Pessoa Analytics Engineer Sênior — Foco em Modularidade, Camada Semântica & Qualidade (GCP)

Estamos buscando uma pessoa que ouse protagonizar com a gente.

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.

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). Desejável: 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.