Ingeniero de Analytics Sénior

• Experiencia: varios años de experiencia en un rol centrado en datos (por ejemplo, Analytics Engineer, Data Analyst, BI Developer).

• Dominio de SQL: competencia de nivel experto en la escritura y optimización de consultas SQL complejas.

• Herramientas de transformación de datos: es esencial tener experiencia práctica con dbt (Data Build Tool) o frameworks de transformación de datos similares.

• Data Warehousing: experiencia trabajando con almacenes de datos en la nube como Snowflake, Google BigQuery o Amazon Redshift.

• Modelado de datos: sólida comprensión de los conceptos de data warehousing, principios ETL/ELT y técnicas de modelado dimensional.

• Control de versiones: competencia con Git para el desarrollo colaborativo y el control de versiones.

• Familiaridad con herramientas de reporting/BI como Looker.

• Experiencia en Python para automatización, integración y orquestación

• Experiencia con capas semánticas (Semantic layers)

• Experiencia con herramientas de orquestación como Airflow.

• Conocimiento de prácticas modernas de ingeniería de software aplicadas a los datos (por ejemplo, modularidad, revisión de código, pruebas).

Este rol crítico se sitúa en la intersección entre Data Engineering y Data Analytics, centrándose en transformar datos brutos en conjuntos de datos y visualizaciones de alta calidad, fiables y fáciles de consumir para los usuarios de negocio. El candidato ideal poseerá una sólida formación en SQL, dbt, modelado de datos, principios ETL/ELT y experiencia con plataformas de datos en la nube modernas.

Desarrollar y mantener las mejores prácticas de transformación en pipelines ELT: Diseñar, desarrollar y mantener flujos de trabajo eficientes y escalables utilizando herramientas como dbt para transformar los datos brutos cargados en nuestro almacén de datos (Snowflake) en modelos de datos limpios y listos para su uso.

Modelado de datos: Implementar técnicas de modelado de datos e ingeniería de software siguiendo las mejores prácticas para garantizar que las estructuras de datos estén optimizadas para el rendimiento, la precisión y la facilidad de uso en aplicaciones analíticas y de reporting (por ejemplo, CI/CD, pruebas, linaje).

Calidad y pruebas de datos: Escribir controles de calidad de datos, pruebas y scripts de monitorización exhaustivos para garantizar la exactitud, integridad y fiabilidad de todos los activos de datos transformados. Establecer y mantener la documentación de todas las transformaciones y modelos de datos.

Colaboración: Trabajar estrechamente con Data Analysts y usuarios de negocio para comprender sus necesidades de reporting y optimizar los modelos de datos para dar soporte a sus casos de uso analíticos. Colaborar con Data Engineers en estrategias de ingesta de datos y optimización de la plataforma.

Optimización del rendimiento: Ajustar y optimizar consultas SQL y modelos de datos para reducir la latencia y mejorar el rendimiento de nuestro almacén de datos y de las aplicaciones derivadas.

Adopción de herramientas: Impulsar la adopción de herramientas y prácticas de modern data stack (por ejemplo, Git, CI/CD).

Crear visualizaciones de datos escalables y atractivas en Looker que puedan ser utilizadas por equipos grandes.

En Perk, adoptamos un enfoque de "primero la vida real" (IRL-first) en el trabajo, donde nuestro equipo trabaja junto de forma presencial 3 días a la semana. Por ello, este puesto requiere que residas a una distancia de desplazamiento de nuestros centros. Creemos fundamentalmente en el valor de encontrarnos en la vida real para mejorar la conectividad, la productividad, la creatividad y, en última instancia, convertirnos en un gran lugar para trabajar.

Perk es una empresa global con una base de clientes diversa, y queremos asegurarnos de que las personas detrás de nuestro producto la reflejen. Somos un empleador que ofrece igualdad de oportunidades, lo que significa que eres bienvenido en Perk independientemente de tu apariencia, de dónde vengas o cualquier otra cosa que te haga ser tú mismo.