Nosso cliente atua em uma etapa da compra online conhecida como checkout - trata-se do momento em que o consumidor precisa finalizar a compra, preenchendo o cadastro e informações de pagamento. Em integração com os serviços de lojistas, nosso cliente oferece um sistema que preenche automaticamente os dados do comprador na hora de fechar compras. Para fazer isso, a plataforma da startup funciona com cadastros únicos para diferentes lojas: depois que o cliente faz uma primeira compra em uma loja, as informações ficam armazenadas para serem usadas em outras lojas cadastradas no sistema do nosso cliente. O modelo de negócios da empresa funciona com cobranças nas transações. Requisitos: O que você vai fazer: Medições de produto: definir e manter métricas como taxa de conversão, GMV, ticket médio, drop por etapa do checkout, tempo de passo, retorno por canal. Funis e comportamento: construir e evoluir funis (ex.: checkout) e análises de comportamento (coortes, retenção, paths) para encontrar gargalos e oportunidades. Dashboards (Metabase): criar painéis autossuficientes com filtros, drill-downs e assinaturas; padronizar coleções e modelos (Saved Questions) para reuso. Experimentação (A/B): ajudar no desenho de hipóteses, definição de métricas de sucesso, cálculo de tamanho de amostra e análise de resultados. Pipelines de dados: operar o fluxo Hevo → BigQuery → (dbt) → Metabase, garantindo qualidade, pontualidade e custo eficiente. Modelagem e SQL: escrever SQL performático em BigQuery; quando aplicável, modelar camadas em dbt (staging/intermediárias/marts) com testes e documentação. Qualidade e governança: manter dicionário de métricas/eventos, testes de dados, checks de integridade e alertas simples (ex.: assinaturas no Metabase). Análises ad-hoc: responder perguntas de Produto/Growth com investigações rápidas e claras, entregando recomendações acionáveis. Colaboração: trabalhar com Produto e Engenharia para priorizar demandas e transformar achados em decisões de roadmap. Requisitos: Obrigatórios SQL avançado (CTEs, janelas, agregações) e boas práticas de performance no BigQuery. Criação de dashboards (idealmente Metabase) com foco em clareza e decisão. Entendimento de métricas de produto: funis, conversão, GMV, ticket médio, coortes/retenção, LTV básico. Noções de A/B testing (hipóteses, métricas de sucesso, leitura de significância). Diferenciais (grande plus, não eliminatórios) Familiaridade com Modern Data Stack e com o fluxo Hevo → BigQuery → Metabase. dbt no dia a dia (tests, incremental, exposures, docs, macros). Python para automações (gostamos de automatizar tudo). Observabilidade/qualidade (Elementary/Great Expectations) e otimização de custo/particionamento no BigQuery. Modelagem dimensional/semântica de métricas e experiência prévia com e-commerce/checkout. Versionamento (Git) e documentação objetiva. #J-18808-Ljbffr