Analytics Engineer

Alchemy ERP; Curitiba; Presencial; BRL 120 000 - 180 000; Tempo integral

Resumo da oferta

A Alchemy ERP busca um engenheiro de analytics para construir e manter pipelines que tragam dados de clientes para dentro do ERP, incluindo casos como recebíveis, receitas reconhecidas e conciliações. Você trabalhará diretamente com o CTO em um time enxuto, entregando dados de produção rapidamente e propondo soluções com IA quando apropriadas.

É essencial entender o significado dos dados, defender a modelagem escolhida e escrever com clareza para controllers, engenheiros e time de implantação.

Qualificações

• Fluência real em SQL e Python.
• Modelagem em camadas com grão explícito e teste de validade de dados.
• Capacidade de entender o significado do dado e comunicar resultados com clareza.

Responsabilidades

• Construir e manter pipelines que trazem dados de clientes para dentro do ERP.
• Modelar dados com graõs bem definidos, com chaves estáveis e testes.
• Conversar com o controller/contador do cliente para resolver ambiguidades de dados.
• Carregar histórico de clientes e conciliar dados antes de carregar.
• Transformar repetição em ferramentas para reduzir custo por cliente.

Conhecimentos

SQL

Python

Data modeling

Analytics

Ferramentas

dbt

Airflow

Dagster

Databricks

Descrição da oferta de emprego

Não é construir dashboard sob demanda. Não é análise de negócio. Não é ficar esperando spec pronta: se o mapeamento está ambíguo, é você que vai atrás do cliente resolver.

O que esta vaga não é

Não é construir dashboard sob demanda. Não é análise de negócio. Não é ficar esperando spec pronta: se o mapeamento está ambíguo, é você que vai atrás do cliente resolver.

Como trabalhamos

Time pequeno, ciclo curto, decisão perto de quem executa. Você vai falar direto com o CTO e ver o que desenhou em produção em dias, não em trimestres. Se achar que o modelo de dados do produto está errado, a expectativa é que você diga — e traga o desenho certo junto.

É analytics engineering no sentido normal: ingestão, camadas, transformação, testes, pipeline rodando todo dia. A diferença está no destino. Sua camada final não alimenta um dashboard — alimenta título a receber, reconhecimento de receita e lançamento contábil.

O que você vai fazer

• Construir e manter os pipelines que trazem dado de cliente para dentro do ERP. O exemplo concreto: Stripe chegando na bronze e saindo como título a receber, recebimento e receita reconhecida por competência — passando por tudo que existe no meio (estorno, chargeback, proration, taxa do gateway, identidade de cliente sem CNPJ).
• Modelar em camadas, com grão explícito, chave estável e testes que provam alguma coisa. Reprocessar precisa ser seguro; dado atrasado precisa ser previsto.
• Conversar direto com o controller ou contador do cliente quando o dado for ambíguo — e é sempre ambíguo. Boa parte do trabalho é fazer a pergunta certa para a pessoa certa, de um jeito que ela consiga responder em cinco minutos.
• Carregar o histórico quando um cliente entra: dump de sistema legado, planilha de seis anos, CSV que ninguém sabe como foi gerado. Conciliar antes de carregar, sempre.
• Transformar o que se repete em ferramenta. Cada cliente novo deveria custar menos que o anterior.

O que procuramos

• Fluência real em SQL e Python. Pipeline em produção que outras pessoas dependiam.
• Modelagem que você consegue defender: por que esse grão, por que essa chave, o que acontece quando a origem muda.
• IA como ferramenta de produção. Não "já usei ChatGPT". Alguém que acelera o próprio trabalho com IA e sabe exatamente onde ela erra — porque em pipeline de dado financeiro, alucinação vira lançamento errado. No processo vamos pedir o prompt.
• Cabeça de negócio. Você precisa entender o que o dado significa, não só o esquema. Quem trata "contas a receber" como uma tabela qualquer modela errado e não percebe.
• Comunicação excelente. Você vai escrever para controller de cliente, para engenheiro e para o time de implantação. Parte da seleção é escrever de verdade, não descrever como você escreveria.
• Ceticismo com o próprio resultado. A pergunta "como eu saberia se isso estivesse errado?" precisa ser reflexo, não checklist.

Diferenciais

• Dado financeiro ou contábil: razão, plano de contas, conciliação, reconhecimento de receita.
• Ter integrado gateway de pagamento ou open finance de verdade — e sofrido com estorno, repasse líquido e conciliação.
• dbt, Airflow ou Dagster, Databricks, lakehouse em camadas, data contracts.
• Engenharia reversa de sistema legado brasileiro (TOTVS, Sankhya, Domínio) — saber onde eles escondem as coisas vale muito.
• Ter sido o primeiro de dados em algum lugar.