Data Engineer

En Mango estamos redefiniendo cómo se compra y se paga en la industria de la construcción en LATAM.

Construimos infraestructura financiera que conecta a constructoras y distribuidores a través de una plataforma que habilita crédito en tiempo real, simplifica pagos B2B y elimina fricciones que hoy frenan el avance de las obras.

Mientras la industria opera con retrasos de pago de hasta 50+ días, Mango acelera el flujo de dinero para que la construcción no se detenga.

Somos una fintech con ADN operativo: combinamos tecnología, riesgo inteligente y ejecución en campo para resolver problemas reales, en un sector tradicional que mueve millones todos los días y sigue funcionando con procesos obsoletos.

Estamos en una etapa clave de crecimiento, con inversión levantada y un equipo pequeño, ambicioso y enfocado en impacto. En Mango valoramos a las personas que toman ownership, entienden el contexto completo y quieren construir soluciones que escalen de verdad.

Objetivo del rol

El Data Engineer será responsable de diseñar, construir y mantener pipelines de datos en AWS que soportan la infraestructura de riesgo de Mango, incluyendo el buró de crédito de la construcción y los sistemas de evaluación de clientes.

Trabajará en estrecha colaboración con el área de Riesgos para integrar múltiples fuentes de datos (internas y externas), procesarlas de forma confiable y exponerlas para modelos, análisis y decisiones de crédito.

Este rol existe para convertir datos dispersos en activos estratégicos de riesgo, con foco en calidad, trazabilidad, escalabilidad y velocidad.

Responsabilidades clave

• Diseñar y desarrollar pipelines de datos end-to-end sobre AWS (ingestión, procesamiento, almacenamiento y exposición).
• Implementar y mantener procesos ETL/ELT usando AWS Glue, Lambda y Step Functions.
• Integrar múltiples fuentes de datos vía APIs externas e internas, manejando autenticación, paginación, rate limits y errores.
• Modelar y transformar datos usando Python y SQL, asegurando consistencia y calidad.
• Colaborar activamente con el equipo de Riesgos para entender necesidades de negocio y traducirlas en soluciones técnicas.
• Construir datasets confiables para scoring, análisis crediticio y reporting.
• Asegurar buenas prácticas de logging, monitoreo, manejo de errores y re-procesos.
• Documentar pipelines, decisiones técnicas y flujos de datos.
• Participar en la evolución de la arquitectura de datos y en decisiones de diseño a largo plazo.

Requisitos y experiencia

• +3 años de experiencia como Data Engineer o rol similar.
• Experiencia sólida construyendo pipelines de datos en AWS.
• Uso práctico de AWS Glue, AWS Lambda y Step Functions.
• Programación en Python aplicada a data pipelines.
• Dominio de SQL para transformación y análisis de datos.
• Experiencia integrando APIs REST (consumo, manejo de errores, retries, paginación).
• Experiencia trabajando con datos de múltiples fuentes y formatos.
• Capacidad para trabajar en conjunto con equipos de negocio (riesgo, producto, operaciones).
  
  

Conocimiento deseable en (nice to have):

• Experiencia en fintech, riesgo crediticio o data products.
• Manejo de versionado de código (Git) y flujos de despliegue.
• Familiaridad con arquitecturas event-driven o near real-time.
  
  

Stack/Herramientas:

• Cloud: AWS
• Servicios: AWS Glue, Lambda, Step Functions, S3, Athena, Cloudwatch,DMS
• Lenguajes: Python, SQL
• Integraciones: APIs REST (JSON, auth, rate limits)
• Otros: Git, logging y monitoreo en AWS
  

Habilidades clave

(Soft skills)

• Ownership y mentalidad de construcción.
• Capacidad para entender el problema de negocio, no solo el dato.
• Comunicación clara con perfiles técnicos y no técnicos.
• Enfoque en calidad, impacto y escalabilidad.

Indicadores de éxito (KPIs esperados)

(Cómo sabremos que esta persona está siendo exitosa)

• Pipelines de riesgo funcionando de forma estable y escalable.
• Integraciones de datos externas implementadas correctamente y a tiempo.
• Reducción de fricción y tiempos de acceso a datos para el equipo de Riesgos.
• Alta confiabilidad y calidad de los datasets utilizados para evaluación crediticia.
• Capacidad del sistema de escalar a nuevos clientes, fuentes y casos de uso.
• Feedback positivo del equipo de Riesgos y stakeholders clave.