Engenheiro de dados pleno

Atividades: • Apoiar ativamente na definição de requisitos para a área de infraestrutura de TI/Dados, contribuindo com análises técnicas sobre soluções e alternativas propostas, avaliando impactos em performance, custo, escalabilidade e aderência à arquitetura existente; • Atuar com visão crítica moderada, sugerindo melhorias e identificando riscos técnicos, alinhado às diretrizes estabelecidas pelo time sênior e arquitetura corporativa; • Participar do desenho e implementação de arquiteturas de dados de média complexidade, seguindo padrões e diretrizes definidos pela arquitetura corporativa; • Contribuir ativamente para o sucesso dos projetos ao antecipar necessidades, apoiar outras áreas e participar da resolução de divergências técnicas com maturidade e foco em resultados; • Colaborar ativamente na definição e extração de dados provenientes de diferentes fontes para ingestão nas plataformas de Big Data, garantindo aderência aos padrões estabelecidos; • Apoiar a modelagem e organização das estruturas de dados para que estejam apropriadas, acessíveis e disponíveis para consumo, assegurando o alinhamento entre os dados operacionais e os modelos analíticos requeridos; • Apoiar o desenho técnico das soluções, participar da evolução da arquitetura existente e atua na manutenção e melhoria contínua dos sistemas sob sua responsabilidade.

Requisitos • Graduação completa em Ciência da Computação, Sistemas de Informação, Análise e Desenvolvimento de Sistemas e áreas afins; • Experiência prática no desenvolvimento e manutenção de pipelines de dados; • Conhecimento sólido em Python para ETL, manipulação de dados e APIs (Pandas, NumPy, PySpark); • Experiência prática com Spark e/ou Kafka; • Conhecimento em processamento batch e streaming; • Conhecimento em Data Lake, Lakehouse e Data Warehouse; • Domínio de SQL e experiência com bancos relacionais; • Noções de DataOps, versionamento e monitoramento de pipelines;

Desejáveis • Experiência em ambiente regulado (ex: setor financeiro); • Experiência com ferramentas de orquestração (ex: Airflow); • Conhecimento em integração com modelos de ML ou consumo de APIs de IA; • Vivência com ambientes de médio porte e processamento de volumes relevantes de dados.