Staff Engineer - Growth & Marketing

A Posição:

O PicPay cresce quando alguém que nunca ouviu falar da gente decide abrir uma conta. E cresce de novo quando essa pessoa descobre o segundo, o terceiro, o décimo motivo pra ficar. Essa posição existe pra garantir que a engenharia por trás desses dois momentos funcione com a mesma precisão de um sistema financeiro. Porque é exatamente isso que ela é.

Você vai liderar a arquitetura dos sistemas que decidem quem recebe qual mensagem, em qual canal, em qual momento. Vai construir a plataforma que transforma uma intenção de marketing em milhões de interações simultâneas sem derrubar nada, sem perder ninguém no meio do caminho, sem mandar push pra quem acabou de cancelar. Vai cuidar do fluxo de abertura de contas como um problema de engenharia distribuída, não como um formulário com validações.

Não estamos procurando alguém pra opinar sobre arquitetura em reuniões. Estamos procurando quem desenha, implementa, defende as decisões com código rodando em produção e aceita ser cobrado pelos resultados.

O Que Você Vai Fazer:

• Projetar e construir a plataforma de marketing do PicPay como infraestrutura interna. Hoje, orquestrar uma campanha de ativação exige costurar sete sistemas diferentes. Seu trabalho é transformar isso numa plataforma com contratos claros, APIs previsíveis e capacidade de processar decisões de segmentação em tempo real. Não em batch de madrugada.
• Redesenhar a arquitetura do onboarding. Abertura de contas é um pipeline que envolve verificação de identidade, análise de risco, compliance regulatório, decisão de crédito e ativação de produto. Tudo isso precisa acontecer em segundos, com fallback pra cada etapa, sem que o usuário perceba a complexidade. Você vai ser responsável por essa orquestração funcionar de forma reativa, resiliente e observável.
• Colocar inteligência artificial dentro da arquitetura, não ao lado dela. Modelos de propensão, personalização e recomendação hoje vivem em notebooks. Seu papel é criar os contratos, as interfaces e a infraestrutura que permitem ao time de dados colocar um modelo em produção com a mesma facilidade com que um engenheiro faz deploy de um endpoint.
• Elevar a barra técnica do time. Não como mentor abstrato. Como alguém que participa de design reviews, questiona decisões frágeis, propõe alternativas concretas e escreve RFCs que o time realmente lê e usa como referência.
• Tomar decisões de trade-off e sustentá-las. Quando escolher consistência eventual em vez de forte, você vai documentar o porquê. Quando rejeitar uma abstração prematura, vai explicar o custo futuro que está aceitando. Decisões técnicas nesse nível precisam de rastreabilidade.

Quem A Gente Procura:

• Arquiteto de sistemas distribuídos com experiência real. Alguém que pensa em consistência eventual, idempotência, particionamento, replicação e tolerância a falhas como vocabulário do dia a dia. Que já projetou sistemas reativos e event-driven em escala real porque já sofreu com falhas em cascata, backpressure mal resolvido e I/O bloqueante em pico de tráfego.
• Engenheiro de software com fundamentos fortes. Complexidade algorítmica, estruturas de dados, design de sistemas. Não como exercício teórico. Como ferramenta pra tomar decisões melhores quando o sistema precisa processar milhões de eventos por segundo sem degradar.
  Go como linguagem principal. Domínio de concorrência, canais, goroutines e os trade-offs reais do runtime.
• Experiência em Clean Architecture, SOLID e Domain-Driven Design.
• Experiência liderando decisões técnicas de alto impacto em organizações com dezenas ou centenas de engenheiros. RFCs, design docs, post-mortems como prática. 
• Capacidade de influenciar produto, dados e liderança executiva com a mesma fluência com que debate internals de um sistema com o time.
• 10+ anos construindo software em produção de alta escala.

Diferenciais que pesam:

• Ter construído plataformas de produto em times de engenharia que operam com ownership ponta a ponta. CDPs, orquestradores de jornada, motores de decisão em tempo real, sistemas de segmentação que servem milhões de usuários com latência previsível.
• Ter colocado modelos de ML em produção como parte da arquitetura do sistema. Servir inferências em tempo real, monitorar drift, versionar modelos, fazer rollback sem downtime. Não como projeto separado do time de dados, mas como capacidade nativa da plataforma.
• Ter operado Kubernetes, service mesh e observabilidade distribuída em ambiente de produção com tráfego real. Saber o que acontece quando um pod não responde, quando o tracing não explica o problema, quando a métrica certa não existe e precisa ser criada.

#VemserPicpayLover #Picpay #LI-REMOTE #LI-BC2