Senior Analytics Engineer
Shaped Thoughts
Rola łączy data engineering i analitykę biznesową. Kandydat odpowiada za budowę pipeline'ów danych (modelowanie brąz→srebro→złoto→semantic layer) i dostarczanie insightów biznesowych dla firmy ubezpieczeniowej. Praca obejmuje zarówno pracę z SQL i dbt, jak i tworzenie wizualizacji w BI oraz współpracę z interesariuszami przy definiowaniu wymagań. To bardziej data engineering zorientowany na biznes niż czysta inżynieria danych.
Brakuje: brak informacji o wielkości zespołu i hierarchii, nie podano, czy jest to projekt greenfield czy legacy.
Rola łączy data engineering i analitykę biznesową. Kandydat odpowiada za budowę pipeline'ów danych (modelowanie brąz→srebro→złoto→semantic layer) i dostarczanie insightów biznesowych dla firmy ubezpieczeniowej. Praca obejmuje zarówno pracę z SQL i dbt, jak i tworzenie wizualizacji w BI oraz współpracę z interesariuszami przy definiowaniu wymagań. To bardziej data engineering zorientowany na biznes niż czysta inżynieria danych.
- ✓B2B z otwartym kontraktem
- ✓Silny zespół seniorów (średnio 12 lat doświadczenia)
- ✓Autonomia i zaufanie – kluczowe wartości firmy
- −Firma to software house – projekty mogą się zmieniać, a stabilność długoterminowa niepewna
- !Zachęcanie do korzystania z AI, ale w rekrutacji zabronione – niejasne granice
- !Nie wiadomo, czy projekt ubezpieczeniowy jest długoterminowy czy krótki
- •Budowanie pipeline'ów danych w dbt – transformacja danych od surowych do warstwy semantycznej
- •Tworzenie raportów i dashboardów w Power BI / Tableau / Looker
- •Współpraca z senior stakeholderami przy definiowaniu potrzeb analitycznych i priorytetów
- •Modelowanie danych (gwiazda, snowflake, data vault) w SQL
- •Optymalizacja zapytań BigQuery (jeśli używasz GCP)
- •Korzystanie z narzędzi AI wspomagających analizę danych, np. Claude Code
- •Uczestnictwo w spotkaniach zespołu i wymiana wiedzy (asynchroniczna komunikacja)
Oferta dla doświadczonych specjalistów (Senior).
Analityk danych z 5-letnim stażem, który zna dbt i SQL, potrafi tworzyć dashboardy w BI i komunikować się z biznesem. Brak Pythona lub chmury nie dyskwalifikuje.
Juniorzy (wymagane 5+ lat). Osoby szukające czystego data engineering bez kontaktu z biznesem. Kandydaci, którzy nie mogą pojawić się na jednym etapie rekrutacji stacjonarnie w dużym mieście.
- ?Jaka jest skala danych (wolumeny, źródła) i czy jest to projekt dla jednego klienta ubezpieczeniowego?
- ?Ile osób liczy zespół data?
- ?Jak często będą spotkania on-site (team building)?
- ?Czy korzystanie z Claude Code i Codex jest wymagane czy opcjonalne?
- ?Jak wygląda proces decyzyjny – czy Analytics Engineer ma wpływ na wybór narzędzi?
- ?Czy istnieje dyżur/on-call dla pipeline'ów danych?
- ?Jakie są perspektywy rozwoju w software housie – ścieżka kariery?
- −Brak informacji o wielkości zespołu i hierarchii
- −Nie podano, czy jest to projekt greenfield czy legacy
- −Brak szczegółów o wymaganiach dotyczących modelu semantycznego
- −Nie wiadomo, jakie konkretnie narzędzia AI są używane w codziennej pracy
Zespół składa się z doświadczonych seniorów (średnio 12 lat), kładzie nacisk na dzielenie się wiedzą, ciągłe doskonalenie (Kaizen) i asynchroniczną komunikację. Spotkania osobiste są opcjonalne, ale mile widziane.
CV screening, Tech screening (45 min), Live coding session (1h), End-to-end analytics exercise (1h). Co najmniej jeden etap musi odbyć się stacjonarnie w jednym z dużych miast (Wrocław, Poznań, Katowice, Kraków, Warszawa, Gdańsk). Podczas rekrutacji nie wolno korzystać z AI (chyba że wyraźnie dozwolone).
Powyżej mediany rynkowej
Dane z aktywnych ofert zawierających technologię SQL. Pełne statystyki zarobków →