Templat Deskripsi Pekerjaan Data Architect - Panduan 2026

Oleh Kevin Kim · Diperbarui 6 September 2026

Seorang Data Architect merancang bagaimana data organisasi dimodelkan, disimpan, dan dikelola, sehingga setiap dashboard dan sistem hilir mengambil dari satu struktur tepercaya, bukan enam versi kebenaran yang saling bertentangan. Jabatan ini mencakup wilayah yang lebih luas daripada kebanyakan: dipakai untuk orang yang memegang model data enterprise perusahaan, untuk orang yang merancang cloud warehouse beserta lapisan pemodelannya, dan, cukup sering, untuk senior data engineer yang diberi jabatan lebih besar tanpa cakupan yang lebih besar. Itu tiga pekerjaan berbeda dengan tiga standar perekrutan yang berbeda. Panduan ini menarik garis di antara ketiganya, lalu membangun templat di sekitar versi yang paling banyak direkrut perusahaan saat ini: platform architect yang memutuskan bagaimana Snowflake, BigQuery, atau Databricks distrukturkan di bawah segala hal lainnya.

Sorotan Utama

• Satu jabatan, tiga pekerjaan: "Data Architect" mencakup pemilik model data enterprise, perancang platform cloud, dan senior data engineer dengan jabatan lebih besar, dan masing-masing membutuhkan deskripsi pekerjaan yang berbeda
• Data upah federal benar-benar memisahkan gajinya: BLS melaporkan median terpisah untuk database architect dibandingkan database administrator, perbedaan yang dikaburkan oleh sebagian besar lowongan kerja
• Memegang lapisan pemodelan, bukan hanya platform: memilih antara pola dimensional (star schema Kimball) dan Data Vault 2.0, lalu menetapkan standar yang menjadi acuan para data engineer
• Tata kelola bergeser dari proyek sampingan menjadi tugas inti: data contract, pelacakan lineage, dan alat katalog kini menjadi tanggung jawab harian, bukan proyek yang akan datang
• Tumbuh lebih cepat daripada bidang database di sekitarnya: proyeksi federal menunjukkan pertumbuhan pekerjaan khusus architect jauh melampaui sisi administrator dari okupasi yang sama
• Berada di atas pipeline, tetapi bekerja di dalamnya: biasanya melapor kepada Chief Data Officer atau VP of Data Engineering, tetapi bermitra setiap hari dengan data engineer, DBA, dan analis

Mengapa Peran Ini Penting

Setiap perusahaan yang tumbuh melampaui segelintir spreadsheet akhirnya membutuhkan seseorang yang memutuskan, dengan sengaja, bagaimana data dibentuk. Tanpa orang itu, bentuknya terjadi secara kebetulan: satu tim membangun tabel pelanggan dengan satu cara, tim lain membangun versi paralel dengan definisi "aktif" yang berbeda, dan tiga dashboard akhirnya tidak sepakat tentang angka yang sama di hadapan eksekutif yang sama. Data Architect bertanggung jawab mencegah hal itu, dan memperbaikinya dengan cepat ketika tetap terjadi.

Platform di balik pekerjaan ini tumbuh cukup cepat sehingga keputusan arsitektur hari ini membawa konsekuensi bertahun-tahun. Pasar data warehousing global diproyeksikan tumbuh dari $37,42 miliar pada 2025 menjadi $43,48 miliar pada 2026, dan menjadi $79,15 miliar pada 2030, dengan compound annual growth rate sebesar 16,2 persen, menurut Data Warehousing Global Market Report dari The Business Research Company (diperbarui September 2026). Setiap dolar dari belanja itu mendarat pada struktur yang dirancang seseorang, dan keputusan struktural yang buruk hanya semakin mahal untuk dibongkar seiring waktu.

Pekerjaan ini juga berubah bentuk seiring adopsi AI. 2026 State of Analytics Engineering Report dari dbt Labs (terbit April 2026) menemukan bahwa kepercayaan pada data melonjak dari tingkat kepentingan 66 persen pada 2025 menjadi 83 persen pada 2026, sementara 72 persen tim memprioritaskan penulisan kode berbantuan AI tetapi hanya 24 persen yang memprioritaskan manajemen pipeline dan kontrol kualitas berbantuan AI. Kepemilikan data yang ambigu tetap di angka 41 persen, tidak berubah dari tahun ke tahun. Kesenjangan antara output dan stabilisasi itulah yang justru ingin ditutup oleh seorang Data Architect: bukan satu pipeline lagi, melainkan kepemilikan atas arti dari kepemilikan itu sendiri.

