Skip to content
Tecnologia & EngenhariaMiddle

Exemplo de currículo Middle Analytics Engineer

Exemplo de currículo profissional Middle Analytics Engineer. Modelo otimizado para ATS.

JuniorMiddleSeniorLead

Faixa salarial Middle (US)

$130,000 - $190,000

Por que este currículo funciona

Verbos potentes que provam ownership de domínio

Liderei, Refatorei, Escrevi, Entreguei, Mentorei, Migrei, Implementei, Construí. O AE pleno assume um domínio mart end-to-end. Os verbos precisam refletir isso, não 'ajudei com dbt'.

Números de pleno atrelados à saúde da plataforma

Wall-clock de build de 38 minutos para 11 minutos, adoção do semantic-layer de 9 por cento para 53 por cento, taxa de incidentes downstream 41 por cento abaixo, taxa de aprovação dos testes de 71 para 98 por cento. As métricas de pleno vivem no log do dbt run e no canal de incidentes.

Cadeia de outcomes: modelo para PR gate para dashboard

Não 'usei dbt' mas 'com SLAs de freshness em cada exposure consumida por Looker e Hex'. O AE pleno conecta a camada de modelagem aos artefatos que data analysts e produto enxergam.

Ownership além do seu próprio backlog

Mentorei um analista até AE, dimensionei métricas de growth para 6 times de produto, liberei o time de data engineering. O nível pleno é o nível em que o trabalho de AE aparece nos backlogs de outros times.

Stack sinaliza fluência no modern data stack

dbt Cloud, Cube semantic layer, Elementary Data, Airbyte, Census, Looker e Hex, BigQuery. Nomear o modern data stack dentro de outcomes é o que diferencia o AE do analista ou BI engineer.

Habilidades essenciais

  • dbt Cloud and dbt Core
  • Cube semantic layer
  • Exposures contract authorship
  • Freshness SLAs
  • BigQuery or Snowflake at scale
  • Looker and Hex
  • Reverse-ETL with Census or Hightouch
  • Elementary Data observability
  • Airbyte or Fivetran ingestion ownership
  • dbt semantic layer
  • Python (pandas, polars)
  • Jinja and dbt macros
  • BI vendor migrations
  • Mentorship of analysts
  • RFC authorship
  • Cost monitoring (Snowflake / BigQuery)

Melhore seu currículo

Receba críticas

Feedback brutal de IA sobre seu currículo

Criticar meu currículo →

Currículo & carta sob medida

Adapte seu currículo para vagas específicas

Adaptar meu currículo →

Editor de Currículo IA

Edite com sugestões de IA

Abrir painel →

Modelos e exemplos de currículo de Analytics Engineer para cada etapa de carreira. Seja você modelando seu primeiro domínio dbt, assumindo o semantic layer para uma organização de produto ou tocando uma plataforma AE em várias regiões, seu currículo precisa provar que você trata a camada de modelagem como um sistema. Hiring managers buscam contagem de modelos dbt, SLAs de freshness, cobertura de exposures, adoção do semantic-layer e taxa de incidentes downstream, não 'escrevi SQL' nem 'construí dashboards'. Analytics Engineer não é nem data analyst (consulta tabelas existentes) nem data engineer (constrói infra), assume o contrato entre dados crus e BI mais reverse-ETL. Este guia cobre estratégias de currículo do nível júnior ao lead com o modern data stack, as métricas que importam e a linguagem que sinaliza que você consegue governar a camada por onde o resto da data org entrega.

