Sobre nosotros

En Koltin, estamos rediseñando la forma en que cuidamos a nuestros papás, mamás, abuelos y abuelas, con el objetivo de ayudarles a mantenerse saludables, activos e independientes durante el mayor tiempo posible. Lo hacemos a través de nuestras membresías de salud, que integran:

-

- Atención clínica enfocada en la prevención

- Cobertura médica de gastos mayores

- Programas de bienestar y comunidad

Somos la primera empresa en México que protege a personas adultas mayores, desde los 50 hasta los 84 años. Estamos creciendo rápidamente en todo el país, con un propósito transparente: transformar la experiencia de salud para las Grandes Personas, haciéndola más humana, accesible y digna.

El rol

Buscamos un(a) Sr. Data Engineer para el equipo de Data Platform: la persona que se hace dueña de cómo se mueven los datos. Vas a diseñar, construir y operar los pipelines, la ingesta y la orquestación que hacen que cada dato llegue completo, a tiempo y confiable al warehouse, y de ahí al producto.

Es un rol senior y hands-on: defines la arquitectura de la plataforma, pones la vara de ingeniería (confiabilidad, observabilidad, CI/CD) y mentoreas al equipo. Trabajas de la mano con Analytics Engineering, que construye el modelado y los contratos de datos sobre lo que tú habilitas.

Nuestra ambición: pasar de responder bien lo que ya se pregunta, a anticipar la pregunta, y de ahí a modelos predictivos corriendo en producto. Este rol construye los cimientos que hacen ese salto escalable.

Responsabilidades

-

- Diseñar y operar la ingesta. Conectores administrados y custom (Airbyte, APIs, CDC) para fuentes clínicas, comerciales y operativas, con cargas incrementales,



idempotentes y con manejo de historia.

- Ser dueño(a) de la orquestación. Workflows en Dagster con Python: dependencias, reintentos, backfills, SLAs y assets bien definidos.

- Construir pipelines de producción. Procesos batch y near real-time, orientados a eventos cuando haga sentido, que reemplacen procesos manuales y escalen sin reescribirse.

- Garantizar calidad y observabilidad. Checks de datos en cada capa, alertas, lineage y monitoreo: que las anomalías nos avisen antes de que alguien las reporte.

- Evolucionar la arquitectura en la nube. Infraestructura en AWS (PostgreSQL/RDS, Lambda, S3, serverless) con desempeño, costo y seguridad en la cabeza.

- Llevar prácticas de ingeniería a los datos. Git, PRs, testing, CI/CD, templates y componentes reutilizables que suban la velocidad del equipo (DevEx).

- Habilitar a Analytics Engineering, Data Science y ML. Datos crudos confiables para los modelos en dbt, datasets de entrenamiento y pipelines que lleven predicciones de regreso al producto.

- Subir la vara del equipo. Code review, pairing y mentoría técnica; estándares que se sostienen sin ti en la sala.

Lo que buscamos

-

- 5+ años en data engineering, con al menos 2 operando como Sr. Data Engineer o referente técnico de plataforma.





- Python para pipelines en producción. ETL/ELT, automatizaciones y servicios de datos, aplicando Git, PRs/code review, testing y CI/CD.

- Orquestación. Experiencia real con Dagster o Airflow, idealmente habiendo desplegado o migrado un orquestador desde cero.

- Ingesta. Herramientas administradas (Airbyte, Fivetran o equivalente) y conectores custom contra APIs; cargas incrementales, idempotencia y manejo de historia.

- SQL avanzado y bases de datos. PostgreSQL y/o un warehouse analítico (Redshift, Snowflake, BigQuery), optimizando desempeño y costo.

- Transformaciones con dbt o equivalente, entendiendo cómo la ingesta y el modelado se contratan entre sí.

- Cloud, preferentemente AWS. RDS, Redshift, Lambda, S3 y arquitecturas serverless (SAM o similar).

- Confiabilidad y observabilidad. Data quality checks, monitoreo y alertas (Datadog, Grafana o equivalente) en sistemas que no se pueden caer.

- Modernización. Haber llevado procesos legacy o manuales a infraestructura cloud-native escalable.

- Comunicación con negocio y producto. Traducir una necesidad ambigua en una solución de datos y explicar sus trade-offs.

- Haber mentoreado a otros ingenieros y dejado estándares que sobrevivieron.

- Español nativo e inglés profesional (documentación y herramientas en inglés).

Suma puntos

-

- Infraestructura como código (Terraform, Pulumi o CDK).

- Arquitecturas orientadas a eventos y microservicios; APIs de datos con FastAPI, REST o GraphQL.

- Streaming o procesamiento en tiempo real para métricas operativas.

- Big Data / OLAP (Vertica, Redshift, Snowflake) sobre

📌 Sr Data Engineer (México)
🏢 Koltin
📍 México