mais lidos
Life at Nu
Conheça a sede do Nubank em Pinheiros, São Paulo/Brasil jan 11
Design
A nova aparência do Nubank: conheça nossa nova logo maio 17
Culture & Values
Como os valores e a cultura da Nu moldam os produtos que criamos ago 7
Carreiras
Reunimos grandes mentes de diversas origens que permitem a discussão e o debate e melhoram a resolução de problemas.
Saiba mais sobre nossas carreiras
By Marlon Ferrari – Senior Analytics Engineer at Nubank
Se você já teve curiosidade sobre o que um Analytics Engineer (AE) realmente faz no dia a dia, quais são as suas tarefas, ferramentas, decisões e como é o ritmo de trabalho dentro do maior banco digital do mundo, este artigo é para você.
No Nubank, o Analytics Engineer vive entre dois mundos: de um lado, a engenharia, onde pipelines, arquiteturas e sistemas de dados precisam escalar com eficiência; do outro, o negócio, onde esses mesmos sistemas precisam responder perguntas reais e apoiar produtos usados por milhões de pessoas.
Aqui, profundidade técnica e impacto organizacional são duas forças que se complementam. Os pipelines, schemas e estruturas de governança construídos por Analytics Engineers ajudam a definir como a empresa inteira entende seus dados e, consequentemente, como toma decisões.
Como um Analytics Engineer começa o dia no Nubank
O dia geralmente começa com a reunião do squad: uma daily cross-funcional onde Software Engineers, Data Scientists, Business Analysts e Analytics Engineers se alinham em torno das prioridades do time.
É nesse momento que bloqueios aparecem, dependências ficam visíveis e cada pessoa entende como sua entrega contribui para objetivos maiores. Depois disso, é hora de construir, e o stack tecnológico do Nubank reflete a escala da operação:
Spark e Scala são protagonistas. A maior parte do processamento de dados no Nubank roda em Apache Spark, com códigos escritos em Scala: uma escolha diretamente ligada à escala das operações. Quando um único dataset precisa processar centenas de milhões de linhas em múltiplos países, é necessário um framework desenhado para processamento paralelo massivo. No dia a dia, Analytics Engineers escrevem, depuram e otimizam jobs em Spark como parte central do trabalho.
Databricks também ocupa uma posição estratégica no fluxo analítico. Clusters, notebooks, agendamento de jobs e gerenciamento de catálogo fazem parte da rotina, dentro de um ambiente que se integra a uma plataforma de dados mais ampla construída pelo próprio Nu. Para muitos AEs, uma parcela significativa do dia acontece nesse ecossistema.
Além disso, o ecossistema interno de pipelines sustenta toda essa operação. Frameworks de processamento batch, camadas de ingestão incremental e interfaces de streaming formam a infraestrutura sobre a qual os times constroem produtos de dados. Entender profundamente esses sistemas é essencial não apenas para estruturar soluções escaláveis, mas também para equilibrar performance e eficiência de custo.
O Apache Flink, por sua vez, amplia esse trabalho para o universo de dados em tempo real. Em pipelines que precisam operar em milissegundos, Flink alimenta desde geração de features para modelos de machine learning até processamento contínuo de eventos e produtos de baixa latência que o batch sozinho não conseguiria suportar. AEs que atuam mais próximos desses domínios expandem seu escopo para além do processamento tradicional, trabalhando também com Kafka e uma infraestrutura de streaming mais ampla.
E existe um diferencial importante: no Nubank, somos AI First. O investimento em engenharia aplicada por inteligência artificial é profundo, e isso já faz parte da rotina operacional dos Analytics Engineers. Ferramentas de IA estão integradas em praticamente todas as etapas do fluxo de trabalho: da geração e validação de código para pipelines à automação de verificações de qualidade, aceleração de code review e navegação por uma base de conhecimento interna com milhares de páginas. Na prática, isso significa ciclos de iteração mais rápidos, validações mais robustas e produtos de dados chegando à produção com um nível de confiança difícil de alcançar manualmente.
Conheça nossas oportunidades
O trabalho principal: construindo, governando e traduzindo dados
Após os alinhamentos iniciais, começa o núcleo do trabalho de engenharia. O restante do dia equilibra colaboração e foco: manhãs mais voltadas para coordenação, com syncs, sessões de descoberta, revisões de dashboards e monitoramento de alertas; tardes dedicadas à construção, escrevendo pipelines, investigando falhas, otimizando performance e revisando pull requests.
