קריירת Analytics Engineer בישראל — המדריך המלא 2026

Analytics Engineer הוא תפקיד היברידי שגישר בין Data Engineer ל-Data Analyst: הוא בונה ומתחזק את שכבת המודלים והטרנספורמציות שהופכת דאטה גולמי לנתונים נקיים ואמינים לניתוח. התפקיד נשען חזק על SQL — טכנולוגיה עם 133 משרות פעילות ב-HiTakeJob — ועל כלים כמו dbt ו-BigQuery. זהו אחד התפקידים הצומחים ביותר בעולם הדאטה הישראלי.

מה עושה Analytics Engineer?

ה-Analytics Engineer יושב בדיוק במרכז ה-pipeline של הדאטה. אחרי שמהנדס הדאטה הביא את המידע הגולמי ל-Data Warehouse, וה-Analytics Engineer נכנס לתמונה: הוא בונה מודלים של דאטה (data models), כותב טרנספורמציות ב-SQL, מבטיח איכות ובדיקות אוטומטיות, ומכין שכבת נתונים אמינה ומתועדת שממנה אנליסטים ומקבלי החלטות שולפים תובנות. במילים אחרות — הוא מיישם עקרונות הנדסת תוכנה (בקרת גרסאות, בדיקות, מודולריות) על עבודת הדאטה של האנליסטים.

הצמיחה של התפקיד נובעת ממהפכת ה-Modern Data Stack: מחסני נתונים ענניים כמו BigQuery ו-Snowflake הפכו את הטרנספורמציה לזולה ומהירה, וכלים כמו dbt נתנו מסגרת מסודרת לניהול המודלים. כתוצאה, נוצר צורך בתפקיד ייעודי שמתמקצע בשכבה הזו.

Analytics Engineer מול Data Engineer מול Data Analyst

הבלבול בין שלושת התפקידים נפוץ. הטבלה מבהירה את החלוקה:

היבט	Data Engineer	Analytics Engineer	Data Analyst
מיקוד עיקרי	Pipelines ותשתית	מודלים וטרנספורמציות	תובנות וניתוח
כלים מרכזיים	Airflow, Spark, Kafka	SQL, dbt, Warehouse	SQL, BI, Excel
תוצר	דאטה זמין ואמין	שכבת מודלים נקייה	דוחות והמלצות
רקע נפוץ	הנדסת תוכנה	אנליסט + הנדסה	אנליטיקה / כלכלה

בקצרה: Data Engineer דואג שהדאטה יגיע, Analytics Engineer דואג שהוא יהיה מודל נקי ואמין, ו-Data Analyst מפיק ממנו החלטות. ה-Analytics Engineer הוא הגשר — לרוב אנליסט שהתחזק בהנדסה, או מהנדס שהתקרב לצד העסקי. להשוואה מעמיקה על תפקיד מהנדס הדאטה, ראו קריירת Data Engineer בישראל.

הכלים והכישורים הנדרשים

הליבה של התפקיד היא שליטה עמוקה בכלים הבאים:

• SQL מתקדם: הכישור החשוב ביותר. CTEs, window functions, אופטימיזציה. זהו הבסיס לכל טרנספורמציה. הביקוש עצום — ראו 133 משרות SQL בישראל.
• dbt (data build tool): הכלי המזוהה ביותר עם התפקיד. ניהול מודלים, בדיקות, תיעוד ובקרת גרסאות של שכבת הטרנספורמציה.
• Data Warehouse ענני: BigQuery, Snowflake או Redshift. הבנת ארכיטקטורה, עלויות ואופטימיזציה. ראו 16 משרות BigQuery.
• Git ובקרת גרסאות: ה-Analytics Engineer מתייחס לקוד ה-SQL כמו למוצר תוכנה, כולל code review ו-CI.
• עקרונות מידול דאטה: star schema, נורמליזציה, שכבות (staging, intermediate, marts).
• הבנה עסקית: תרגום דרישות של מקבלי החלטות למודלים נכונים.

