2026 年，一份数据工程师简历首先要回答一个问题：你构建的管道是否在生产环境中运行，以及它们出故障时下游会发生什么？职位头衔充满噪音。同样的工作会被发布为数据工程师、分析工程师、数据平台工程师、ETL 开发工程师，或是“软件工程师（数据方向）”，而筛选简历的申请人跟踪系统（ATS）匹配的是你条目里的词，不是你头衔里的词。本指南将说明需要证明什么、如何措辞才能让解析器和用人经理都看得到、哪些关键词应该出现在页面上、发送前如何检查文件、哪些认证仍然有意义，以及根据可查证的来源，这个职位的薪酬水平如何。
核心要点
- 以生产环境的管道及其数字开头：数据量（每天的事件数、每月的 TB 数）、新鲜度（落后源系统的分钟数）、可靠性（SLA 达成情况、每季度的事故数）和成本（优化前后的仓库支出）。
- 精确地写出技术栈。解析器匹配的是字面字符串：写“Apache Spark”“Airflow”“dbt”“Snowflake”“Apache Iceberg”，而不是“现代数据栈”。
- 在技能栏里分出四个层次：处理与编排、存储与数仓、建模与质量、基础设施与语言。用人经理会把它们读作四种不同的能力。
- 把枯燥的部分量化。回填的行数、运行失败率、p95 查询延迟、每扫描 1 TB 的成本、受测试覆盖的表数，这些才是能带来面试邀约的数字。
- 2026 年的薪酬跨度很大：最接近的美国联邦职业分类中位数为 $126,760，向 Built In 报告的公司平均总薪酬为 $150,234，Levels.fyi 上数据方向软件工程师的总薪酬中位数为 $171,000。
2026 年，数据工程师简历需要证明什么？
五件事，按这个顺序。
你拥有正在运行的管道。 不是你“参与过”的管道。写明工作负荷：接入的数据源、每天的事件数、每月的 TB 数、DAG 或作业数、下游消费者。写明它们出故障时发生了什么，以及你做了什么。
你为使用数据的人建模。 分析师、数据科学家、ML 工程师和财务团队都在读你的表。证明你是有意识地设计 schema 的：维度模型、缓慢变化维、语义层、有文档记录的粒度。“将订单集市重建为带 SCD Type 2 客户维度的星型模型；分析师查询时间从 40 秒降到 3 秒，下线 14 份重复报表”，这样的句子会被读两遍。
你掌控成本和性能。 数据仓库按秒和按字节计费。能说出“通过对三张最大的表做聚簇、合理调整虚拟仓库规模、把夜间回填迁到更小的实例，将 Snowflake 计算支出降低 34%”的候选人，描述的是大多数申请者并不具备的能力。
你把数据质量当作工程问题。 测试、契约、血缘、告警、值班。没有质量故事的简历，读起来就像一个靠分析师发现仪表盘数字不对才知道管道出错的人写的。
你能跨边界工作。 数据工程师处在拥有数据源的应用团队、拥有基础设施的平台团队，以及消费产出的分析师和 ML 工程师之间。要展示你和后端团队协商过 schema 变更、为自己的集群写过 Terraform，或者主持过迁移评审，而不只是写了 SQL。
简历不需要证明的事：你能解释 CAP 定理，或者能凭记忆写出窗口函数。那是面试要考的。简历的任务是帮你拿到面试。
各级别的职业概述应该怎么写？
三到四行。头衔、年限、技术栈、一个带数字的证据，以及你接下来想解决的问题类型。不要用形容词形容自己。
初级（0 到 2 年，或从分析岗转型）
具有数据分析背景的数据工程师，在生产环境中构建批处理管道 18 个月。负责 40 个 Airflow DAG 和一个基于 BigQuery、包含 210 个模型的 dbt 项目，为一家 300 人公司的财务和产品报表提供数据；为每个集市添加 dbt 测试，将数据质量工单从每月 11 个降至 2 个。Python、SQL、dbt、Airflow、BigQuery、Terraform。希望加入把数据仓库当作产品来运营的团队。
中级（3 到 6 年）
数据工程师，5 年经验，专注流式接入和湖仓设计。在一家 1,200 人的电商平台，主导从夜间批处理迁移到 Databricks 上的 Kafka 与 Spark Structured Streaming（Delta Lake），将订单数据从落后源系统 24 小时缩短到 5 分钟以内，并将月度计算账单降低 28%。构建了覆盖 180 张表的数据契约和 Great Expectations 层。Python、Scala、Spark、Kafka、Delta Lake、Airflow、AWS。
高级与 Staff（7 年以上）
Staff 数据工程师，10 年数仓、流处理和平台经验。负责一家每天处理 90 亿条事件的公司的数据平台：Kafka、Flink、S3 上的 Iceberg、Snowflake、Airflow，以及支撑这一切的 Terraform。主导从遗留 Hadoop 集群到湖仓的迁移，每年节省 $1.8M，下线 600 个作业。管理四名工程师；为整个组织制定值班、SLA 和数据治理标准。