Data Architect: Tiga Pekerjaan, Satu Jabatan

Templat panduan ini menyasar baris tengah, versi yang paling sering direkrut perusahaan saat ini. Jika Anda membutuhkan ragam enterprise, beratkan Persyaratan ke tata kelola dan fasilitasi pemangku kepentingan dibandingkan kedalaman platform secara langsung, dan arahkan pelaporan peran ini langsung kepada Chief Data Officer Anda. Jika seorang hiring manager menggambarkan pekerjaan yang persis seperti peran Data Engineer dengan permintaan gaji yang lebih besar, sebutkan hal itu secara langsung alih-alih menggelembungkan jabatan untuk menyelesaikan masalah kompensasi.

Templat Deskripsi Pekerjaan Utama

Layak dibaca sekilas terlebih dahulu: panduan praktik terbaik deskripsi pekerjaan kami. Templat di bawah ini secara default mengikuti ragam platform dan warehouse architect yang dijelaskan di atas; sesuaikan bagian Persyaratan jika Anda merekrut untuk varian enterprise atau senior engineer.

Tentang Peran Ini

Kami mencari Data Architect untuk memegang bagaimana data kami dimodelkan, disimpan, dan dikelola di seluruh platform data cloud kami. Anda akan merancang struktur warehouse dan lake yang menjadi sandaran setiap dashboard dan sistem hilir, memutuskan kapan suatu subject area membutuhkan pemodelan dimensional dibandingkan pendekatan Data Vault, dan menetapkan standar yang menjadi acuan tim data engineering kami. Ini bukan peran strategi yang lepas tangan: bersiaplah menghabiskan waktu nyata di dalam platform, meninjau skema, menyetel biaya dan performa, serta berpasangan dengan para engineer pada pipeline yang mengimplementasikan rancangan Anda.

Anda akan bekerja erat dengan data engineering, analitik, keamanan, dan tim bisnis yang bergantung pada angka tepercaya, mengubah kekusutan sistem sumber dan definisi yang saling bertentangan menjadi model yang dapat dijadikan landasan. Bersiaplah membela keputusan di hadapan pemangku kepentingan yang mencari jalan pintas dari tata kelola, dan sama seringnya menjaga agar tata kelola tidak menjadi alasan untuk memperlambat segalanya hingga merangkak.

Kandidat ideal pernah mengalami satu metrik bermakna tiga hal berbeda di tiga sistem, atau migrasi yang tampak sederhana sampai dependensi hilir keempat muncul, dan tetap ingin mengerjakan pekerjaan ini. Anda akan melapor kepada Chief Data Officer atau VP of Data Engineering kami, dan bermitra setiap hari dengan data engineer, database administrator, dan analis yang bekerja di dalam model yang Anda bangun.

Tanggung Jawab Utama

• Desain Model Data: Merancang model konseptual, logis, dan fisik di seluruh warehouse dan lake, memilih antara pola dimensional (star schema Kimball) dan Data Vault 2.0 berdasarkan kebutuhan audit dan kecepatan perubahan
• Arsitektur Platform: Memegang keputusan arsitektur untuk platform data cloud, baik Snowflake, BigQuery, maupun Databricks, termasuk partisi, clustering, dan tata kelola biaya seiring bertambahnya volume
• Standar Pemodelan: Menetapkan konvensi yang menjadi acuan data engineer dan analytics engineer, agar lima tim berhenti menciptakan lima cara memodelkan entitas pelanggan yang sama
• Data Contract: Mendefinisikan schema contract antara sistem sumber dan warehouse, agar perubahan produk di hulu tidak lagi diam-diam merusak dashboard berminggu-minggu kemudian
• Tata Kelola, Lineage, dan Katalog: Memegang alat lineage dan katalog yang memungkinkan seseorang menelusuri sebuah angka ke sumbernya tanpa harus mengirim pesan kepada Anda
• Kepemilikan Master Data: Mendefinisikan sumber kebenaran tunggal untuk entitas inti seperti pelanggan, produk, dan akun, serta bagaimana masing-masing dipetakan di sistem-sistem paralel
• Keamanan Sejak Desain: Membangun kontrol akses dan keamanan tingkat baris atau kolom ke dalam model itu sendiri, bermitra dengan database administrator yang mengoperasikan instans sehari-hari
• Integrasi Lintas Sistem: Merancang bagaimana sistem operasional, data pihak ketiga, dan aliran event masuk ke dalam model tanpa menduplikasi logika bisnis
• Tinjauan Teknis dan Mentoring: Meninjau model data yang diusulkan data engineer dan SQL developer, serta membimbing tim dalam mempertimbangkan tradeoff
• Dokumentasi: Menjaga model data enterprise, glosarium, dan diagram lineage tetap cukup mutakhir sehingga data analyst baru dapat memakainya tanpa penjelasan dua jam

