Inżynier analityki personelu

O Pleo

Bałaganowe zarządzanie wydatkami to trudna sprawa. A żmudne procesy to sytuacja, w której tracą wszyscy zaangażowani, nie tylko finanse. W Pleo zmieniamy to. Tworzymy rozwiązania w zakresie wydatków, które sprawiają, że zarządzanie pieniędzmi jest płynne, wzmacniające i zaskakująco skuteczne zarówno dla zespołów finansowych, jak i pracowników – z wizją pomagania wszystkim firmom „wykraczać dalej”.

Słowo „Pleo” w rzeczywistości oznacza „więcej, niż można się spodziewać”, a życie według tej mantry było sekretem naszego sukcesu przez ostatnie 10 lat.

Teraz jesteśmy w kluczowym momencie naszej podróży; każdy nasz ruch ma bezpośredni wpływ na ponad 40 000 naszych klientów, naszą działalność i nasz wspólny sukces. Potrzebujemy ludzi, którzy są dumni z odkrywania potrzeb klientów, którzy zamieniają złożone problemy w proste rozwiązania, kwestionują sposób, w jaki coś się robi (z szacunkiem) i zawsze mierzą wysoko. Mając wielkie ambicje, które pchają nas do przodu, nie możemy powiedzieć, że już to wszystko rozpracowaliśmy. I szczerze mówiąc, to połowa zabawy! Możemy powiedzieć, że jesteśmy energiczną, postępową i, co ważne, życzliwą grupą ponad 850 osób z ponad 100 narodowości, których celem jest wspólne zapewnianie przyszłości wydatków biznesowych.

O roli

Jest to stanowisko starszego, indywidualnego współpracownika w naszym zespole Data Services & Governance, gdzie będziesz pełnić funkcję lidera intelektualnego i technicznego, będącego właścicielem warstwy semantycznej i standardów analitycznych dla Pleo. Oznacza to, że nie będziesz właścicielem domeny, ale będziesz właścicielem tego, co dobrze wygląda w każdej z nich, rozwijając, ulepszając, utrzymując i ewangelizując nasze standardy modelowania i praktyki programistyczne wspomagane sztuczną inteligencją, z którymi współpracuje każdy inżynier ds. analityki, niezależnie od tego, w którym zespole pracuje.

Warstwa semantyczna, którą będziesz projektować i utrzymywać, będzie jedynym źródłem prawdy, o którą pytają agenci AI, narzędzia BI i analitycy. Jest to podstawowa praca o zasięgu obejmującym całą firmę, która będzie idealna dla Ciebie, jeśli lubisz budować rzeczy od podstaw. Nasza warstwa semantyczna jest wciąż na bardzo wczesnym etapie. Wybór oprzyrządowania jest na bieżąco i ta rola ma w nim mocny głos. Nasz stos BI również znajduje się w fazie przejściowej, więc nie będziesz dziedziczyć dojrzałej konfiguracji i jej utrzymywać. Decydowałbyś, jaki powinien być, a następnie go budowałeś.

Aby uzyskać dodatkowy kontekst, nasz stos technologii obejmuje obecnie: GCP, BigQuery, dbt Core, Airflow, SQL, Python, Claude Code, GitHub Copilot.

Z kim będziesz pracować

Będziesz raportować do Data Engineering Managera, który nadzoruje zespół Data Infra & MLOps, a także zespół Data Services & Governance. Twoja główna relacja będzie prowadzona z inżynierami analityki wbudowanymi w funkcję analizy, którzy powinni zwrócić się do Ciebie w celu uzyskania wskazówek dotyczących architektury, podjęcia decyzji dotyczących warstwy semantycznej i pytań dotyczących standardów. Będziesz także współpracować z inżynierem danych w zakresie standardów inżynierii danych i praktyk potokowych, a także z innymi osobami w zakresie samoobsługowej analityki i zarządzania narzędziami BI. Będziesz współpracować z zespołem ds. udostępniania danych w sprawie definicji jednostek oraz z zespołem platformy GenAI w kwestii wyglądu danych gotowych do sztucznej inteligencji na granicy platformy.

