Auf einen Blick
- Aufgaben: Rebuild data warehouse, deliver trusted data products, and enable self-serve analytics.
- Unternehmen: Plain is redefining B2B customer support with AI-driven solutions for companies like Cursor and Vercel.
- Vorteile: Work in a fast-paced environment with opportunities for growth and ownership of the data function.
- Weitere Informationen: This is an individual contributor role focused on hands-on data engineering.
- Warum dieser Job: Join as a Founding Data Engineer to shape the future of customer interactions with innovative data solutions.
- Qualifikationen: Experience building analytics stacks and proficiency in SQL, BigQuery, and dbt/Dataform required.
Das prognostizierte Gehalt liegt zwischen 60000 - 80000 € pro Jahr.
Plain ist dabei, den Kundenservice für die nächste Generation von B2B-Unternehmen neu zu definieren. Wir bauen die schnellste und leistungsstärkste Plattform, um Unternehmen zu helfen, über reaktive Unterstützung hinauszugehen und echte Kundenbeziehungen aufzubauen. Einige der weltweit fortschrittlichsten Unternehmen - wie Cursor, Vercel und Granola - vertrauen Plain, um alle Kundeninteraktionen zu vereinheitlichen, schnellere Teamzusammenarbeit zu ermöglichen und ihre Arbeitsabläufe mit KI zu optimieren.
B2B-Kundenservice unterliegt einem tiefgreifenden Wandel. KI verändert die Art und Weise, wie Unternehmen mit Kunden interagieren, und verlagert den Support von einer isolierten Funktion zu einem unternehmensweiten Effort über Slack, Discord und jeden anderen Kanal, über den Sie mit Kunden kommunizieren. Der alte Weg - langsam, manuell und disconnected - funktioniert nicht mehr.
Wir suchen einen Founding Data Engineer, der die Datenfundamente von Plain besitzt und weiterentwickelt: das Warehouse, die Kernmodelle und die „Kunden-/Account-Spine“, auf die Produkt, GTM, Support und Engineering angewiesen sind, um Entscheidungen zu treffen und großartige Erlebnisse zu schaffen. Dies ist eine praktische Rolle. Sie werden über unseren Datenstack hinweg arbeiten und eng mit den Engineering-Teams zusammenarbeiten, um unsere Ereignistaxonomie, Pipelines und Metriken sauber zu halten, während wir skalieren.
Was Sie tun werden:
- Rebuild our data warehouse: Besitzen Sie die Architektur, Schemata und Kerndatensätze mit sauberen Pipelines und einer einheitlichen Ereignistaxonomie, die mit Engineering etabliert wurde.
- Liefern Sie vertrauenswürdige, wiederverwendbare Datenprodukte: grundlegende Datensätze, die Analysen, Berichterstattung, In-App-Funktionen und KI antreiben, verankert auf einer joinbaren Kunden-/Account-Spine über Produkt-, Abrechnungs- und CS-Kontext.
- Richten Sie Datenobservabilität ein: Qualitätsprüfungen, Frische, Herkunft, Schemaabweichung und Vorfallreaktion, damit das Unternehmen dem, was es sieht, vertrauen kann.
- Besitzen Sie die In-App-Berichterstattung: Versenden Sie die Analysefunktionen, die den Supportleitern helfen, ihre Daten in bessere Entscheidungen umzuwandeln.
- Ermöglichen Sie Self-Service: Entwickeln Sie unsere Datenschicht, Dashboards und Dokumentation weiter, damit jedes Team seine eigenen Analysen ohne Ticket durchführen kann.
- Legt die Abrufschicht hinter dem Kundenkontext unseres KI-Agenten.
- Arbeiten Sie unternehmensweit zusammen: Arbeiten Sie mit GTM, CX, Produkt und Engineering zusammen, um Fragen in skalierbare Modelle und Datensätze zu übersetzen.
Dies ist eine großartige Passform, wenn Sie…
- Moderne Analytik-Stacks von Grund auf (Warehouse, Transformationen, semantische Schicht, Governance) mehr als einmal aufgebaut haben.
- Stark mit SQL, BigQuery und dbt/Dataform sind.
- Erfahrung im Aufbau von benutzerorientierten Analysen oder KI-Abrufschichten mit Echtzeitdatenplattformen (z.B. Tinybird, ClickHouse) haben.
- Wert auf Datenqualität, Vertrauen und Wiederverwendbarkeit legen, ebenso wie auf Versandgeschwindigkeit.
- Initiative ergreifen und Ihre Arbeit anhand der Auswirkungen auf den Endbenutzer messen, nicht an eleganten Abstraktionen.
- Deutlich kommunizieren und ohne umfangreiche Prozesse Übereinstimmung herstellen können.
Dies wird nicht die richtige Rolle sein, wenn Sie…
- Unwohl mit Unklarheiten oder Greenfield-Arbeit sind. Wir sind früh und bewegen uns schnell.
- Explorative Analysen der zuverlässigen Datensätze und Systeme vorziehen.
- Jetzt ein Team leiten möchten. Dies ist eine IC-Rolle.
Founding Data Engineer Arbeitgeber: Plain
Plain is located in a dynamic tech environment, focusing on transforming B2B customer support. Employees enjoy the chance to work with cutting-edge AI technologies and collaborate with forward-thinking companies. The team values initiative and impact over process.