注意每一段做了什么：一个工作负荷数字、一个前后对比数字，以及明确写出的技术栈。解析器拿到了它的关键词，经理拿到了继续读下去的理由。
出色的数据工程师成就条目是什么样的？
套用这个模式：动词、你构建的东西、技术栈、可衡量的结果。下面的数字仅作示例；换成你自己的，并且只保留你能在面试中站得住脚的。
- 构建变更数据捕获管道（Debezium、Kafka、Spark Structured Streaming），将 140 张 PostgreSQL 表复制到 Delta Lake，端到端延迟低于 90 秒，取代了运行 6 小时的夜间批处理。
- 在 Snowflake 上用 dbt 设计并交付收入域的维度模型（12 张事实表、31 个维度，客户和产品维度采用 SCD Type 2）；财务月结提前两天完成。
- 通过对五张最大的表做聚簇、合理调整虚拟仓库规模、把回填迁出生产仓库，将 Snowflake 计算支出降低 34%（每年 $410K）。
- 使用 AWS Glue 和 Athena 将 1.2 PB 数据从本地 Hadoop 集群迁移到 S3 上的 Apache Iceberg；下线 38 个节点，每 TB 存储成本降低 71%。
- 在 180 张源表上引入数据契约和 Great Expectations 测试套件；波及仪表盘的 schema 变更事故从每季度 9 起降至 1 起。
- 将编排层从 cron 和 shell 脚本重建为 Airflow（310 个 DAG、任务级重试、SLA 告警）；运行失败率从 4.2% 降至 0.3%。
- 构建 Flink 作业，以 exactly-once 语义从每天 90 亿条事件中实时计算反欺诈特征；端到端 p99 延迟 800 ms。
- 负责 dbt 项目（640 个模型、2,100 个测试、每个 pull request 都跑 CI）；通过重构增量逻辑并移除 112 个未使用的模型，将模型运行时间中位数缩短 46%。
- 使用分区聚簇表和可断点续跑的 Beam 管道，将 4 年的点击流数据（380 亿行）回填到 BigQuery；11 天完成，对账时零重复行。
- 为数据平台编写覆盖三套环境的 Terraform 模块（EMR、MSK、Glue 目录、IAM）；新环境的开通时间从两周缩短到 40 分钟。
- 主导覆盖 22 个数据集的 GDPR 删除管道，血缘来自数据目录；连续八个季度，每一条删除请求都在 30 天窗口内完成。
- 带教三名分析师转型为分析工程师；其中两人如今负责生产环境的 dbt 域。
三条规则。以描述你贡献的动词开头（构建、主导、负责、设计、迁移），而不是“协助”或“参与”。能放的话，把数字放在第一个分句里。工具名写在句子里，因为解析器就是在那里找到它们的。完整方法参见写出量化影响的简历条目。
数据工程师简历应该包含哪些 ATS 关键词？
ATS 不会推理。如果职位描述写的是“ELT”，而你的简历写的是“数据集成”，大多数系统不会把两者关联起来。阅读职位描述，在属实的地方照搬它的原词，并在适用的地方覆盖下面这份清单。
| 分组 | 属实时按原文使用的关键词 |
|---|---|
| 处理与编排 | Apache Spark, PySpark, Apache Airflow, dbt, Apache Kafka, Apache Flink, Spark Structured Streaming |
| 存储与数仓 | Snowflake, BigQuery, Databricks, Amazon Redshift, AWS Glue, Delta Lake, Apache Iceberg, lakehouse |
| 语言 | Python, SQL, Scala |
| 建模与数据流转 | data modeling, dimensional modeling, star schema, slowly changing dimensions (SCD), ELT, ETL, change data capture (CDC) |
| 质量与治理 | data quality, Great Expectations, data contracts, data lineage, data observability |
| 基础设施 | Terraform, Kubernetes, Docker, CI/CD, Amazon S3 |
整份简历出现其中三四十个，对高级候选人来说很正常。把它们放在属实的位置：技术栈放技能栏，方法放成就条目。不要把表格直接贴上去；没有句子包裹的关键词对读者毫无信息量，而且有些解析器会给逗号分隔的词块降权。