Boas Práticas para Currículo de Analytics Engineer Pleno

  1. Cada papel abre com um domínio que você assumiu, não com uma ferramenta que usou. Revenue, growth, billing, product analytics, experimentação. AE pleno assume um domain mart end-to-end e essa propriedade tem que ser a manchete, não a marca dbt ou Snowflake.
  2. Atrele métricas à saúde da plataforma, não ao output de feature. Redução do wall-clock de build, ganho de adoção do semantic-layer, queda na taxa de incidentes downstream, ganho na taxa de aprovação de testes, hit rate do SLA de freshness. Números de pleno vivem no log do dbt run e no canal de incidentes, não nas visualizações de dashboard.
  3. Mostre uma remoção ou refatoração explícita. Modelos órfãos eliminados, projeto de 40 tabelas refatorado, exposures sem uso aposentadas. Bullets de remoção provam julgamento mais forte que lançamentos e separam AE de analistas que só adicionam.
  4. Referencie docs, semantic layer e reverse-ETL como um sistema. O trabalho de AE pleno cruza dbt, semantic layer (Cube, dbt semantic layer), BI (Looker, Hex) e reverse-ETL (Census, Hightouch). Um currículo que os isola se lê como júnior; um que os cruza num único bullet se lê como pleno.
  5. Traga à tona o outcome de mentoria, não a intenção de mentoria. 'Mentorei 1 analista até AE júnior assumindo o mart de experiments end-to-end' supera 'mentorei membros do time'. Verbos de outcome são como recruiters distinguem pleno de sênior-júnior.

Erros Comuns de Currículo para Analytics Engineer Pleno

  1. Ler como 'usei dbt' sem métrica

Por que dói: Bullets como 'usei dbt para construir modelos' te posicionam como alguém que segue tutoriais, não como alguém que assume um domínio. AE pleno sem outcomes quantificados é filtrado para loops júnior.

Como corrigir: Substitua 'usei dbt' por 'refatorei um projeto dbt de 40 tabelas em 4 marts em camadas, reduzindo o wall-clock de build de 38 minutos para 11 minutos'. Ferramentas mais número mais outcome é o template pleno.

  1. Tratar semantic layer como opcional

Por que dói: Papéis AE pleno cada vez mais exigem trabalho com semantic-layer (Cube, dbt semantic layer, LookML em escala). Currículos silenciosos sobre isso se leem 1,5 ano atrás do modern data stack.

Como corrigir: Adicione pelo menos um bullet de semantic-layer com porcentagem de adoção: 'Entreguei Cube semantic layer à frente das métricas de growth para 6 times de produto, elevando a adoção do semantic-layer de 9 por cento das queries para 53 por cento'.

  1. Sem bullet de mentoria ou cross-team

Por que dói: AE pleno que opera só no próprio backlog sinaliza estagnação. Hiring managers querem evidência de que você eleva o piso para analistas e AEs adjacentes.

Como corrigir: Adicione um outcome de mentee ('Mentorei 1 analista até AE júnior assumindo o mart de experiments end-to-end') e um bullet cross-team ('Escrevi o grafo de exposures que se tornou o PR-merge gate, reduzindo a taxa de incidentes downstream em 41 por cento ao longo de dois trimestres').

Dicas Rápidas de Currículo para Analytics Engineer Pleno

  1. Lidere cada papel com o domínio que assumiu. Revenue, growth, billing. 'Liderei o domínio de growth em dbt Cloud através de 47 modelos' supera qualquer name-drop de ferramenta.
  2. Mostre uma remoção ou refatoração explícita por papel. Modelos órfãos eliminados, exposures sem uso aposentadas, projeto de 40 tabelas refatorado. Bullets de remoção provam julgamento mais forte que lançamentos.
  3. Referencie docs, semantic layer e reverse-ETL no mesmo bullet. Audiências de pleno querem ver isso como um stack único.
  4. Pareie cada refatoração com um número de wall-clock ou adoção. 'Reduzi o build de 38 minutos para 11 minutos' ou 'elevei a adoção do semantic-layer de 9 por cento para 53 por cento'.
  5. Traga à tona outcomes de mentees. 'Mentorei 1 analista até AE júnior' é o único bullet de mentoria que vale a pena escrever no nível pleno.

Perguntas frequentes

Um analytics engineer assume a camada de modelagem entre dados crus e BI mais reverse-ETL. O dia mistura escrever modelos dbt, revisar PRs de analistas e AEs adjacentes, defender SLAs de freshness em canais de incidentes, conectar exposures e mediar sinal entre data engineering (que entrega os inputs crus) e a audiência de analista ou produto (que consome os marts e o semantic layer). Não é trabalho de analista (consultar tabelas existentes) nem trabalho de data engineering (construir infraestrutura); é o contrato que permite que ambos os lados entreguem.

