Data Scientist

Design, lead, and evolve corporate data architecture, ensuring quality, scalability, and readiness for advanced analytics and AI. Act as the technical reference for the Data & BI area and work closely with the Data & BI lead, who owns the business vision and prioritization.

Main responsibilities

Data Engineering and Architecture

• Design and maintain end-to-end data architecture (sources, ingestion, transformation, consumption).

• Define data models oriented to analytical consumption and data products, not just reporting.

• Evolve the Data Warehouse / Lakehouse toward a scalable and maintainable model.

• Establish modeling standards (dimensional, semantic layer, certified datasets).

Automate data pipelines

• Design automated, robust, and observable data pipelines.

• Eliminate manual processes, ad-hoc scripts, and fragile dependencies.

• Implement error control, automatic retries, and alerting.

• Guarantee SLAs for data freshness, availability, and quality.

Data quality and governance

• Define and implement data quality rules with automatic validations.

• Ensure traceability, lineage, and consistency of data.

• Collaborate on defining Data Contracts and standards for datasets.

• Actively participate in data governance alongside the Data & BI lead.

Readiness for advanced analytics and AI

• Prepare datasets suitable for analytical models and machine learning (historical, granularity, features).

• Lead pilots for forecasting, scoring, or other predictive models of value.

• Establish the foundations of MLOps: versioning, reproducibility, and deployment to production.

• Facilitate the integration of analytical results into business processes.

Technical leadership

Act as the technical reference for the Data team

• Raise the team's technical level through best practices and code reviews.

• Make technical decisions on the "how" (architecture, tools, patterns), aligned with the area's objectives.

• Collaborate in a structured way with BI, business stakeholders, and IT.

Essential requirements

• More than 5 years of experience in Data Engineering or Analytics Engineering.

• Advanced SQL.

• Solid experience in:

• Data Warehouse / Lakehouse

• Dimensional modeling

• ETL / ELT pipelines

Desirable

• Power BI (semantic model and datasets, not just visualization).

• Cloud stack (preferably Azure).

• Python, Spark, dbt, or equivalent tools.

• Experience preparing data for ML / AI use cases.

Organizational relationship

• Reports to: Data & BI Lead

• Collaborates with: BI / Reporting, business stakeholders, IT / Systems

• Does not lead business prioritization; leads execution and technical design.

• Product mindset, not just project-based.

• Ability to structure, prioritize, and simplify.

• Technical rigor with a pragmatic approach.

• Ability to identify and anticipate scalability issues.

⸻

• Data stability and reliability.

• Reduction of manual incidents and rework.

• Improved time-to-data.

• Team capacity to evolve beyond reporting.

• Technical foundation ready for data products and advanced analytics.

⸻

⸻

⸻

⸻

⸻

⸻

⸻

Technical requirements

⸻

Diseñar, liderar y evolucionar la arquitectura de datos corporativa, garantizando calidad, escalabilidad y preparación para analítica avanzada e IA. El rol actúa como referente técnico del área de Data & BI y trabaja en estrecha colaboración con el responsable of Data & BI, que lidera la visión de negocio y la priorización.

Responsabilidades principales

Data Engineering y Arquitectura

• Diseñar y mantener la arquitectura de datos end-to-end (orígenes, ingesta, transformación y consumo).

• Definir modelos de datos orientados a consumo analítico y data products, no únicamente a reporting.

• Evolucionar el Data Warehouse / Lakehouse hacia un modelo escalable y mantenible.

• Establecer estándares de modelado (dimensional, capa semántica, datasets certificados).

Automatización de pipelines de datos

• Diseñar pipelines de datos automáticos, robustos y observables.

• Eliminar procesos manuales, scripts ad-hoc y dependencias frágiles.

• Implementar control de errores, reintentos automáticos y alertas.

• Garantizar SLAs de frescura, disponibilidad y calidad del dato.

Calidad del dato y gobernanza técnica

• Definir e implantar reglas de calidad del dato con validaciones automáticas.

• Asegurar trazabilidad, linaje y consistencia de los datos.

• Colaborar en la definición de Data Contracts y estándares de datasets productivos.

• Participar activamente en la gobernanza del dato junto al Head of Data & BI.

Preparación para analítica avanzada e IA

• Preparar datasets aptos para modelos analíticos y de machine learning (históricos, granularidad, features).

• Liderar pilotos de forecasting, scoring u otros modelos predictivos de valor.

• Diseñar las bases de MLOps: versionado, reproducibilidad y paso a producción.

• Facilitar la integración de resultados analíticos en procesos de negocio.

Liderazgo técnico

• Actuar como referente técnico del equipo de Data.

• Elevar el nivel técnico del equipo mediante buenas prácticas y revisión de soluciones.

• Tomar decisiones sobre el "cómo" técnico, alineado con los objetivos del área.

• Colaborar de forma estructurada con BI, negocio e IT.

Imprescindibles

• Más de 5 años de experiencia en Data Engineering o Analytics Engineering.

• SQL avanzado.

• Experiencia sólida en:

• Data Warehouse / Lakehouse

• Modelado dimensional

• Pipelines ETL / ELT

Deseables

• Power BI (modelo semántico y datasets, no solo visualización).

• Stack cloud (preferiblemente Azure).

• Python, Spark, dbt u herramientas equivalentes.

• Experiencia preparando datos para casos de uso de ML / IA.

Relación organizativa

• Reporta a: Data & BI STL

• Colabora con: BI / Reporting, stakeholders de negocio, IT / Sistemas

• No lidera la priorización de negocio; lidera la ejecución y el diseño técnico.

• Mentalidad de producto, no solo de proyecto.

• Capacidad de estructurar, priorizar y simplificar.

• Rigor técnico con enfoque pragmático.

• Capacidad de identificar y anticipar problemas de escalabilidad.

⸻

• Estabilidad y fiabilidad del dato.

• Reducción de incidencias manuales y retrabajo.

• Mejora del time-to-data.

• Capacidad del equipo para evolucionar más allá del reporting.

• Base técnica preparada para data products y analítica avanzada.

⸻

⸻

⸻

⸻

⸻

⸻

⸻

Requisitos técnicos

⸻