• Projetar e Desenvolver Pipelines de Dados: Arquitetar, implementar e manter pipelines ETL/ELT escaláveis e de alto desempenho para processar grandes volumes de dados estruturados e não estruturados. • Integração e Processamento de Dados: Construir arquiteturas acionadas por eventos para permitir o processamento de dados em tempo real e a integração perfeita entre sistemas. • Gerenciamento da Infraestrutura em Nuvem: Aproveitar os serviços em nuvem AWS (por exemplo, S3, Redshift, Glue, Lambda, Kinesis, Pentaho) para projetar e implantar uma infraestrutura de dados robusta. • Desenvolvimento e Otimização de Código: Escrever código limpo, eficiente e de fácil manutenção em Python para suportar a ingestão, transformação e orquestração de dados. • Colaboração em Ambientes Ágeis: Trabalhar em estreita colaboração com equipes multifuncionais, incluindo cientistas de dados, analistas e engenheiros de software, seguindo metodologias ágeis para entregar soluções iterativas. • Qualidade e Governança de Dados: Implementar melhores práticas para qualidade de dados, monitoramento e conformidade para garantir a integridade, consistência e segurança dos dados. • Otimização de Desempenho: Otimizar pipelines de dados e consultas em ambientes em nuvem para desempenho, escalabilidade e eficiência de custos. • Mentoria e Liderança: Fornecer orientação técnica aos membros juniores da equipe, promovendo uma cultura de aprendizado contínuo e melhoria. • Documentação e Compartilhamento de Conhecimento: Documentar designs técnicos, processos e fluxos de trabalho para garantir a manutenção e transferência de conhecimento.

• Optimize our existing Snowflake architecture, establishing strict environmental isolation and scalable structures that prepare our data for eventual downstream commercialization and product offerings. • Leverage tools like Snowflake Cortex, Cursor, and UiPath to automate workflows, build semantic models, and deploy agents that accelerate time-to-value. • Implement and manage robust data quality and observability frameworks to ensure pipeline reliability and proactive issue resolution. • Design and maintain MLOps pipelines to support the seamless rollout, monitoring, and lifecycle management of ML models directly within Snowflake. • Partner closely with your peers under the Data Engineering Manager to share responsibilities across pipeline management, MLOps, and architecture, avoiding siloed knowledge and ensuring comprehensive team coverage. • Synthesize disparate operational entities into a unified, enterprise-wide semantic model that supports both internal analytics and future data monetization efforts.

• Architect for the Future: Optimize our existing Snowflake architecture, establishing strict environmental isolation and scalable structures that prepare our data for eventual downstream commercialization and product offerings. • Drive Agentic Engineering: Leverage tools like Snowflake Cortex, Cursor, and UiPath to automate workflows, build semantic models, and deploy agents that accelerate time-to-value. • Establish Data Observability: Implement and manage robust data quality and observability frameworks to ensure pipeline reliability and proactive issue resolution. • Operationalize Machine Learning: Design and maintain MLOps pipelines to support the seamless rollout, monitoring, and lifecycle management of ML models directly within Snowflake. • Execute Shared Ownership: Partner closely with your peers under the Data Engineering Manager to share responsibilities across pipeline management, MLOps, and architecture, avoiding siloed knowledge and ensuring comprehensive team coverage. • Model for Enterprise Utility: Synthesize disparate operational entities into a unified, enterprise-wide semantic model that supports both internal analytics and future data monetization efforts.

• Desenvolvimento de Pipelines: Projetar, construir e manter fluxos de dados (ETL/ELT) utilizando Pentaho (PDI) para sistemas legados e AWS Glue/Airflow para arquiteturas modernas em nuvem. • Orquestração e Automação: Gerenciar a execução de jobs e rotinas operacionais via Rundeck e Airflow, garantindo a observabilidade do dado. • Modelagem de Dados: Escrever queries complexas em SQL para transformar dados brutos de diferentes processadoras em visões analíticas para o negócio. • Codificação e Versionamento: Utilizar Python para automações e transformações customizadas, mantendo todo o ciclo de vida do código via Git. • Integração Multiprocessadora: Lidar com a ingestão de dados provenientes de diversos parceiros (RPE, Dock, etc.), padronizando informações de diferentes fontes.