四组需要统一的写法：先写一次“extract, transform, load (ETL)”，之后用“ETL”；先写一次“change data capture (CDC)”，之后用“CDC”；先写一次“Amazon Web Services (AWS)”，之后用“AWS”；先写一次“Apache Spark”，之后用“Spark”。职位描述两种写法都会用，而精确匹配的系统会把它们当作不同的词元。
一处需要消除的歧义：对用人经理来说，“数据湖”和“湖仓”不是同义词。用能描述你实际运维过的那一个。
如何检查数据工程师简历是否通得过 ATS？
十项检查，按解析器遇到它们的顺序排列。完成后把文件放进 ATS 检查工具跑一遍；它能发现下面大多数格式问题。
- 文件格式。 PDF 或 DOCX，单栏，没有排版用的表格、文本框，也没有需要被解析的页眉页脚内容。双栏排版在解析器自上而下读取时，会把你的技能和工作经历交错在一起。
- 标准标题。 “工作经历”“技能”“教育背景”“认证”。解析器按标题文字映射各部分；“我交付过的地方”映射不到任何东西。
- 头衔匹配。 职位描述中的头衔族要出现在你的概述行里，并在属实的前提下出现在你最近一份职位头衔里。如果你的内部头衔是“Member of Technical Staff”，就写“Member of Technical Staff (Data Engineering)”，让括号来承担匹配。
- 必需工具按原文写。 职位描述中“必需”项下的每个工具至少出现一次，拼写与职位描述一致，并且放在能表明你用过它的句子里。
- 长短两种写法。 ETL 和 extract, transform, load；CDC 和 change data capture；AWS 和 Amazon Web Services。两种写法各至少出现一次。
- 至少一半的条目带数字。 数据量、延迟、成本、可靠性或人数。解析器不会给数字打分，但打开排名靠前简历的招聘人员会。
- 日期格式一致。 每段经历都用“YYYY 年 M 月 – YYYY 年 M 月”。解析器根据日期计算任职时长；格式混用会导致时长算错或整段经历被丢弃。
- 分组的技能，而不是一面墙。 四行带标签的技能（见下一节）。有些解析器会给四十个逗号分隔的词块降权，而所有人类读者都会。
- 不藏任何东西。 不用白色文字塞关键词，不把技能放在图标或图片里，不用技能条形图。解析器会跳过图片；发现白字堆砌的招聘人员会直接拒掉这份文件。
- 纯文本的联系方式。 姓名、所在城市和地区、电话、邮箱和 LinkedIn 网址都用文本，而不是带超链接的图标。文件命名为
姓-名-Data-Engineer.pdf；这是招聘人员在下载文件夹里最先读到的东西。
技能栏应该如何组织？
四行带标签的技能，而不是一锅字母汤。
处理与编排： Apache Spark (PySpark, Structured Streaming), Apache Kafka, Apache Flink, Apache Airflow, dbt 存储与数仓： Snowflake, BigQuery, Databricks, Delta Lake, Apache Iceberg, Amazon S3, Redshift 建模与质量： 维度建模, SCD Type 2, 数据契约, Great Expectations, dbt 测试, 数据血缘 基础设施与语言： Python, SQL, Scala, Terraform, Kubernetes, Docker, GitHub Actions, AWS, Google Cloud
用人经理四秒钟就能读完，并判断出你是一名能运维基础设施的数仓建模型工程师，还是一名会建模的流处理平台型工程师。两种都能被录用。而当你的条目说的是另一回事，却假装自己是第三种人——机器学习工程师——这才是简历被搁到一边的原因。
2026 年职位描述中通常出现的“必需”与“优先”：
| 通常必需 | 常见优先 |
|---|---|
| SQL 和 Python，并有生产管道经验 | 用于大规模 Spark 和 Flink 的 Scala 或 Java |
| 一种云数仓或湖仓（Snowflake、BigQuery、Databricks、Redshift） | 在它们之间迁移的经验，或同时运维两种 |
| 一种编排器（Airflow、Dagster、Prefect），以及 dbt 或同等的转换层 | 具备 exactly-once 投递的流处理（Kafka、Flink、Kinesis） |
| 数据建模：维度建模、规范化建模，以及各自的适用场景 | Data Vault、湖仓表格式（Iceberg、Delta、Hudi） |