Proteger esse equilíbrio é uma das prioridades mais importantes dentro das squads. Cada time tem autonomia para definir suas próprias cerimônias, ritmos e blocos de trabalho, mas existe um princípio compartilhado em toda a organização: ter tempo para focar é algo inegociável.
Dentro do domínio de Data Science & Engineering, o trabalho do Analytics Engineer é construir produtos de dados que toda a organização pode usar com confiança e em escala.
Modelagem e transformação de dados formam a espinha dorsal desse trabalho. Em todo o Nubank, mais de 60 mil datasets recebem contribuições de mais de mil pessoas todos os meses. Dashboards operacionais, datasets que alimentam modelos de machine learning, relatórios regulatórios e praticamente todo ativo analítico depende de pipelines projetados, construídos, otimizados e mantidos por Analytics Engineers.
Nesse contexto, um join mal estruturado pode representar dezenas de milhares de dólares em custos computacionais ao longo de um ano. Uma estratégia de particionamento negligenciada pode transformar um pipeline batch de quinze minutos em um gargalo de quatro horas, afetando cadeias inteiras de relatórios em escala.
A governança de dados acompanha cada etapa desse processo, porque a linhagem precisa ser rastreável até a origem, schemas precisam evoluir sem quebrar, a ownership precisa estar clara entre os times e os custos precisam ser monitorados continuamente. Em uma empresa que opera em múltiplos países e sob diferentes regimes regulatórios, governança envolve privacidade, compliance, qualidade e responsabilidade operacional em toda a jornada dos dados.
Otimização de performance e custo também é algo indispensável aqui. A capacidade de um AE de ajustar um pipeline, escolhendo estratégias corretas de particionamento, otimizando operações de shuffle ou reduzindo leituras desnecessárias, impacta diretamente a eficiência financeira da estrutura.
Porém, talvez a habilidade mais importante seja outra: tradução de negócio. Analytics Engineers frequentemente transitam entre reuniões com Product Managers para discutir churn, conversão ou outras métricas, e ambientes técnicos onde esses conceitos precisam se tornar datasets e arquiteturas robustas.
Ouvir um problema de negócio e transformá-lo em uma estrutura de dados confiável, escalável e reutilizável é o centro da função. No Nu, não existe uma separação rígida entre análise e engenharia. AEs também exercem o papel analítico, mas com capacidade técnica para construir o que a análise exige.
As revisões de pull request carregam sua própria importância. Ao revisar o pipeline de outro AE, não se avalia apenas código: revisam-se decisões de schema, aderência à governança, trade-offs de performance e alinhamento com contratos de dados do squad.
Essas revisões frequentemente cruzam fronteiras, fusos e contextos regulatórios, e é preciso garantir consistência global nos padrões de dados. No dia a dia, Analytics Engineers trabalham lado a lado com:
Em uma organização com mais de cem squads autônomas, AEs frequentemente atuam como o elo central entre essas diferentes camadas.
A operação, por sua vez, é sustentada pela estrutura de Squad + Chapter do Nubank. Squads possuem autonomia sobre seus domínios e ritmo de execução, enquanto o Chapter de Analytics Engineering funciona como camada horizontal, promovendo compartilhamento de conhecimento, alinhamento técnico e evolução coletiva.
Cada AE pertence à missão de um squad, mas se fortalece pela expertise compartilhada do Chapter. E, no fim, Analytics Engineers são donos de seus domínios de dados de ponta a ponta e possuem autonomia para tomar decisões arquiteturais. Além disso, também são responsáveis por saber que essas escolhas impactam diretamente produtos e serviços usados diariamente por milhões de clientes.
No Nubank, não existe uma camada extensa de aprovação separando engenheiros da produção, e a propriedade permanece com quem constrói.
Além do dia: como Analytics Engineers aprendem e crescem
Nem todo aprendizado acontece dentro do fluxo operacional diário. No Nubank, alguns dos momentos mais valiosos da jornada de um Analytics Engineer acontecem justamente fora da rotina tradicional de entregas: em cerimônias, rituais e espaços onde AEs ensinam, aprendem e desafiam uns aos outros constantemente.
Imagine, por exemplo, um AE trabalhando em otimização de custos dentro de um squad específico e descobrindo um novo padrão para reduzir consumo computacional em pipelines. Em poucos dias, esse aprendizado pode se espalhar para dezenas de outros Analytics Engineers por meio dos mecanismos de compartilhamento do Chapter, sendo aplicado em múltiplos produtos, domínios de negócio e países.
Essa capacidade de disseminação rápida é uma das maiores forças do modelo de Chapter no Nubank e as sessões semanais de Knowledge Sharing são a espinha dorsal desse ecossistema. Toda semana, AEs de diferentes squads se reúnem para apresentar deep dives técnicos, explorar novas abordagens, discutir decisões arquiteturais e compartilhar feedback sobre projetos em andamento.
