Brasilien
SONDA
LawnStarter
Analytics Engineering Manager, Data Platform & Governance
RemoteBrasilien
Belo Horizonte, Minas Gerais, Brazil
SQLGo
Automatische Übersetzung. Prüfe das Original.
Über LawnStarter
LawnStarter ist der führende Marktplatz für Rasenpflege und Außendienstleistungen auf Abruf in den USA mit über 150 Mio. US-Dollar an jährlichen Buchungen. Wir expandieren über die Rasenpflege hinaus, um der One-Stop-Shop für alle Hausdienstleistungen zu werden, und operieren über drei Marken (LawnStarter, Lawn Love, Home Gnome) auf einer einzigen gemeinsamen Plattform.
Über Analytics bei LawnStarter
Wir sind ein kleines, erfahrenes Analytics-Team, das das gesamte Unternehmen unterstützt. Produkt, Marketing, Betrieb und Finanzen laufen alle auf den Daten, die wir bereitstellen. Die Grundlage ist solide: ein zentrales Redshift-Data-Warehouse, in das alle Quelldaten landen, modelliert in dbt und orchestriert von Airflow, wobei Segment die Event-Daten einspeist. Sie werden keine verstreuten Quellen zusammenfügen, die Plattform existiert; Ihre Aufgabe ist es, sie vertrauenswürdig zu machen und zu bleiben. Wir befinden uns mitten in der Migration zu Lightdash als unserer einzigen BI-Plattform, die Tableau und Metabase ersetzt.
Hier ist die ehrliche Lücke: Jeder im Team ist heute Analyst. Datenqualität, Tracking-Standards und Plattformhygiene werden nebenbei erledigt, zwischen Analysen gequetscht. Niemand wacht auf und denkt darüber nach, und genau das ist der Job, für den wir einstellen.
Was diese Rolle besonders macht
- Sie sind der Erste. Governance war bisher die Nebenbeschäftigung aller, also liegt es an Ihnen, neu zu gestalten, was existiert, beizubehalten, was funktioniert, neu zu gestalten, was nicht funktioniert, und Ihre Standards werden zu den Unternehmensstandards.
- Sie besitzen die Roadmap, nicht einen Backlog. Niemand gibt Ihnen Anforderungen, Sie entdecken, was das Unternehmen von den Daten benötigt, und entscheiden, was, in welcher Reihenfolge und warum gebaut wird.
- Ganzheitliche Verantwortung. Von den Quelldaten über Pipelines bis hin zu Dashboards und ML-Modellen sind Sie für das Vertrauen in der gesamten Kette verantwortlich, nicht nur für einen Teil davon.
- Eine Live-Migration zur Gestaltung. Lightdash wird gerade eingeführt. Sie können Berechtigungen, Struktur und Normen festlegen, bevor sich schlechte Gewohnheiten bilden, anstatt sie später zu entwirren.
Die Rolle
Sie werden die erste Person bei LawnStarter sein, die sich der Data Governance widmet, der Eigentümer dafür, ob unsere Daten vertrauenswürdig sind, und der Eigentümer der Roadmap, die sie jedes Quartal vertrauenswürdiger macht. Vertrauen bedeutet die Qualität und Aktualität unserer Quelldaten, Pipelines und Berichte; die Definitionen hinter unseren Metriken; die Standards hinter unserem Segment-Event-Tracking; die Gesundheit unseres Lightdash-Arbeitsbereichs; die Daten, die unsere machine learning-Modelle speisen; und die Sicherheit der Daten selbst. Die Roadmap bedeutet, mit Produkt, Marketing, Betrieb und Finanzen zusammenzusitzen, um zu verstehen, was das Unternehmen von den Daten benötigt, dies in Prioritäten für die Plattform umzuwandeln und die Arbeit zu sequenzieren, Ihre und bald die Ihres Teams.
Dies ist eine praktische Rolle, jeder Manager bei LawnStarter baut mit, und dieser ist keine Ausnahme. Sie beginnen allein, mit dem Analytics-Team um Sie herum: Aufbau von Automatisierung, Schreiben von Checks, Behebung von Fehlern und Einführung von Prozessen, die über Sie hinaus skalieren. Sobald Sie sich eingelebt haben, eröffnen wir eine Stelle als Lead Analytics Engineer, die Ihnen unterstellt ist, Sie helfen bei der Auswahl, und die Funktion wächst von dort aus, je nach Umfang.
Was Sie verantworten werden
- Die Daten-Roadmap – Ermittlung dessen, was Produkt, Marketing, Betrieb und Finanzen von den Daten benötigen, Priorisierung gegenüber der Plattformgesundheit, Sequenzierung der Investitionen. Sie werden sie präsentieren, verteidigen und neu planen, wenn sich das Geschäft bewegt.