שכבות ה-Modern Data Stack וההתמקצעות

כדי להבין איפה ה-Analytics Engineer יושב, כדאי להכיר את שכבות ערימת הדאטה המודרנית. הטבלה מסכמת את השכבות ומי אחראי על כל אחת:

שכבה	מה קורה בה	אחראי עיקרי
Ingestion (קליטה)	העברת דאטה ממקורות למחסן	Data Engineer
Storage (אחסון)	Data Warehouse ענני	Data Engineer
Transformation (טרנספורמציה)	מודלים, ניקוי, בדיקות ב-SQL/dbt	Analytics Engineer
Analysis (ניתוח)	דוחות, dashboards, תובנות	Data Analyst

ה-Analytics Engineer שולט בשכבת הטרנספורמציה — הלב של ה-stack. זו הסיבה ששליטה ב-SQL וב-dbt היא קריטית, ושהתפקיד נחשב טכני יותר מ-Data Analyst אך ממוקד-עסק יותר מ-Data Engineer.

איך נראה יום עבודה טיפוסי

כדי להמחיש את התפקיד, נניח תרחיש נפוץ: צוות המוצר מבקש מדד חדש — "כמה משתמשים חדשים נשארים פעילים אחרי 30 יום". ה-Analytics Engineer מתחיל בהבנת ההגדרה העסקית המדויקת (מה נחשב "פעיל"? מה נחשב "חדש"?), ממפה אילו טבלות במחסן מכילות את הנתונים, בונה מודל dbt שמחשב את המדד בשכבות (staging → intermediate → mart), כותב בדיקות אוטומטיות שמוודאות שאין כפילויות או ערכים חסרים, מתעד את המודל כדי שאנליסטים יבינו איך הוא מחושב, ולבסוף מעלה את הקוד ל-Git עם code review. התוצר — מדד אמין, מתועד ובדוק שכל הארגון יכול להסתמך עליו. זהו בדיוק ההבדל בין דאטה "שעובד" לדאטה שאפשר לסמוך עליו.

מסלול כניסה לתפקיד

יש שני מסלולים עיקריים להגיע ל-Analytics Engineering:

• מ-Data Analyst: המסלול הנפוץ. אנליסט שכבר חזק ב-SQL לומד dbt, בקרת גרסאות ועקרונות הנדסיים, ומתקדם לתפקיד. זהו מעבר טבעי למי שאוהב את הצד הטכני של האנליטיקה.
• מ-Data Engineer: מהנדס דאטה שרוצה להתקרב לצד העסקי ולעבוד יותר על מודלים ופחות על תשתית טהורה.

למי שמתחיל מאפס, המסלול המומלץ הוא: ללמוד SQL ברמה גבוהה, לבנות פרויקט קצה-לקצה עם dbt מול BigQuery (יש שכבות חינמיות), ולהראות בפורטפוליו מודל דאטה מסודר עם בדיקות ותיעוד. שילוב של אלו מדגים בדיוק את מה שהתפקיד דורש.

טעויות נפוצות בכניסה לתחום

• להתמקד רק בכלים ולא בעקרונות: dbt הוא כלי, אבל מה שחשוב הוא הבנת מידול דאטה נכון. כלי בלי עקרונות מייצר מודלים מבולגנים.
• SQL שטחי: הרבה מועמדים יודעים SELECT בסיסי אך מתקשים ב-window functions ובאופטימיזציה — בדיוק מה שהתפקיד דורש.
• התעלמות מבקרת גרסאות: ה-Analytics Engineer עובד כמו מהנדס תוכנה. מי שלא מכיר Git ו-code review יתקשה.
• ניתוק מהעסק: מודל טכני מושלם שלא עונה על שאלה עסקית אמיתית הוא חסר ערך. חובה להבין את הקונטקסט.
• הזנחת בדיקות ותיעוד: מודל בלי בדיקות ותיעוד הוא חוב טכני. זו נקודת בידול מרכזית של התפקיד.

