگاه داده ارتقا پیدا کنند. مسیر معمول، چند سال کار در مهندسی داده، DBA، BI یا analytics engineering است.
Data Mesh جای انبار داده و Lakehouse را گرفته است
Data Mesh به تعبیر Dehghani بر چهار اصل بنا شده است: مالکیت دامنه‌محور داده، داده به‌عنوان محصول، زیرساخت سلف‌سرویس به‌عنوان پلتفرم و حاکمیت فدرال محاسباتی؛ یعنی بیشتر شیوهٔ سازمان‌دهی مالکیت و حاکمیت است تا یک فناوری ذخیره‌سازی. آگهی‌ها هم آن را یکی از گزینه‌ها می‌دانند: Cuesta از معمار داده می‌خواهد مزایا و معایب Data Mesh را در برابر مدل‌های دیگر بداند، و آگهی‌هایی مثل TerraPower و Climb همچنان روی Lakehouse ساخته شده‌اند.
با آمدن AI، معماری داده کم‌اهمیت می‌شود
آگهی‌ها و پیش‌بینی‌ها خلاف این را نشان می‌دهند. BLS می‌نویسد با پذیرش AI برای پردازش داده، معماران پایگاه داده برای طراحی درست، انتقال، پشتیبان‌گیری و امنیت داده حیاتی خواهند بود. Gartner پیش‌بینی کرده تا پایان ۲۰۲۶ سازمان‌ها ۶۰٪ پروژه‌های AI را که دادهٔ آماده برای AI پشتشان نیست کنار بگذارند، و GE Vernova در آگهی‌اش می‌نویسد کار ساختن محصولات AI «از داده شروع می‌شود».
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
ورود (مهندس داده، DBA یا BI در مسیر معماری)
در این سطح هنوز عنوانتان معمار داده نیست؛ کمترین سابقه‌ای که آگهی‌های بررسی‌شده می‌خواهند ۵ سال (TikTok) است و بیشترشان ۷ سال یا بیشتر. کار روزانه پیاده‌سازی است، اما می‌توانید سهم طراحی و مستندسازی را در کارتان بیشتر کنید.
- ◆طراحی schema برای یک قابلیت تازه و بحث دربارهٔ نرمال‌سازی آن با تیم
- ◆نوشتن و بهینه کردن SQL و بررسی query plan یک کوئری کند
- ◆ساختن یا اصلاح pipeline ورود داده از یک سیستم عملیاتی به انبار داده
- ◆مستند کردن مدل‌ها و جریان‌های داده‌ای که ساخته‌اید
- ◆شرکت در جلسه‌های بازبینی طراحی و پرسیدن چرایی تصمیم‌های معماری
معمار داده (حدود ۷–۱۰ سال)
تعادل میان طراحی، هماهنگی و کار عملی. آگهی‌های Cordance، TerraPower و Concurrency تصویر روشنی از این سطح می‌دهند: مالکیت معماری هدف، تعیین الگوهای یکپارچه‌سازی، حاکمیت داده و راهنمایی تیم اجرا روی چند پروژهٔ همزمان.
- ◆بررسی پایگاه‌های داده، pipeline ها و گزارش‌های فعلی و ثبت وابستگی‌ها و ریسک‌های مهاجرت
- ◆جلسه با تیم مالی یا محصول برای تعریف واحد یک موجودیت، مثلاً مشتری یا تراکنش
- ◆نوشتن مستند تصمیم معماری و نقشهٔ جریان داده برای اتصال یک اپلیکیشن تازه
- ◆بازبینی طراحی پیاده‌سازی یک مهندس داده و پیشنهاد اصلاح
- ◆هماهنگی با تیم امنیت دربارهٔ طبقه‌بندی و کنترل دسترسی دادهٔ حساس
- ◆ارزیابی یک پلتفرم یا ابزار و نوشتن پیشنهاد با هزینه، ریسک و زمان‌بندی
ارشد / Principal (۱۰+ سال)
تمرکز روی تصمیم‌های بین‌تیمی و چندساله. GE Vernova و Waymo از این سطح بازبینی معماری، حل مسئله‌های بین‌دامنه‌ای، تصمیم‌های پلتفرم و سرمایه‌گذاری و هم‌راستا کردن ذی‌نفعان تا سطح مدیران ارشد را می‌خواهند.
