Ingeniero de Datos y Analítica

• Sabe tanto de dato como de negocio.

• Escribe SQL, trabaja con herramientas modernas del stack analytics y tiene iniciativa para identificar qué procesos se pueden automatizar o mejorar antes de que alguien se lo pida.

• El stack tecnológico ya está en marcha:

BigQuery como data warehouse

Fivetran para la ingesta

dbt para las transformaciones,

Looker para los dashboards

N8N para automatizaciones.

• Persona con 3-5 años de experiencia en roles similares.

• SQL avanzado: ventanas, CTEs, optimización de consultas en entornos de data warehouse a escala.

• dbt: modelado por capas, macros, tests, documentación, materializations, modelos incrementales.

• Jinja y YAML como lenguajes de trabajo habitual dentro de proyectos dbt.

• BigQuery: diseño de tablas, optimización de costes, particionado, clustering y gestión básica de permisos.

• Python a nivel de scripting y automatización de procesos de datos.

• Git: trabajo con ramas, pull requests y pipelines CI/CD. El stack ya está en Git con CI/CD - se espera que lo use desde el primer día.

• GCP básico: IAM, Cloud Storage, Cloud Scheduler y Cloud Run como orquestador de dbt.

• Looker o herramienta de BI equivalente: construcción de dashboards y capa semántica para autoservicio.

• Metodología star schema / Kimball para el diseño de modelos dimensionales.

• Uso habitual de herramientas de IA (Claude, Gemini, Copilot u otras) como parte del flujo de trabajo, no como curiosidad puntual.

• Capacidad de traducir necesidades de negocio a especificaciones de datos sin intermediarios.

• Mentalidad de autoservicio: construir para que otros puedan usar sin pedir ayuda constante.

• Capacidad de comunicar conceptos técnicos a perfiles no técnicos de forma clara y accionable.

• Actitud proactiva.

• Ganas de aprender y crecer técnicamente.

• VALORABLE

• Experiencia con Fivetran u otra herramienta ELT/CDC para ingesta de datos desde fuentes SaaS.

• Conocimiento de LookML para la capa semántica avanzada de Looker.

• Experiencia con N8N u otras herramientas de automatización low-code.

• Airflow: lectura y mantenimiento de DAGs existentes en Python.

• Experiencia con herramientas de observabilidad y calidad del dato (Elementary - open source sobre dbt, Great Expectations, Monte Carlo).

• Conocimiento de herramientas de internal tools para el desarrollo del portal interno de operaciones (AppSheet, Retool,...).

• Experiencia migrando pipelines legacy (Pentaho, scripts Python ad hoc, Airflow) hacia stacks modernos.

• Machine Learning / modelos predictivos: experiencia con BigQuery ML, scikit-learn o frameworks similares para análisis predictivo sobre datos internos.

• IA aplicada al dato: construcción de flujos que combinan datos internos con modelos de lenguaje (chatbots sobre datos, generación automática de informes narrativos, detección de anomalías con IA).

• Experiencia con herramientas de catálogo de datos más avanzadas: DataHub, Alation o similares.

En Libelium, desarrollamos soluciones tecnológicas innovadoras basadas en datos ambientales a través de gemelos digitales, enriquecidos con información local captada por nuestros dispositivos IoT. Nuestra tecnología permite a las smart cities optimizar sus zonas de bajas emisiones y a infraestructuras críticas mejorar su eficiencia y seguridad mediante la monitorización avanzada del entorno, como en el caso del transporte de la energía eléctrica.

Nuestros dispositivos IoT conectan el mundo físico con el digital a través de nuestro espacio ♾️iris360, impulsando la sostenibilidad, la productividad y la datocratización en empresas y ciudades de más de 120 países.

iris360 es la plataforma core de Libelium: un ecosistema SaaS/On-premise multi-tenant para gestión de datos IoT, Digital Twins y Data Spaces europeos. Se despliega en entornos híbridos (OVH Cloud + AWS) y en instalaciones on-premise en más de 50 ciudades, con clientes que van desde administraciones públicas (Asturias DXC, Cartagena, municipios europeos) hasta organismos internacionales (UNDP, UNECE).