É uma das formas mais rápidas de aprender como outros times estão resolvendo desafios que você talvez ainda nem tenha encontrado.
Workshops internos aprofundam esse desenvolvimento. No Nubank, o Chapter conduz treinamentos estruturados e práticos, cobrindo desde workshops de Scala e Spark voltados à construção e gestão de pipelines de dados em escala até sessões avançadas sobre tuning de performance no Databricks, governança de dados e arquitetura de pipelines.
Os treinamentos são construídos por Analytics Engineers para Analytics Engineers e se baseiam em problemas reais enfrentados diariamente dentro do próprio stack do Nubank.
Hackathons adicionam uma camada diferente de inovação. O Nubank organiza hackathons para toda a empresa (incluindo iniciativas dedicados a LLMs e inteligência artificial) nos quais AEs colaboram com engenheiros, cientistas de dados e times de produto para prototipar soluções em ciclos acelerados.
Esses eventos frequentemente geram ferramentas, frameworks e ideias que evoluem para aplicações reais em produção.
Meetups públicos expandem esse conhecimento para além da empresa.. A série Building Nu Analytics Engineering Meetup compartilha com a comunidade externa como o Chapter funciona, como a área evolui e quais desafios reais fazem parte da rotina da função.
Além de fortalecer a marca técnica do Nubank, esses encontros também contribuem para o ecossistema de dados mais amplo. Juntos, esses quatro canais mantêm o Chapter conectado e fazem com que o conhecimento gerado dentro de um squad não permaneça isolado. Ele circula de forma contínua, independentemente de senioridade, localização geográfica ou domínio de atuação.
Essa dinâmica acelera não apenas crescimento individual, mas também evolução organizacional, e parte importante desse sucesso vem da diversidade de formações dentro do próprio Chapter. Cientistas da computação, estatísticos, economistas e profissionais com trajetórias menos tradicionais em dados colaboram continuamente, trazendo perspectivas complementares para problemas complexos.
No fim, essa combinação entre compartilhamento estruturado, autonomia e diversidade técnica transforma o aprendizado em uma das engrenagens centrais da evolução de Analytics Engineering no Nubank.
Cinco estágios de um Analytics Engineer
A carreira de Analytics Engineer no Nubank segue um framework estruturado de nivelamento que acompanha a progressão desde os primeiros passos na área até posições de arquitetura organizacional.
Cada estágio carrega expectativas próprias em relação a autonomia, complexidade técnica, profundidade de conhecimento e impacto organizacional. Entender essa jornada é valioso tanto para quem está explorando sua entrada no universo de dados quanto para profissionais experientes avaliando seus próximos movimentos de carreira.
O Aprendiz – Associate Analytics Engineer (IC3p)
É aqui que a jornada começa. Neste estágio, as tarefas tendem a ser mais diretas, bem definidas e acompanhadas de supervisão próxima. Normalmente, engenheiros mais experientes já estruturaram o problema e definiram caminhos iniciais; cabe ao Associate executar, aprender e construir repertório.
O foco principal está na formação de fundamentos sólidos, o que inclui aprender como data warehouses funcionam na prática, como modelos dimensionais são estruturados, como escrever queries eficientes que respeitam estratégias de particionamento, como evitar full scans desnecessários e como políticas de governança se aplicam aos datasets manipulados.
Nesse momento, o universo de dados funciona quase como um novo mapa sendo descoberto. É quando o profissional começa a construir vocabulário técnico e pensamento sistêmico, entendendo, por exemplo, o que linhagem significa além da teoria ou por que um pipeline eficiente hoje pode se tornar um gargalo amanhã à medida que a escala cresce.
Nesse contexto, o Associate começa a desenvolver uma mentalidade crítica. A expectativa é que pessoas nesse estágio não apenas perguntem “como fazer”, mas que se interessem em saber “por que isso funciona dessa forma”.
Curiosidade, aprendizado rápido e capacidade de absorver fundamentos são os principais diferenciais nesse estágio, e as habilidades centrais neste nível incluem:
É a fase de construir base técnica e visão sistêmica: elementos que sustentarão toda a progressão futura.
O Construtor – Analytics Engineer (IC4)
No nível de Analytics Engineer, a autonomia começa a se consolidar. Aqui, profissionais já conseguem executar tarefas rotineiras de forma independente, como construir datasets, implementar verificações de qualidade, investigar falhas em pipelines e manter operações analíticas sem necessidade constante de supervisão.
