Data Platform Engineer
Vaga Afirmativa para Mulheres.

Modelo de trabalho:

📍 Modelo de trabalho 100% remoto

Sobre o time:

O Time de Dados é o alicerce estratégico que transforma dados brutos em inteligência competitiva. Atuamos na fronteira entre tecnologia e negócio, garantindo que a informação seja confiável, acessível e performática e, agora, a fundação de dados para a nossa próxima fronteira: a inteligência artificial generativa aplicada ao negócio. Nosso desafio é construir uma camada de dados robusta que sirva de combustível para que os times de Analytics e Data Science extraiam o máximo valor da nossa plataforma, suportando o crescimento acelerado da companhia com governança e eficiência.

Desafios da posição:

Sua missão será ser a referência técnica em engenharia de dados dentro da GCP, responsável pela espinha dorsal que sustenta todo o consumo analítico da empresa. Você vai arquitetar e implementar pipelines de ingestão e processamento — batch e near real time — sobre BigQuery, definindo os padrões de orquestração, versionamento e infraestrutura como código que o restante do time passa a seguir. Não se trata apenas de entregar pipelines: é desenhar as fundações, os contratos de dados e as ferramentas internas que tornam cada nova fonte e cada novo caso de uso mais barato de construir do que o anterior.

O desafio central é elevar a maturidade da nossa plataforma de dados e preparar o terreno para a nossa estratégia de IA, garantindo confiabilidade, observabilidade e previsibilidade de custo em escala. Você vai construir a camada de base sobre a qual analytics engineers, cientistas de dados e agentes de IA operam com autonomia — com linhagem rastreável, frescor monitorado e acesso governado. Ao final, seja um dashboard, um modelo ou um agente autônomo consumindo os dados, a fonte da informação será única, performática e confiável.

Seu dia a dia na Conta Simples:

• Arquitetar e manter a plataforma de dados na GCP, definindo os padrões de ingestão, processamento e orquestração que sustentam todo o consumo analítico da empresa — de dashboards a agentes de IA.
• Construir e evoluir pipelines de ingestão batch e near real time a partir de bancos transacionais, APIs e eventos, garantindo que novas fontes entrem no BigQuery de forma padronizada e com esforço decrescente.
• Estabelecer contratos de dados e governança de schema, protegendo as camadas de consumo de quebras em upstream e tornando explícito o acordo entre quem produz e quem consome dados.
• Implementar observabilidade de dados ponta a ponta — linhagem, frescor, volume e alertas —, para que falhas sejam detectadas pelo time antes de chegarem ao negócio.
• Tratar infraestrutura como produto, versionando recursos em Terraform, mantendo pipelines de CI/CD e reduzindo o caminho entre uma ideia e um dado disponível em produção.
• Otimizar performance e custo no BigQuery em escala, definindo estratégias de particionamento, clusterização, reservas e monitoramento de consumo para que o crescimento da empresa não vire crescimento proporcional de custo.
• Garantir segurança e privacidade dos dados, implementando controles de acesso, mascaramento e políticas de retenção compatíveis com um ambiente financeiro regulado.
• Atuar como referência técnica e mentor do time, conduzindo decisões de arquitetura, revisões de código e a disseminação de boas práticas de engenharia aplicadas a dados.
• Colaborar diretamente com Analytics Engineering e Data Science, oferecendo a base e as ferramentas para que essas pessoas trabalhem com autonomia, sem depender de você para cada nova entrega.

O que esperamos de você:

• Senioridade técnica para tomar decisões de arquitetura com trade-offs explícitos e influenciar times além do seu próprio.
• Domínio em SQL: capacidade de escrever e depurar queries complexas, performáticas e legíveis.
• Experiência sólida em Python aplicado a dados: construção de pipelines, integrações com APIs e ferramentas internas — com testes e código de qualidade de produção.
• Ecossistema GCP: vivência prática com BigQuery, Cloud Storage, Pub/Sub e serviços de processamento (Dataflow, Dataproc ou equivalentes).
• Orquestração: experiência com Airflow/Cloud Composer, incluindo idempotência, backfills e gestão de dependências.
• Infraestrutura como código e cultura de engenharia: Terraform, Git/GitHub, CI/CD e Code Review como prática cotidiana.
• Modelagem de dados: entendimento de Data Warehousing e modelagem dimensional o suficiente para desenhar camadas que sirvam bem a quem consome.
• Experiência com Dataform ou dbt e com o ciclo de vida de transformações versionadas.
• Confiabilidade e qualidade: prática em testes automatizados de dados, monitoramento e resposta a incidentes.

Será diferencial se você tiver:

• Experiência com processamento em streaming (Pub/Sub, Dataflow, Kafka ou Flink) em cenários de baixa latência.
• Vivência com arquiteturas modernas de plataforma de dados: data mesh, catálogo e discovery, self-service para times de negócio.
• Conhecimento de arquitetura de dados para RAG (Retrieval-Augmented Generation): estruturação de dados e metadados para otimizar a recuperação e o contexto de informações por LLMs.
• Experiência com Kubernetes, containers e práticas de SRE aplicadas a pipelines de dados.
• Vivência no setor financeiro ou fintechs, incluindo requisitos de compliance e auditoria.