- Datenqualität und -aktualität – automatisierte Überwachung von Quelldaten, Pipelines und Berichten; Erfassung von Upstream-Schema- und Quellenänderungen, bevor sie nachgelagerte Systeme beeinträchtigen; Durchführung von Vorfällen bis zur Lösung, wenn sie auftreten.
- Datenherkunft und Auswirkungsanalyse – eine lebendige Karte von der Produktionsquelle zum Warehouse-Modell zum Dashboard und der Prozess, der sie nutzt: Wenn eine Produktionsänderung vorgeschlagen wird, wird ihre nachgelagerte Auswirkung auf Pipelines, Metriken und Berichte bewertet, bevor sie ausgeliefert wird, nicht erst danach entdeckt. Der Endzustand sind Datenverträge mit dem Engineering, sodass unterbrechende Änderungen in deren Workflow und nicht in unserem erfasst werden.
- Lightdash – Administration, Workspace-Struktur, Berechtigungen und die Einführung selbst. Ihre Aufgabe ist es, dem Unternehmen Autonomie für Self-Service zu geben und gleichzeitig den Workspace aufgeräumt genug zu halten, damit die Leute finden und vertrauen können, was da ist. Schulung ist Teil des Deals, Menschen folgen Standards, die ihnen beigebracht wurden, und es ist auch wichtig, Abfragen schnell und Warehouse-Kosten im Rahmen zu halten.
- Die semantische Schicht – wir haben sie gerade für unsere kritischsten Metriken veröffentlicht: eine verwaltete Definition pro Metrik, in Code. Sie werden die Definition und Zuordnung auf den Rest ausdehnen und die Schicht vor unkontrolliertem Wachstum schützen, wenn sie skaliert.
- Governance für Event-Tracking – unser verwalteter Segment-Event-Katalog: Überprüfung neuer Events anhand seiner Standards, Abgleich mit dem, was die Produktion tatsächlich sendet, und Weiterentwicklung der Schutzmaßnahmen (Namensgebung, Eigenschaftswörterbuch, Drift-Erkennung), wenn das Tracking wächst.
- KI-Datenbereitschaft – KI-Agenten fragen täglich unser Warehouse über Brain, unser internes KI-Toolkit, ab. Sie werden steuern, auf welche Daten KI-Tools zugreifen können, und das Warehouse KI-lesbar halten: dokumentiert, konsistent und sicher für einen Agenten, um abzufragen und die richtige Antwort zu erhalten.
- Datensicherheit und Datenschutz – Zugriffskontrollen, Umgang mit PII und Aufbewahrung gemäß den Datenschutzgesetzen der US-Bundesstaaten und regelmäßige Überprüfungen, wer und welche KI-Tools was sehen dürfen.
- Das Governance-System selbst – die Dokumentation, Eigentumsmodelle und Überprüfungsschleifen, die all das oben Genannte ohne Heldenaktionen am Laufen halten.
Zu lösende Probleme
- Geschäftsbedürfnisse in eine Daten-Roadmap umwandeln. Jeder Geschäftsbereich wünscht sich etwas von den Daten, und heute erreichen diese Anfragen das Analytics-Team als Strom von Unterbrechungen. Sie werden die Aufnahme und Priorisierung aufbauen, die sie in eine Roadmap verwandelt, die die Bedürfnisse der Stakeholder mit der Plattformgesundheit in Einklang bringt, Kontakt mit einem sich ändernden Geschäft übersteht und in der sich Ihre Stakeholder wiederfinden können. Der schwierige Teil: "Noch nicht" zu wichtigen Leuten sagen, mit einer Begründung, die sie respektieren.
- Die Lightdash-Migration zu einem Sprungbrett machen, nicht zu einer Re-Plattformierung. Wir ersetzen Tableau und Metabase durch Lightdash. Schlecht gemacht, tauschen wir zwei unordentliche Tools gegen ein unordentliches Tool. Sie werden die Struktur, Räume, Berechtigungen, Zertifizierung und Benennung entwerfen, die es den Stakeholdern ermöglicht, mit der Geschwindigkeit des Unternehmens Self-Service zu betreiben, ohne einen Albtraum unkontrollierten Dashboard-Wachstums zu schaffen. Der schwierige Teil: Autonomie und Ordnung ziehen in entgegengesetzte Richtungen, und Sie müssen beides liefern.
- Die semantische Schicht fertigstellen und verteidigen. Wir haben gerade unsere semantische Schicht für unsere kritischsten Metriken veröffentlicht, eine verwaltete Definition pro Metrik, damit "zwei Dashboards, zwei Zahlen" nicht passieren können. Die unglamouröse Wahrheit: Eine lange Liste von Metriken benötigt immer noch Definition und Zuordnung, und eine semantische Schicht bleibt nur dann vertrauenswürdig, wenn jemand ihr Wachstum eindämmt. Sie werden beides verantworten, die Abdeckung erweitern und die Ein-Metrik-Ein-Definition-Regel beibehalten, wenn die Schicht skaliert.
