Vaga de Analista Programador

O que esperamos que você tenha:1+ experiência prática com dbt (idealmente cloud) construindo, refatorando e mantendo camadas de transformação em nível de habilidades em sql, python e modelagem de dados, com uma compreensão clara de data warehousing e arquitetura de dados com fluxos de trabalho de desenvolvimento assistidos por ia (cursor, windsurf, claude code) para multiplicar a produtividade da engenharia e acelerar as sobre camada semântica e compreensão de como as definições de métricas governadas se assentam sobre uma camada de irá se destacar se tiver: experiência com bigquery, incluindo ajuste de desempenho de consultas (tuning) e otimização de com ferramentas de orquestração (prefect, airflow, dbt cloud, etc.).experiência com looker studio, tableau, powerbi ou plataformas modernas semelhantes de bi/em fintechs, setor de pagamentos ou ambientes regulamentados onde a precisão dos dados e a governança trazem consequências reais para o de desenvolvimento de camada semântica (cube, dbt semantic layer, boring layer).Como analytics engineer, você será responsável, junto à área de engenharia de dados, por aprimorar e manter a camada de transformação de dados da franq a base da qual dependem todos os relatórios, métricas governadas, análises self-Service e recursos que alimentam a inteligência artificial. Seu trabalho adicionará riqueza semântica, estrutura e governança aos dados, garantindo que cada modelo seja documentado, testado e descrito de uma forma que tanto humanos quanto agentes de ia possam interpretar e confiar. A análise agêntica (agentic analytics) está chegando rápido, e esta função existe para ajudar a garantir que a base de dados da franq esteja pronta para isso.O seu papel será:assumir a propriedade da camada de transformação (dbt + prefect) refatorando, impondo as melhores práticas e evoluindo nossa stack de dados para um padrão de e impor padrões de codificação (incluindo codificação para agentes), testes sistemáticos e documentação como padrões obrigatórios aplicados em todos os modelos de o desempenho do data warehouse e a eficiência de custos, identificando e resolvendo padrões de consulta e escolhas de materialização que geram gastos a base para o self-Service alimentado por ia, garantindo que os modelos carreguem a riqueza semântica e a documentação de que os agentes precisam para retornar respostas e orientar analistas sobre as melhores práticas de engenharia de analytics, elevando o padrão de engenharia em toda a equipe.