Engenheiro(a) de Dados Especialista
Será que seu currículo passa pelo filtro desta vaga?
Envie seu CV e descubra, em segundos, sua compatibilidade real com Engenheiro(a) de Dados Especialista — o que já atende, e onde seu currículo pode estar perdendo aderência.
Descricao da vaga
Quem nós buscamos?
Buscamos um(a) Engenheiro de Dados cujo sangue é dados, mas que já opera no presente, não no passado.
Alguém que domina fundamentos
Sólidos em engenharia de dados e, ao mesmo tempo, abraça o modern data stack (Snowflake, dbt, Fivetran) e o uso de IA como parte natural do trabalho. Para nós, pipeline bem-feito é aquele em que o time de negócio confia, e não apenas o que processa GBs sem travar.
Vivemos uma virada de mercado: os dados deixaram de servir apenas a dashboards e pessoas e passam a alimentar consumidores autônomos, agentes de IA, motores de decisão e fluxos automatizados que interpretam, raciocinam e agem sobre a informação.
Isso eleva a régua da engenharia de dados: além de confiáveis, os pipelines precisam ser ricos em contexto, semanticamente consistentes e legíveis por máquina.
Responsabilidades e atribuicoes
Responsabilidades e atribuições:
Você entrará em um momento de transição intencional: estamos evoluindo de uma arquitetura Datalake clássica (AWS/PySpark) para um stack mais moderno, orientado à produtividade, governança e IA. Você
Será parte ativa dessa mudança — não apenas executor(a), mas co-arquiteto(a).
Mais do que escrever pipelines, esperamos alguém que atue como designer de sistemas, dono(a) de governança e provedor(a) de contexto para IA, usando IA generativa e agentes de código (ex.: Snowflake Cortex) como alavanca de produtividade no dia a dia. A posição integra a área de Data & Intelligence, com forte trânsito entre Produto, Risco, Financeiro e Engenharia.
Requisitos
O que você precisa conhecer:
- SQL avançado com foco em performance: modelagem dimensional, tuning de queries, particionamento/clustering e leitura de query plans.
- Engenharia de software aplicada a dados: Git, CI/CD, code review e testes automatizados (incluindo data tests).
- ELT em escala: domínio de ferramentas de integração (Fivetran, Airbyte ou similares) e de padrões de ingestão idempotente e incremental.
- Data warehouse em cloud em produção: Snowflake (nosso atual), com experiência transferível de Redshift ou BigQuery incluindo gestão de performance e custo (compute/storage).
- Ownership de qualidade e confiabilidade de dados: data contracts, testes de qualidade, observabilidade e rastreabilidade de linhagem (lineage).
- Modelagem de camadas semânticas (staging, intermediárias, marts) que sustentem tanto BI quanto features para IA.
O que pode alavancar sua aplicação:
- dbt (Core ou Cloud) em produção: modelagem, testes, macros e documentação.
- Domínio de Snowflake além do básico: warehouses, stages, tasks, Streams, Snowpipe e Cortex.
- Orquestração e ambientes event-driven / streaming (Airflow/Dagster, Kafka/Kinesis), cada vez mais exigidos por casos de uso de IA em produção.
- IA/ML aplicada a dados: embeddings, feature stores e pipelines para LLMs e RAG.
- Background em AWS (S3, Glue, Athena, EMR)
- Terraform ou outra IaC Classificação Interna
- Experiência em fintechs ou ambientes de alta criticidade e volume de dados
