DATA ENGINEERING PRODUCT MANAGER

Data engineering product manager - Para transformar a saúde é preciso:   Conhecimento em governança de Dados, incluindo privacidade, segurança e compliance; Familiaridade com ferramentas de Catálogo e Metadata Management; Metodologias ágeis e de discovery;(Scrum e Kanban); Métricas de produtividade de equipes ágeis (Burndown, Burnup, tempo de ciclo etc); Amplo conhecimento analítico para gerar análises e tomar decisões baseadas em dados; Experiência prévia construindo e apoiando todo o ciclo de vida de produtos de tecnologia e de desenvolvimento; O Data Engineering Product Manager tem a missão/papel de equilibrar a complexidade técnica com as necessidades de negócios, garantindo que todos os dados, sejam estruturados ou não, sejam valiosos e facilmente acessíveis para quem precisa deles, dentro de um ecossistema seguro e escalável. A construção de uma infraestrutura escalável e eficiente com uma estratégia de governança e acessibilidade que permita à organização tirar o máximo proveito de seus dados sendo uma alavanca para estratégias de Big Data e análise avançada, como Machine Learning, Business Intelligence e análises em tempo real. Sobre a posição: Definição e Estratégia do Produto Datalake Visão e estratégia deve definir como coletar, armazenar e fornecer dados limpos, acessíveis e aproveitáveis por diferentes partes da organização, alinhando isso aos objetivos de negócios da empresa; Governança de Dados: garantir que as políticas de segurança, qualidade e conformidade sejam aplicadas e implementar práticas que garantam o uso ético, eficiente e seguro desses dados. Arquitetura e desing de dados Definição de estrutura e Camadas: colaborar com engenheiros de dados para definir e otimizar essas camadas, garantindo que a arquitetura suporte o tipo de análise e processamento necessário. Qualidade de dados: implementação de processos de validação, monitoramento e auditoria contínua da qualidade do dados armazenados; Gerenciamento da Ingestão de dados Fontes de dados: lidar com diferentes origens internas e externas, sendo bases relacionais, API s, logs, arquivos de texto, dados de IoT, etc. Planejar e gerenciar como esses dados são ingeridos (ETL ou ELT), garantindo uma ingestão eficiente e escalável; Escalabilidade e performance: garantir infraestrutura adequada seja aplicada ao produto, sendo capaz de lidar com picos de dados; Acessibilidade e Consumo de Dados Padrões de Acesso e APIs: garantir acesso de forma eficiente por diferentes usuários e sistemas, padronizando API s ou ferramentas de visualização de dados; Facilidade de Navegação e Descoberta de Dados: organizar dados em ferramentas de catálogos de dados e metadados de maneira que os usuários possam descobrir e acessar facilmente os dados. - Entendimento sólido de como funcionam os sistemas de Datalake, incluindo tecnologias como Hadoop, Spark, ferramentas de ETL, arquiteturas de dados em nuvem e gerenciamento de big data; Segurança e Privacidade de Dados Controle de Acesso: definir controles de acesso robustos, incluindo políticas de autorização e autenticação, protegendo dados sensíveis; Conformidade Regulatória: implementar práticas para garantir que os dados pessoais ou sensíveis sejam protegidos, auditados e gerenciados de forma adequada, alinhado a regulamentação de privacidade, LGPD e GDPR; Análises Avançadas e Inteligência Artificial Suporte para Análises e Machine Learning: suportar iniciativas organizando dados de forma que seja acessível para cientistas e engenheiros no preparo de modelos; Integração com Ferramentas de BI e Analytics: garantir integração e disponibilidade do dado; Custo e Eficiência Otimização de Custos: trabalhar estratégias que otimizam os custos sem sacrificar a performance, como escolha de formatos eficientes (Parquet, ORC, etc), compreessão de dados e otimização do uso da infraestrutura;