La plataforma crece en módulos (envair360, grid360) y cada nuevo proyecto implica un despliegue replicado de la infraestructura base. Actualmente estamos buscando reforzar el equipo. Creemos firmemente que los datos son el nuevo lenguaje de comunicación entre administraciones, empresas y ciudadanos, facilitando la creación de un impacto positivo en el planeta.

• Nuestra 🎯 MISIÓN: Transformamos datos de empresas y ciudades en decisiones que hacen más sostenible nuestro planeta.

• Nuestra 👁️ VISIÓN: Construir un futuro resiliente, conectado y basado en datos, colaborando con creadores de cambios que comparten nuestros valores.

• Nuestros 💎 VALORES Conectamos la realidad con el conocimiento, impulsamos decisiones con precisión y transformamos los datos en impacto sostenible.

En Libelium, buscamos un/a Data & Analytics Engineer con 3-5 años de experiencia laboral en un puesto similar.

Formarás parte del área de Digital & Data, el motor tecnológico de la compañía:

• Infraestructura

• Automatización

• Datos e IA al servicio del negocio.

Trabajamos con una filosofía de mejora continua e iteración rápida, y buscamos a alguien con ganas de aportar una visión moderna de infraestructura dentro de un equipo pequeño y con impacto directo.

• Te encargarás de actualizar y mantener la capa de datos de la compañía: desde las transformaciones en nuestro data warehouse hasta los dashboards e informes que los equipos usan para tomar decisiones operativas y estratégicas.

• Además, tendrá el rol de habilitar el autoservicio: construir la capa de datos y la formación necesaria para que los equipos de la empresa generen sus propios informes y visualizaciones sin depender de este perfil para cada consulta.

• Diseñar, construir y mantener modelos de datos en dbt sobre BigQuery siguiendo arquitectura por capas (staging, intermediate, marts) y metodología star schema / Kimball.

• Implementar modelos incrementales en dbt para tablas de gran volumen, reduciendo costes de ejecución en BigQuery.

• Mantener el linaje de datos (data lineage) documentado en dbt, de forma que cualquier cambio en una fuente pueda trazarse hasta los dashboards que impacta.

• Traducir necesidades de negocio de los equipos internos (ventas, operaciones, finanzas) en especificaciones de datos accionables y modelos reutilizables.

• Garantizar la calidad, consistencia y trazabilidad del dato corporativo: definir y mantener tests de calidad (not_null, unique, accepted_values, relationships) en dbt.

• Estandarizar datos en la capa de staging: nombres, formatos, enums, campos nulos y duplicados, de forma que los modelos downstream no hereden problemas de origen.

• Mantener el catálogo de datos activo para que cualquier equipo sepa qué datos existen, qué significan, quién los mantiene y cuándo se actualizaron por última vez.

• Monitorizar la calidad del dato de forma continua y actuar ante anomalías antes de que impacten a los equipos o a los informes de dirección.

• Desarrollar y mantener dashboards e informes en Looker para las distintas áreas de la empresa, orientados a la toma de decisiones operativas y estratégicas.

• Construir la capa semántica en Looker que permita a los equipos no técnicos explorar datos, generar sus propias visualizaciones y exportar informes sin necesitar ayuda del equipo de datos para cada consulta.

• Formar a los usuarios internos en el uso de Looker: cómo filtrar, explorar, crear visualizaciones y leer los datos de forma autónoma.

• Realizar análisis ad hoc cuando la dirección necesite responder preguntas que no están en ningún dashboard existente.

• Construir y mantener flujos de automatización con N8N que agilicen procesos del día a día de la compañía.

• Desarrollar y mantener mini-aplicaciones internas (formularios, interfaces, páginas de estado de procesos) que conecten datos con flujos de automatización, como parte del portal interno de operaciones.

• Participar en la evaluación y posible evolución del portal interno actual hacia una solución más robusta y mantenible.

• Gestionar y monitorizar las ejecuciones de dbt en Cloud Run: programación, orden de ejecución, alertas de fallo y notificaciones.

• Gestión básica del entorno GCP en el que vive el stack de datos: permisos IAM, Cloud Storage, Cloud Scheduler.

• Mantener los DAGs de Airflow existentes y migrar los desarrollos legacy hacia la nueva infraestructura, documentando la lógica de negocio en el proceso.

• Documentar en Git todos los desarrollos con mensajes de commit claros, revisiones de código y despliegues a través del pipeline CI/CD existente.