Big Data Engineer - Technical Leader - Fino A €50.000 All'Anno
Pubblicato il 28-08-2026 - eglue in Torino
Nell’ottica del potenziamento della nostra divisione DWIT - Business Line dedicata all'IT Consulting di eGlue - stiamo ricercando una figura di Big Data Engineer - Technical Leader. Sede di Lavoro : Torino, ibrido (3 giorni di presenza on-site, 2 da remoto). Contratto: fino a 50.000€RAL, a seconda dell'esperienza maturata. Assunzione a tempo indeterminato con contratto CCNL Metalmeccanico. L'offerta include buoni pasto da 6,50€ per giorno lavorato, 200€ Welfare, Assicurazione Sanitaria a copertura del nucleo familiare. La persona lavorerà sul progetto di uno dei nostri principali clienti di ambito Finance. Responsabilità: Gestione di progetti Big Data coordinando un team di sviluppo dedicato; Gestione dei layer di integrazione su piattaforma Big Data; Contribuire alla evoluzione del sistema Big Data definendo standard, regole e modelli architetturali, e dando supporto a progetti strategici come il Journey to Cloud; Progettare e successivamente validare le soluzioni tecniche garantendo gli obiettivi di scalabilità, manutenibilità, sicurezza ed affidabilità del sistema. Requisiti: Laurea Magistrale in Informatica,
Ingegneria Informatica o equivalente; Precedente esperienza competente nella gestione di progetti Big Data (analisi progettuale, definizione degli obiettivi, monitoraggio avanzamento progetto); Strumenti delframework Cloudera e/o Databricks/AWS; Conoscenza distrumenti di elaborazione streaming (Flink, Storm, Spark Streaming, Kafka, e similari); Linguaggi di programmazione: Java, Python o Scala; DB NoSQL (HBase, Cassandra, MongoDB e similari); Esperienza consolidata nella manipolazione, estrazione e trasformazione di database non strutturati; Conoscenza dei principali pattern architetturali di data-architecture, dei principali concetti e strumenti del contesto Big Data e del calcolo distribuito. Completano il profilo: Completano il profilo: ottime capacità relazionali, attitudine al lavoro in team, autonomia e problem solving; Fondamenti del Machine Learning e Deep Learning (algoritmi di clustering, classificazione e regressione); Conoscenza distrumenti di elaborazione batch (Spark, Amazon Athena, Google BigQuery, Hadoop, Hive, e similari) e storicizzazione (Amazon S3, Google Cloud Storage, HDFS, e similari) Principali tecniche di data wrangling, cleansing, exploration e featurization.