- ◆اداره کردن جلسهٔ بازبینی طراحی داده برای چند تیم
- ◆به‌روز کردن نقشهٔ راه چندسالهٔ معماری داده و AI
- ◆تحلیل build-versus-buy برای یک پلتفرم داده یا AI با در نظر گرفتن هزینهٔ کل مالکیت
- ◆طراحی دسترسی امن ایجنت‌های AI به منابع داده همراه تیم امنیت
- ◆ارائهٔ trade-off های یک تصمیم معماری به مدیران ارشد
- ◆منتورینگ مهندسان و تعیین شیوهٔ استفاده از ابزارهای AI در تیم
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈تعریف معماری هدف (target-state) داده و نقشهٔ راه چندساله برای ورود، یکپارچه‌سازی، ذخیره‌سازی، مدل‌سازی و مصرف داده
- ◈طراحی مدل دادهٔ سازمانی در سطح مفهومی، منطقی و فیزیکی، همراه با تعریف‌های واحد کسب‌وکار و سیستم مرجع برای موجودیت‌های اصلی
- ◈جدا کردن بار تحلیلی از سیستم‌های تراکنشی با انبار داده یا Lakehouse و برنامه‌ریزی مهاجرت مرحله‌ای بدون اختلال در کار مشتری
- ◈تعیین الگوها و استانداردهای ورود داده، تبدیل، orchestration، کیفیت، lineage، metadata و نگهداشت داده
- ◈برقراری حاکمیت داده: مالکیت، کنترل دسترسی، طبقه‌بندی دادهٔ حساس، حریم خصوصی و ردیابی‌پذیری
- ◈آماده کردن داده برای AI: مدل‌ها و محصولات داده‌ای که برای ML، RAG، جست‌وجوی برداری و دسترسی امن ایجنت‌ها قابل استفاده باشند
- ◈ارزیابی پلتفرم‌ها و فروشندگان و تحلیل build-versus-buy با در نظر گرفتن کارایی، امنیت، قابلیت بهره‌برداری و هزینهٔ کل مالکیت
- ◈ارائهٔ تصمیم‌های معماری و trade-off ها به مخاطب فنی و غیرفنی و هم‌راستا کردن ذی‌نفعان
- ◈اداره کردن جلسه‌های بازبینی طراحی و معماری و مستند کردن تصمیم‌ها، جریان‌های داده و مشخصات یکپارچه‌سازی
- ◈راهنمایی و منتورینگ مهندسان داده، DBA ها و تیم‌های BI و بازبینی طراحی‌های پیاده‌سازی
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک معمار داده موفق به آن‌ها نیاز دارد
مهارت‌های فنی
مدل مفهومی، منطقی و فیزیکی؛ ابعادی، نرمال‌شده و Data Vault. طبق ITJobsWatch در ۳۴٫۱٪ آگهی‌های Data Architect بریتانیا آمده است
SQL پیشرفته، طراحی schema، ایندکس و کارایی؛ Cordance، Massive Rocket و GE Vernova آن را شرط کرده‌اند
طراحی انبار داده، Lakehouse و الگوی Medallion و جدا کردن بار تحلیلی از سیستم‌های تراکنشی
Snowflake، Databricks یا سرویس‌های دادهٔ Azure؛ بیشتر آگهی‌ها تسلط عمیق به یکی را می‌خواهند
catalog، metadata، lineage، master data، کیفیت داده و مالکیت؛ طبق ITJobsWatch در ۲۳٫۵٪ آگهی‌های بریتانیا
ETL/ELT، orchestration، API، replication و CDC
RBAC/ABAC، طبقه‌بندی دادهٔ حساس، ردیابی‌پذیری و مقرراتی مثل GDPR، CCPA و HIPAA
آماده کردن داده برای RAG، vector database، ایجنت‌ها و ارزیابی LLM؛ در آگهی‌های GE Vernova، TikTok و Concurrency
Spark، Flink و Kafka برای دادهٔ حجیم یا لحظه‌ای؛ Waymo و Climb روی آن تأکید دارند
برای پیاده‌سازی نمونه، اتوماسیون و کار با داده؛ GE Vernova و Massive Rocket آن را خواسته‌اند
سنجیدن هزینهٔ پلتفرم و شفاف کردن مصرف؛ Climb تجربهٔ FinOps را امتیاز می‌داند و Cordance شاخص‌های هزینه را از معیارهای موفقیت می‌داند
استفاده از coding agent ها و تعیین قواعد استفادهٔ تیم؛ Cuesta و Concurrency آن را خواسته‌اند
مهارت‌های نرم
ارائهٔ تصمیم‌های معماری و گزینه‌ها به مخاطب فنی و غیرفنی، از جمله مدیران ارشد
رسیدن به توافق میان DBA ها، BI، مهندسی، محصول و مدیران؛ Waymo از هم‌راستا کردن صدها ذی‌نفع می‌گوید
نوشتن مستند تصمیم معماری، جریان داده و مشخصات یکپارچه‌سازی برای سابقه‌ای روشن و قابل دسترس
راهنمایی مهندسان و بالا بردن کیفیت طراحی در تیم‌های اجرا
اداره کردن کارگاه کشف نیاز، فازبندی و برآورد کار؛ به‌ویژه در شرکت‌های مشاوره
دانش حوزه‌ای
Cuesta از معمار داده می‌خواهد مدل دادهٔ کسب‌وکار را بر اساس فرایندهای کشف‌شده طراحی کند
انتقال از انبارهای قدیمی، Hadoop و پایگاه‌های داده‌ای که سال‌ها رشد کرده‌اند، بدون اختلال در کار
پیامدهای معماری مقرراتی مثل GDPR، CCPA و HIPAA؛ TerraPower آن را امتیاز می‌داند
شناخت مزایا و معایب Data Mesh در برابر مدل‌های متمرکز؛ Cuesta آن را در فهرست تمرکزها آورده است
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به معمار داده
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
SQL، پایگاه دادهٔ رابطه‌ای و مدل‌سازی پایه
طبق BLS، معمار پایگاه داده نیازهای فنی سازمان را بررسی می‌کند، برای ساخت پایگاه داده مدل می‌سازد و باید زبان‌هایی مثل SQL را بفهمد. آگهی Cordance تسلط به مدل‌سازی مفهومی، منطقی و فیزیکی را شرط کرده است، هم برای طراحی نرمال‌شدهٔ سیستم‌های تراکنشی و هم برای مدل ابعادی. این فاز را با PostgreSQL پیش ببرید: normalization، ایندکس، تراکنش و خواندن query plan.
مدل‌سازی تحلیلی: Kimball، Inmon و Data Vault
Cuesta Partners از معمار داده می‌خواهد trade-off میان فلسفه‌های مدل‌سازی ابعادی، 3NF و Data Vault را بداند، جلسهٔ بازبینی مدل را اداره کند و گزینه‌ها را طوری توضیح دهد که هم مدیران و هم افراد فنی بفهمند. سه مکتب اصلی را یاد بگیرید: مدل‌سازی ابعادی Ralph Kimball (star schema، جدول‌های fact و dimension، SCD)؛ رویکرد Bill Inmon که طبق ویکی‌پدیا معمولاً «بالا به پایین» توصیف می‌شود؛ و Data Vault که Dan Linstedt در دههٔ ۱۹۹۰ ساخت و نسخهٔ 2.0 آن در ۲۰۱۳ منتشر شد.
