Analytics Engineer Sênior

Stefanini · Brazil · posted today ago

engineering javascript python data remote jobs in brazil

Listing supplied by Himalayas. 101 Careers did not originate this post and applications are handled by the employer.

About this role

No Grupo Stefanini, acreditamos no poder da colaboração. Co-criamos soluções inovadoras em parceria com nossos clientes, combinando tecnologia de ponta, inteligência artificial e a criatividade humana. Estamos na vanguarda da resolução de problemas de negócios, proporcionando impacto real em escala global.

Ao se juntar à Stefanini, você se torna parte de uma jornada global de transformação. Estamos empenhados em criar impacto positivo não apenas nos negócios, mas também na vida de nossos colaboradores. Se você procura uma oportunidade de crescimento profissional em uma empresa que valoriza inovação, respeito, autonomia e parceria, você encontra aqui!

Junte-se a nós e seja parte da mudança!

Sobre a posição

Como Analytics Engineer Sênior, você liderará a refatoração e padronização da nossa camada de transformação no GCP. Sua missão é erradicar consultas SQL monolíticas ("código espaguete") e lógicas duplicadas, implementando engenharia de software aplicada ao SQL (Dataform/dbt), testes de qualidade embutidos e templates que servirão de base para nossa aceleração via IA (Antigravity).

Responsabilidades

Modularidade de Desenvolvimento: Definir e implementar os padrões de engenharia SQL no BigQuery utilizando Dataform (com desenvolvimento de pacotes/macros em JavaScript/TypeScript) e/ou dbt (Jinja/Python), estruturando camadas claras de transformação, reuso de código, modelagem dimensional/denormalizada eficiente (uso estratégico de STRUCT e ARRAY) e padrões estritos de cargas incrementais (incremental tables com merge/insert-overwrite por partição), evitando full-refreshes desnecessários e garantindo idempotência nos reprocessamentos.
Qualidade de Dados Automatizada: Implementar frameworks de Data Quality (assertions no Dataform / Dataplex Auto Data Quality) e o padrão arquitetural Write-Audit-Publish (WAP) no BigQuery, garantindo que dados recém-processados sejam auditados e que anomalias, quebras de chave ou atrasos de SLA acionem Circuit Breakers e bloqueiem a propagação de dados corrompidos antes de serem expostos às views de consumo final.
Padrões para Geração via IA: Estruturar os modelos e templates de transformação de excelência, mantendo um repositório de "Few-Shot Examples" (exemplos canônicos de Staging, Intermediate e Marts) perfeitamente documentados que servirão de contexto para o Antigravity gerar novos modelos de dados de forma padronizada.
Camada Semântica e Self-Service: Trabalhar próximo às áreas consumidoras para desenhar camadas semânticas e Data Marts otimizados no BigQuery (via Views Autorizadas, Tabelas Agregadas e Materialized Views aceleradas pelo BI Engine) para ferramentas de visualização (especialmente Looker Studio), garantindo alta performance, baixo custo de leitura e consistência absoluta de KPIs mesmo em ferramentas que não possuem camada de modelagem centralizada nativa.

Requisitos Técnicos

Domínio absoluto de SQL avançado no BigQuery (Window Functions / QUALIFY, manipulação avançada de UNNEST / ARRAY_AGG, scripting procedural) e ferramentas modernas de transformação modular: Dataform (incluindo JavaScript para geração dinâmica de SQL) e/ou dbt (Jinja).
Experiência profunda em modelagem de dados para Cloud Data Warehouses (Kimball adaptado para bancos colunares, One Big Table com campos aninhados RECORD/REPEATED, modelagem histórica Slowly Changing Dimensions - SCD Tipo 2, técnicas de Partition Pruning, Clustering em chaves de alta cardinalidade e modelagem incremental para redução de bytes escaneados e consumo de slots).
Experiência com integração, catalogação e otimização de fontes de dados para ferramentas de BI, com destaque para Looker Studio e BI Engine (uso de Materialized Views, pré-agregações, gerenciamento de concorrência e prevenção de queries full-scan disparadas por filtros mal configurados no Looker Studio).
Vivência comprovada na criação de testes automatizados de dados (schema tests, testes de integridade referencial, detecção de anomalias de volume e atualização).

Competências comportamentais

Ponte entre Negócio e Engenharia: Você possui excelente articulação verbal e visual para traduzir regras de negócio complexas em modelos de dados limpos — e sabe explicar essa estrutura tanto para um diretor comercial quanto para um engenheiro de dados.
Rigor Técnico com Pragmatismo: Você tem uma obsessão saudável por código limpo, modular e bem documentado, sabendo evangelizar boas práticas de Analytics Engineering de forma consultiva e colaborativa.
Mentalidade de Produto (Data-as-a-Product): Você enxerga tabelas e camadas semânticas como produtos que precisam de SLA, documentação clara e confiança do usuário final.
Pensamento Analítico e Investigativo: Capacidade de realizar análises de causa raiz (RCA) rápidas quando divergências de números surgem entre sistemas legados e a nova camada semântica.

Diferenciais

Experiência na migração de pipelines legados (Stored Procedures monolíticas ou queries agendadas no BigQuery) para arquiteturas modulares no Dataform/dbt.
Conhecimento em ferramentas de camada semântica dedicada (LookML / Looker, Cube, dbt Semantic Layer) ou design de métricas padronizadas.
Experiência em análise de grafo de linhagem (DAG) para identificação de gargalos críticos de SLA e refatoração de dependências circulares ou excessivamente profundas.