Qué hace un Analytics Engineer: funciones, dbt, SQL y cómo pasar desde análisis de datos

Resumen ejecutivo

• El Analytics Engineer transforma datos crudos en tablas limpias, probadas y documentadas para que otros puedan analizarlas sin depender de él.

• Sus herramientas centrales son SQL, dbt, un data warehouse en la nube y control de versiones.

• Se ubica entre el Data Engineer (que mueve y almacena datos) y el Data Analyst (que los interpreta).

• Si ya trabajas con datos y dominas SQL, el paso natural es sumar modelado, testing y buenas prácticas de ingeniería.

En muchos equipos de datos hay un problema que se repite: cada analista calcula "ventas" o "clientes activos" a su manera, los dashboards no coinciden y nadie confía en los números. El Analytics Engineer existe para resolver esa brecha. Es un rol relativamente reciente que gana espacio a medida que las empresas trabajan con data warehouses en la nube, y es una ruta lógica para quien ya trabaja en análisis y quiere sumar ingeniería. Esta guía explica qué hace, qué herramientas usa y cómo llegar.

Qué es un Analytics Engineer

La definición clásica viene de dbt Labs, la empresa creadora de dbt. En su artículo What is analytics engineering?, explican que los analytics engineers entregan conjuntos de datos limpios a los usuarios finales, modelando los datos de manera que cada persona pueda responder sus propias preguntas. Mientras un Data Analyst dedica su tiempo a analizar datos, el Analytics Engineer lo dedica a transformarlos, probarlos, desplegarlos y documentarlos, aplicando prácticas de ingeniería de software como el control de versiones y la integración continua.

Funciones principales

1. Modelado de datos con SQL y dbt

Escribe consultas SQL que convierten tablas crudas (pedidos, usuarios, eventos) en modelos listos para analizar. Con los modelos SQL de dbt, cada transformación es un archivo versionado que se ejecuta dentro del data warehouse. Para entender la herramienta en profundidad, mira dbt: qué es, cómo funciona y por qué lo usan los equipos de datos.

2. Calidad de datos

Define pruebas automáticas que avisan cuando algo se rompe: claves duplicadas, valores nulos, relaciones inválidas. dbt incluye pruebas de datos que se ejecutan con cada cambio, para detectar el problema antes de que un usuario de negocio encuentre un gráfico roto.

3. Documentación

Describe qué significa cada tabla y cada columna. Un buen catálogo evita preguntas repetidas y reduce el riesgo de que alguien use mal un dato. dbt permite escribir la documentación junto al código.

4. Capa semántica y métricas

Define una sola vez cómo se calcula cada métrica (ingresos, clientes activos, retención) para que todos las usen igual. dbt ofrece modelos semánticos para este fin. Es la herramienta contra los dashboards que no coinciden.

5. Colaboración y buenas prácticas

Trabaja con Git, revisiones de código y despliegues controlados. Es una de las diferencias más marcadas con el trabajo analítico tradicional.

Diferencias con Data Analyst y Data Engineer

En equipos chicos, una misma persona cubre dos de estos roles. En equipos grandes se separan. Para una comparación más detallada, revisa qué hace un Analytics Engineer: diferencias con Data Analyst y cómo llegar al rol.

Herramientas que conviene dominar

• SQL avanzado: joins, funciones de ventana, CTEs y optimización. Si estás empezando, parte de cómo aprender SQL desde cero para análisis de datos.

• dbt: la herramienta más usada para transformación en el warehouse. Su documentación de introducción es un buen punto de partida.

• Un data warehouse en la nube: BigQuery, Snowflake o Redshift.

• Git: ramas, pull requests y revisión de código.

• Una herramienta de BI para ver cómo se consumen tus modelos.

Proyecto de entrada para tu portfolio

Un proyecto sencillo que demuestra el rol de punta a punta:

1. Elige un dataset público de e-commerce o de transporte y cárgalo en un warehouse gratuito.

2. Crea tres capas de modelos: crudo (staging), intermedio y final (tablas de hechos y dimensiones).

3. Agrega pruebas de unicidad, no nulos y relaciones entre tablas.

4. Documenta cada modelo y publica la documentación.

5. Define dos o tres métricas clave y conéctalas a un dashboard.

6. Sube todo a GitHub con un README que explique las decisiones.

Esto es exactamente lo que verá quien revise tu perfil: que sabes modelar, probar y documentar.

Cómo pasar de Data Analyst a Analytics Engineer

1. Consolida tu SQL. Es la base del rol.

2. Aprende dbt con un proyecto propio. Primero un modelo, luego pruebas, luego documentación.

3. Aprende Git. Aunque trabajes solo, versiona tu código.

4. Entiende el modelado dimensional. Tablas de hechos y dimensiones son el lenguaje del rol.

5. Propón mejoras en tu trabajo actual. Documenta una métrica, automatiza una consulta repetida o crea una prueba de calidad.

6. Cuenta la transición en tu perfil. Si necesitas orden, la ruta de aprendizaje para ser Analytics Engineer te da una secuencia en 5 etapas.

Sueldos

Los rangos salariales cambian mucho según el país, la empresa, el seniority y si el trabajo es local o remoto. Para evitar cifras sin fuente, no incluimos aquí un rango; puedes ver lo que se sabe del mercado en ¿Cuánto gana un Analytics Engineer?. Antes de negociar, contrasta al menos dos fuentes recientes y con fecha.

Si recién empiezas en datos

El camino habitual es pasar primero por el análisis: entender qué hace un analista y construir una base sólida. Puedes empezar con Data Analyst para principiantes: qué hace y cómo dar tus primeros pasos.

Curso recomendado de Coderhouse

SQL es la base de todo el rol. El Curso de SQL de Coderhouse te enseña a consultar y normalizar bases de datos relacionales, el primer escalón antes de sumar dbt y modelado.

Preguntas frecuentes

¿Qué hace un Analytics Engineer? Transforma datos crudos en modelos limpios, probados y documentados, usando SQL, dbt y buenas prácticas de ingeniería de software.

¿Cuál es la diferencia con un Data Analyst? El Data Analyst analiza datos para responder preguntas de negocio. El Analytics Engineer prepara y mantiene los datos para que el análisis sea confiable y repetible.

¿Necesito saber programar? Necesitas SQL avanzado y conocimientos de Git. Python ayuda, pero no es el centro del rol.

¿Es obligatorio saber dbt? No es obligatorio, pero es la herramienta más usada para el rol y conviene aprenderla para tener un perfil competitivo.