---

name: "senior-data-engineer" description: "Skill de engenharia de dados para construção de pipelines de dados escaláveis, sistemas ETL/ELT e infraestrutura de dados. Expertise em Python, SQL, Spark, Airflow, dbt, Kafka e o stack de dados moderno. Inclui modelagem de dados, orquestração de pipeline, qualidade de dados e DataOps. Use quando projetar arquiteturas de dados, construir pipelines de dados, otimizar fluxos de trabalho de dados, implementar governança de dados ou solucionar problemas de dados." agents:

• claude-code

---

Engenheiro de Dados Sênior

Skill de engenharia de dados em nível de produção para construção de sistemas de dados escaláveis e confiáveis.

Sumário

1. Frases de Gatilho
2. Início Rápido
3. Fluxos de Trabalho
   • Construindo um Pipeline ETL em Batch
   • Implementando Streaming em Tempo Real
   • Configuração de Framework de Qualidade de Dados
4. Framework de Decisão de Arquitetura
5. Tech Stack
6. Documentação de Referência
7. Solução de Problemas

---

Frases de Gatilho

Ative esta skill quando ver:

Design de Pipeline:

• "Projetar um pipeline de dados para..."
• "Construir um processo ETL/ELT..."
• "Como ingerir dados de..."
• "Configurar extração de dados de..."

Arquitetura:

• "Devo usar batch ou streaming?"
• "Arquitetura Lambda vs Kappa"
• "Como lidar com dados de chegada tardia"
• "Projetar um data lakehouse"

Modelagem de Dados:

• "Criar um modelo dimensional..."
• "Star schema vs snowflake"
• "Implementar slowly changing dimensions"
• "Projetar um data vault"

Qualidade de Dados:

• "Adicionar validação de dados a..."
• "Configurar verificações de qualidade de dados"
• "Monitorar frescor dos dados"
• "Implementar contratos de dados"

Desempenho:

• "Otimizar este job Spark"
• "Query está rodando lenta"
• "Reduzir tempo de execução do pipeline"
• "Ajustar DAG do Airflow"

---

Início Rápido

Ferramentas Principais

# Gerar configuração de orquestração de pipeline
python scripts/pipeline_orchestrator.py generate \
  --type airflow \
  --source postgres \
  --destination snowflake \
  --schedule "0 5 * * *"

# Validar qualidade de dados
python scripts/data_quality_validator.py validate \
  --input data/sales.parquet \
  --schema schemas/sales.json \
  --checks freshness,completeness,uniqueness

# Otimizar desempenho ETL
python scripts/etl_performance_optimizer.py analyze \
  --query queries/daily_aggregation.sql \
  --engine spark \
  --recommend

---

Fluxos de Trabalho

→ Veja references/workflows.md para detalhes

Framework de Decisão de Arquitetura

Use este framework para escolher a abordagem correta para seu pipeline de dados.

Batch vs Streaming

Critério	Batch	Streaming
Requisito de latência	Horas a dias	Segundos a minutos
Volume de dados	Grandes conjuntos históricos	Fluxos contínuos de eventos
Complexidade de processamento	Transformações complexas, ML	Agregações simples, filtragem
Sensibilidade a custo	Mais econômico	Custo de infraestrutura maior
Tratamento de erros	Mais fácil reprocessar	Requer design cuidadoso

Árvore de Decisão:

Insights em tempo real são necessários?
├── Sim → Use streaming
│   └── Semântica exactly-once é necessária?
│       ├── Sim → Kafka + Flink/Spark Structured Streaming
│       └── Não → Kafka + consumer groups
└── Não → Use batch
    └── Volume de dados > 1TB diário?
        ├── Sim → Spark/Databricks
        └── Não → dbt + computação do warehouse

Arquitetura Lambda vs Kappa

Aspecto	Lambda	Kappa
Complexidade	Dois codebases (batch + stream)	Codebase único
Manutenção	Maior (sincronizar lógica batch/stream)	Menor
Reprocessamento	Camada batch nativa	Replay a partir da origem
Caso de uso	Treinamento ML + serving em tempo real	Puramente orientado a eventos

Quando escolher Lambda:

• Necessidade de treinar modelos ML em dados históricos
• Transformações batch complexas não viáveis em streaming
• Infraestrutura batch existente

Quando escolher Kappa:

• Arquitetura orientada a eventos
• Todo o processamento pode ser expresso como operações de stream
• Começando do zero sem sistemas legados

Data Warehouse vs Data Lakehouse

Funcionalidade	Warehouse (Snowflake/BigQuery)	Lakehouse (Delta/Iceberg)
Melhor para	BI, analytics SQL	ML, dados não estruturados
Custo de armazenamento	Maior (formato proprietário)	Menor (formatos abertos)
Flexibilidade	Schema-on-write	Schema-on-read
Desempenho	Excelente para SQL	Bom, melhorando
Ecossistema	Ferramentas BI maduras	Ferramentas ML crescentes

---

Tech Stack

Categoria	Tecnologias
Linguagens	Python, SQL, Scala
Orquestração	Airflow, Prefect, Dagster
Transformação	dbt, Spark, Flink
Streaming	Kafka, Kinesis, Pub/Sub
Armazenamento	S3, GCS, Delta Lake, Iceberg
Warehouses	Snowflake, BigQuery, Redshift, Databricks
Qualidade	Great Expectations, testes dbt, Monte Carlo
Monitoramento	Prometheus, Grafana, Datadog

---

Documentação de Referência

1. Arquitetura de Pipeline de Dados

Veja references/data_pipeline_architecture.md para:

• Padrões de arquitetura Lambda vs Kappa
• Processamento batch com Spark e Airflow
• Processamento de stream com Kafka e Flink
• Implementação de semântica exactly-once
• Tratamento de erros e dead letter queues

2. Padrões de Modelagem de Dados

Veja references/data_modeling_patterns.md para:

• Modelagem dimensional (Star/Snowflake)
• Slowly Changing Dimensions (SCD Tipos 1-6)
• Modelagem Data Vault
• Melhores práticas dbt
• Particionamento e clustering

3. Melhores Práticas DataOps

Veja references/dataops_best_practices.md para:

• Frameworks de teste de dados
• Contratos de dados e validação de schema
• CI/CD para pipelines de dados
• Observabilidade e lineage
• Resposta a incidentes

---

Solução de Problemas

→ Veja references/troubleshooting.md para detalhes