| 数据质量测试与监控 | 数据目录、血缘、治理工具、受监管数据的经验 |
| 云基础（IAM、对象存储、网络基础） | Terraform 或 Kubernetes 的所有权、成本管理 |
哪些认证在数据工程师简历上仍然有分量？
比大多数软件岗位更有分量，因为主导技术栈的厂商自己办考试，用人经理也认得它们。但生产环境的证据仍然胜过任何证书。以下内容均于 2026 年 10 月在厂商页面核实。
- Google Cloud Professional Data Engineer。 两小时考试，40 到 50 道单选和多选题，$200（如适用另加税费）。Google 建议具备三年以上行业经验，其中至少一年在 Google Cloud 上设计和管理解决方案；没有先修要求。有效期两年；续证考试一小时、20 题、$100。职位描述提到 BigQuery、Dataflow 或 Pub/Sub 时相关。
- AWS Certified Data Engineer – Associate。 130 分钟，65 题，$150，单选和多选。AWS 对理想候选人的描述是：相当于两到三年数据工程或数据架构经验，以及一到两年 AWS 服务的实操经验。有效期三年。职位描述提到 Glue、Redshift、EMR、Kinesis 或 Athena 时相关。
- Databricks Certified Data Engineer Associate。 45 道计分题，90 分钟，$200，选择题，有效期两年，没有先修要求。考试权重：数据转换与建模 22%，数据接入与加载 21%，Lakeflow Jobs 16%，治理与安全 15%。任何提到 Databricks 或 Delta Lake 的职位描述都相关。
- Databricks Certified Data Engineer Professional。 59 道计分题，120 分钟，$200，选择题，有效期两年。侧重用 Python 和 SQL 开发数据处理代码（22%）以及成本与性能优化（13%）。值得写在高级湖仓岗位的简历上；只有 Associate 并不能撬动一份高级简历。
- SnowPro Core Certification (COF-C03)。 每次考试 $175。Snowflake 建议具备六个月以上的 Snowflake 使用经验。Snowflake 认证路径的入口；职位描述把 Snowflake 列为数仓时相关。
- SnowPro Advanced: Data Engineer (DEA-C02)。 每次考试 $375。Snowflake 建议具备两年以上在生产环境中担任数据工程师的实操经验。这才是能让高级 Snowflake 候选人脱颖而出的那一张。
选与职位描述平台匹配的那一个。六张都有，说明你擅长考试；只持有目标公司正在用的那一张，说明你周一就能上手。按厂商的写法列出全名并注明获得年份；招聘人员搜索的是精确名称。课程证书（训练营、MOOC）要么在最底部用一行带过，要么不写；它们撬不动有经验候选人的简历，还会稀释初级候选人的简历。
2026 年数据工程师的收入是多少？
三个来源，三个不同的群体。用与你所申请公司匹配的那一个。
| 来源 | 群体 | 数字 |
|---|---|---|
| 美国劳工统计局（U.S. Bureau of Labor Statistics），Occupational Outlook Handbook | 数据库管理员与架构师，这一联邦职业分类中的架构师“为系统和应用设计并构建新的数据库”（2025 年共 144,500 个岗位，其中架构师 69,500 个） | 年薪中位数 $126,760（2025 年 5 月）；数据库架构师：最低 10% 低于 $86,240，最高 10% 高于 $204,000；2025 至 2035 年预计增长 4% |
| Built In | 其平台上美国公司数据工程师的自报数据，2026 年 | 平均基本工资 $125,983；平均额外现金 $24,251；平均总薪酬 $150,234；中位数 $120,000；报告区间最高 $300K；经验不足一年 $97,540，七年以上 $141,418 |
| Levels.fyi | 数据方向软件工程师的已验证 offer，美国，3,070 份提交，2026 年 10 月更新 | 总薪酬中位数 $171,000；第 25 百分位 $125,400；第 75 百分位 $237,000；第 90 百分位 $327,000 |
为什么联邦这一行用的是数据库管理员与架构师：Occupational Outlook Handbook 没有数据工程师条目，最接近的两个职业是这一个和软件开发人员。同一手册中软件开发人员的中位数是 $134,040（2025 年 5 月），覆盖 1,905,400 个岗位，2025 至 2035 年预计增长 10%；如果你在科技公司的头衔是“Software Engineer, Data”，那才是更贴近的参照。架构师一行列入表格，是因为它第 10 到第 90 百分位的区间（$86,240 到 $204,000）与大型科技公司之外的数据工程岗位给出的薪资相符。
如何理解这些差距：BLS 覆盖整个经济体，包括政府、高校、保险公司和医院；Built In 偏向风投支持的和中型科技公司，它的中位数 $120,000 低于平均数 $150,234，说明存在一条很长的右尾；Levels.fyi 偏向大型科技公司，股票在那里是总薪酬的重要组成部分。Built In 按经验的拆分也值得注意：从不足一年（$97,540）到七年以上（$141,418），差距约 45%，这正是有经验的候选人争取平台、Staff 或架构师头衔，而不是同名再升一级的原因。
如何把这些用到简历上：不要在页面上写薪资数字。用它来判断你在哪个区间竞争，并确保你的条目拿出了该区间所期待的证据。$237,000 的 offer——Levels.fyi 的第 75 百分位——几乎不会给一份没有数据量、成本或可靠性数字的简历。
哪些错误会让数据工程师简历被拒？
罗列工具，而不是管道。 “有 Spark、Airflow、Snowflake、dbt 经验”是每个申请者都写得出来的一行。要描述管道：数据源、数据量、调度节奏、消费者、什么坏了、你修了什么。
“负责 ETL。” 负责不是成就。说清这个 ETL 搬运了什么、多久一次、多快，以及在你接手前后它的成本各是多少。
用分析师的框架写工程岗位。 搭了多少仪表盘、交付了多少报表、支持了多少业务方，这些属于分析师简历。对数据工程师岗位来说，仪表盘是消费者；你的条目是它底下的那张表以及它的新鲜度 SLA。
描述平台，而不是你在其中的那一部分。 “参与过一个每天处理 100 亿条事件的平台”告诉读者的是公司的规模，不是你的。你负责的是哪个组件，在你负责期间它的数字发生了什么变化？
隐藏的格式问题。 双栏排版、图片里的文字和技能条形图都会让解析器出错。发送前检查你的简历会被如何解析；修复通常只需五分钟。至于文件上传后会经历什么，参见2026 年申请人跟踪系统的工作原理。
把 SQL 埋起来。 有些候选人觉得 SQL 太基础就不写。每一份职位描述都列出它，每一位招聘人员都搜索它，没有这个词的简历就会错失匹配。
没有“从哪里”的迁移条目。 “把数仓迁移到 Snowflake”只是半句话。从什么迁的、多少数据、花了多久、下线了什么、省了多少。难点就在“从哪里”，读者心里清楚。
不同类型的公司，简历应该如何调整？
初创公司（种子轮到 B 轮）。 广度和速度。展示你亲手搭起数仓、编排器、转换层和第一批质量测试，并且早早做出了成本决策。一条关于选择更简单的工具、为公司省下一份供应商合同的条目会很加分。
已规模化的科技公司。 在某一层的深度，以及对可靠性的严谨。展示 SLA、值班轮换、事故复盘和跨团队的 schema 协商。用每天的事件数、存储的 PB 数或服务的表数来说明规模，并点明你负责的组件。
大型企业（金融、医疗、保险、零售）。 治理和血缘。提到数据目录、访问控制、PII 处理、保留与删除管道、审计追踪，以及任何受监管数据的经验（HIPAA、SOX、GDPR）。从本地系统迁移到云数仓的经验在这里是很强的信号。
咨询公司和代理机构。 跨客户技术栈的广度，以及按期交付的记录。写出行业、平台和每个项目的成果。认证在这个领域最有分量，因为客户会点名要求。
数据平台厂商及其合作伙伴。 在那一个平台及其认证路径上的深度构成了简历的主体；该生态中的社区贡献、演讲和开源工作应放在靠前的位置。
数据工程师简历应该多长，顺序如何安排？
六年左右经验以内一页；超过之后两页。顺序：概述、技能（四行）、工作经历（倒序，每段经历三到六个条目）、精选项目或开源（仅当它们能补充证据时）、教育背景和认证放最后。只有应届毕业生才把教育背景往前放；只有职位描述把某项认证列为必需时才把认证往前放。
在工作经历部分，每段经历的第一个条目应该是数字最大的那一个。招聘人员读第一个条目，其余只是扫一眼；让第一条撑起整段经历。
让你的 LinkedIn 资料与简历保持一致：相同的头衔、相同的日期、标题里相同的技术栈。在 ATS 里找到你的招聘人员会先看 LinkedIn 再打电话；参见LinkedIn 个人资料优化指南。
常见问题
数据工程师简历和分析工程师简历有什么区别？
2026 年两个头衔相互重叠，ATS 匹配的是技能而不是头衔。分析工程师的职位描述围绕转换层（dbt、SQL 建模、语义层、测试），更靠近分析师；数据工程师的职位描述在此之上增加了接入、流处理、编排和基础设施。如果你的工作两者都覆盖，就在概述里说明，申请数据工程师岗位时把接入和基础设施的条目放在前面，申请分析工程师岗位时把建模和测试的条目放在前面。
