Pular para o conteúdo

Analytics Engineer Sênior

Os dados de RH de uma empresa vivem em cinco ou seis sistemas que não conversam entre si. A Zivo resolve isso com o Data Hub: um warehouse de RH pronto e comprovado em produção, que se conecta a qualquer combinação de sistemas e responde tanto a pessoas quanto a agentes de IA. Buscamos uma pessoa sênior para ser dona do modelo de dados e dos agentes que o constroem.A Zivo é uma startup com a missão de tornar o RH AI-native por meio de jornadas de IA; fazemos isso transformando em produto a operação de um time de RH. O Data Hub é a sua frente de People Analytics: a base única e confiável sobre a qual as decisões de pessoas são tomadas. Quem compra é o CHRO; quem usa todo dia são HRBPs, analistas de remuneração, recrutamento e people ops.O RH tem os dados. Só não consegue usá-los.Hoje, para o time de RH. HRIS, folha, recrutamento, desempenho e planilhas, cada um com seu formato, sua chave e sua versão da verdade. Metade das perguntas que importam exige cruzar três deles, à mão, ao longo de dias. Quando fica pronto, o número não bate com o do financeiro.

Product/Engineering · Remoto

“Quanto custa a folha por departamento, incluindo os encargos?”

“Qual é o turnover voluntário nos primeiros seis meses, por gestor?”

“Quem está abaixo da faixa salarial do seu cargo?”

Com o Data Hub. A empresa conecta seus sistemas e, em poucas semanas, tem o próprio warehouse, construído sobre um modelo de RH que já resolveu os problemas que ela ainda vai descobrir. As mesmas perguntas saem por dashboard, SQL ou um agente analista, sempre com o mesmo número. Dado ruim na origem vira um relatório que diz o quê, por quê e de quem é a correção. Quem vê o quê, do salário à avaliação de desempenho, é o RH que decide.Ferramentas de People Analytics de prateleira deixam a modelagem com o cliente; BI genérico dá flexibilidade infinita e zero opinião. Nós trazemos o modelo e as pessoas que o adaptam a cada cliente.A extração dos sistemas de origem fica com o time de plataforma. Esta vaga é dona de tudo da Raw em diante.

Modelo antes de configuração. Chegamos com um modelo pronto e comprovado em produção; cada sistema integrado uma vez serve a todos os clientes que vêm depois. O cliente não modela nada: ele conecta.

Realidade brasileira nativa. CPF, matrícula, CLT e PJ, dissídio, 13º salário, encargos: modelados, não traduzidos. LGPD de fábrica.

Confiança é produto. Status, apontamentos de qualidade e permissões são funcionalidades que o cliente vê, não trabalho de bastidor.

Especialistas na ponta. Pessoas da Zivo fazem a última milha com cada cliente. O modelo é a alavanca delas.

O que você vai fazer

1. Um construtor de warehouses, não um warehouse

Cada cliente tem seu setor, sua maturidade e sua combinação de sistemas, de um HRIS com API a uma planilha mantida à mão. Não construímos um modelo por cliente: construímos a máquina que, para qualquer combinação de fontes, produz um warehouse com o mesmo modelo, os mesmos módulos e o mesmo contrato de consumo. O núcleo fica genérico, o que é específico de cada cliente fica isolado, e o onboarding vira uma operação repetível, não um projeto.

Para o cliente: fora das planilhas em semanas, num modelo que já resolveu o que ele ainda vai descobrir.

No dia a dia: o mesmo campo chega como coluna de planilha num cliente e como custom field de API em outro; o núcleo atende os dois sem se contaminar.

2. A construção é agêntica

Integrar um sistema, auditar um cliente, migrar de um sistema para outro, evoluir o modelo: cada fluxo é uma skill que um agente de IA executa. Em vez de fazer a integração, você desenha e ajusta o processo que a faz: o que o agente precisa saber, quais decisões ele não toma sozinho, como ele prova que acertou. Todo incidente vira uma regra, um teste ou um guardrail no processo, nunca um remendo em um único cliente.

Para o cliente: a mesma qualidade e prazos previsíveis, não importa quantos clientes chegaram na mesma semana.

No dia a dia: um onboarding inteiro roda a partir de um único comando, com sete pontos de decisão humana; cada um existe porque pulá-lo uma vez causou um incidente.

3. Um modelo para pessoas e, sobretudo, para agentes

As tabelas finais e a camada de métricas são consumidas por dashboards e por um agente analista que responde perguntas de RH em linguagem natural. Um agente é um consumidor exigente: nomes sem ambiguidade, descrições de coluna que carregam o significado (o catálogo é a interface do agente), valores padronizados em português, granularidades explícitas, uma definição por métrica. O modelo precisa ser eficiente de consultar e impossível de interpretar errado.

Para o cliente: qualquer pessoa do RH pergunta e recebe a resposta certa, com a mesma definição de turnover que está no dashboard do CHRO.