پلتفرم‌های ابری و معماری Lakehouse
آگهی‌ها معمولاً تسلط عمیق به یک پلتفرم را می‌خواهند: Climb به Databricks (Unity Catalog، طراحی چند workspace و Delta Lake)، TerraPower به Azure Data Factory و Azure Synapse، و Cordance تجربه با Snowflake را امتیاز می‌داند. طبق ITJobsWatch، در آگهی‌های Data Architect بریتانیا Azure در ۲۴٫۴٪، AWS در ۱۴٫۸٪، Databricks در ۱۴٫۷٪ و Lakehouse در ۱۳٫۰٪ آمده است. الگوی Medallion را هم یاد بگیرید؛ Databricks آن را الگویی برای سازمان‌دهی داده در Lakehouse می‌داند که کیفیت داده را لایه‌به‌لایه (Bronze، Silver، Gold) بالا می‌برد، و Waymo اجرای استانداردهای Lakehouse/Medallion را از وظایف معمار ارشدش آورده است.
یکپارچه‌سازی داده: ELT، CDC، streaming و قرارداد داده
معمار باید الگوهای ورود و تبدیل داده را تعیین کند، حتی اگر پیاده‌سازی با مهندسان داده باشد. Cordance تجربه با replication و change data capture (CDC) و جدا کردن بار گزارش‌گیری از سیستم‌های تراکنشی پرحجم را می‌خواهد؛ Cuesta از ابزارهایی مثل Fivetran، dbt و Airflow نام می‌برد؛ و Waymo تسلط به پردازش batch و streaming با ابزارهایی مثل Spark و Flink را. قرارداد داده (data contract) راهی برای رسمی کردن توافق میان تولیدکننده و مصرف‌کنندهٔ داده است و Open Data Contract Standard یکی از استانداردهای باز آن است.
حاکمیت داده، معماری سازمانی و داده برای AI
این لایهٔ استراتژیک کار است: catalog، lineage، metadata، master data، طبقه‌بندی دادهٔ حساس و کنترل دسترسی. TerraPower تعریف و نگهداری data catalog، data dictionary و چارچوب metadata را از وظایف معمار داده آورده است. همین پایه‌ها حالا برای AI هم لازم‌اند: Gartner توصیه می‌کند سازمان‌ها روی مدیریت دادهٔ موجود، چیزهایی مثل vector store، chunking، embedding و یکپارچه‌سازی RAG را اضافه کنند، و GE Vernova از معمار دادهٔ AI تجربه با RAG، vector database، ایجنت‌ها و MCP می‌خواهد. Data Mesh را هم بشناسید؛ Cuesta مزایا و معایب آن را در برابر مدل‌های دیگر از معمار داده می‌پرسد.
منابع پیشنهادی
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
پلتفرم داده: انبار داده و Lakehouse
انبار دادهٔ ابری؛ Cordance ارزیابی آن را از وظایف معمار داده آورده و Cuesta و Massive Rocket هم نامش را برده‌اند
پلتفرم Lakehouse مبتنی بر Spark؛ Climb تخصص عمیق در معماری آن را شرط کرده و طبق ITJobsWatch در ۱۴٫۷٪ آگهی‌های Data Architect بریتانیا آمده است
پایگاه دادهٔ رابطه‌ای متن‌باز و بهترین جا برای تمرین مدل‌سازی؛ Cordance تجربهٔ مدرن‌سازی PostgreSQL و Microsoft SQL را امتیاز می‌داند
سرویس ابری مایکروسافت برای جابه‌جایی و تبدیل خودکار داده؛ TerraPower تخصص عملی در آن و Azure Synapse را شرط کرده و Concurrency هم نامش را آورده است
راه‌حل تحلیلی یکپارچهٔ مایکروسافت، از جابه‌جایی داده تا BI؛ در آگهی‌های Concurrency و Cuesta آمده است
مدل‌سازی، یکپارچه‌سازی و pipeline
پلتفرم مدل‌سازی داده برای طراحی schema و مدیریت metadata؛ به گفتهٔ سایت خودش با Snowflake و Databricks کار می‌کند
تبدیل داده با SQL همراه با تست و مستندات؛ Cuesta آن را در ابزارهای تبدیل و orchestration آورده است
انتقال خودکار داده از منابع مختلف به انبار داده؛ Cuesta آن را در ابزارهای دریافت و یکپارچه‌سازی داده آورده است
پلتفرم متن‌باز change data capture که تغییرات پایگاه داده را همزمان با ثبت، به Kafka یا برنامهٔ شما می‌فرستد؛ برای الگوهای CDC که Cordance می‌خواهد
حاکمیت، کاتالوگ و کیفیت داده
حاکمیت، مدیریت و امنیت داده در محیط مایکروسافت؛ TerraPower تجربه با Azure Purview یا کاتالوگ مشابه را امتیاز می‌داند
پلتفرمی که به گفتهٔ سایت خودش لایهٔ context برای AI سازمانی است و نمودار داده، منطق کسب‌وکار و قواعد حاکمیت را در اختیار ایجنت‌های AI می‌گذارد
کاتالوگ دادهٔ متن‌باز برای کشف، فهم و حاکمیت دارایی‌های داده؛ برای تمرین شخصی گزینهٔ مناسبی است
فرمت جدول باز و لایهٔ داده برای AI
چارچوب ذخیره‌سازی متن‌باز برای ساخت Lakehouse؛ Climb کار با Delta Lake در مقیاس بالا را شرط کرده و TerraPower آن را امتیاز می‌داند
فرمت جدول باز برای جدول‌های تحلیلی حجیم که به موتورهایی مثل Spark، Trino و Flink اجازه می‌دهد همزمان روی یک جدول کار کنند
افزونهٔ متن‌باز جست‌وجوی شباهت برداری در PostgreSQL؛ راه ساده‌ای برای تمرین vector search و RAG که Concurrency و GE Vernova خواسته‌اند
استاندارد متن‌باز اتصال اپلیکیشن‌های AI به منابع داده و ابزارها؛ GE Vernova تجربهٔ عملی با MCP Server و MCP Registry را شرط کرده است
پایگاه دادهٔ گراف؛ TikTok آشنایی با knowledge graph و GE Vernova تجربه با ontology و سیستم‌های معنایی را امتیاز می‌دانند
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
مسیر ورود: مهندس داده، DBA، توسعه‌دهندهٔ BI یا Analytics Engineer
۰ تا ۵ سال
بیشتر معماران داده از نقش‌های اجرایی داده می‌آیند. Cordance برای عنوان Data Architect ۸ سال سابقه یا بیشتر در مهندسی داده، معماری پایگاه داده، analytics engineering یا BI می‌خواهد و BLS می‌نویسد DBA های باتجربه ممکن است به معمار پایگاه داده ارتقا پیدا کنند. در این سال‌ها مدل‌سازی، SQL و یک پلتفرم ابری را در کار واقعی یاد می‌گیرید و کم‌کم در طراحی‌ها سهم می‌گیرید.