Persyaratan

Kualifikasi Wajib:

• Gelar sarjana di bidang ilmu komputer, sistem informasi, atau bidang teknis terkait, atau pengalaman yang setara
• 6+ tahun di bidang data engineering, administrasi database, atau pemodelan data, termasuk sebagian kepemilikan tingkat arsitektur
• Kefasihan SQL yang mendalam dan pengalaman arsitektur langsung pada setidaknya satu platform data cloud besar (Snowflake, BigQuery, atau Databricks)
• Pengalaman praktis dengan pemodelan dimensional dan pola Data Vault, serta pertimbangan kapan masing-masing cocok
• Pengalaman mendefinisikan data contract atau tata kelola skema antara sistem sumber dan warehouse pusat
• Pengetahuan kerja tentang alat katalog data, lineage, atau manajemen metadata
• Kemampuan menjelaskan tradeoff pemodelan kepada data engineer dan pemangku kepentingan bisnis, dalam dua kosakata yang berbeda
• Pemahaman tentang keamanan data, kontrol akses, dan kerangka kepatuhan yang relevan dengan industri Anda

Kualifikasi yang Diutamakan:

• Pengalaman dengan dbt atau kerangka transformasi serupa di antara raw warehouse dan lapisan yang telah dimodelkan
• Pengalaman sebelumnya sebagai Database Administrator atau Data Engineer sebelum beralih ke arsitektur
• Latar belakang di industri teratur (jasa keuangan, kesehatan) dengan persyaratan tata kelola terkait
• Familiar dengan data mesh atau model kepemilikan berorientasi domain, meskipun belum diadopsi secara formal
• Paparan terhadap infrastruktur penyaji AI, berkoordinasi dengan AI Solutions Architect di perusahaan yang memilikinya
• Sertifikasi relevan (SnowPro, Google Professional Data Engineer, Databricks Certified Data Engineer)

Yang Kami Tawarkan

• Kompensasi Kompetitif: Gaji pokok yang selaras dengan data pasar untuk level Anda, dirinci dalam Panduan Kompensasi di bawah
• Tunjangan Komprehensif: Asuransi kesehatan, gigi, dan penglihatan, ditambah 401(k) dengan pendampingan perusahaan
• Platform Data Modern: Keputusan arsitektur dibuat di atas stack cloud terkini, bukan skema warisan tak terdokumentasi selama satu dekade
• Pengaruh Nyata: Keputusan pemodelan dan tata kelola Anda membentuk setiap dashboard dan pipeline yang dibangun setelah Anda bergabung, bukan diagram yang teronggok di wiki
• Pengembangan Profesional: Anggaran untuk sertifikasi platform, konferensi, dan pelatihan berfokus pemodelan
• Pengaturan Kerja Fleksibel: Opsi hybrid atau remote tergantung tim dan level peran

Variasi Konteks

Lingkungan Korporat

Di organisasi yang lebih besar, bersiaplah menghadapi komite tata kelola formal, banyak unit bisnis dengan definisi metrik yang saling bertentangan, dan jadwal perubahan model yang lebih panjang karena lebih banyak sistem yang bergantung padanya. Migrasi platform besar sering berjalan berdampingan dengan implementation manager yang mengoordinasikan peluncuran di berbagai departemen, sementara Anda memegang apakah model targetnya benar. Alat katalog dan lineage biasanya sudah tersedia, sehingga pekerjaannya lebih condong ke penegakan standar dan negosiasi dengan pemangku kepentingan daripada membangun dari lembar kosong.

Lingkungan Startup

Di perusahaan tahap awal, Data Architect sering menjadi perekrutan data senior pertama, memilih platform warehouse awal dan membangun model data nyata pertama dari nol. Bersiaplah agar peran ini melebur ke data engineering, dan kadang ke pekerjaan PostgreSQL developer ad hoc di sisi transaksional, sampai tim cukup besar untuk memisahkan tanggung jawab. Kenyamanan dengan data yang tidak sempurna dan bergerak cepat lebih penting daripada skema ternormalisasi sempurna yang terlambat satu kuartal.