No dia a dia: uma descrição de coluna ambígua não é um detalhe de documentação; é o agente dando a resposta errada ao CHRO.

4. Qualidade e conciliação como disciplina

Os sistemas se sobrepõem: a mesma pessoa existe no HRIS, na folha, no ATS e numa planilha, com nomes, datas e matrículas que divergem com o tempo. Conciliar identidade (CPF, id do sistema, matrícula), decidir qual fonte vence para cada campo e a partir de quando, tratar recontratações e conversões de CLT para PJ sem inventar desligamentos, separar o dado que perdemos do dado que nunca existiu na origem. Toda regra vira um teste; todo apontamento vira uma linha de auditoria com dono e severidade, visível ao cliente.

Para o cliente: números que batem entre si e batem com a folha; quando não batem, um relatório diz por quê e de quem é a correção.

No dia a dia: um cliente troca de fornecedor de folha no meio do ano; o histórico vem do sistema antigo, o presente do novo, e a costura fecha pessoa por pessoa.

5. Permissões granulares sobre dados sensíveis

Salário, CPF, desligamento, avaliação de desempenho: um CHRO, um HRBP, um gestor e o próprio colaborador precisam de visões diferentes do mesmo dado, identificado ou anonimizado, restrito à sua parte da organização, por módulo, e a LGPD exige que isso seja demonstrável. Tudo isso no nível de coluna e de linha, falhando fechado, sem duplicar o modelo e sem o agente entregar o que a pessoa não pode ver.

Para o cliente: o RH decide quem vê o quê, e a regra vale igual no dashboard, no SQL ou no agente.

No dia a dia: uma row policy que falha fechada devolve zero linhas sem erro; distinguir “sem acesso” de “sem dados” faz parte do design.

O que você vai fazer?Você vai ser dono de um modelo que dezenas de empresas usam para tomar decisões sobre pessoas, com agentes de IA no fluxo diário de engenharia e contato direto com especialistas e com os times de RH dos clientes.

Modelo de dados: specs de cada módulo, vault, tabelas canônicas e camada de métricas, do desenho à evolução com impacto controlado em todos os clientes.

Skills e agentes: desenhar e ajustar os fluxos de onboarding, integração, auditoria e QA. Todo incidente vira uma regra, um teste ou um guardrail de processo.

Novos sistemas: integrar APIs, planilhas e exports ao modelo compartilhado, mantendo o núcleo genérico.

Qualidade e conciliação: identidade, precedência de fontes, trocas de sistema com datas de corte, histórico. Validar percorrendo registros reais, não só agregados.

Permissões: governança de colunas, row policies, variantes identificadas e anonimizadas, e como o agente respeita tudo isso.

Perfil desejado

Senioridade aqui tem menos a ver com anos e mais com já ter sido a pessoa que resolveu as inconsistências num ambiente com muitos sistemas e muitas entidades.

Essencial

Modelagem dimensional.

Modelagem Data Vault 2.0: hubs, links, satellites, bitemporalidade.

Pipelines com múltiplas entidades e múltiplas fontes.

Fluxos agênticos: você já construiu ou operou fluxos com agentes de LLM (skills, prompts, pontos de decisão, avaliação).

Camadas semânticas e dbt.

Pipelines com requisitos fortes de qualidade de dados: testes, conciliação, auditoria.

Damos como certo

SQL avançado em warehouse na nuvem: window functions, recursão, JSON.

Python para ferramentas, validadores e testes.

Git, code review e CI como rotina.

Ler a documentação de uma API e sondar o sistema antes de afirmar qualquer coisa sobre ele.

Desejável

Dados de RH ou People Analytics: headcount, turnover, remuneração, recrutamento.

BigQuery e Cube.dev em produção.

Automate-dv ou outro framework de Data Vault.

Row level security, policy tags, mascaramento por papel.

Claude Code ou uma ferramenta agêntica equivalente no seu fluxo diário.

Remuneração

P75 do Total Cash de mercado (conforme a senioridade da pessoa candidata) + a oportunidade de conquistar uma participação muito relevante (equity) na Zivo e se tornar sócio com o tempo.

Processo

Processo seletivo

  1. 01

    Conversa inicial

    30 minutos

  2. 02

    Entrevistas aprofundadas

    2–3 sessões de 45 minutos

  3. 03

    Estudo de caso

    Desafio prático

  4. 04

    Checagem de referências

    Conversas com ex-gestores e ex-colegas

  5. 05

    Oferta

    Proposta final

  6. 06

    Seu futuro gestor

    Leonardo Hahn

  7. 07

    Software Engineer | Time fundador

Conhece alguém incrível?

Indique um A-Player e ganhe um bônus de R$ 10.000 se a pessoa for contratada e ficar por 3 meses ou mais.

Indicar alguém