معمار داده
حدود ۷ تا ۱۰ سال
مالکیت معماری داده در یک شرکت یا پروژه: معماری هدف، نقشهٔ راه مهاجرت، استانداردها و راهنمایی تیم اجرا. آگهی‌های بررسی‌شده از ۷ سال (Concurrency) و ۸ سال (Cordance، Climb و Massive Rocket) تا ۹ سال (TerraPower) سابقه می‌خواهند. بازهٔ حقوق پایهٔ آگهی TerraPower در ایالت واشنگتن ۱۶۸٬۳۱۶ تا ۲۵۲٬۴۷۵ دلار است.
معمار ارشد / Principal Data Architect
۱۰+ سال
تعیین معماری داده برای چند دامنه یا کل سازمان، بازبینی معماری و تصمیم‌های پلتفرم و سرمایه‌گذاری. GE Vernova برای Principal AI Data Architect ۱۰ سال سابقه یا بیشتر می‌خواهد و بازهٔ حقوق پایه را ۱۳۷٬۷۰۰ تا ۲۲۹٬۶۰۰ دلار اعلام کرده است، با ضریب جغرافیایی ۱۱۰ تا ۱۳۰ درصد در برخی مناطق. Cuesta Partners هم برای ۱۰ سال سابقه یا بیشتر ۱۷۵ تا ۲۲۵ هزار دلار حقوق پایه به‌علاوهٔ پاداش سالانه اعلام کرده است.
Staff / Chief Architect یا مدیریت
پس از سطح Principal
Waymo برای Sr. Staff Data Architect ۱۲ سال سابقه یا بیشتر در طراحی و اجرای data lake و انبار دادهٔ چندپتابایتی می‌خواهد و بازهٔ حقوق پایه را ۲۹۸ تا ۳۶۸ هزار دلار اعلام کرده است. راه‌های بعدی شامل Enterprise Architect و Chief Architect است که Robert Half در راهنمای حقوق بریتانیا کنار Data Architect در گروه رهبری IT آورده، و طبق BLS، مدیریت سیستم‌های کامپیوتری و اطلاعاتی.
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
مهاجرت بدون از کار انداختن کسب‌وکار
عمومیمعمار داده معمولاً روی سیستمی کار می‌کند که مشتری‌ها هر روز از آن استفاده می‌کنند. Cordance از او می‌خواهد گزارش‌گیری چند محصول را یکی کند و در همان حال تداوم کار و تعهدات مشتری‌ها حفظ شود؛ یکی از معیارهای موفقیت هم رسیدن به مرحله‌های مهاجرت بدون اختلال جدی در گزارش‌های مشتری است.
تعادل میان سرعت و حاکمیت
شرکت بزرگتحلیلگران و تیم‌های محصول سرعت می‌خواهند و حاکمیت داده قاعده و کنترل. Waymo تجربهٔ هدایت یک سازمان زیرساخت داده در دورهٔ رشد سریع را می‌خواهد، با «تعادل میان سرعت برای تحلیل‌گران و حفاظ‌های حاکمیتی مرکزی»، و Cordance حاکمیتی می‌خواهد که دیوان‌سالاری غیرضروری نسازد.
lineage درهم‌تنیده و وابستگی‌های پنهان
شرکت بزرگوقتی pipeline ها بدون استاندارد رشد می‌کنند، کسی نمی‌داند تغییر یک جدول چه چیزی را خراب می‌کند. Waymo از معمار ارشدش می‌خواهد lineage درهم‌تنیده و مبهم را با معماری DAG خطی و استانداردهای Lakehouse/Medallion باز کند.
یکپارچه کردن سیستم‌های خریداری‌شده
عمومیشرکتهایی که با خرید شرکت‌های دیگر رشد می‌کنند، با چند پایگاه داده و چند تعریف از یک موجودیت روبه‌رو می‌شوند. TerraPower الگوهای تکرارپذیر برای اتصال اپلیکیشن‌های خریداری‌شده به data lake می‌خواهد و Cordance تجربهٔ یکی کردن گزارش‌گیری پس از خرید شرکت‌ها را امتیاز می‌داند.
آماده کردن داده برای AI، با کنترل
عمومیدر نظرسنجی Gartner از ۱٬۲۰۳ مدیر مدیریت داده، ۶۳٪ سازمان‌ها گفتند شیوه‌های درست مدیریت داده برای AI را ندارند یا مطمئن نیستند که دارند. معمار داده باید داده را برای RAG و ایجنت‌ها در دسترس کند و همزمان کنترل دسترسی، حریم خصوصی، lineage و ارزیابی خروجی را حفظ کند؛ همان ترکیبی که GE Vernova می‌خواهد.
هزینهٔ پلتفرم
عمومیهر تصمیم معماری در ابر هزینهٔ مستقیم دارد. Climb تجربهٔ حاکمیت هزینه و FinOps را امتیاز می‌داند و Cordance شفاف کردن مصرف و هزینهٔ پلتفرم را از معیارهای موفقیت معمار داده آورده است.
ورود به نقش بدون سابقهٔ طولانی
عمومیعنوان Data Architect تقریباً هیچ‌وقت سطح ورودی نیست و آگهی‌های بررسی‌شده بین ۵ تا ۱۲ سال سابقه می‌خواهند. راه معمول، چند سال کار در نقش‌های اجرایی داده و گرفتن تدریجی مسئولیت طراحی در همان نقش است.
حقوق و بازار کار جهانی
حقوق جهانی معمار داده
حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.
