Ingeniero de Business Intelligence II, Optimización de Fulfillment

- Experiencia con visualización de datos utilizando Tableau, Quicksight o herramientas similares

- Experiencia en el uso de SQL para extraer datos de una base de datos o almacén de datos, y experiencia en scripting (Python) para procesar datos para su modelado

- Licenciatura o grado superior en BI, finanzas, ingeniería, estadística, informática, matemáticas, finanzas o un campo cuantitativo equivalente.

- Experiencia con soluciones de AWS como EC2, DynamoDB, S3 y Redshift

- Conocimientos de Microsoft Excel a nivel avanzado, incluyendo: tablas dinámicas, macros, index/match, vlookup, VBA, vínculos de datos, etc.

¿Quieres hacer visible lo invisible, convirtiendo los complejos resultados de los modelos en información clara y procesable que determine cómo Amazon mueve millones de paquetes?

Buscamos un Business Intelligence Engineer para hacerse cargo de la capa de analítica y explicabilidad de los sistemas de Fulfillment Optimization que transforman los planes a nivel de red en señales accionables; sistemas que indican a los centros de preparación de pedidos y a los camiones exactamente con qué rapidez deben fluir los paquetes, cómo debe asignarse la capacidad y cómo debe distribuirse el volumen en toda la red.

En este puesto, tomarás preguntas poco definidas sobre el comportamiento del modelo, la calidad de los resultados y el impacto empresarial, y las refinarás en soluciones analíticas que impulsen las decisiones de tu equipo. Diseñarás y gestionarás pipelines que descompongan los resultados de los modelos en señales interpretables a través de múltiples sistemas de planificación y optimización, crearás cuadros de mando e informes automatizados que detecten anomalías y puntos de inflexión, y desarrollarás las métricas que cuantifiquen cómo la forma y la calidad de los resultados se conectan con el rendimiento del fulfillment, el coste de transporte y la promesa de entrega al cliente. Rastrearás el linaje de los datos desde los sistemas técnicos que generan las entradas, pasando por la transformación del modelo, hasta el consumo final, asegurando que las partes interesadas comprendan no solo lo que dicen los números, sino de dónde vienen. Trabajarás con SQL, Python y los servicios analíticos de AWS para ofrecer soluciones eficientes, verificables y mantenibles que equilibren la velocidad de entrega con la fiabilidad a largo plazo.

Lo que hace que este puesto sea atractivo es la línea directa entre tu análisis y las decisiones operativas. No estarás informando sobre tendencias históricas. Estarás construyendo la base analítica que nos indica si nuestros modelos están produciendo los resultados que esperamos y dónde existen oportunidades de mejora. Colaborarás con equipos de BIE y de analítica en toda la organización para alinearte en enfoques de medición compartidos, conectar tus conocimientos con métricas más amplias a nivel de red y permitir el acceso de autoservicio a los datos subyacentes para que los interesados puedan explorar sin cuellos de botella. Colaborarás con científicos de investigación para validar el comportamiento del modelo, con ingeniería para instrumentar sistemas de observabilidad y con las partes interesadas del negocio para recomendar alternativas y anticipar necesidades futuras. Si te gusta refinar problemas analíticos poco definidos, colaborar con distintos equipos y construir la capa que conecta el comportamiento del modelo con los resultados de negocio, este es tu puesto.

Responsabilidades clave del puesto

- Diseñar y gestionar marcos de explicabilidad que descompongan los resultados de los modelos en múltiples sistemas de Fulfillment Optimization en señales interpretables y accionables para las partes interesadas de ciencia, ingeniería y negocio.

- Construir pipelines analíticos y cuadros de mando que supervisen la forma y la calidad de los resultados, detecten anomalías y cuantifiquen la relación entre el comportamiento del modelo y el rendimiento del fulfillment.

- Colaborar con equipos de BIE y de analítica para alinearse en métricas compartidas, permitir el acceso de autoservicio a los datos y conectar los conocimientos de optimización con los informes a nivel de red.

- Rastrear el linaje de los datos desde los sistemas de origen, pasando por la transformación del modelo, hasta el consumo final, y traducir los hallazgos en recomendaciones que informen las decisiones de priorización del equipo.