Co będziesz robić

•
Posiadaj warstwę semantyczną: zdefiniuj, czym jest definicja metryki, jaka jest jej struktura, gdzie występuje i jak jest egzekwowana. Celem jest jedna kanoniczna definicja miesięcznych przychodów cyklicznych (MRR), rezygnacji, transakcji, klienta - używana przez analityków, narzędzia BI i narzędzia AI bez rozbieżności. Sprawiasz, że jest to realne, a nie aspiracyjne.

•
Ustaw standardy modelowania danych dla funkcji: jak wygląda czysta, warstwowa, dobrze przetestowana architektura dbt we wszystkich domenach, na wszystkich poziomach złożoności.

•
Zbuduj i prowadź społeczność praktyków Analytics Engineering, obejmującą przeglądy kodu, wspólne wzorce, dokumentację, wdrażanie itp. Celem jest stworzenie infrastruktury społecznościowej, która gwarantuje niezmiennie standardy.

•
Posiadaj praktykę programistyczną natywną dla sztucznej inteligencji. Używaj narzędzi do kodowania AI jako natywnej części procesu pisania, przeglądania i migracji modeli danych (nie jako demonstracji, ale jako rzeczywistego przepływu pracy). Oceń, co sprawdza się w regulowanym kontekście inżynierii danych, co stwarza ryzyko, i kształtuj sposób, w jaki społeczność inżynierów analitycznych będzie to przyjmować.

•
Kieruj odpowiedzialnymi pracami migracyjnymi wspomaganymi sztuczną inteligencją, korzystając z narzędzi AI, aby przyspieszyć modelowanie danych i migracje w hurtowni Analytics i platformie danych operacyjnych.

•
Projektuj modele danych i definicje metryk w udokumentowany i ustrukturyzowany sposób, umożliwiający niezawodne wykorzystanie usług AI bez interwencji człowieka.

•
Współpracuj z inżynierami zaplecza i produktu na wcześniejszych etapach, aby zapewnić dyscyplinę w zakresie kontraktów danych i własności schematów na wcześniejszych etapach, zamiast zarządzać niespójnościami na dalszych etapach.

•
Weź udział w produktach Data & AI na potrzeby zewnętrznych analiz skierowanych do klientów, w których rosną wzorce modelowania danych oraz potrzeby i możliwości w zakresie analityki konwersacyjnej.

Co przynosisz

•
Głęboko wykazana wiedza specjalistyczna w zakresie dbt i praktyk modelowania: nie tylko solidne modelowanie, ale uformowany pogląd na to, jak powinna wyglądać architektura modelowania w całej funkcji. Możesz bronić kompromisów, uczyć ich i egzekwować je w zespołach, którymi nie zarządzasz.

•
Dogłębna wiedza na temat BigQuery i SQL, obejmująca wydajność, kwestie kosztów i wyzwania architektoniczne złożonych domen analitycznych.

•
Prawdziwe doświadczenie posiadania warstwy semantycznej (LookML, dbt MetricFlow lub odpowiednik). Masz pogląd na to, jak powinna wyglądać spójność metryk w skali, co się psuje, gdy tak się nie dzieje, i jak to zaprojektować, aby narzędzia AI mogły je wykorzystać bez pogarszania zaufania.

•
Praktyka programistyczna oparta na sztucznej inteligencji w kontekście inżynierii danych. Używasz narzędzi do kodowania AI (Claude Code, GitHub Copilot lub równoważnych) jako prawdziwej części swojej pracy i możesz precyzyjnie określić, gdzie dodają prawdziwą wartość, a gdzie wprowadzają ryzyko w zarządzanej bazie kodu analitycznego.

•
Doświadczenie w ustanawianiu standardów w zespołach, którymi bezpośrednio nie zarządzasz, i utrzymywaniu ich w mocy poprzez wykorzystanie skutecznych technik wywierania wpływu zamiast polegania na autorytetach.…

Źródło: Jobicy (https://jobicy.com/jobs/157554-staff-analytics-engineer-2)