Sr Data Engineer - Data Platform

Sobre nosotros
En Koltin, estamos rediseñando la forma en que cuidamos a nuestros papás, mamás, abuelos y abuelas, con el objetivo de ayudarles a mantenerse saludables, activos e independientes durante el mayor tiempo posible. Lo hacemos a través de nuestras membresías de salud, que integran:
Atención clínica enfocada en la prevención
Cobertura médica de gastos mayores
Programas de bienestar y comunidad
Somos la primera empresa en México que protege a personas adultas mayores, desde los 50 hasta los 84 años. Estamos creciendo rápidamente en todo el país, con un propósito claro: transformar la experiencia de salud para las Grandes Personas, haciéndola más humana, accesible y digna.
El rol
Buscamos un(a) Sr. Data Engineer para el equipo de Data Platform: la persona que se hace dueña de cómo se mueven los datos. Vas a diseñar, construir y operar los pipelines, la ingesta y la orquestación que hacen que cada dato llegue completo, a tiempo y confiable al warehouse, y de ahí al producto.
Es un rol senior y hands-on: defines la arquitectura de la plataforma, pones la vara de ingeniería (confiabilidad, observabilidad, CI/CD) y mentoreas al equipo. Trabajas de la mano con Analytics Engineering, que construye el modelado y los contratos de datos sobre lo que tú habilitas.
Nuestra ambición: pasar de responder bien lo que ya se pregunta, a anticipar la pregunta, y de ahí a modelos predictivos corriendo en producto. Este rol construye los cimientos que hacen ese salto escalable.
Responsabilidades
Diseñar y operar la ingesta. Conectores administrados y custom (Airbyte, APIs, CDC) para fuentes clínicas, comerciales y operativas, con cargas incrementales, idempotentes y con manejo de historia.
Ser dueño(a) de la orquestación. Workflows en Dagster con Python: dependencias, reintentos, backfills, SLAs y assets bien definidos.
Construir pipelines de producción. Procesos batch y near real-time, orientados a eventos cuando haga sentido, que reemplacen procesos manuales y escalen sin reescribirse.
Garantizar calidad y observabilidad. Checks de datos en cada capa, alertas, lineage y monitoreo: que las anomalías nos avisen antes de que alguien las reporte.
Evolucionar la arquitectura en la nube. Infraestructura en AWS (PostgreSQL/RDS, Lambda, S3, serverless) con desempeño, costo y seguridad en la cabeza.
Llevar prácticas de ingeniería a los datos. Git, PRs, testing, CI/CD, templates y componentes reutilizables que suban la velocidad del equipo (DevEx).
Habilitar a Analytics Engineering, Data Science y ML. Datos crudos confiables para los modelos en dbt, datasets de entrenamiento y pipelines que lleven predicciones de regreso al producto.
Subir la vara del equipo. Code review, pairing y mentoría técnica; estándares que se sostienen sin ti en la sala.
Lo que buscamos
5+ años en data engineering, con al menos 2 operando como Sr. Data Engineer o referente técnico de plataforma.
Python para pipelines en producción. ETL/ELT, automatizaciones y servicios de datos, aplicando Git, PRs/code review, testing y CI/CD.
Orquestación. Experiencia real con Dagster o Airflow, idealmente habiendo desplegado o migrado un orquestador desde cero.
Ingesta. Herramientas administradas (Airbyte, Fivetran o equivalente) y conectores custom contra APIs; cargas incrementales, idempotencia y manejo de historia.
SQL avanzado y bases de datos. PostgreSQL y/o un warehouse analítico (Redshift, Snowflake, BigQuery), optimizando desempeño y costo.
Transformaciones con dbt o equivalente, entendiendo cómo la ingesta y el modelado se contratan entre sí.
Cloud, preferentemente AWS. RDS, Redshift, Lambda, S3 y arquitecturas serverless (SAM o similar).
Confiabilidad y observabilidad. Data quality checks, monitoreo y alertas (Datadog, Grafana o equivalente) en sistemas que no se pueden caer.
Modernización. Haber llevado procesos legacy o manuales a infraestructura cloud-native escalable.
Comunicación con negocio y producto. Traducir una necesidad ambigua en una solución de datos y explicar sus trade-offs.
Haber mentoreado a otros ingenieros y dejado estándares que sobrevivieron.
Español nativo e inglés profesional (documentación y herramientas en inglés).
Suma puntos
Infraestructura como código (Terraform, Pulumi o CDK).
Arquitecturas orientadas a eventos y microservicios; APIs de datos con FastAPI, REST o GraphQL.
Streaming o procesamiento en tiempo real para métricas operativas.
Big Data / OLAP (Vertica, Redshift, Snowflake) sobre volúmenes grandes.
Certificaciones de AWS, Dagster o Snowflake.
Experiencia con datos clínicos o de salud y requerimientos de privacidad y cumplimiento.
Haber habilitado Data Science / ML: datasets de entrenamiento, features reutilizables, predicciones servidas al producto.
Contexto de startup en crecimiento: ambigüedad alta, poca burocracia, prioridades que se mueven.
Valores
Medimos el trabajo por impacto, no por horas.

Employment type
Full-Time

Work arrangement
Yes