Data Quality Engineer

Descripción del puesto

Sobre la vacante

FastDolphin está buscando un Data Quality Engineer para unirse a su equipo en modalidad 100% remota. El candidato debe estar ubicado en LATAM y contar con inglés avanzado.

Requisitos clave:

• Experiencia en Data Quality y metodologías como Monte Carlo
• Dominio de SQL para análisis y validación de datos
• Conocimientos en AI/ML aplicados a calidad de datos
• Inglés avanzado (comunicación escrita y verbal)
• Capacidad para trabajar en entornos remotos y colaborativos

Beneficios:

• Trabajo 100% remoto desde cualquier lugar de LATAM
• Oportunidad de crecimiento en un entorno tech innovador
• Exposición a tecnologías de vanguardia en data quality

¿Por qué deberías aplicar?

Esta es tu oportunidad de especializarte en Data Quality Engineering, un campo en alta demanda donde pocos profesionales tienen experiencia profunda. Aprenderás a implementar Monte Carlo y técnicas de AI/ML para garantizar la calidad de datos en sistemas críticos. Crecerás en un entorno que valora la precisión y la innovación, desarrollando habilidades que te posicionarán como experto en un nicho con alta remuneración y estabilidad laboral.

Tips y consejos de VacantesDigitales.com

Skills indispensables

• SQL avanzado para consultas complejas y optimización
• Metodologías de Data Quality (Monte Carlo, profiling, validation)
• Fundamentos de AI/ML aplicados a detección de anomalías
• Inglés técnico para documentación y comunicación con equipos globales
• Pensamiento analítico y atención al detalle

Tips prácticos para este puesto

• Prepara casos de estudio: Ten ejemplos concretos de cómo mejoraste la calidad de datos en proyectos anteriores, incluyendo métricas de impacto.
• Domina SQL: Practica queries complejas, optimización y manejo de grandes volúmenes de datos.
• Investiga Monte Carlo: Entiende sus aplicaciones en data quality y prepárate para explicar cómo lo has usado o implementarías.
• Refuerza tu inglés: Practica entrevistas técnicas en inglés y familiarízate con terminología específica de data quality.

Recursos recomendados

• Tools: Great Expectations, Monte Carlo (plataforma), dbt, Apache Airflow
• Documentación: Monte Carlo docs, SQL performance tuning guides
• Influencers: Barr Moses (CEO de Monte Carlo), data quality experts en LinkedIn
• Cursos: "Data Quality Fundamentals" en Coursera, "SQL for Data Science" en Udemy

Preguntas frecuentes en entrevistas para este rol

• "Describe tu experiencia con Monte Carlo en data quality." Tip: Explica casos específicos donde usaste la metodología para detectar o prevenir issues, mencionando herramientas y resultados.
• "¿Cómo priorizas y resuelves problemas de calidad en grandes datasets?" Tip: Describe un framework (ej: impacto vs. frecuencia) y da ejemplos con SQL o automatización.
• "Háblame de un proyecto donde implementaste AI/ML para mejorar data quality." Tip: Enfócate en el problema, solución técnica (algoritmos, herramientas) y métricas de mejora.

Rango salarial estimado (LATAM)

Basado en datos de Glassdoor, Computrabajo, GetOnBoard y el mercado actual: | Nivel | Rango mensual USD | |-------|-------------------| | Junior | $2,500 - $3,500 | | Mid | $3,500 - $5,000 | | Senior | $5,000 - $7,500 |

*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.*

Red flags a considerar

• Bandera roja 1: Falta de herramientas adecuadas. Pregunta en la entrevista qué herramientas usan para data quality (ej: si solo usan scripts manuales vs. plataformas como Monte Carlo).
• Bandera roja 2: Poca claridad en métricas. Investiga antes de aceptar si la empresa define y mide KPIs de data quality (ej: error rates, time-to-detection).
• Bandera roja 3: Sobrecarga de responsabilidades. Señal de advertencia común en este rol es que esperen que hagas también data engineering o análisis sin recursos adicionales; pregunta sobre el tamaño del equipo y distribución de tareas.