Analytics Engineer Sênior

Os dados de RH de uma empresa vivem em cinco ou seis sistemas que não conversam. A Comp resolve isso com o Data Hub: um warehouse de RH pronto, provado em produção, que se conecta a qualquer combinação de sistemas e responde a pessoas e a agentes de IA. Procuramos uma pessoa sênior para ser dona do modelo de dados e dos agentes que o constroem.

Senioridade

Sênior

Time

Data Hub

Domínio

People Analytics

Stack

dbt · BigQuery · Cube.dev · Data Vault 2.0 · Python · Claude Code

O problema que resolvemos

O RH tem os dados. Só não consegue usá-los.

Hoje, para o time de RH. Sistema de RH, folha, recrutamento, performance e planilhas, cada um com seu formato, sua chave e sua versão da verdade. Metade das perguntas que importam exige juntar três deles, à mão, por dias. Quando termina, o número não bate com o do financeiro.

"Quanto custa a folha por área, incluindo encargos?"

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

"Quem está abaixo da faixa salarial do cargo?"

Com o Data Hub. A empresa conecta seus sistemas e, em semanas, tem um warehouse próprio sobre um modelo de RH que já resolveu os problemas que ela ainda vai descobrir. As mesmas perguntas saem por dashboard, SQL ou agente analista, sempre com o mesmo número. Dado errado 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 performance, é decidido pelo RH.

Ferramentas prontas de People Analytics deixam a modelagem com o cliente; BI genérico dá flexibilidade infinita e opinião zero. Nós trazemos o modelo e as pessoas que o adaptam a cada cliente.

Sobre a Comp e o Data Hub

A Comp é uma plataforma brasileira que produtiza as operações de um time de RH. O Data Hub é 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.

Sistemas do cliente → Raw → Vault 2.0 → Business Vault → Canonical → Semântica (Cube.dev) → Pessoas e agentes

A extração dos sistemas fica com o time de plataforma. Esta vaga é dona de tudo do Raw em diante.

Modelo antes de configuração. Chegamos com um modelo pronto e provado em produção; cada sistema integrado uma vez serve todos os clientes seguintes. O cliente não modela nada: conecta.

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

Confiança é produto. Status, achados de qualidade e permissões são funcionalidades que o cliente vê, não bastidores.

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

Cinco problemas que você vai carregar

1. Um construtor de warehouses, não um warehouse

Cada cliente tem sua indústria, 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 específico de cada cliente fica isolado, e o onboarding vira operação repetível, não projeto.

Para o cliente: sai da planilha em semanas, sobre um 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 serve 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. Cada incidente vira regra, teste ou trava no processo, nunca remendo em um cliente.

Para o cliente: mesma qualidade e prazo previsível, não importa quantos clientes chegaram na mesma semana.

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

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

Tabelas finais e 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 inequívocos, descrições de coluna que carregam o significado (o catálogo é a interface do agente), valores padronizados em português, grãos explícitos, 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 detalhe de documentação; é o agente respondendo errado para o CHRO.

4. Qualidade e reconciliação 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. Reconciliar identidade (CPF, id de sistema, matrícula), decidir qual fonte vale para cada campo e a partir de quando, tratar recontratações e conversões CLT para PJ sem inventar desligamentos, separar o dado que nós perdemos do que nunca existiu na origem. Cada regra vira teste; cada achado vira uma linha de auditoria com dono e severidade, visível ao cliente.

Para o cliente: números que batem entre si e 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 folha no meio do ano; o histórico vem do sistema antigo, o presente do novo, e a costura fecha pessoa a pessoa.

5. Permissionamento granular sobre dado sensível

Salário, CPF, desligamento, avaliação de performance: um CHRO, um HRBP, um gestor e a própria pessoa 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 ao nível de coluna e de linha, com falha fechada, sem duplicar o modelo e sem que o agente entregue o que a pessoa não pode ver.

Para o cliente: o RH decide quem vê o quê, e a regra vale igual por dashboard, SQL ou agente.

No dia a dia: uma política de linha que falha fechada devolve zero linhas sem erro; distinguir "sem acesso" de "sem dado" faz parte do desenho.

O que você vai fazer

Você será dona ou dono de um modelo que dezenas de empresas usam para decidir sobre pessoas, com agentes de IA no fluxo diário de engenharia e contato direto com especialistas e 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 sobre todos os clientes.

Skills e agentes: projetar e ajustar os fluxos de onboarding, integração, auditoria e QA. Cada incidente vira regra, teste ou trava de processo.

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

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

Permissionamento: governança por coluna, políticas por linha, variantes identificadas e anonimizadas, e como o agente respeita tudo isso.

O que esperamos

Senioridade aqui é menos sobre anos e mais sobre já ter sido a pessoa que resolvia as incoerências num ambiente com muitos sistemas e muitas entidades.

Essencial

Modelagem dimensional.

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

Pipelines com múltiplas entidades e múltiplas fontes.

Fluxos agênticos: 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, reconciliação, auditoria.

Damos como base

SQL avançado em warehouse cloud: janelas, recursão, JSON.

Python para tooling, validadores e testes.

Git, revisão de código e CI como rotina.

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

Diferenciais

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 perfil.

Claude Code ou ferramenta agêntica equivalente no fluxo diário.