- Event-Tracking-Entropie zähmen. Segment-Events treiben unsere Funnels und Produktanalysen an, und sie werden von vielen Ingenieuren aus vielen Teams implementiert. Die Schutzmaßnahmen existieren, ein verwalteter Event-Katalog mit Namensstandards, ein Eigenschaftswörterbuch, ein Überprüfungszyklus und eine automatisierte Drift-Erkennung gegenüber der Produktion. Was fehlt, ist ein engagierter Eigentümer: jemand, der jedes neue Event an den Standard hält, den Katalog mit dem abgleicht, was die Produktion tatsächlich sendet, und die Schutzmaßnahmen weiterentwickelt, wenn das Tracking wächst. Ohne das gewinnt die Entropie, Events driften und verschlechtern sich stillschweigend, wenn sich Features ändern.
- Dem Bruch zuvorkommen, anstatt ihm nachzujagen. Heute, wenn sich Produktionsdaten upstream ändern, erfahren wir zu oft, wenn eine Pipeline bricht oder ein Stakeholder eine falsche Zahl meldet. Sie werden nicht bei Null anfangen, ein KI-gestützter Analytics Engineer Agent führt bereits Freshness-Monitoring, Metrik-Anomalie-Erkennung und dbt-basierte Lineage-Checks durch, aber er läuft noch nicht in dem Umfang oder der Abdeckung, die wir benötigen. Sie werden die Erkennung von teilweise auf umfassend ausdehnen, die Lineage über dbt hinaus erweitern (Segment-Events und Lightdash müssen integriert werden) und sie in die Änderungsprüfung des Engineerings einbinden, sodass eine vorgeschlagene Produktionsänderung eine nachgelagerte Auswirkungsbewertung und keine Post-Mortem mit sich bringt. Der Endzustand sind Datenverträge: Unterbrechende Änderungen werden im Workflow des Engineerings erfasst, nicht in unserem.
Was Erfolg ausmacht (Jahr 1)
- Null Pipeline-Vorfälle durch unangekündigte Änderungen der Quelldaten – Lineage und Automatisierung erfassen sie, bevor sie nachgelagerte Systeme beeinträchtigen, und Produktionsänderungen werden mit einer Auswirkungsbewertung statt einer Post-Mortem ausgeliefert.
- Null Freshness-Vorfälle – Stakeholder öffnen nie ein veraltetes Dashboard.
- Jeder Geschäftsbereich verwaltet offizielle, gut gepflegte Metriken und Dashboards – Produkt, Marketing, Betrieb und Finanzen nutzen Lightdash im Self-Service gegen eine vollständig abgebildete semantische Schicht; Tableau und Metabase werden eingestellt; Argumente darüber, wessen Zahl die richtige ist, finden nicht statt. Nicht, weil Sie die Dashboards gebaut haben – sondern weil Sie das System gebaut haben, das sie vertrauenswürdig hält.
- Jedes Segment-Event hat einen Eigentümer und einen Standard – neue Events werden konform ausgeliefert, und Verschlechterungen werden automatisch erkannt, nicht zufällig.
- Governance läuft als System – dokumentierte Prozesse, die es überstehen würden, wenn Sie einen Monat frei nehmen.
Wer Sie sind
- Governance ist Ihr Handwerk, nicht Ihre lästige Pflicht. Sie genießen es wirklich, Datensysteme vertrauenswürdig und ordentlich zu machen, Sie sind die Person, die eine kaputte Namenskonvention nicht ignorieren kann. Dies ist wahrscheinlich keine gute Passform, wenn Sie Governance als Sprungbrett zu "echter" Analysearbeit betrachten.
- KI-nativ. Sie nutzen KI-Tools (Claude Code, Copilot, ChatGPT) täglich, um Qualitätsprüfungen zu erstellen, Automatisierung zu schreiben, Anomalien zu sortieren und währenddessen zu dokumentieren, eine Person deckt Boden ab, der früher ein Team brauchte. Sie sehen auch die umgekehrte Richtung: KI-Agenten konsumieren täglich unsere Daten, und das Warehouse für sie sicher und lesbar zu machen, ist jetzt Teil der Governance. Dies ist wahrscheinlich keine gute Passform, wenn Sie KI-Tools skeptisch gegenüberstehen oder alles manuell erledigen möchten.
- Ein praktischer Manager. Sie waren für die Ergebnisse anderer Menschen verantwortlich, haben deren Zeit eingeteilt, deren Prioritäten verantwortet und Sie haben nie aufgehört, selbst zu bauen. Sie schreiben die SQL, debuggen den Airflow DAG und konfigurieren die Berechtigungen persönlich. Dies ist wahrscheinlich keine gute Passform, wenn die Seniorität Sie von der Tastatur entfernt hat oder wenn Sie nie für die Arbeit anderer als Ihrer eigenen verantwortlich waren.