StudySmarter Expertenrat🤫
Wir sind der Meinung, dass Sie so Founding Data Engineer erhalten könnten
✨Wende dich an die richtigen Communities
Schau dir Online-Communities und Foren an, die sich um Data Science drehen, wie Kaggle oder GitHub. Engagiere dich dort aktiv, teile deine Projekte und lerne von anderen – das wird dir helfen, nicht nur einen Fuß in die Tür zu bekommen, sondern auch wertvolle Kontakte zu knüpfen.
✨Präsentiere deine Daten-Projekte
Baue ein Portfolio auf, das deine besten Projekte zeigt. Nutze Plattformen wie GitHub oder eine persönliche Webseite, um deine Arbeiten zu veröffentlichen. Arbeitgeber im Data Science-Bereich schauen oft direkt auf praktische Erfahrungen, also zeig, was du drauf hast!
✨Nimm an Meetups und Hackathons teil
Besuche lokale Data Science-Meetups oder nehme an Hackathons teil. Diese Veranstaltungen sind nicht nur super, um dein Wissen zu erweitern, sondern auch Gold wert für Networking. Du lernst Fachkollegen kennen und kannst auf Lockere Art und Weise Eventualjobs ergattern.
✨Direkte Bewerbungen über unsere Seite
Vergiss nicht, direkt auf unserer Website nach Stellenangeboten bei Plain zu schauen. Hier kannst du dich auf offene Datenwissenschaftsstellen bewerben und zeigst damit direktes Interesse, das viele Arbeitgeber schätzen!
Wir glauben, dass du diese Fähigkeiten brauchst, um Founding Data Engineer mit Bravour zu bestehen
Einige Tipps für deine Bewerbung 🫡
Lass deine Daten sprechen!:In einem Bereich wie Data Science ist es entscheidend, dass du deine praktischen Fähigkeiten präsentierst. Wenn du an Projekten gearbeitet hast, die deine Analysefähigkeiten oder dein Wissen über Machine Learning demonstrieren, teile sie in deinem Lebenslauf oder füge einen Link zu deinem GitHub-Portfolio bei. Die Daten, die du analysiert hast, und die Tools, die du verwendest, sollten klar hervorgehoben werden.
Ergebnisse quantifizieren!:Unterstütze deine Erfahrung mit quantifizierbaren Ergebnissen. Zeige, wie du durch deine Analysen oder Modelle zur Entscheidungsfindung beigetragen hast oder wie deine Berechnungen den Rohdaten neue Erkenntnisse entlockt haben. Arbeitgeber in der Data Science sind oft an konkreten Verbesserungen und Effizienzsteigerungen interessiert!
Erläutere deine Lernbereitschaft!:Da es sich um eine Vollzeitstelle handelt, zeige in deinem Anschreiben, dass du bereit bist, zu lernen und dich weiterzuentwickeln. Sprich über deine Neugier für neue Technologien oder Methoden im Data Science Bereich. Vielleicht hast du auch Kurse besucht oder Zertifikate erworben, die deine Begeisterung zeigen!
Die richtige technische Sprache!:Achte darauf, dass deine Bewerbung alle relevanten technischen Begriffe enthält, die in der Data Science gebräuchlich sind. Nenne spezifische Programmier- und Analysetools wie Python, R oder SQL, die du beherrschst. Dies macht es für die Rekrutierer einfacher, schnell zu erkennen, dass du für die Rolle als Founding Data Engineer bei Plain gut geeignet bist.
Wie man sich auf ein Vorstellungsgespräch bei Plain vorbereitet
✨Bereite deine technischen Skills vor
In einem Vorstellungsgespräch für eine Data-Science-Position wird oft dein Wissen über Tools wie Python, R oder SQL getestet. Mach dich mit gängigen Algorithmen und deren Einsatzmöglichkeiten vertraut, denn technische Fragen können schnell kommen. Lass uns sicherstellen, dass du in diesen Bereichen glänzt!
✨Verschaffe dir einen Überblick über Projekte
Da es sich um eine Vollzeitstelle handelt, ist es wichtig, dass du konkrete Erfahrungen und Projekte vorweisen kannst. Wenn du bereits an Data-Science-Projekten gearbeitet hast, sei bereit, diese in der Tiefe zu erläutern und zu diskutieren, wie du die Probleme gelöst hast. Dein Portfolio kann hier einen echten Unterschied machen!
✨Vorbereitung auf case studies
In Data-Science-Interviews sind case studies und praktische Probleme häufig Teil des Gesprächs. Übe, wie du strukturiert und logisch an solche Aufgaben herangehst. Arbeitgeber möchten sehen, wie du Daten analysierst und Lösungen entwickelst – bring also deine analytischen Fähigkeiten mit!
✨Zeige deine Leidenschaft für Daten
Mehr denn je geht es bei einer Vollzeitstelle darum, dass du nicht nur die Skills hast, sondern auch wirklich für das Feld brennst. Teile Anekdoten oder Erfahrungen, die zeigen, wie du zur Datenwissenschaft gekommen bist und was dich fasziniert. Diese Begeisterung kann für Plain entscheidend sein!