* ارقام سالانه‌اند. منبع هر رقم:
- Robert Half 2027 Salary Guide (page updated for 2027), US national: low–high range; median = mid tier
- Robert Half 2027 Canada Salary Guide (page updated for 2027), national: low–high range; median = mid tier
- Robert Half 2026 UK Salary Guide (starting salaries): 25th–75th pct; median = 50th pct
- levels.fyi, data reviewed 22 Oct 2026, total comp (15 submissions): 25th–75th pct; median
- Robert Half 2026 Salary Guide, Australia national (starting salaries): 25th–75th pct; median = 50th pct
- Robert Half 2026 Salary Guide, Singapore (starting salaries): 25th–75th pct; median = 50th pct
- levels.fyi, data reviewed 22 Oct 2026, total comp (40 submissions): 25th–75th pct; median
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: عمق در مدل‌سازی
مدل‌سازی ابعادی Kimball را مرور کنید، Data Vault را یاد بگیرید و یک دامنه از محل کارتان را با هر دو روش مدل کنید و trade-off ها را بنویسید.
ماه ۲: یک پلتفرم در عمق
Databricks یا Snowflake را انتخاب کنید و یک Lakehouse کوچک با الگوی Medallion و حاکمیت بسازید.
ماه ۳: الگوهای یکپارچه‌سازی
CDC با Debezium، ورود دادهٔ batch و streaming و قرارداد داده را تمرین کنید.
ماه ۴: حاکمیت داده
DAMA-DMBOK را برای حاکمیت، metadata و master data بخوانید و برای یک دامنه catalog، dictionary و طبقه‌بندی داده بسازید.
ماه ۵: داده برای AI
یک لایهٔ دادهٔ آماده برای RAG با pgvector بسازید و دسترسی یک ایجنت را از طریق MCP به آن محدود کنید.
ماه ۶: پورتفولیوی معماری و درخواست
یک مستند معماری هدف با نقشهٔ راه مهاجرت و چند ADR آماده کنید. گواهی اختیاری است؛ Snowflake گواهی نقش‌محور SnowPro Advanced: Architect دارد و Climb از استخدام‌شده‌ها انتظار دارد بعداً گواهی Databricks بگیرند.
پروژه‌های پیشنهادی برای رزومه
از مدل تراکنشی تا star schema
مبتدیبرای یک فروشگاه فرضی یک مدل نرمال‌شدهٔ تراکنشی (مشتری، سفارش، کالا، موجودی) در PostgreSQL طراحی کنید، بعد همان داده را به یک star schema با SCD Type 2 برای مشتری تبدیل کنید. در README توضیح دهید هر تصمیم چه trade-off ای داشت؛ همان چیزی که Cuesta در جلسه‌های بازبینی مدل می‌خواهد.
جدا کردن بار تحلیلی از پایگاه دادهٔ عملیاتی با CDC
پیشرفتهتغییرات یک پایگاه دادهٔ PostgreSQL را با Debezium به Kafka بفرستید و در یک انبار داده یا DuckDB بنشانید، بعد گزارش‌ها را از روی همان کپی بسازید. این همان الگویی است که Cordance برای محافظت از کارایی محصول و جدا کردن گزارش‌گیری از سیستم تراکنشی می‌خواهد.
Lakehouse با الگوی Medallion و حاکمیت
متوسطروی Databricks Free Edition یک dataset عمومی را در سه لایهٔ Bronze، Silver و Gold پردازش کنید، دسترسی‌ها را با Unity Catalog تعریف کنید و برای هر لایه بنویسید چه کیفیتی تضمین می‌شود.
بستهٔ حاکمیت داده برای یک دامنه
متوسطبرای یک دامنه (مثلاً فروش) data dictionary، طبقه‌بندی دادهٔ حساس، مالک هر جدول، قواعد کیفیت و نمودار lineage بسازید و چند مستند تصمیم معماری (ADR) بنویسید. TerraPower همین موارد، از catalog و dictionary تا مستند کردن تصمیم‌ها و جریان‌های داده، را از معمار داده می‌خواهد.
لایهٔ دادهٔ آماده برای AI
پیشرفتهمجموعهای از اسناد یک سازمان فرضی را chunk و embed کنید، با pgvector جست‌وجوی برداری بسازید، برای هر تکه metadata (منبع، تاریخ، سطح دسترسی) نگه دارید و دسترسی یک ایجنت را از طریق یک MCP server به همین داده محدود کنید. GE Vernova دقیقاً RAG، بازیابی برداری، دسترسی امن ایجنت‌ها به داده و تجربه با MCP را می‌خواهد.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
طبق ویکی‌پدیا، متولد ۱۹۴۵ در سن‌دیگو است، کارشناسی ریاضی را در ۱۹۶۷ از Yale و کارشناسی ارشد علوم کامپیوتر را از New Mexico State University گرفت و پیش از ۱۹۹۱ در American Management Systems و Coopers & Lybrand کار کرد. اولین کتاب دربارهٔ انبار داده را نوشت، اولین کنفرانس آن را همراه Arnie Barnett برگزار کرد و اولین کلاس‌های آن را درس داد.
بسیاری او را «پدر انبار داده» می‌دانند. تعریف پذیرفته‌شدهٔ انبار داده، یعنی مجموعه‌ای از داده که موضوع‌محور، یکپارچه، غیرفرّار و وابسته به زمان است و به تصمیم‌گیری مدیران کمک می‌کند، از اوست و Computerworld ابداع اصطلاح data warehouse در ۱۹۹۰ را به او نسبت داده است. کتاب‌هایش از «Building the Data Warehouse» (۱۹۹۲) تا «Building the Data Lakehouse» (۲۰۲۱) را در بر می‌گیرد و در ۲۰۱۲ فناوری‌ای به نام textual disambiguation را معرفی کرد که متن خام را به قالب استاندارد پایگاه داده می‌برد تا با ابزارهای BI تحلیل شود.
