17+ anni nei dati. Cinque settori, dalla banca alla sanità.
Senior Data Engineer | AI Engineer. Cinque anni a costruire piattaforme dati cloud su AWS e Azure: ETL/ELT con Glue, Step Functions, Airflow e Databricks, lakehouse su Apache Iceberg e agenti basati su LLM per l'osservabilità delle pipeline. Prima, dodici anni di analytics e data science in banca e pagamenti.
Nove aziende, dalla più recente alla meno recente. Ogni voce corrisponde a un ruolo su LinkedIn e a uno stack da approfondire in una call.
Data Engineer & AI Engineer. Contratti tramite Napoli Data LLC: pipeline di dati distribuite e piattaforme dati cloud su AWS e Azure, orchestrazione ETL/ELT con Glue, Step Functions, Airflow e Databricks, e assistenti basati su LLM per l'osservabilità delle pipeline con LangChain, Anthropic Claude, Amazon Bedrock e Ollama per l'inferenza locale.
Senior Data Engineer. Ho progettato e gestito una piattaforma serverless multi-tenant di standardizzazione dei dati su AWS. I file delle compagnie assicurative arrivano nei layer raw, cleansed e standardized su Apache Iceberg, orchestrati con Step Functions, Glue e Lambda. Ho integrato nuove compagnie end to end, dal contratto sui file fino al caricamento validato in produzione. Caricamenti incrementali con SCD Type 2 e Iceberg MERGE, validazione automatica post-caricamento e gestione degli incidenti in produzione. Ho sviluppato un analizzatore con LLM locale (LangChain, Ollama, DeepSeek) che ordina le ipotesi di causa radice per il team on-call.
Data Engineer. Pipeline distribuite su AWS (Glue, Lambda, Step Functions, Athena) e Airflow su Kubernetes con KubernetesPodOperator. Ingestion in tempo reale da API REST e Kafka; ETL automatizzato da API di terze parti verso Azure SQL; flussi ibridi tra Azure Data Factory, Synapse e Databricks. Ho ottimizzato le query Redshift e i database PostgreSQL su RDS per scalabilità e costi. Monitoraggio automatizzato con agenti LLM basati su LangChain e Claude.
AWS Data Engineer. Pipeline di dati con Lambda, Glue e RDS Aurora, con Airflow, Step Functions ed EC2 per grandi volumi; Pandas e PySpark per l'analisi su larga scala; S3 e Athena per archiviazione e query; CloudWatch per il monitoraggio. Ho riprogettato un processo ETL eseguito ogni 15 minuti su EC2, RDS e S3.
AWS BI Data Engineer. Ho progettato, implementato e mantenuto l'architettura dati su AWS: EC2, S3, Lambda per automatizzare ETL e attività di manutenzione, crawler di Glue per catalogare i dati in S3, e Redshift e Athena per l'analisi, con ottimizzazione delle query e buone pratiche di progettazione degli schemi per velocità e accuratezza.
Senior Data Engineer. Pipeline ETL su larga scala in AWS (Python, Lambda, Glue, Athena, S3) che trasformano dati grezzi da MySQL e S3 in variabili per i data scientist e report per i business analyst. Ho portato in produzione soluzioni di machine learning (configurazione degli ambienti, versionamento con Bitbucket, unit testing in Flask/Python) e migliorato il monitoraggio con CloudWatch ed EventBridge.
Data Scientist Project Leader. Big Data & Analytics in un processore di pagamenti multi-brand: ho guidato i progetti del team di data science, pianificato soluzioni dati per tutta l'azienda, sviluppato e monitorato modelli predittivi, e definito metriche di business e tempi di consegna.
Data Analyst (Rischio di Credito) → Senior Data Scientist (Marketing e BI). Modelli di propensione per assicurazioni e prestiti, un motore di raccomandazione per il cross-selling, segmentazione dei clienti con RFM e modelli non supervisionati, un sistema di raccomandazione in tempo reale su Oracle e un chatbot di ReMarketing con NLP. Nel Rischio di Credito: un motore di valutazione dei prestiti e la valutazione automatizzata del portafoglio carte di credito. Aumento misurabile delle vendite e risparmi significativi nel call center.
Panoramica del caso (in inglese) →Data Analyst. Gestione del Rischio di Credito (2013-2016): modelli di scoring e valutazione del credito per privati e aziende. Ho costruito, aggiornato e ottimizzato score e rating massivi. Supporto alle Operazioni Commerciali (2009-2013): studi statistici sui reclami delle carte di credito e automazione dei report.
Da dove arrivano i dati, cosa si costruisce, cosa si consegna.
Log di esecuzione di Airflow e Step Functions, job Glue falliti, output del monitor di salute, allarmi cloud.
Agenti LLM con LangChain e Claude (o Ollama per l'inferenza locale quando i dati non possono uscire) che leggono log e output del monitor, riassumono lo stato delle pipeline e ordinano le ipotesi di causa radice.
Incidenti prioritizzati per il team on-call, con un indizio sulla causa radice e il passo successivo. Meno sorprese, più visibilità sulle pipeline.
Postgres, dump su S3, API SaaS, stream Kafka. Schemi misti, cadenze miste, nessun dizionario condiviso.
ETL/ELT su AWS o Azure, Spark su Glue/Databricks per i carichi pesanti, layer Iceberg con SCD Type 2 e MERGE per lo storico incrementale. Costi e performance delle query ottimizzati dal primo giorno.
Tabelle curate in Redshift, Athena o Snowflake. Pronte per la BI e validate dopo ogni caricamento: conteggio righe, duplicati, record orfani, spostamento di colonne.
Data warehouse transazionale, attributi CRM, segnali comportamentali, storico delle campagne.
Feature engineering con modelli classici (logistica, gradient boosting, RFM, segmentazione non supervisionata) o NLP quando prevale il testo. In produzione e monitorati.
Clienti con score inviati a CRM, campagne, decisioni di credito e watchlist di churn. Le decisioni passano dall'intuito all'evidenza.
Non è un elenco di sigle. Strumenti usati in produzione, raggruppati in base a dove si collocano nel percorso dei dati. Evidenziato = principale negli ultimi due anni (Proactiviti, CLARA Analytics).
+ altri 4 in databricks-examples · dbt-examples (ML/MLflow, ottimizzazione dei costi, testing, performance)
Una call di 30 minuti per capire se c'è sintonia. Nessuna presentazione commerciale.
Ambito e tempi definiti. Di solito 4-12 settimane.
Capacità senior part-time, integrata nel team. Di solito 2-3 giorni a settimana.
Architettura, code review, decisioni tecniche. Retainer mensile, asincrono più una call settimanale.
Buenos Aires (UTC−3) · 6+ ore di sovrapposizione con US Eastern · Contratti tramite Napoli Data LLC · Rispondo entro un giorno lavorativo
Referenze di terzi: leggi le raccomandazioni su LinkedIn →