Desafios mais complexos ainda podem exigir orientação, mas o trabalho operacional cotidiano já passa a ser responsabilidade direta do AE. É também nesse estágio que o profissional deixa de apenas seguir padrões estabelecidos e começa a desenvolver soluções próprias, o que significa avançar da execução para a construção ativa de arquitetura.
A análise de causa raiz se torna uma habilidade essencial. Quando um pipeline falha, o objetivo não é apenas restaurar a operação, mas compreender profundamente a origem do problema: seja um data skew, uma mudança de schema upstream, gargalos computacionais ou limitações de infraestrutura.
Spark, por exemplo, deixa de ser apenas uma ferramenta e passa a ser entendido como um sistema distribuído complexo, com regras próprias de particionamento, operações de shuffle, planos de execução e gerenciamento de recursos. Com isso, o AE começa a tomar decisões técnicas mais sofisticadas e diretamente ligadas à escalabilidade.
Ao mesmo tempo, governança deixa de ser apenas um conjunto de políticas a seguir e passa a ser algo implementado ativamente nas soluções construídas. A colaboração com decisões arquiteturais também cresce, aproximando o profissional de discussões mais amplas sobre design de sistemas. Habilidades centrais neste estágio incluem:
O Autônomo – Senior Analytics Engineer (IC5)
No estágio de Senior Analytics Engineer, independência deixa de ser uma meta e passa a ser característica central da função. Aqui, o profissional já opera com alto grau de autonomia, executando projetos complexos, tomando decisões arquiteturais relevantes e assumindo responsabilidade direta por entregas de maior impacto.
Embora o apoio ainda exista para desafios particularmente complexos, a expectativa é que o profissional sênior consiga enfrentar grande parte dos problemas com julgamento próprio, e é também nesse momento que a liderança começa a se expandir.
Além de construir, AEs passam a liderar iniciativas, influenciar direções técnicas e orientar profissionais menos experientes, e a colaboração cross-funcional se torna inevitável. Senior Analytics Engineers frequentemente trabalham atravessando fronteiras entre squads, áreas de produto e disciplinas técnicas, conectando necessidades de negócio a soluções de dados em múltiplos níveis.
Do ponto de vista técnico, esse é o estágio em que o profissional projeta e implementa pipelines de processamento paralelo massivo para cenários variados, equilibrando escalabilidade, performance, custo, governança e confiabilidade operacional.
A governança, por sua vez, deixa de ser apenas um conjunto de diretrizes a seguir e passa a ser algo moldado ativamente pelo profissional, que passa a traduzir processos de negócio em políticas de dados, supervisionar classificações, impulsionar redução de custos e elevar padrões organizacionais.
Outro marco importante é o equilíbrio entre inovação e estabilidade, já que AEs precisam ser capazes de introduzir melhorias e novas abordagens sem comprometer sistemas já críticos para a operação. Essa mudança estrutural se manifesta de forma clara no ambiente ao redor.
Neste estágio, colegas começam a buscar sua opinião, confiar em seu julgamento técnico e recorrer ao seu instinto arquitetural para decisões importantes. Habilidades centrais neste estágio incluem:
O Estrategista – Lead Analytics Engineer (IC6)
No nível de Lead Analytics Engineer, o escopo muda de forma significativa. Os desafios deixam de estar concentrados em problemas delimitados e passam a envolver questões mais amplas, complexas e frequentemente ambíguas, atravessando múltiplos squads, unidades de negócio e domínios de dados.
Aqui, a responsabilidade já não está restrita a pipelines ou datasets específicos, e AEs atuam sobre ecossistemas inteiros. Isso significa coordenar projetos que dependem de alinhamento entre diferentes times, harmonizar prioridades técnicas e estratégicas e construir estruturas capazes de sustentar operações mais amplas.
A atuação passa a combinar profundidade técnica com liderança organizacional e, neste estágio, influência é parte central da função. Lead Analytics Engineers ajudam a definir padrões que outros times passam a seguir sobre qualidade de dados, arquitetura de pipelines, governança, boas práticas operacionais e escalabilidade organizacional
Outro marco importante é o envolvimento direto na formação da própria organização. No Nubank, participação em processos de contratação torna-se parte esperada da função e isso significa que Lead Analytics Engineers ajudam ativamente a definir quem entra no time, contribuindo não apenas para execução técnica, mas para o desenvolvimento de talento e construção de longo prazo da área.
