- Ofertas de Senior Data Engineer Ingest Identit...

¡Lo siento! ¿Qué no te gustó de este trabajo?

El trabajo no coincide con mi búsqueda

Descripción de trabajo irrelevante

Muy pocos detalles / Falta de información

El trabajo parece obsoleto

Sospechoso / Parece una estafa

Otro (por favor especificar).

Gracias por tus comentarios.

Su aportación nos ayuda a mejorar nuestro servicio.

- Palo Alto

¿Este trabajo es un acierto o un fracaso?

Ubicación: Argentina | Puede ser 100% remoto

Integrarte a un equipo de datos para diseñar, desarrollar y operar pipelines ETL/ELT en Azure, garantizando la ingesta, transformación y disponibilidad de datos para consumidores de negocio y modelos analíticos. El rol implica responsabilidad técnica en la implementación de soluciones con Azure Data Factory, Azure Databricks y ecosistemas de almacenamiento (Blob Storage, Data Lake) aplicando buenas prácticas de calidad, rendimiento y gobernanza de datos.

Diseñar y desarrollar pipelines de ingestión y transformación de datos utilizando Azure Data Factory y Azure Databricks.

Implementar procesos ETL/ELT con Apache Spark y PySpark para procesamiento por lotes y en tiempo casi real.

Modelar y optimizar consultas SQL y estructuras de datos para consumo analítico y reporting.

Gestionar y organizar datos en Azure Blob Storage y Azure Data Lake (Gen2), definiendo particionamiento, formatos y políticas de retención.

Construir pipelines reproducibles, parametrizables y observables; instrumentar logging, métricas y alertas.

Colaborar con equipos de ciencia de datos, BI y producto para definir contratos de datos, SLAs y requisitos de calidad.

Automatizar despliegues y pruebas de pipelines; aplicar control de versiones y prácticas CI/CD para artefactos de datos.

Garantizar cumplimiento de políticas de seguridad y privacidad en el manejo de datos sensibles.

Documentar arquitecturas, pipelines y runbooks; transferir conocimiento al equipo y participar en on-call rotativo cuando aplique.

Requisitos excluyentes

Experiencia comprobable como Data Engineer (mín. 3 años) trabajando con Azure Data Factory y Azure Databricks.

Dominio de Apache Spark y PySpark para procesamiento distribuido y optimización de jobs.

Sólidos conocimientos de SQL: modelado, tuning y optimización de consultas.

Experiencia en diseño e implementación de pipelines ETL/ELT y en integración de datos.

Conocimiento práctico de Azure Blob Storage y Azure Data Lake (Gen2), incluyendo formatos como Parquet/Delta Lake.

Familiaridad con herramientas de orquestación, monitorización y CI/CD aplicadas a datos.

Inglés técnico: nivel intermedio (lectura de documentación y comunicación con equipos técnicos).

Residir en Argentina.

Experiencia con Delta Lake, optimizaciones de storage y compaction.

Conocimientos en seguridad y gobernanza de datos: RBAC, Data Catalog, políticas de enmascaramiento.

Familiaridad con Python avanzado y librerías de ingeniería de datos (pandas, numpy,



airflow o equivalentes).

Experiencia con performance tuning de Spark y troubleshooting de jobs en Databricks.

Certificaciones Azure relacionadas con datos (DP-203, Azure Data Engineer Associate) o Databricks.

Experiencia en entornos cloud a gran escala y en trabajo ágil con equipos multidisciplinarios.

Grandes Beneficios

¿Este trabajo es un acierto o un fracaso?

Ubicación: Argentina
Modalidad: 100% remoto
Tipo de contratación: Relación de dependencia (full-time)
Industria / Proyecto: LegalTech / Inteligencia Legal y Regulatoria con IA
Zona horaria: Argentina (ART / UTC-3)
Seniority: Semi-Senior (3 a 5 años de experiencia)

En Darwoft desarrollamos software que genera impacto real.

Somos una compañía tecnológica latinoamericana que trabaja junto a empresas de diferentes partes del mundo, creando soluciones digitales innovadoras, escalables y de alto valor.

Nuestra cultura combina excelencia técnica, colaboración, aprendizaje continuo y una fuerte orientación a las personas.

La Inteligencia Artificial forma parte de nuestra manera de trabajar, innovar y resolver problemas. Buscamos incorporar nuevas tecnologías para construir mejores productos y potenciar las capacidades de nuestros equipos.

Si te apasiona la tecnología, disfrutás resolver desafíos complejos y querés participar en proyectos donde tu trabajo haya impacto, nos encantaría conocerte.

Senior Data Engineer (AWS Serverless & Airflow) – Relación de Dependencia – Argentina

Información general

- Ubicación: Argentina
- Tipo de contrato: Relación de dependencia, full-time
- Industria / Proyecto: Plataforma de datos sobre AWS serverless para cliente internacional (industria a confirmar)

Sobre el rol

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 código.

La posición combina ingeniería de datos, calidad y gobierno de datos. El foco está 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 productivo de los costos cloud.

Vas a tener autonomía técnica para tomar decisiones de arquitectura, elegir el servicio adecuado para cada caso y definir buenas prácticas sobre toda la plataforma.

Responsabilidades

- Diseñar, construir y operar la plataforma de datos sobre el ecosistema serverless de AWS, eligiendo cada servicio según el caso de uso, el costo y la operabilidad.
- Desarrollar DAGs de Airflow de punta a punta,



con foco en idempotencia, reintentos, SLAs y manejo de fallos.
- Configurar y operar entornos MWAA: dependencias, plugins, escalado de workers y despliegues blue/green.
- Orquestar desde Airflow jobs de Glue, Lambda, ECS y Step Functions, e integrar dbt (vía Cosmos) y dlt.
- Implementar ingesta multi-fuente con dlt y Python: APIs REST y GraphQL, Microsoft Graph, Cost Explorer, SharePoint, bases de datos y archivos.
- Diseñar y mantener el data lake / lakehouse en S3 con Parquet y Apache Iceberg sobre Glue Catalog.
- Modelar datos en Snowflake y dbt por capas, con tests y documentación.
- Desarrollar procesamiento con Spark / PySpark garantizando escrituras idempotentes y particionado eficiente.
- Aprovisionar la infraestructura como código con Terraform y/o AWS CDK / CloudFormation: entornos MWAA, Glue jobs, Lambdas, buckets S3, roles IAM y permisos de Lake Formation.
- Construir y mantener pipelines de GitLab CI/CD con separación de entornos (dev / staging / prod) y despliegues controlados por rama.
- Aplicar seguridad de mínimo privilegio, gobierno de datos con Lake Formation y manejo seguro de secretos.
- Implementar observabilidad con CloudWatch (logs, métricas y alarmas) y testing de DAGs.
- Optimizar costos de la arquitectura serverless aplicando prácticas de FinOps.

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.

#J-18808-Ljbffr

📌 Senior Data Engineer: Ingest, Identity, And Data Pipelines (Argentina)
🏢 Ryz Labs
📍 Argentina