מתי חברה בכלל צריכה Analytics Engineer

לא כל חברה מגייסת Analytics Engineer, והבנת מתי הצורך נוצר עוזרת למקד את החיפוש. בחברות קטנות בשלב מוקדם, לרוב Data Analyst אחד או מפתח backend מטפלים גם בשכבת המידול, כי היקף הדאטה קטן. הצורך בתפקיד ייעודי מתעורר כשהחברה גדלה: מספר האנליסטים עולה, כל אחד כותב שאילתות SQL משלו, ומתחיל בלגן — מדדים מוגדרים בכמה דרכים שונות, אין מקור אמת יחיד, וקשה לסמוך על המספרים. בשלב הזה, Analytics Engineer שבונה שכבת מודלים מרכזית, מתועדת ובדוקה, הופך להשקעה משתלמת שחוסכת שעות עבודה כפולה ומונעת החלטות שגויות על בסיס דאטה לא אמין. המשמעות למחפש עבודה: התפקיד נפוץ יותר בחברות SaaS ומוצר בשלב צמיחה או בשלות, ופחות בסטארט-אפ בן חמישה אנשים. מיקוד החיפוש לחברות בפרופיל הנכון מגדיל את שיעור ההצלחה. אפשר לראות את היקף הביקוש הכללי בתחום במשרות SQL ובמשרות BigQuery.

שכר וביקוש (הערכת שוק)

Analytics Engineering הוא תפקיד צומח עם ביקוש גובר, במיוחד בחברות SaaS ומוצר עם צוותי דאטה בשלים. השכר (הערכת שוק) נמצא לרוב בין זה של Data Analyst לבין זה של Data Engineer, ונוטה לגבוה יותר ככל שהניסיון ב-dbt ובמידול עולה. הביקוש מעוגן בעובדה ש-SQL היא אחת הטכנולוגיות המבוקשות בישראל, עם 133 משרות פעילות. לפירוט שכר בתחומי דאטה, ראו שכר מפתחים בישראל לפי תפקיד.

התפתחות בקריירה: לאן ממשיכים

Analytics Engineering הוא לא רק תפקיד כניסה אלא נקודת מוצא לכמה מסלולי צמיחה. אפשרות אחת היא התמקצעות והתקדמות ל-Senior Analytics Engineer ואז ל-Analytics Engineering Lead, שמוביל את שכבת המידול בארגון וקובע סטנדרטים ומתודולוגיה. מסלול שני הוא מעבר ל-Data Engineering "מלא", למי שנמשך יותר לתשתית, ל-pipelines ולעבודה עם Spark ו-Kafka. מסלול שלישי הוא תפקיד היברידי של Data Platform או Analytics Lead שמשלב אחריות טכנית וניהולית. היתרון של ה-Analytics Engineer הוא שהוא נמצא בצומת — הוא מבין גם הנדסה וגם עסק, מה שפותח בפניו טווח רחב של אפשרויות. להשוואה עם מסלולי דאטה נוספים, ראו קריירת Data Engineer בישראל.

איך נראה ראיון ל-Analytics Engineer

ראיון לתפקיד Analytics Engineer שונה מראיון פיתוח קלאסי ומראיון Data Analyst. הוא נוטה לשלב כמה רכיבים: שאלות SQL מעשיות ברמה גבוהה — לרוב תרגיל שדורש window functions, joins מורכבים ואופטימיזציה, ולא רק SELECT בסיסי. תרחיש מידול — יציגו בעיה עסקית ויבקשו לתאר איך תבנו את שכבות המודל (staging, intermediate, marts) כדי לענות עליה. שאלות על dbt ובקרת גרסאות — איך מנהלים בדיקות, תיעוד ו-code review. ושאלות עסקיות — איך מתרגמים דרישה עמומה של מנהל למודל נתונים מדויק. הטיפ המרכזי: הכינו דוגמאות קונקרטיות מפרויקטים שלכם, והדגישו לא רק "מה בניתם" אלא "איך ווידאתם שהמודל אמין ומתועד" — זו נקודת הבידול של התפקיד. להעמקה בשאלות SQL, אפשר להיעזר גם בחומרי הכנה כלליים לתחום הדאטה.

מיני-צ'קליסט: מוכנים ל-Analytics Engineering?