Nesse estágio, o impacto deixa de ser medido apenas por sistemas construídos e passa a ser avaliado pelos ecossistemas que o profissional torna possíveis, como plataformas, estruturas e padrões que ampliam a capacidade de múltiplos times simultaneamente. A influência se expande muito além do squad imediato e as habilidades centrais neste estágio incluem:
O Arquiteto – Staff Analytics Engineer (IC7)
No estágio de Staff Analytics Engineer, a atuação alcança seu nível mais estratégico dentro da trilha individual. Aqui, a autonomia é máxima e a supervisão é mínima, porque AEs não apenas executam ou lideram projetos: sua liderança técnica ajuda a moldar diretamente o roadmap de sua área e influencia a direção estrutural da organização.
O foco deixa de estar em soluções pontuais para desafios específicos e, em vez disso, o trabalho passa a girar em torno da criação de frameworks escaláveis, padrões reutilizáveis e estruturas arquiteturais capazes de resolver classes inteiras de problemas no nível da Unidade de Negócio.
São soluções desenhadas para adoção ampla, por dezenas de squads e múltiplos domínios, ampliando capacidade organizacional de forma sistêmica. Nesse estágio, AEs se tornam uma das principais referências técnicas dentro das unidades de negócio e são as pessoas que gerentes procuram para decisões arquiteturais críticas, ICs seniores consultam diante de sistemas complexos, times recorrem para troubleshooting estratégico e lideranças utilizam como apoio para decisões estruturais de longo prazo.
Além da profundidade técnica, existe uma expectativa elevada de compreensão de negócio. O Staff precisa entender a organização em nível suficiente para antecipar necessidades técnicas antes que elas se tornem urgentes. Ou seja: não apenas responder a problemas, mas prever sua chegada e estruturar soluções previamente.
Além disso, Staff Analytics Engineers orientam engenheiros até IC5 e ajudam a formar novas lideranças técnicas e a fortalecer a capacidade organizacional como um todo. Neste nível, a natureza do trabalho muda de forma fundamental: não se trata mais apenas de resolver problemas, mas de definir como problemas devem ser resolvidos.
Essa distinção representa a transição completa para arquitetura estratégica e as habilidades centrais neste estágio incluem:
Conselhos para futuros Analytics Engineers no Nubank
Para quem está considerando construir carreira como Analytics Engineer no Nubank, existem alguns padrões que aparecem repetidamente entre os candidatos que mais se destacam. E a perspectiva de quem já passou pelo processo revela três aprendizados especialmente importantes.
1. Pense no negócio, não apenas no código
No Nubank, excelência técnica é essencial, mas ela sozinha não basta. O processo seletivo inclui estudos de caso de modelagem de dados ao vivo, e os candidatos mais fortes costumam se diferenciar não por começar a construir imediatamente, mas por parar primeiro para entender o problema. Antes de escrever qualquer query ou arquitetura, é fundamental fazer perguntas como:
A expectativa não é apenas avaliar sua capacidade de implementação, mas sua habilidade de pensar como alguém que já faz parte do time. Em outras palavras, trate o case como se você já estivesse trabalhando no projeto.
2. Demonstre clareza ao navegar trade-offs
Analytics Engineering é, em grande parte, a disciplina de tomar boas decisões diante de restrições. No dia a dia, isso significa lidar constantemente com tensões como:
Durante as entrevistas, muitas vezes o caminho do raciocínio importa mais do que a resposta final e o objetivo é entender como você estrutura decisões diante de ambiguidades reais. No Nubank, valorizamos profissionais capazes de resolver problemas complexos, não apenas encontrar respostas rápidas.
3. Traga curiosidade, independentemente da sua origem
Não existe um único caminho para Analytics Engineering. O Chapter reúne profissionais com backgrounds diversos: ciência da computação, estatística, economia e trajetórias menos convencionais. O ponto em comum não é formação específica, mas características como:
Em uma empresa que opera sob a mentalidade de “ainda é o dia um”, sempre existirão novos sistemas para entender, novos desafios para resolver e novas oportunidades para construir. Por isso, a curiosidade é parte central da função.
Em resumo, para futuros Analytics Engineers no Nubank, pense estrategicamente, navegue trade-offs com clareza e cultive a curiosidade, porque a combinação entre profundidade técnica, visão de negócio e capacidade de aprendizado constante é o que mais diferencia profissionais que prosperam nesse ambiente.
Construa o futuro roxo
Analytics Engineers no Nubank trabalham em mais de cem squads, mantendo mais de 60.000 datasets que servem mais de 100 milhões de clientes em múltiplos países. O Chapter continua crescendo junto aos nossos desafios.
Se esse é o tipo de trabalho que você quer fazer.
Conheça nossas oportunidades