Engineer sênior

**Missão** Ser responsável por desenvolver, testar, implantar, monitorar e manter processos que forneçam dados para análises. A missão inclui criar pipelines ponta a ponta — desde a ingestão até a distribuição — garantindo eficiência, governança, escalabilidade e aderência às demandas do negócio. \_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_ **Responsabilidades** • Participar da definição e desenho de soluções para projetos de médio impacto, alinhando necessidades dos stakeholders e colaborando com o time de produto digital. • Colaborar com times de produtos digitais, influenciando decisões de arquitetura e estratégias de integração de dados. • Implementar checks de qualidade, políticas de housekeeping e controles de acesso, seguindo as melhores práticas de engenharia de dados. • Desenvolver e realizar manutenção em fluxos de dados que combinem soluções já conhecidas e novos desafios, avaliando oportunidades de otimização. • Avaliar, definir e implementar modelos de dados que garantam armazenamento, acesso e manipulação eficientes. • Participar ativamente dos ritos estabelecidos pela liderança da squad, colaborando com a eficácia da atividade. \_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_ **Requisitos Técnicos** • Experiência em Azure (Data Lake, Functions, Data Factory, Synapse ou serviços equivalentes). • Vivência com Databricks e desenvolvimento de pipelines distribuídos. • Sólidos conhecimentos em PySpark. • Experiência com Airflow e orquestração de pipelines. • Conhecimento em DevOps (CI/CD, versionamento, automação de deploy). • Construção e manutenção de jobs e processos de dados em produção. • Conhecimentos em modelagem de dados (dimensional, relacional, data vault etc.). \_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_ **Diferenciais (não obrigatórios)** • Experiência com componentes reutilizáveis e bibliotecas internas. • Ter participado de projeto de analytics na Ambev • Familiaridade com ambientes de ML Ops. • Vivência com governança de dados (catalogação, lineage, políticas).