UAT Data Analyst Senior

Descripción del puesto

Sobre la vacante

Kibernum busca un UAT Data Analyst Senior para unirse a su equipo de DataOps. El rol se enfoca en validar flujos de datos, realizar pruebas UAT (User Acceptance Testing) y trabajo post-QA en ambientes preproductivos antes del despliegue a producción. Se requiere experiencia en validación de desarrollos de datos y proyectos de alto impacto.

Requisitos clave:

• Experiencia en validación de flujos de datos y pruebas UAT
• Conocimiento avanzado en SQL
• Python para análisis de datos
• Trabajo con APIs
• Experiencia en Google Cloud Platform (GCP)
• Modalidad híbrida: 1 día presencial por semana en Chile

¿Por qué deberías aplicar?

Esta posición te permite trabajar en el corazón de la calidad de datos en una empresa reconocida como Kibernum. Aprenderás metodologías de DataOps en proyectos reales de alto impacto, desarrollando habilidades críticas en validación y aseguramiento de calidad de datos que son cada vez más demandadas en la industria tech. Es una oportunidad para crecer profesionalmente en un entorno donde los datos son el activo principal.

Tips y consejos de VacantesDigitales.com

Skills indispensables

• SQL avanzado para consultas complejas y validación de datos
• Python con librerías como Pandas, NumPy para análisis de datos
• Conocimiento de APIs para integración y pruebas de flujos
• Experiencia en GCP (BigQuery, Cloud Storage, Dataflow)
• Habilidades de QA/UAT específicas para datos
• Comunicación efectiva para reportar hallazgos y colaborar con equipos de desarrollo

Tips prácticos para este puesto

• Prepara casos de prueba específicos para flujos de datos, incluyendo escenarios de borde y validación de transformaciones.
• Automatiza donde sea posible usando Python y scripts de SQL para pruebas repetitivas.
• Documenta exhaustivamente los procesos de validación y los resultados de las pruebas UAT.
• Colabora estrechamente con ingenieros de datos y QA para entender el contexto completo de los desarrollos.

Recursos recomendados

• Tools: Jupyter Notebooks, DBeaver, Postman para APIs, Google Cloud Console
• Librerías: Pandas, SQLAlchemy, requests (Python)
• Documentación: Google Cloud Data Engineering guides, SQL style guides
• Influencers: Follow data quality experts on LinkedIn like Barr Moses (Monte Carlo Data)
• Cursos: "Data Quality Fundamentals" en Coursera, "Python for Data Analysis" en DataCamp

Preguntas frecuentes en entrevistas para este rol

• Pregunta 1: "Describe tu proceso para validar un flujo de datos ETL nuevo antes de su despliegue a producción."

*Tip:* Estructura tu respuesta en fases: revisión de requisitos, diseño de casos de prueba, ejecución, reporte de hallazgos y seguimiento.

• Pregunta 2: "¿Cómo manejas la discrepancia de datos entre el entorno de prueba y producción?"

*Tip:* Enfatiza la importancia de la trazabilidad, el uso de logs y la colaboración con el equipo de desarrollo para identificar la raíz del problema.

• Pregunta 3: "¿Qué métricas o KPIs usas para medir la calidad de los datos en un proyecto?"

*Tip:* Menciona métricas como completitud, precisión, consistencia y puntualidad, y da ejemplos concretos de cómo las has aplicado.

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 - $6,000 |

*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.*

Red flags a considerar

• Bandera roja 1: Si la empresa no tiene un entorno de pruebas preproductivo bien definido o documentado.

*Qué preguntar:* "¿Cómo está estructurado el entorno de preproducción y qué procesos de validación están establecidos?"

• Bandera roja 2: Falta de herramientas adecuadas para automatización de pruebas de datos.

*Qué investigar:* Pregunta sobre las herramientas utilizadas para pruebas UAT y si hay planes de inversión en automatización.

• Bandera roja 3: Poca colaboración entre equipos de datos, QA y desarrollo.

*Señal de advertencia:* Si en la entrevista mencionan silos o dificultades en la comunicación entre departamentos, podría indicar un ambiente de trabajo fragmentado.