Inmon از انبار داده شروع کرد و بعدها دربارهٔ data lake، دادهٔ متنی و lakehouse هم کتاب نوشت. به نظر می‌رسد پایه‌های مدل‌سازی با تغییر فناوری کهنه نمی‌شوند؛ آنچه عوض می‌شود جایی است که این پایه‌ها به کار می‌روند، و امروز دادهٔ بدون ساختار برای AI هم جزو آن است.
طبق ویکی‌پدیا، در ۱۹۷۳ دکترای مهندسی برق را از Stanford گرفت و در Xerox PARC از طراحان اصلی Xerox Star Workstation بود. بعد در Metaphor Computer Systems کار کرد و در ۱۹۸۶ شرکت Red Brick Systems را بنیان گذاشت که پایگاه داده‌ای رابطه‌ای بهینه‌شده برای انبار داده می‌ساخت.
روش پایین به بالای او، یعنی مدل‌سازی ابعادی (dimensional modeling)، در کنار رویکرد Inmon یکی از دو روش اصلی طراحی انبار داده است. نویسندهٔ اصلی کتاب‌های The Data Warehouse Toolkit (۱۹۹۶)، The Data Warehouse Lifecycle Toolkit (۱۹۹۸) و The Data Warehouse ETL Toolkit (۲۰۰۴) است و از ۱۹۹۲ از طریق شرکت‌هایی مثل Kimball Group مشاوره و آموزش انبار داده ارائه داده است.
به تعبیر ویکی‌پدیا، باور همیشگی Kimball این بود که انبار داده باید قابل فهم و سریع باشد. این معیار برای معمار داده هنوز کاربردی است: مدلی که کاربر کسب‌وکار نفهمد، هرقدر هم دقیق باشد، احتمالاً کمتر استفاده می‌شود.
طبق معرفی‌اش در کنفرانس QCon AI، در ایران به دنیا آمده، کارشناسی مهندسی نرم‌افزار را از دانشگاه شهید بهشتی و کارشناسی ارشد مدیریت فناوری اطلاعات را از دانشگاه سیدنی گرفته است. بیش از دو دهه سابقهٔ مهندسی نرم‌افزار دارد و در چند patent حوزهٔ سیستم‌های توزیع‌شده سهیم است. به‌عنوان Director of Emerging Technologies در ThoughtWorks، در ۲۰۱۸ مفهوم Data Mesh را معرفی کرد.
نویسندهٔ کتاب «Data Mesh: Delivering Data-Driven Value at Scale» (O'Reilly، ۲۰۲۲) و هم‌نویسندهٔ «Software Architecture: The Hard Parts» (O'Reilly، ۲۰۲۱) است. اکنون بنیان‌گذار و مدیرعامل Nextdata است؛ شرکتی که پلتفرمی برای Autonomous Data Products می‌سازد.
Dehghani اول یک مشکل سازمانی رایج را دقیق صورت‌بندی کرد و درباره‌اش نوشت، بعد کتاب نوشت و بعد شرکت ساخت. برای یک معمار داده، توضیح روشن یک ایده می‌تواند به اندازهٔ پیاده‌سازی‌اش اثر بگذارد.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Data Architect
تحلیل نیازمندی‌ها
8+ years of experience in data engineering, database architecture, analytics engineering, or business intelligence, including 3+ years in a data architecture or senior technical leadership role.
این خط مسیر رسیدن به نقش را نشان می‌دهد: چهار نقش اجرایی داده پذیرفته می‌شود، اما دست‌کم سه سال از این هشت سال باید در معماری یا رهبری فنی ارشد باشد. یعنی باید در نقش قبلی‌تان مسئولیت طراحی گرفته باشید، نه فقط اجرا.
ضروریDemonstrated experience designing enterprise data warehouses, lakehouses, or analytical platforms and migrating data from multiple operational systems.
کارفرما سابقهٔ طراحی پلتفرم تحلیلی در سطح سازمان و انتقال داده از چند سیستم عملیاتی را می‌خواهد. در رزومه، پروژه‌ای را بنویسید که چند منبع را در یک انبار داده یا Lakehouse یکی کرده‌اید.
ضروریStrong data-modeling expertise across conceptual, logical, and physical models, including dimensional modeling and normalized transactional designs.
هر سه سطح مدل‌سازی و هر دو نوع مدل لازم است: مدل نرمال‌شده برای سیستم‌های تراکنشی و مدل ابعادی برای تحلیل. در مصاحبه احتمالاً باید یک دامنه را از مدل مفهومی تا جدول فیزیکی ببرید.
ضروریHands-on proficiency with SQL, relational databases, ETL/ELT patterns, orchestration, data quality, metadata, lineage, and BI semantic models.
«Hands-on» یعنی معمار این آگهی خودش با SQL و ابزارها کار می‌کند. فهرست از پایگاه داده و ETL تا metadata، lineage و لایهٔ معنایی BI را می‌پوشاند؛ تقریباً کل زنجیرهٔ داده.
ضروریExperience separating reporting workloads from high-volume transactional systems and designing for performance, resilience, scalability, and cost control.
به گفتهٔ آگهی، یکی از هدف‌های اصلی جدا کردن بار تحلیلی از سیستم‌های تراکنشی برای حفظ کارایی محصول است. باید بدانید چطور با کپی تحلیلی، CDC یا انبار داده این دو را جدا کنید و هزینه را هم کنترل کنید.
ضروریExperience with cloud data platforms and modern data integration patterns, including APIs, replication, and change data capture.
الگوهای یکپارچه‌سازی را باید بشناسید، نه فقط یک ابزار را. CDC و replication برای همان جداسازی بار تحلیلی لازم‌اند و API برای اتصال سیستم‌های دیگر.
ضروریStrong written and verbal communication skills, including the ability to present architecture decisions and tradeoffs to technical and non-technical audiences.
بخش بزرگی از کار معمار داده توضیح دادن است: چرا این پلتفرم، چرا این ترتیب مهاجرت، و هر انتخاب چه هزینه‌ای دارد. این مهارت را با مستند تصمیم و ارائه در جلسه‌های بازبینی تمرین کنید.
ضروریBachelor's degree in Computer Science, Information Systems, Engineering, Data Management, or a related field, or equivalent practical experience.
