Analytics Engineer Sênior

О позиции

Omie — одна из самых быстрорастущих технологических компаний Бразилии. Мы ищем опытного аналитического инженера, который поможет структурировать корпоративный слой аналитики, обеспечить единую точку правды по метрикам и построить масштабируемую аналитическую инфраструктуру. Эта позиция находится на пересечении аналитики, продукта и бизнеса — вы будете напрямую влиять на успех новых клиентов и стратегические решения компании через качественные data products и поддержку инициатив по AI.

Чем заниматься

• Разрабатывать и эволюционировать размерные модели и модели, ориентированные на метрики (факты, измерения, аналитические агрегации)
• Структурировать и стандартизировать корпоративные KPI, обеспечивая единое определение и согласованность между отделами
• Строить дата-марты, ориентированные на домены бизнеса
• Определять и поддерживать семантический слой для потребления в BI и аналитических приложениях
• Документировать правила бизнеса и расчёты метрик понятным и аудируемым образом
• Проектировать и развивать продукты данных на основе сертифицированных метрик
• Создавать аналитические датасеты, готовые к использованию в BI, внутренних системах и автоматизациях
• Структурировать надёжные базы для поддержки инициатив AI и предиктивных моделей
• Превращать ручные повторяющиеся аналитики в масштабируемые решения
• Взаимодействовать с бизнес-отделами при разработке решений, ориентированных на данные
• Реализовывать тесты качества в аналитическом слое
• Обеспечивать трассируемость и согласованность метрик
• Поддерживать контроль версионирования и эволюции аналитических моделей
• Обеспечивать adequate производительность для аналитического потребления
• Участвовать в стандартизации и управлении определениями индикаторов

Что ждут

• Высшее образование в области компьютерных наук, инженерии данных или информационных систем
• Подтверждённый опыт работы как Analytics Engineer или Инженер данных
• Профессионализм в Python и SQL для разработки и оптимизации пайплайнов данных
• Глубокое понимание концепций и практик распределённого Big Data с batch и real-time обработкой
• Опыт оптимизации производительности и тюнинга запросов в средах Redshift и Spark
• Знание моделирования данных (реляционное, размерное, lakehouse)
• Знакомство с Git, CI/CD и практиками DataOps/DevOps
• Отличные коммуникативные навыки, техническое лидерство и междисциплинарная коллаборация
• Аналитический склад ума, проактивность и ориентация на результат с высоким техническим качеством

Будет плюсом

• Опыт построения AI-ready аналитической инфраструктуры
• Знание платформ облачной аналитики (AWS, Google Cloud, Azure)
• Опыт внедрения data governance frameworks
• Знакомство с инструментами оркестрации (Airflow, Prefect и подобные)

Условия

• Медицинское страхование (Bradesco Saúde) и стоматологическое (Amil Dental)
• Платформа психического здоровья и телемедицина
• Страховка жизни (Prudential)
• Аптечная скидка
• Финансовая помощь фитнесу
• День рождения в качестве выходного дня
• Гибкий ваучер на питание
• Домашний офис subsidy
• Детский сад subsidy
• Транспортные льготы (VT и fretado)
• Партнёрские скидки (Allya, SwileShop, Dell)
• Образовательные льготы и компенсации путешествий
• Страхование для домашних животных (Pet), SESC, PPRL

Навыки

• Python
• SQL
• Big Data
• Apache Spark
• Amazon Redshift
• Data Modeling
• Dimensional Modeling
• Lakehouse
• Git
• CI/CD
• DataOps
• ETL
• KPI Design
• Semantic Layer
• Data Governance
• Batch Processing
• Real-time Processing
• Data Quality
• BI Integration
• Distributed Computing

Могут спросить на собеседовании

1. Как вы подходите к стандартизации корпоративных KPI и обеспечению их согласованности между различными командами?
2. Расскажите о вашем опыте построения semantic layer или dimensioned models в production environment. С какими сложностями сталкивались?
3. Как вы обеспечиваете качество данных и what metrics используете для monitoring data pipeline reliability?
4. Какой баланс вы устанавливаете между batch и real-time обработкой при проектировании аналитических решений? Приведите пример.
5. Как вы документировали сложные бизнес-правила и metric definitions для обеспечения auditability и team knowledge sharing?