• שולטים ב-SQL מתקדם (CTEs, window functions, אופטימיזציה).
• בניתם לפחות פרויקט אחד עם dbt מקצה לקצה.
• מכירים Data Warehouse ענני אחד (BigQuery/Snowflake).
• עובדים עם Git ומבינים בקרת גרסאות.
• מבינים עקרונות מידול דאטה ושכבות.
• יכולים לתרגם דרישה עסקית למודל נתונים.

למה דווקא עכשיו זמן טוב להיכנס לתחום

Analytics Engineering הוא תחום צעיר יחסית, וזו בדיוק ההזדמנות שבו. עד לפני כמה שנים התפקיד כמעט לא היה קיים כתחום נפרד — הוא צמח יחד עם ה-Modern Data Stack ועם עליית dbt ככלי סטנדרטי. המשמעות היא ששוק המועמדים עדיין לא רווי במומחים ותיקים, ומי שנכנס עכשיו ובונה מומחיות אמיתית ב-dbt, במידול ובבדיקות דאטה יכול למצב את עצמו כמומחה בתחום מבוקש. במקביל, יותר ויותר חברות ישראליות מבינות את הערך של שכבת טרנספורמציה מסודרת, והביקוש רק גדל. הבסיס יציב במיוחד: SQL, שהוא ליבת התפקיד, הוא אחת הטכנולוגיות המבוקשות ביותר בשוק עם 133 משרות פעילות, כך שגם אם רוצים לגוון בעתיד, המיומנות הזו נשארת רלוונטית לאורך שנים. עבור אנליסטים שרוצים להתקדם ועבור מהנדסים שרוצים להתקרב לעסק, זהו תזמון מצוין להשקיע בתחום שנמצא בעקומת צמיחה ולא ברוויה. השילוב של תחום צעיר, ביקוש גובר ובסיס מיומנות עמיד הופך את ההשקעה למשתלמת במיוחד כרגע.

שאלות נפוצות

מה ההבדל בין Analytics Engineer ל-Data Engineer?

Data Engineer בונה את התשתית וה-pipelines שמביאים דאטה למחסן הנתונים (Airflow, Spark, Kafka). Analytics Engineer לוקח את הדאטה הזה ובונה ממנו שכבת מודלים נקייה ואמינה בעזרת SQL ו-dbt. בקצרה: מהנדס הדאטה דואג שהדאטה יגיע, מהנדס האנליטיקה דואג שהוא יהיה מודל שמיש ואמין.

אילו כלים צריך Analytics Engineer?

הליבה היא SQL מתקדם ו-dbt, לצד Data Warehouse ענני (BigQuery, Snowflake או Redshift), Git לבקרת גרסאות, והבנת עקרונות מידול דאטה. SQL הוא הכישור החשוב ביותר — עם 133 משרות SQL פעילות בישראל, זו יכולת יסוד עם ביקוש עצום.

איך נכנסים לתפקיד Analytics Engineer?

שני מסלולים עיקריים: מ-Data Analyst שמתחזק בהנדסה (dbt, Git, מידול), או מ-Data Engineer שמתקרב לצד העסקי. למתחילים מאפס: ללמוד SQL ברמה גבוהה, לבנות פרויקט קצה-לקצה עם dbt מול BigQuery, ולהציג בפורטפוליו מודל דאטה מסודר עם בדיקות ותיעוד.

האם Analytics Engineer מרוויח יותר מ-Data Analyst?

לרוב כן (הערכת שוק). השכר נמצא בדרך כלל בין זה של Data Analyst לבין זה של Data Engineer, ונוטה לגבוה יותר ככל שהניסיון ב-dbt ובמידול דאטה עולה. חשוב לזכור שאין דאטת שכר רשמית — אלו הערכות שוק בלבד.

האם צריך לדעת לתכנת בשפה כמו Python כדי להיות Analytics Engineer?

הליבה של התפקיד היא SQL ו-dbt, לא תכנות כללי. עם זאת, ידע בסיסי ב-Python מועיל למשימות אוטומציה ולעבודה מול APIs, ומרחיב את טווח התפקידים הפתוחים בפניכם. זהו יתרון, לא דרישת חובה בכל משרה.