Embora o mercado de dados seja em sua maior parte formado por cientistas, engenheiros e analistas de dados, uma nova carreira está surgindo dentro desse universo: Analytics Engineer.
Nos últimos anos, alguns fatores começaram a contribuir para a modernização dos times tradicionais de dados e por consequência, abrindo espaço para a nova posição, são eles:
- A popularização dos data warehouses baseados em nuvem, o que faz com que o processamento e armazenamento de dados seja mais acessível (rápido e barato)
- O aumento em número e melhora na intuitividade de ferramentas de BI e visualização de dados, fazendo com que os seus usuários não precisem de um alto conhecimento técnico em dados para montar seus reports e indicadores
- O surgimento de ferramentas de ELT (como a Kondado), que extraem dados das principais fontes (ferramentas e bancos de dados) das organizações e centralizam tudo em um data warehouse com apenas alguns cliques, sem que o usuário precise ter qualquer conhecimento em programação
Enquanto analistas e cientistas de dados focam a maior parte do seu tempo construindo análises em diferentes graus de complexidade, o mercado passou a demonstrar a necessidade de que os consumidores finais dos dados, os gestores de negócio, pudessem ser mais self-service e tivessem acesso para gerar as suas próprias métricas, aquelas mais usadas no dia-a-dia, para que tivessem mais autonomia para tomar decisões sem depender do time de dados.
Como já falamos por aqui algumas vezes, a democratização do acesso aos dados é um passo muito importante para que a organização passe a, de fato, usá-los da melhor forma para ajudar na direção do negócio. Mas o caminho apresenta obstáculos, e um deles é a falta de conhecimento do usuário final em como modelar estes dados. Em muitos casos, uma ferramenta de BI como Tableau ou PowerBI resolve o problema, mas em outros é necessário um pouco de conhecimento em SQL, e na tentativa de supri-lo, mesmo não sendo o seu core, o usuário pode acabar se vendo com dados inconsistentes e divergentes em suas mãos.
E é aí que surge a posição de engenharia de analytics. Sua principal função é manter bases de dados de alta qualidade, com dados já higienizados e modelados, prontos para o consumo de analistas de dados e usuários finais. O job description pode variar de acordo com a empresa, porém tipicamente o engenheiro de analytics não irá construir integrações ou analisar dados, por isso não é um engenheiro, analista ou cientista de dados, mas sim cuidar do stack de analytics, para que toda a companhia tenha acesso a dados confiáveis e atualizados prontos para serem consumidos, e isso inclui treinar os usuários para manipular estes dados em ferramentas de visualização e manter a documentação a deles.
A posição ainda é nova, porém já é possível notar grandes empresas de tecnologia do mercado nacional recrutando para a tal vaga. Não por menos, a criação dela pode ser muito vantajosa para as organizações, possibilitando o empoderamento de gestores de negócio de analisarem seus próprios dados sem que precisem de muito aprofundamento técnico na área de dados e mitigando os riscos de erros, pois os dados já estarão modelados, e também permitindo que analistas e cientistas de dados deixem de gastar maior parte de seu tempo fazendo entregas pontuais para os times de negócio e focando a maior parte dele na construção de análises mais profundas.
Contando com ferramentas como a Kondado, o engenheiro de analytics pode montar o seu data warehouse construindo todas as suas integrações com apenas alguns cliques, e modelar os seus dados dentro da ferramenta, garantindo que serão sempre atualizados automaticamente. Conheça mais:
