Site Reliability Engineering

Buscamos un/a  SRE & NOC Manager para liderar la operación y evolución de servicios tecnológicos críticos dentro de una organización enterprise de gran escala.

La posición será responsable de garantizar la  disponibilidad, confiabilidad, resiliencia y desempeño de aplicaciones e infraestructura crítica , liderando una operación 24x7 y evolucionando el modelo de monitoreo tradicional hacia una práctica SRE más preventiva, automatizada y orientada a la mejora continua.

• Liderar la operación  NOC/SRE 24x7 , asegurando continuidad y estabilidad de servicios críticos.
• Gestionar incidentes críticos  P1/P0 , coordinando war rooms, escalaciones, comunicación con stakeholders y recuperación del servicio.
• Implementar y evolucionar prácticas de  Site Reliability Engineering , incluyendo  SLI, SLO, Error Budgets y reducción de toil .
• Definir y monitorear indicadores como disponibilidad, SLA/SLO, MTTR, MTBF, recurrencia e incidentes.
• Liderar procesos de  RCA, Problem Management y blameless postmortems , asegurando acciones preventivas.
• Fortalecer la estrategia de  observabilidad mediante métricas, logs, traces, dashboards y alertamiento accionable.
• Reducir alert noise y evolucionar de monitoreo reactivo hacia detección preventiva de degradaciones.
• Impulsar  automatización, auto-remediation y self-healing para disminuir intervención manual y MTTR.
• Evaluar e implementar capacidades de  AIOps , correlación de eventos y detección de anomalías.
• Coordinar equipos de infraestructura, aplicaciones, desarrollo, cloud, seguridad y proveedores.
• Asegurar resiliencia, alta disponibilidad, capacidad, continuidad y DR.
• Desarrollar al equipo técnico y fomentar una cultura de  ownership, prevención y mejora continua .
  

Buscamos un perfil senior con aproximadamente 8+ años de experiencia en operaciones de TI, infraestructura, producción o reliability , incluyendo experiencia comprobable liderando equipos y servicios críticos 24x7.

Es indispensable contar con experiencia real en:

• Liderazgo de equipos  NOC, SRE, Production Operations o similares .
• Operación de aplicaciones y/o infraestructura de misión crítica.
• Incident, Problem y Major Incident Management .
• RCA y postmortems.
• Observabilidad con herramientas como  Dynatrace, Datadog, Grafana, Prometheus, Splunk, ELK, Zabbix, CloudWatch o equivalentes .
• Métricas de confiabilidad:  SLI, SLO, SLA, Error Budgets, MTTR y disponibilidad .
• Automatización mediante  Python, Bash, PowerShell, APIs, scripts o herramientas equivalentes .
• Ambientes  cloud/híbridos/multicloud : AWS, Azure y/o GCP.
• Contenedores y plataformas modernas como  Docker/Kubernetes .
• Herramientas ITSM y gestión como  ServiceNow, Jira, Azure DevOps o similares .
  

Experiencia en  AIOps, auto-healing, auto-remediation, Infrastructure as Code, CI/CD, Terraform/Ansible, Kubernetes y prácticas DevOps/DevSecOps .