Ingeniero de Datos Staff

• Experiencia sustancial en ingeniería de datos o analytics engineering, con responsabilidad en producción de un almacén de datos y una capa de transformación. Nos importa más la evidencia de responsabilidad que los años de experiencia.

• ClickHouse en producción.

• dbt a nivel de responsabilidad: modelos incrementales, snapshots, tests, macros, CI/CD. Idealmente, habrás heredado el proyecto dbt de otra persona y lo habrás dejado mejor de como lo encontraste.

• Ingeniería de datos con Python: herramientas de EL, S3, orquestación basada en CI de la que hayas sido responsable de extremo a extremo, sin un equipo de plataforma detrás de ti.

• Flujos de eventos de producto: PostHog, Amplitude, Segment, Mixpanel o similares. Entiendes cómo se rompe la identidad de usuario a empresa y la asociación de grupos, y qué impacto tiene eso en cada métrica downstream.

• Has definido un KPI de negocio de extremo a extremo y lo has defendido ante personas no técnicas. Este es nuestro factor diferenciador. Un ingeniero excelente que acepta los requisitos tal cual se le dan no es el perfil adecuado para este puesto.

• Rigor analítico: cohortes, denominadores correctos, tamaño de la muestra indicado antes de los hallazgos. Dirás "aún no podemos saberlo, y esta es la razón exacta" en lugar de producir un gráfico con excesiva confianza.

• Actúas sin esperar a un ticket, y puedes mencionar algo que decidiste dejar de hacer.

• Te sientes cómodo ante stakeholders senior, incluyendo perfiles C-level, y puedes mantener una postura técnica sin perder la atención del grupo.

• Ubicado dentro de CET +/-2.

• Deseable: administración de herramientas de BI (usamos Metabase), sistemas de CRM y facturación como fuentes de datos, específicamente dlt, trabajo de eliminación de datos basado en GDPR, Grafana, alemán, o experiencia en el dominio B2B SaaS y legal-tech.

• Deseable: estás acostumbrado a que colegas no técnicos consulten datos mediante herramientas de IA, y diseñas en consecuencia.

Buscamos un Staff Data Engineer para unirte a una de las empresas de legal tech con IA de más rápido crecimiento en Europa. Te harás responsable técnico de la plataforma de datos que sustenta nuestra actividad: los pipelines, el almacén de datos y las definiciones detrás de las cifras que utiliza nuestro equipo directivo.

Dependerás de nuestro Head of Engineering y trabajarás junto a un compañero que se encarga de la parte de datos orientada al negocio, además de nuestros ingenieros de infraestructura y aplicaciones. Es un puesto senior de contribución individual sin gestión de personas en ninguna dirección: aproximadamente un 70% de trabajo práctico de construcción y un 30% de definición, documentación y explicación.

JUPUS da soporte a cientos de despachos de abogados en toda Europa, y nuestra base de clientes crece aproximadamente un 4x al año. Nuestra plataforma de datos ha crecido con ella (ClickHouse, pipelines de extracción-carga en Python hacia un data lake en S3, orquestación con GitHub Actions) y lo ha hecho rápido.

Tu trabajo es hacerla fiable. Eso significa modernizar lo que ya existe, convertir las tendencias históricas en un registro de lo que ocurrió realmente en lugar de una re-derivación nocturna de ello, y ser responsable de las definiciones detrás de las métricas que llegan a nuestro consejo. No es un proyecto greenfield, ni un puesto de mantenimiento. Es una plataforma real con problemas reales, y tú serías su responsable.

• Responsabilidad total de la plataforma de datos de extremo a extremo: la ingesta y la capa raw, el almacén ClickHouse y el proyecto dbt sobre este. Serás la persona capaz de decir si un número es erróneo o si lo es el pipeline.

• Hacer que nuestros números sean fiables: fiabilidad, corrección y un historial sólido, de modo que una tendencia sea un registro de lo que realmente ocurrió en lugar de una rederivación de lo mismo.

• Ser responsable de las métricas sobre las que opera la empresa, empezando por nuestro customer health score: la definición, el denominador, las reglas de elegibilidad y las limitaciones conocidas, no solo el SQL que hay debajo.

• Convertir preguntas de negocio en métricas duraderas: trabajar directamente con Customer Success, Ventas, Producto y la dirección para entender qué intentan decidir realmente, y luego construir algo lo suficientemente sólido como para tomar decisiones con ello.

• Mantener bajo control el coste y la complejidad a medida que crecemos: arquitectura del almacén, coste de las consultas y las interfaces que entregan datos a la BI y a nuestro CRM. Todo esto se vuelve más difícil a medida que la base de clientes se multiplica.

• Establecer el estándar de cómo se trabaja con datos aquí: una definición escrita autorizada por cada número visible para la dirección, y las convenciones que informan a nuestra función de Datos a medida que crece con nosotros.