مدرک مرتبط خواسته شده، اما «تجربهٔ عملی معادل» هم پذیرفته می‌شود؛ برای کسی که از رشتهٔ دیگری آمده و سابقهٔ کار داده دارد، این در باز است.
مهمAI and Analytics Readiness: Designs governed, reusable data foundations suitable for advanced analytics and AI-enabled workflows.
این یکی از شایستگی‌های اصلی آگهی است: داده باید طوری طراحی شود که هم برای تحلیل پیشرفته و هم برای workflow های مبتنی بر AI قابل استفادهٔ مجدد و حاکم‌شده باشد، نه اینکه برای هر پروژهٔ AI از نو جمع شود.
مهمHands-on experience with Snowflake and at least one major cloud platform such as AWS, Azure, or Google Cloud.
Snowflake امتیاز است، نه شرط؛ در بخش وظایف هم آمده که معمار باید Snowflake را کنار گزینه‌های دیگر ارزیابی کند. تجربه با یک ابر اصلی هم لازم است.
مفیدExperience with PostgreSQL and Microsoft SQL, including modernization or migration initiatives.
طبق بخش وظایف، مدرن‌سازی PostgreSQL و Microsoft SQL بخشی از کار است؛ کسی که قبلاً چنین پایگاه‌هایی را مدرن یا منتقل کرده، زودتر کارآمد می‌شود.
مفیدKnowledge of data privacy, security, role-based access, audit, retention, and compliance practices.
حاکمیت داده در این نقش شامل حریم خصوصی، کنترل دسترسی نقش‌محور، ردیابی و نگهداشت داده است؛ دانستن این موارد کمک می‌کند معماری از ابتدا امن طراحی شود.
مفیدExperience enabling machine learning, generative AI, or agentic AI use cases through governed enterprise data products.
AI در این آگهی هنوز در بخش ترجیحی است، اما صریح آمده: فعال کردن کاربردهای ML، generative AI و ایجنت‌ها از طریق محصولات دادهٔ حاکم‌شده. پروژه‌ای که داده را با کنترل دسترسی در اختیار یک سیستم RAG یا ایجنت بگذارد، این خط را پوشش می‌دهد.
مفیدتحلیل مسئولیت‌ها
Own the target-state data architecture and roadmap for a unified reporting and analytics platform across Cordance Commerce products.
«مالکیت» یعنی شما تصمیم‌گیر و پاسخ‌گوی معماری هستید. معماری هدف تصویر مقصد است و نقشهٔ راه، مسیر رسیدن به آن از وضعیت فعلی.
Assess current transactional databases, data pipelines, reporting tools, standard BI reports, and customer-specific reports; document dependencies, duplication, performance risks, and migration constraints.
کار با شناخت وضعیت موجود شروع می‌شود: چه چیزی به چه چیزی وابسته است، کجا داده تکرار شده و کجا کارایی در خطر است. این مستند پایهٔ همهٔ تصمیم‌های بعدی است.
Define a shared enterprise data model, canonical business definitions, master-data strategy, and system-of-record ownership for core entities such as customer, item, store, employee, transaction, inventory, donation, processing, and e-commerce activity.
این هستهٔ کار معمار داده است: یک تعریف واحد برای «مشتری» یا «تراکنش» در همهٔ محصولات، و تعیین اینکه دادهٔ مرجع هر موجودیت در کدام سیستم است.
Design the separation of transactional and analytical workloads using fit-for-purpose patterns such as a cloud data warehouse or lakehouse; evaluate platforms including Snowflake and recommend the appropriate solution based on scale, security, cost, operability, and business needs.
انتخاب پلتفرم با معیارهای روشن: مقیاس، امنیت، هزینه، قابلیت بهره‌برداری و نیاز کسب‌وکار. آگهی Snowflake را نام برده، اما از شما پیشنهاد مستدل می‌خواهد، نه انتخاب از پیش تعیین‌شده.
Develop patterns and standards for data ingestion, transformation, orchestration, semantic models, APIs, data quality, lineage, metadata, retention, archival, and observability.
معمار الگو و استاندارد می‌نویسد تا تیم‌ها هر بار از نو تصمیم نگیرند. این فهرست تقریباً همهٔ لایه‌های پلتفرم داده را در بر می‌گیرد.
Guide DBAs and engineering teams on database architecture, PostgreSQL and Microsoft SQL modernization, replication or change-data-capture patterns, performance isolation, backup, recovery, and operational readiness.
معمار با DBA ها و مهندسان کار می‌کند و آن‌ها را راهنمایی می‌کند؛ پیاده‌سازی با تیم است، اما تصمیم‌های معماری و الگوها از معمار می‌آید.
Establish data governance practices covering data ownership, access controls, privacy, security, auditability, quality thresholds, and change management.
حاکمیت داده یعنی هر داده مالک، قاعدهٔ دسترسی و آستانهٔ کیفیت مشخص داشته باشد و تغییراتش کنترل شود. آگهی در بخش شایستگی‌ها تأکید می‌کند این کار نباید دیوان‌سالاری غیرضروری بسازد.
Lead technical discovery, architecture reviews, proofs of concept, and vendor evaluations; translate findings into actionable designs, sequencing, estimates, risks, and investment recommendations.
بخشی از کار شبیه مشاوره است: آزمایش اولیه، ارزیابی فروشنده و تبدیل یافته‌ها به برآورد، ریسک و پیشنهاد سرمایه‌گذاری برای مدیران.
Provide hands-on technical guidance to delivery teams, review implementation designs, and ensure new product capabilities align with the target architecture instead of creating additional data silos.
معماری فقط روی کاغذ نمی‌ماند؛ معمار طراحی‌های پیاده‌سازی را بازبینی می‌کند تا هر قابلیت تازه یک جزیرهٔ دادهٔ جدید نسازد.