Lingkungan Remote atau Hybrid

Data Architect remote lebih banyak bersandar pada architecture decision record tertulis daripada sesi whiteboard langsung, karena dokumen yang jelas yang menjelaskan mengapa sebuah model berbentuk demikian menghemat selusin rapat di masa depan. Penjelasan asinkron tentang tradeoff pemodelan harus bisa berdiri sendiri tanpa penjelasan lisan untuk menambal celahnya. Tumpang tindih zona waktu dengan tim data engineering yang paling terdampak oleh keputusan Anda layak dipertimbangkan selama proses wawancara.

Pertimbangan Industri

Keterampilan arsitektur inti dapat dipindahkan antarindustri, tetapi pola pemodelan mana yang unggul, dan seberapa besar beban tata kelola yang menyertainya, bergeser menurut sektor.

Panduan Kompensasi

Bagaimana Data Federal Dipetakan ke Jabatan Ini

U.S. Bureau of Labor Statistics mengelompokkan pekerjaan ini di bawah Database Administrators and Architects (SOC 15-1245), melaporkan median upah tahunan gabungan sebesar $126.760 (Mei 2025). Tidak seperti kebanyakan jabatan dalam koleksi ini, BLS memisahkan keduanya: Database Architect memiliki median $139.500, sedangkan Database Administrator berada di $104.620, menurut BLS Occupational Outlook Handbook, Database Administrators and Architects (data upah Mei 2025). Selisih itu saja menjelaskan mengapa data gaji "database" generik meremehkan biaya sebenarnya dari perekrutan berjabatan architect.

Angka pertumbuhannya sejalan. BLS memproyeksikan okupasi gabungan tumbuh 4 persen dari 2025 hingga 2035, kira-kira setara rata-rata, dengan sekitar 7.300 lowongan per tahun dari 144.500 total pekerjaan, tetapi pemisahan internalnya menunjukkan architect tumbuh 9 persen sementara administrator datar di 0 persen. Halaman O*NET untuk Database Architects (kode 15-1243.00) menambah gambaran: 66.900 orang bekerja pada 2024, sekitar 4.000 lowongan per tahun hingga 2034, penetapan Bright Outlook, dan 76 persen lowongan mensyaratkan minimal gelar sarjana.

Permintaan terus naik karena belanja platform terus berlipat, dan belanja alat tata kelola berlipat lebih cepat lagi: pasar tata kelola data global diproyeksikan tumbuh dari $5,38 miliar pada 2026 menjadi $24,07 miliar pada 2034, CAGR 20,50 persen, menurut laporan Data Governance Market dari Fortune Business Insights (diperbarui Agustus 2026). Seseorang harus memegang model tempat alat itu bertumpu, dan itulah peran ini.

Kompensasi Pasar Berdasarkan Level Pengalaman

Rentang di bawah ini adalah estimasi pasar yang ditetapkan pemberi kerja, dibangun di sekitar acuan BLS dan O*NET terverifikasi di atas serta jenjang senioritas standar pada peran arsitektur data. Perlakukan sebagai rentang perencanaan, bukan kutipan dari satu database gaji mana pun.

Panduan Penyesuaian Metro

Yang menggeser penawaran tertentu: industri (jasa keuangan dan teknologi membayar di atas median), seberapa dalam kepemilikan platform, apakah tanggung jawab katalog dan lineage digabungkan, dan seberapa langsung model terkait dengan risiko regulasi atau pelaporan pendapatan.

