A complete application in a minute
Tailored resume and cover letter, ready to send.
Darwoft busca un Senior Data Engineer para diseñar, construir y operar una plataforma de datos basada en AWS serverless, orquestada con Apache Airflow y gestionada como código. La posición combina ingeniería de datos, gobernanza y costos de cloud.
Se trabajará con pipelines confiables, automatizados y desplegados mediante CI/CD, buscando datos consistentes, trazables y disponibles a tiempo, con autonomía para decisiones de arquitectura y buenas prácticas en toda la plataforma.
Lectura obligatoria: Compromiso y dedicación Este rol requiere dedicación full-time, con prioridad clara sobre los proyectos de Darwoft durante el horario laboral establecido. No es compatible con otros compromisos profesionales full-time. Cualquier actividad profesional adicional deberá ser informada previamente y no deberá interferir con las responsabilidades del rol.
Darwoft es una software factory que desarrolla soluciones de software a medida y brinda servicios de staff augmentation IT para clientes internacionales, principalmente en Estados Unidos y Latinoamérica. Trabajamos con startups y compañías en crecimiento, construyendo productos digitales de alto impacto. Nuestra cultura es people-first: priorizamos la calidad técnica, las relaciones de largo plazo y el trabajo colaborativo. Combinamos excelencia técnica con cercanía humana.
Ubicación: Argentina Tipo de contrato: Relación de dependencia, full-time Industria / Proyecto: Plataforma de datos sobre AWS serverless para cliente internacional [industria a confirmar]
Buscamos un/a Senior Data Engineer para diseñar, construir y operar una plataforma de datos sobre AWS serverless, orquestada con Apache Airflow y gestionada íntegramente como codio. La posición combina ingenieria de datos, calidad y gobierno de datos. El foco esta en pipelines confiables, automatizados y desplegados mediante CI/CD, que permitan al negocio contar con datos consistentes, trazables y disponibles a tiempo, con un uso eficiente de los costos cloud. Vas a tener autonomia tcnica para tomar decisiones de arquitectura, elegir el servicio adecuado para cada caso y definir buenas prácticas sobre toda la plataforma.
Requisitos Must-Have +3 años de experiencia como Data Engineer en entornos cloud productivos. AWS serverless (excluyente, nivel avanzado): Cómputo: Lambda (layers, concurrencia, timeouts, cold starts, empaquetado con contenedores), Fargate / ECS. Procesamiento: Glue (jobs Spark y Python Shell, Data Catalog, crawlers), Athena (particionado, optimización de costos por escaneo), EMR Serverless. Orquestación y eventos: Step Functions, EventBridge (reglas y schedulers), SQS, SNS. Almacenamiento: S3 (diseño de data lake, lifecycle, eventos), DynamoDB (modelado por patrones de acceso, índices, streams). Integración y APIs: API Gateway, AppSync. Streaming: Kinesis Data Streams / Firehose, MSK Serverless. Seguridad: IAM con mínimo privilegio, Lake Formation, Secrets Manager. Observabilidad y costos: CloudWatch, FinOps y Cost Explorer. Apache Airflow (excluyente, nivel avanzado): Arquitectura interna (scheduler, executor, workers, triggerer, metadata DB), ciclo de vida de tareas, data intervals, catchup y backfills. Operadores, hooks y sensores: providers de AWS, operadores custom y deferrable operators. TaskFlow API, XComs, dynamic task mapping, task groups y assets. MWAA en producción. Testing de DAGs, parametrización por entorno, monitoreo y alertas. CI/CD y control de versiones (excluyente): Git avanzado: rebase, merge, cherry-pick, resolución de conflictos e historial limpio. Estrategias de branching (GitFlow, trunk-based, feature branches) y versionado semántico. GitLab: merge requests, code review, protección de ramas, aprobaciones y reglas de merge. GitLab CI/CD: stages, jobs, runners, variables y secretos protegidos, artefactos, caché, ambientes y despliegues manuales o automáticos. Infraestructura como codio: Terraform avanzado: módulos reutilizables, variables por entorno e import de recursos existentes. AWS CDK y/o CloudFormation: stacks, parámetros, outputs, change sets y drift detection. Buenas prácticas: separación de entornos, versionado, revisión del plan antes de aplicar. Ingeniería de datos: Snowflake: modelado, SQL avanzado y optimización de consultas. dbt: modelado por capas, tests, documentación e integración con Cosmos. Python para ingesta y automatización (boto3, APIs REST y GraphQL, procesamiento de archivos). Spark / PySpark, incluyendo conocimiento de internals. Parquet y Apache Iceberg sobre Glue Catalog. Ingesta multi-fuente con dlt. Agentes: experiencia con Agent Core o conocimiento de arquitecturas de agentes. Nice-to-Have Docker y criterio para decidir dónde correr cargas (ECS vs. workers de Airflow). Criterio para elegir entre Glue y EMR como motor de procesamiento. Diseño de capas de proyección y consumo sobre DynamoDB para aplicaciones web. FinOps de datos: pipelines de costos cloud y análisis de consumo. Nociones de Kafka (MSK) y catalogación de topics.