Data Engineer Senior — Presencial - CDMX — Fintech - Python, Spark, AWS, SQL

Descripción del puesto

Sobre la vacante

KairosDS está buscando un Data Engineer Senior con más de 5 años de experiencia para unirse a proyectos estratégicos en el sector tecnológico y financiero. Esta posición es presencial en CDMX y forma parte de un equipo en crecimiento con oportunidades de desarrollo profesional.

Requisitos clave:

• Más de 5 años de experiencia como Data Engineer
• Experiencia en arquitectura de datos y proyectos de datos complejos
• Conocimiento en tecnologías como Python, Spark, AWS y SQL
• Capacidad para trabajar en entornos financieros/tecnológicos

Beneficios mencionados:

• Proyectos sólidos y en crecimiento
• Acompañamiento técnico y liderazgo cercano
• Aprendizaje constante
• Estabilidad laboral y beneficios competitivos

¿Por qué deberías aplicar?

Esta es una oportunidad para integrarte a proyectos estratégicos dentro del sector fintech, donde podrás aplicar tus habilidades en arquitectura de datos en un entorno de alto impacto. KairosDS ofrece acompañamiento técnico y un camino claro de crecimiento profesional, ideal para quienes buscan estabilidad y desafíos técnicos significativos. Si quieres ser parte de un equipo que valora el aprendizaje continuo y proyectos con propósito, esta vacante es para ti.

Tips y consejos de VacantesDigitales.com

Skills indispensables

• Técnicas: Python, Spark, AWS (S3, Redshift, Glue), SQL avanzado, arquitectura de datos, ETL/ELT
• Soft skills: Comunicación efectiva, liderazgo técnico, resolución de problemas complejos, capacidad de mentoría

Tips prácticos para este puesto

• Prepara tu portfolio: Incluye proyectos donde hayas diseñado pipelines de datos escalables o optimizado arquitecturas existentes.
• Domina los casos de uso fintech: Investiga regulaciones como AML o KYC y cómo impactan en el diseño de datos.
• Practica SQL avanzado: Ejercicios con window functions, optimización de queries y modelado dimensional son clave.

Recursos recomendados

• Tools: Apache Airflow, dbt, Snowflake, Databricks
• Documentación: AWS Data Engineering Specialty, Spark Official Documentation
• Influencers: Zhamak Dehghani (Data Mesh), Maxime Beauchemin (Creator of Airflow)
• Cursos: "Data Engineering Nanodegree" en Udacity, "AWS Certified Data Analytics"

Preguntas frecuentes en entrevistas para este rol

• Pregunta 1: "Describe un pipeline de datos complejo que hayas diseñado y los desafíos que enfrentaste."

*Tip:* Enfócate en escalabilidad, monitoreo y cómo manejaste datos sensibles (ej: PII en fintech).*

• Pregunta 2: "¿Cómo optimizarías un proceso ETL que está tardando demasiado?"

*Tip:* Menciona particionamiento, caching, uso de Spark optimizado y validación de bottlenecks.*

• Pregunta 3: "¿Qué consideraciones tomas al diseñar una arquitectura de datos para cumplir con regulaciones financieras?"

*Tip:* Habla de data governance, audit trails, encriptación y compliance frameworks como GDPR o SOX.*

Rango salarial estimado (LATAM)

Basado en datos de Glassdoor, Computrabajo, GetOnBoard y el mercado actual: | Nivel | Rango mensual USD | |-------|-------------------| | Junior | $1,500 - $2,500 | | Mid | $2,500 - $4,000 | | Senior | $4,000 - $7,000 |

*Nota: Varía según país, empresa, modalidad (remoto internacional paga más) y tecnologías específicas. Empresas de USA/EU pagando en LATAM suelen ofrecer 30-50% más. En CDMX presencial, los rangos pueden ajustarse por costo de vida.*

Red flags a considerar

• Bandera roja 1: Si la empresa no menciona herramientas modernas de data engineering (ej: solo hablan de SQL básico).

*Qué preguntar:* "¿Qué stack tecnológico usan actualmente para pipelines de datos y planean migrar a cloud o herramientas como Airflow?"

• Bandera roja 2: Proyectos descritos como "mantenimiento" sin oportunidades de innovación.

*Qué investigar:* Revisa en LinkedIn si ex-empleados mencionan crecimiento técnico o solo tareas repetitivas.

• Bandera roja 3: Falta de claridad en la estructura del equipo de datos (ej: sin roles definidos de Data Scientists o Analysts).

*Señal de advertencia:* Pregunta "¿Cómo se integra el equipo de Data Engineering con otras áreas como BI o Machine Learning?" para evaluar colaboración.*