Data analysts consultam tabelas existentes, escrevem dashboards e respondem perguntas de negócio; data engineers constroem a ingestão, infra e pipelines de streaming que entregam os dados crus; analytics engineers ficam no meio e assumem dbt, o semantic layer, exposures, SLAs de freshness e reverse-ETL. O AE é julgado pela capacidade de outros times entregarem através da sua camada, não por dashboards construídos ou pipelines deployados. Um currículo que confunde AE com analista é filtrado para loops de analista; um que confunde AE com data engineer é filtrado para loops de infra. Nomear a camada de modelagem explicitamente é a única forma de passar.

Lidere com número de modelos dbt, wall-clock de build, hit rate do SLA de freshness, taxa de aprovação de testes, cobertura de exposures downstream, adoção do semantic-layer (porcentagem de queries pela camada), MTTR de data incidents e adoção de audiências reverse-ETL. Pareie com uma métrica cross-team (número de organizações de produto, times de GTM, analistas mentorados). Cinco números por estes eixos superam qualquer muro de prosa e sinalizam AE imediatamente em vez de analista ou data engineer.

Sim, em dbt e Jinja, mais Python para helpers de orquestração e workflows reverse-ETL. A camada que o AE assume (modelos dbt, semantic layer, exposures, SLAs de freshness, audiências reverse-ETL) é tratada como software de produção com PR review, testes, docs e on-call. AEs tipicamente não assumem as pipelines de streaming, infra de ingestão ou serviços de backend, mas assumem a camada do warehouse que fica entre os dados crus e a superfície BI / reverse-ETL, e essa camada precisa aguentar tráfego crítico de negócio.

Três artefatos: uma auditoria do metric drift entre ferramentas BI (o mesmo KPI definido de três formas em Looker, Hex e um doc de Notion), uma análise de incidentes downstream mostrando quantos incêndios de produção vieram de lógica de métrica inconsistente, e um TCO de 12 meses comparando a porcentagem de adoção do semantic-layer com o gasto atual em seats só de BI. Juntos, sobrevivem a um review de VP of Data; sozinhos, nenhum sobrevive. O pitch de AE é menos 'hype do modern stack' e mais 'governança se paga em menos incidentes'.

Quando o modelo não tem exposure anexada, não tem consumidor downstream nos últimos 60 dias e um wall-clock de build que excede seu valor percebido. Defina os critérios de remoção antecipadamente no template de PR (cada modelo deve ter uma exposure ou uma razão de retenção documentada em 30 dias) e revise-os trimestralmente com os dados, não com sentimento. O AE que mantém modelos zumbi vivos acaba debugando-os para um colega três meses depois em vez de entregar novos marts de revenue.

Certificações recomendadas

dbt Analytics Engineering Certification

dbt Labs

middle

SnowPro Advanced: Data Engineer

Snowflake

middle

Google Cloud Professional Data Engineer

Google

middle

Databricks Certified Data Analyst Associate

Databricks

middle

Preparação para entrevistas

Loops de Analytics Engineer misturam uma estação clássica de SQL e modelagem com três etapas específicas de AE: um take-home de projeto dbt (modelar um dataset desconhecido, colocá-lo em camadas, escrever testes e exposures, justificar suas escolhas), um PR review ao vivo onde você defende tradeoffs de modelagem contra um entrevistador encenando analista ou data engineer, e um walkthrough de portfólio onde você defende números (wall-clock de build, adoção do semantic-layer, cobertura de exposures, queda no MTTR). Loops sêniores e lead adicionam um memo de estratégia sobre dbt mesh ou consolidação de vendor e uma conversa de defesa de orçamento.

Perguntas frequentes

Perguntas comuns:

  • Descreva um domain mart que você assumiu end-to-end e o SLA de freshness que defendeu
  • Me conta de uma refatoração de 40 tabelas e o número de wall-clock ou adoção que produziu
  • Como você negociou a seleção de vendor de ingestão com o time de data engineering?
  • Me explique o seu rollout de semantic-layer e a porcentagem de adoção que acompanhou
  • Como você decide se reverse-ETL pertence ao Census ou Hightouch para uma audiência específica?
  • Como você faz parceria com PMs sem virar a fazenda de dashboards deles?
Atualizado:
Usar este modelo