Ingeniero de análisis de personal

Acerca de Pleo
La gestión desordenada del gasto es un asunto complicado. Y los procesos tediosos son una situación en la que todos los involucrados pierden, no sólo las finanzas. En Pleo estamos cambiando eso. Creamos soluciones de gasto que hacen que la gestión del dinero sea fluida, empoderadora y sorprendentemente eficaz tanto para los equipos financieros como para los empleados, con la visión de ayudar a todas las empresas a "ir más allá".
La palabra "Pleo" en realidad significa "más de lo que cabría esperar", y vivir según ese mantra ha sido el secreto de nuestro éxito durante los últimos 10 años.
Ahora estamos en un momento crucial de nuestro viaje; Cada paso que damos tiene un impacto directo en nuestros más de 40.000 clientes, nuestro negocio y nuestro éxito colectivo. Necesitamos personas que se enorgullezcan de descubrir las necesidades de los clientes, que conviertan problemas complejos en soluciones simples, que cuestionen la forma en que se hacen las cosas (con respeto) y que siempre apunten alto. Con grandes ambiciones que nos impulsan hacia adelante, no podemos decir que hayamos resuelto todo esto. Y, francamente, ¡esa es la mitad de la diversión! Lo que podemos decir es que somos un grupo motivado, progresista y, lo que es más importante, amable, de más de 850 personas de más de 100 nacionalidades, todas comprometidas a lograr juntos el futuro del gasto empresarial.
sobre el papel
Este es un rol de colaborador individual senior en nuestro equipo de Gobernanza y Servicios de Datos, donde actuará como líder intelectual y técnico propietario de la capa semántica y los estándares de análisis de Pleo. Esto significa que no será propietario de un dominio, pero sí de lo que se ve bien en todos ellos mediante el desarrollo, la mejora, el mantenimiento y la evangelización de nuestros estándares de modelado y prácticas de desarrollo aumentadas por IA con las que trabaja cada ingeniero de análisis, independientemente del equipo en el que se encuentre.
La capa semántica que diseñará y mantendrá será la única fuente de verdad que consultarán los agentes de IA, las herramientas de BI y los analistas. Este es un trabajo fundamental con alcance en toda la empresa y será ideal para usted si le gusta construir cosas desde cero. Nuestra capa semántica se encuentra todavía en una etapa muy temprana. La selección de herramientas es activa y esta función tiene una voz fuerte. Nuestra pila de BI también está en transición, por lo que no heredaría una configuración madura y la mantendría. Estarías decidiendo cuál debería ser y luego construyéndolo.
Para contexto adicional, nuestra pila tecnológica incluye actualmente: GCP, BigQuery, dbt Core, Airflow, SQL, Python, Claude Code, GitHub Copilot.

Con quién trabajarás
Dependerá del Gerente de Ingeniería de Datos, quien supervisa el equipo de Infraestructura de Datos y MLOps, así como el equipo de Gobernanza y Servicios de Datos. Su relación principal será con los ingenieros de análisis integrados en la función de inteligencia, quienes deberían acudir a usted para obtener orientación sobre arquitectura, decisiones sobre la capa semántica y preguntas sobre estándares. También se asociará con un ingeniero de datos del personal sobre estándares de ingeniería de datos y prácticas de canalización, y con otros sobre análisis de autoservicio y gobernanza de herramientas de BI. Interactuará con el equipo de Servicio de datos sobre las definiciones de entidades y con el equipo de la plataforma GenAI sobre cómo se ven los datos listos para la IA en el límite de la plataforma.

¿Qué estarás haciendo?

• Poseer la capa semántica: definir qué es una definición de métrica, cómo está estructurada, dónde reside y cómo se aplica. El objetivo es una definición canónica de ingresos recurrentes mensuales (MRR), abandono, transacción y cliente, utilizada por analistas, herramientas de BI y herramientas de IA sin divergencias. Haz que eso sea real, no una aspiración.

• Establecer estándares de modelado de datos para la función: cómo se ve una arquitectura dbt limpia, en capas y bien probada en todos los dominios, en todos los niveles de complejidad.

• Construir y ejecutar la comunidad de práctica de Ingeniería Analítica, incluidas revisiones de código, patrones compartidos, documentación, incorporación, etc. El objetivo es crear una infraestructura social que haga que los estándares se mantengan.

• Poseer la práctica de desarrollo nativo de IA. Utilice herramientas de codificación de IA como parte nativa de cómo escribe, revisa y migra modelos de datos (no como una demostración, sino como su flujo de trabajo real). Evalúe qué funciona en un contexto de ingeniería de datos gobernado, qué introduce riesgos y dé forma a cómo lo adopta la comunidad de ingeniería analítica.

• Liderar el trabajo responsable de migración aumentada por IA utilizando herramientas de IA para acelerar el modelado de datos y las migraciones en Analytics Warehouse y Operational Data Platform.

• Diseñar modelos de datos y definiciones de métricas de manera documentada y estructurada que permitan un consumo confiable por parte de los servicios de IA sin intervención humana.

• Relacionarse con ingenieros de backend y de productos para impulsar la disciplina de los contratos de datos y la propiedad del esquema en sentido ascendente, en lugar de gestionar la inconsistencia en sentido descendente.

• Contribuir a productos de datos e inteligencia artificial para análisis externos orientados al cliente donde crecen los patrones de modelado de datos y las necesidades y capacidades de análisis conversacional.

lo que traes

• Profunda experiencia demostrada en DBT y prácticas de modelado: no solo un modelado sólido, sino una visión formada de cómo debería verse la arquitectura de modelado en una función. Puedes defender las compensaciones, enseñarlas y hacerlas cumplir en equipos que no diriges.

• Amplia experiencia en BigQuery y SQL, incluido el rendimiento, las consideraciones de costos y los desafíos arquitectónicos de dominios analíticos complejos.

• Experiencia real en posesión de una capa semántica (LookML, dbt MetricFlow o equivalente). Tiene un punto de vista sobre cómo debería verse la coherencia métrica a escala, qué se rompe cuando no lo hace y cómo diseñarlo para que las herramientas de inteligencia artificial puedan consumirlo sin degradar la confianza.

• Práctica de desarrollo nativo de IA en un contexto de ingeniería de datos. Utiliza herramientas de codificación de IA (Claude Code, GitHub Copilot o equivalente) como una parte genuina de su forma de trabajar, y puede ser específico acerca de dónde agregan valor real y dónde introducen riesgos en una base de código de análisis gobernado.

• Un historial de establecimiento de estándares en equipos que no administra directamente y de lograr que se mantengan aprovechando técnicas de influencia efectivas en lugar de depender de la autoridad....

Fuente: Arbeitnow (https://www.arbeitnow.co.uk/jobs/companies/pleo/staff-analytics-engineer-united-kingdom-196102)