نتیجه‌گیری کلی
این آگهی تصویر معمولی از معمار داده در ۲۰۲۶ می‌دهد: کار از بررسی وضعیت فعلی و طراحی معماری هدف شروع می‌شود و با مدل دادهٔ مشترک، برنامهٔ مهاجرت مرحله‌ای، استانداردها و حاکمیت ادامه پیدا می‌کند. شرط ۸ سال سابقه در مهندسی داده، معماری پایگاه داده، analytics engineering یا BI نشان می‌دهد این نقش معمولاً قدم بعدی پس از کار اجرایی داده است، نه نقطهٔ شروع. AI در این آگهی هنوز در بخش ترجیحی و شایستگی‌هاست، اما در آگهی‌هایی مثل GE Vernova و TikTok به هستهٔ کار تبدیل شده است. این آگهی بازهٔ حقوق اعلام نکرده است.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
BLS آمریکا پیش‌بینی می‌کند اشتغال در گروه Database Architects از ۲۰۲۵ تا ۲۰۳۵، ۹٪ رشد کند (از ۶۹٬۵۰۰ به ۷۶٬۰۰۰ شغل)، در برابر ۳٪ برای کل مشاغل. O*NET عنوان Data Architect را اولین نمونه‌عنوان همین گروه آورده است.
منبع: BLS Occupational Outlook Handbook, projections 2025–35
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
Gartner در فوریهٔ ۲۰۲۵ پیش‌بینی کرد که تا پایان ۲۰۲۶ سازمان‌ها ۶۰٪ پروژه‌های AI را که دادهٔ آماده برای AI پشتشان نیست کنار می‌گذارند.
در گزارش Future of Jobs 2025 مجمع جهانی اقتصاد (WEF)، کارفرمایان شرکت‌کننده در نظرسنجی «Data Warehousing Specialists» را در رتبهٔ ششم سریع‌ترین شغل‌های در حال رشد تا ۲۰۳۰ (از نظر درصد) قرار داده‌اند و این شغل را در بریتانیا هم جزو سریع‌ترین شغل‌های در حال رشد می‌دانند.
BLS پیش‌بینی می‌کند اشتغال Database Architects، گروهی که O*NET عنوان Data Architect را در آن آورده، از ۲۰۲۵ تا ۲۰۳۵، ۹٪ رشد کند و دلیلش را پذیرش AI در سازمان‌ها برای پردازش داده و نیاز رو به رشد به زیرساخت دادهٔ باکیفیت می‌داند.
ریسک اول این است که AI انتظارها را بالا برده بی‌آنکه دادهٔ سازمان‌ها آماده باشد: در نظرسنجی Gartner از ۱٬۲۰۳ مدیر مدیریت داده (ژوئیهٔ ۲۰۲۴)، ۶۳٪ سازمان‌ها گفتند شیوه‌های درست مدیریت داده برای AI را ندارند یا مطمئن نیستند که دارند. این برای معمار داده هم فرصت است و هم فشار؛ آگهی‌هایی مثل GE Vernova حالا تجربه با RAG، vector database و MCP را کنار حاکمیت و امنیت شرط می‌کنند. ریسک دوم تغییر سریع ابزار و شیوهٔ کار است: Cuesta از معمار داده می‌خواهد پروژه‌ها را طوری ساختار دهد که coding agent ها بتوانند در آن مؤثر کار کنند، و گواهی‌ها هم کهنه می‌شوند؛ Microsoft گواهی Azure Data Engineer Associate را در ۳۱ مارس ۲۰۲۵ بازنشسته کرد، در حالی که برخی آگهی‌ها هنوز نامش را می‌آورند. ریسک سوم نوسان بازار است: طبق ITJobsWatch، آگهی‌های این عنوان در بریتانیا در شش ماه منتهی به ۲۲ اکتبر از ۴۳۵ در ۲۰۲۴ به ۲۳۵ در ۲۰۲۵ رسید و در ۲۰۲۶ به ۹۵۴ رسید. نمونهٔ هشداردهنده هم گروه مدیران پایگاه داده است که BLS برایشان از ۲۰۲۵ تا ۲۰۳۵ رشدی پیش‌بینی نمی‌کند، چون با کار شرکت‌ها در ابر، مدیران کمتری می‌توانند به شرکت‌های بیشتری خدمت دهند.
منابع
اطلاعات این صفحه در تاریخ ۳۰ مهر ۱۴۰۵ از این ۳۱ منبع بررسی شده است.
- Data Architect — Cordance (job posting)
- Sr. Staff Data Architect — Waymo (job posting)
- Data Architect — TerraPower (job posting)
- Principal AI Data Architect — GE Vernova (job posting)
- AI & Data Architect - Trust and Safety — TikTok (job posting)
- Data Architect — Climb (job posting)
- Data Architect — Cuesta Partners (job posting)
- Data Architect — Concurrency (job posting)
- Data Architect — Massive Rocket (job posting)
- Robert Half — Data Architect salary, United States (2027 guide)
- Robert Half — Data Architect salary, Canada (2027 guide)
- Robert Half — Data Architect salary, Australia (2026 guide)
- Robert Half — Data Architect salary, Singapore (2026 guide)
- Robert Half — 2026 Salary Guide, United Kingdom (PDF)
- levels.fyi — Data Architect Salary in Germany
- levels.fyi — Data Architect Salary in India
- BLS Occupational Outlook Handbook — Database Administrators and Architects
- O*NET OnLine — 15-1243.00 Database Architects
- ITJobsWatch — Data Architect (UK)
- World Economic Forum — The Future of Jobs Report 2025 (PDF)
- Gartner — Lack of AI-Ready Data Puts AI Projects at Risk (Feb 2025)
- Wikipedia — Bill Inmon
- Wikipedia — Ralph Kimball
- Wikipedia — Dan Linstedt
- QCon AI New York 2026 — Zhamak Dehghani (speaker bio)
- Zhamak Dehghani — How to Move Beyond a Monolithic Data Lake to a Distributed Data Mesh (2019)
- Zhamak Dehghani — Data Mesh Principles and Logical Architecture (2020)
- Databricks — What is a Medallion Architecture?
- Microsoft Learn — Azure Data Engineer Associate (retired)
- Snowflake — SnowPro Certifications
- Model Context Protocol — What is MCP?