Matriks Persyaratan Level Pengalaman

Pertanyaan Wawancara

Pertanyaan Teknis/Fungsional

1. Tradeoff Pemodelan: "Kapan Anda akan memilih pemodelan dimensional dibandingkan Data Vault 2.0 untuk subject area baru, dan apa yang akan mengubah pikiran Anda?"
2. Desain Platform: "Rancang lapisan warehouse untuk perusahaan yang memproses lima miliar event per hari di tiga lini produk. Platform apa yang akan Anda pilih, dan mengapa?"
3. Data Contract: "Bagaimana Anda akan mendefinisikan dan menegakkan schema contract antara tim produk hulu dan warehouse?"
4. Tata Kelola dalam Praktik: "Seorang VP menginginkan akses baca ke data pelanggan mentah untuk analisis sekali pakai. Bagaimana Anda mengevaluasi dan menanggapinya?"
5. Perencanaan Migrasi: "Gambarkan perencanaan migrasi dari warehouse on-premises ke platform cloud tanpa merusak pelaporan selama enam bulan."
6. Performa dan Biaya: "Kueri sebuah tim akurat tetapi tagihan warehouse naik tiga kali lipat kuartal ini. Bagaimana Anda menyelidikinya?"
7. Konflik Master Data: "Dua sistem tidak sepakat tentang apa yang dihitung sebagai 'pelanggan aktif.' Bagaimana Anda menyelesaikannya di tingkat model, bukan di dalam satu dashboard?"
8. Lineage dan Kepercayaan: "Bagaimana Anda akan membuat seorang analis baru memercayai angka dashboard tanpa bertanya langsung kepada Anda?"

Pertanyaan Perilaku

1. "Ceritakan model data yang Anda rancang yang kemudian harus dikerjakan ulang. Apa yang Anda pelajari?"
2. "Gambarkan saat Anda menolak permintaan pemangku kepentingan karena masalah tata kelola atau keamanan."
3. "Uraikan perbedaan pendapat dengan data engineer atau DBA tentang keputusan arsitektur. Bagaimana penyelesaiannya?"
4. "Ceritakan integrasi enterprise paling kompleks yang pernah Anda pegang dari awal hingga akhir."
5. "Gambarkan saat Anda mewarisi model data yang bukan rancangan Anda. Bagaimana Anda memutuskan untuk mempertahankan atau menggantinya?"
6. "Ceritakan pengalaman membangun konsensus di berbagai tim sebelum merilis keputusan arsitektur."

Pertanyaan Kecocokan Budaya

1. "Bagaimana Anda menyeimbangkan kemurnian arsitektur dengan realitas tim yang digerakkan tenggat?"
2. "Seperti apa hubungan yang sehat antara arsitektur data dan data engineering sehari-hari?"
3. "Bagaimana Anda menyikapi tim yang secara rutin menyiasati model yang Anda rancang?"
4. "Apa satu keputusan arsitektur yang akan Anda buat secara berbeda jika Anda memulai peran ini dari awal?"

Tips Evaluasi: Carilah kandidat yang menjelaskan sebuah tradeoff dengan bahasa sederhana, bukan sekadar menyebut polanya. Jawaban yang kuat mencakup sistem, pemangku kepentingan, dan konsekuensi yang spesifik, bukan klaim umum "memperbaiki model data." Waspadai siapa pun yang berkeras bahwa satu pendekatan pemodelan selalu benar, atau yang pernah berjabatan "Architect" tetapi tidak dapat menunjuk keputusan tingkat perusahaan yang pernah ia buat.

Tips Perekrutan

Panduan Pencarian Kandidat Singkat

• LinkedIn: Cari jabatan seperti "Data Architect," "Enterprise Data Architect," atau "Analytics Architect," difilter menurut platform cloud target Anda
• Komunitas Platform: Grup pengguna Snowflake, Databricks, dan BigQuery serta direktori sertifikasi memunculkan orang yang bekerja dengan platform tersebut setiap hari
• Komunitas Berfokus Pemodelan: Grup berfokus Data Vault dan Kimball, ditambah komunitas Slack dbt, menarik orang yang berpikir dalam tradeoff, bukan satu pola
• Jalur Promosi Internal: Data engineer dan DBA terkuat Anda sering menjadi kandidat terbaik; perhatikan siapa yang sudah secara informal membuat keputusan pemodelan lintas tim

Tanda Bahaya yang Harus Dihindari

• Hanya fasih alat: Hafal konsol platform cloud di luar kepala tetapi tidak dapat menjelaskan mengapa sebuah model berbentuk demikian
• Tanpa cerita tata kelola: Tidak dapat menggambarkan keputusan kontrol akses atau data contract nyata yang pernah dibuatnya
• Berpikir satu pola: Berkeras bahwa pemodelan dimensional, atau Data Vault, selalu benar, tanpa pemahaman kapan yang lain lebih cocok
• Jabatan tanpa cakupan: Pernah berjabatan "Architect", tetapi menggambarkan pekerjaan yang identik dengan senior data engineer, tanpa keputusan tingkat perusahaan yang dapat ditunjuk
• Tidak bisa menjelaskan keputusan yang keliru: Tidak ada contoh keputusan arsitektur yang tidak berhasil, atau apa yang akan diubahnya