- Produktorientiert. Sie beginnen mit dem, was das Unternehmen zu entscheiden versucht, nicht mit dem, was die Pipeline tut, und Sie können eine vage Anfrage eines Stakeholders in einen priorisierten Plan umwandeln. Dies ist wahrscheinlich keine gute Passform, wenn Sie Anforderungen überreicht bekommen müssen oder wenn Roadmap-Gespräche wie eine Ablenkung von der eigentlichen Arbeit erscheinen.
- Automatisierung zuerst. Ihr Instinkt für jede wiederkehrende Prüfung ist es, einen Monitor zu bauen, keine Checkliste. Dies ist wahrscheinlich keine gute Passform, wenn Ihre Qualitätspraxis auf manueller Überprüfung und Disziplin beruht.
- Ein Vollstrecker, den die Leute tatsächlich mögen. Sie werden Ingenieure und Analysten, die Ihnen nicht unterstellt sind, an Standards halten, was klare Regeln, gute Werkzeuge, die die Einhaltung erleichtern, und das Rückgrat erfordert, um anmutig Nein zu sagen. Dies ist wahrscheinlich keine gute Passform, wenn Sie Reibung vermeiden oder, am anderen Extrem, es genießen, die "Abteilung für Nein" zu sein.
Diese Rolle ist NICHT
- Eine Führungsrolle für ein großes Team. Sie beginnen allein und stellen dann einen Lead Analytics Engineer ein, der Ihnen unterstellt ist; das Team wächst nur, wenn der Umfang es erfordert. Wenn Sie eine große Organisation leiten möchten, anstatt mit einer kleinen Seite an Seite zu bauen, ist dies nichts für Sie.
- Ein Richtlinien- oder Komiteejob. Es gibt keine Governance-Räte, die Sie leiten, und keine Ordner, die Sie produzieren müssen. Wenn etwas kaputt ist, reparieren Sie es, mit Code, Konfiguration oder einem Gespräch.
- Eine BI-Analystenrolle. Sie werden Ihre Tage nicht damit verbringen, Dashboards für Stakeholder zu erstellen. Sie bauen die Plattform und die Schutzmaßnahmen, die es allen anderen ermöglichen, dies gut zu tun.
- Ein fertiges System zum Babysitten. Vieles davon existiert noch nicht. Wenn Sie eine ausgereifte Datenplattform betreiben möchten, anstatt eine aufzubauen, werden Sie hier frustriert sein.
Technologie, mit der Sie arbeiten werden
- Warehouse & Pipelines – Redshift, dbt, Airflow
- Ingestion – Fivetran, plus benutzerdefinierte Airflow-Pipelines
- Event-Tracking – Segment
- BI – Lightdash (primär), Tableau und Metabase (werden eingestellt)
- KI-Tools – Claude Code, Codex, Brain (unser internes KI-Toolkit) und jedes Tool, das Sie effektiver oder effizienter macht
- Observability – ein KI-gestützter Analytics Engineer Agent (Freshness-Monitoring, Anomalie-Erkennung, dbt-Lineage), den Sie skalieren werden, plus die Qualitäts- und Impact-Tools, die Sie darum herum hinzufügen werden
Sie müssen nicht alle Kriterien erfüllen. Sie benötigen praktische Tiefe in der Warehouse/Pipeline-Schicht und glaubwürdige Erfahrung, ein BI-Tool und einen Tracking-Plan in Unternehmensgröße gesund zu halten.
Grundgehalt: $75k–$120k/Jahr
Vollständig remote: Diese Arbeit erfordert tiefe Konzentration, den Aufbau von Monitoren, das Entwirren von Pipelines, und wir vertrauen darauf, dass Sie Ihre Umgebung verwalten. Asynchrone Zusammenarbeit ist die Norm.
Flexibler PTO: Wir konzentrieren uns auf Ergebnisse. Nehmen Sie, was Sie brauchen.
LawnStarter bietet allen Mitarbeitern und Bewerbern gleiche Beschäftigungschancen (EEO) ohne Rücksicht auf Rasse, Hautfarbe, Religion, Geschlecht, nationale Herkunft, Alter, Behinderung oder Genetik. Wir halten uns an die geltenden bundesstaatlichen und lokalen Gesetze zur Nichtdiskriminierung am Arbeitsplatz.
Mehr Möglichkeiten mit einem Profil
Für mehr Stellen berücksichtigt werden, ohne den ganzen Prozess zu wiederholen? Erstellen Sie Ihr Profil, damit Unternehmen auf Nort Sie finden.
Profil erstellen