数据工程师应该附上 GitHub 或作品集链接吗？
如果里面有评审者五分钟内能读完的东西，就附：一个有文档的管道仓库、一个带测试的 dbt 项目，或者对 Airflow、dbt、Spark、Iceberg 等生态项目的贡献。如果只是一个装着课程 notebook 的文件夹，就不附。一个有力的链接胜过一个有四十个仓库的主页。
数据工程师简历需要多少关键词才能通过 ATS？
没有神奇的数字。用精确的术语覆盖职位描述中的必需技能，长短两种写法都用（ETL 和 extract, transform, load；CDC 和 change data capture），并确保每个关键词都出现在能表明你用过它的句子里。大多数系统按匹配质量和时效排序，而在 ATS 里搜索的招聘人员输入的是精确字符串；参见招聘人员如何在 ATS 内搜索。
要被录用为数据工程师，我需要计算机科学学位吗？
不需要。与这个职位最接近的联邦职业分类将学士学位列为典型的入门学历，而 2026 年的职位描述普遍接受任何定量学科的学位加上生产经验，中级岗位甚至只看经验。许多数据工程师来自数据分析、数据库管理或后端开发；决定简历成败的是交付过的管道，不是学历那一行。
如果我的公司只做批处理，如何展示流处理经验？
不要编造。展示相邻的技能：增量模型、变更数据捕获、幂等重跑、迟到数据处理和新鲜度 SLA，这些正是流处理团队要解决的同一类问题。如果你用 Kafka 或 Flink 做过概念验证，就把它作为项目列出并写明范围，而不是当作生产经验。
数据工程师简历上应该写 AI 或 LLM 相关工作吗？
真实存在的话就写：为模型构建的特征管道、生成并存储的 embedding、构建并持续刷新的检索语料库，或者由你负责的评估数据集。这些都是数据工程工作。把它们写成带数据量和新鲜度数字的管道，而不是“接触过 AI”。如果你想要的岗位在模型那一侧，AI 工程师简历指南说明了有哪些不同。
相关指南
参考来源
- U.S. Bureau of Labor Statistics, Occupational Outlook Handbook: Database Administrators and Architects — 年薪中位数 $126,760（2025 年 5 月），2025 年 144,500 个岗位（架构师 69,500 个），数据库架构师第 10 和第 90 百分位工资，2025–35 年预计增长 4%，典型入门学历。
- U.S. Bureau of Labor Statistics, Occupational Outlook Handbook: Software Developers, Quality Assurance Analysts, and Testers — 年薪中位数 $134,040（2025 年 5 月），2025 年 1,905,400 个岗位，2025–35 年预计增长 10%。
- Levels.fyi: Data Software Engineer salaries, United States — 总薪酬中位数 $171,000；第 25、75 和 90 百分位；3,070 份提交（2026 年 10 月 11 日更新）。
- Built In: Data Engineer salary in the US — 平均基本工资 $125,983，额外现金 $24,251，总薪酬 $150,234，中位数 $120,000；按经验拆分（2026 年）。
- Google Cloud: Professional Data Engineer certification — 考试时长、题量、价格、建议经验、有效期、续证考试细节。
- AWS Certified Data Engineer – Associate — 130 分钟，65 题，$150，建议经验，三年有效期。
- Databricks Certified Data Engineer Associate — 45 题，90 分钟，$200，两年有效期，各领域权重。
- Databricks Certified Data Engineer Professional — 59 题，120 分钟，$200，两年有效期，各领域权重。
- Snowflake: SnowPro Core Certification (COF-C03) — 每次考试 $175，建议具备六个月以上 Snowflake 经验。
- Snowflake: SnowPro Advanced: Data Engineer (DEA-C02) — 每次考试 $375，建议具备两年以上生产环境数据工程经验。
