El mercado de datos se reordenó. No todos los perfiles crecen igual, y algunos que hace unos años eran la aspiración por defecto hoy tienen menos vacantes que roles que casi no se mencionaban. Este artículo revisa qué perfiles de datos concentran hoy la demanda laboral en el mercado tech, qué habilidades piden y qué salarios manejan.

El titular que resume todo: el Data Analyst sigue siendo el rol con más vacantes abiertas, pero el Data Engineer es el que crece más rápido y mejor paga. Y dentro de cada rol hay una brecha nueva que importa más que el título: quién sabe usar IA para acelerar su trabajo y quién no.

Los perfiles de datos con más demanda

1. Data Analyst — el de mayor volumen de vacantes

Es el rol más contratado del mundo de los datos en la región, y por bastante margen: distintos relevamientos lo ubican con una proporción de vacantes muy superior a la del Data Scientist.

Qué hace: traduce preguntas de negocio en análisis. Consulta bases, limpia datos, construye reportes y explica qué significan.

Lo que piden: SQL como base no negociable, una herramienta de visualización (Power BI o Tableau), Excel avanzado, y cada vez más Python para automatizar lo repetitivo.

Por qué sigue creciendo: es el rol de entrada al ecosistema. Cada empresa que empieza a medir necesita uno antes de necesitar cualquier otro perfil de datos.

2. Data Engineer — el de mayor crecimiento y mejor pago

Es el perfil que más rápido creció en la industria tech regional. La razón es estructural: la IA generativa y el análisis en tiempo real necesitan infraestructura de datos confiable, y esa infraestructura no existe en la mayoría de las empresas.

Qué hace: construye y mantiene los pipelines que llevan datos desde los sistemas de origen hasta donde se consumen. Modela el warehouse, orquesta procesos y garantiza calidad.

Lo que piden: SQL avanzado, Python, un orquestador (Airflow o similar), una nube (AWS, GCP o Azure), y modelado dimensional.

Por qué paga más: es el rol mejor remunerado de toda la cadena de datos en la región, y la oferta de profesionales con experiencia real en producción es escasa.

3. Analytics Engineer — el rol nuevo que casi no se nombra

Está a mitad de camino entre analista e ingeniero: transforma datos crudos en modelos limpios y documentados que después consume el resto de la organización.

Lo que piden: SQL de nivel alto, herramientas de transformación tipo dbt, control de versiones y testing de datos.

Por qué conviene mirarlo: tiene menos competencia que Data Analyst y menos exigencia de infraestructura que Data Engineer. Es el mejor punto de entrada para un analista que quiere crecer sin volverse ingeniero de plataforma.

4. Machine Learning Engineer

Qué hace: entrena, despliega y mantiene modelos en producción. Es un rol de ingeniería, no de investigación.

Lo que piden: Python sólido, frameworks de ML, MLOps, contenedores y nube.

Realidad del mercado: hay muchas menos vacantes que para analista o ingeniero de datos, y la barrera de entrada es más alta. No es un buen primer rol.

5. BI Developer / BI Analyst

Qué hace: diseña y mantiene el ecosistema de reportes de la organización.

Lo que piden: dominio profundo de una herramienta (Power BI con DAX, o Tableau), modelado de datos y mucha capacidad de traducir requerimientos.

Dónde aparece: es fuerte en empresas grandes y tradicionales, menos en startups. Suele ser una entrada estable con buena demanda sostenida.

6. Data Scientist

Sigue existiendo y sigue pagando bien, pero perdió centralidad. Muchas empresas descubrieron que necesitaban buena infraestructura y buen reporting antes que modelos predictivos.

Dónde tiene sentido hoy: empresas con volumen de datos maduro y problemas donde el modelado predictivo tiene impacto claro: riesgo crediticio, pricing, churn, recomendación.

Comparativa de perfiles

La brecha que cambió el mercado: datos + IA

Este es el hallazgo más importante y el menos comentado. Dentro del mismo rol y con la misma antigüedad, hay dos tipos de profesionales de datos: los que hacen dashboards y los que usan IA generativa para acelerar el análisis. Los relevamientos regionales reportan diferencias salariales muy significativas entre ambos grupos.

La presión viene de arriba: el informe State of AI de McKinsey muestra que cerca del 90% de las organizaciones ya usa IA de forma regular pero solo un 7% logró escalarla, y buena parte del cuello de botella está justamente en los equipos de datos.

Qué significa "usar IA" en un rol de datos, en concreto:

• Generar y auditar SQL complejo con asistentes en lugar de escribirlo desde cero.

• Automatizar limpieza y documentación de datasets.

• Conectar datos a modelos de lenguaje para análisis conversacional dentro de la empresa.

• Construir capas semánticas que permitan preguntar en lenguaje natural sobre el warehouse.

No reemplaza SQL ni el criterio analítico. Los multiplica. Es exactamente el punto donde se decide hoy la diferencia de salario dentro del mismo puesto.

Las proyecciones de habilidades del World Economic Forum refuerzan la lectura: "IA y big data" encabeza la lista de competencias de crecimiento más rápido, y el pensamiento analítico sigue siendo la habilidad central más demandada por los empleadores.

Qué habilidades piden todas las vacantes de datos

Más allá del rol específico, hay un núcleo común que aparece en casi todas las búsquedas:

1. SQL. No hay atajo. Es el requisito que aparece en prácticamente el 100% de las vacantes de datos.

2. Una herramienta de visualización. Power BI o Tableau; conviene dominar una en profundidad antes de sumar la segunda.

3. Python. Ya no es diferencial en analista: es expectativa.

4. Nube. Al menos entender arquitectura básica y saber leer costos.

5. Comunicación. El análisis que no se entiende no se usa. Es el factor que más veces define quién asciende.

Cursos recomendados de Coderhouse

• Si arrancás: el Curso de SQL es el punto de partida obligatorio, y el Curso de Data Analytics cubre el perfil con más vacantes del mercado.

• Si querés el rol que más crece: el Curso de Data Engineering apunta directo al perfil mejor pagado de la cadena.

• Si querés formación en vivo o el recorrido completo: la Carrera de Data Analytics Live, la Carrera de Data Scientist y la Diplomatura en Data cubren distintos niveles de profundidad.

• Si querés cerrar la brecha de IA: el Curso de AI Automation es el complemento que más diferencia hace dentro de un perfil de datos.

Para armar el orden de estudio, ayuda ver la ruta de aprendizaje de Data Analyst y por qué el orden importa: el error más común es empezar por la herramienta de visualización antes de SQL.

Preguntas frecuentes

¿Cuál es el perfil de datos con más demanda laboral?

Data Analyst por volumen de vacantes, Data Engineer por velocidad de crecimiento y nivel salarial. Si buscás la mayor cantidad de oportunidades de entrada, es analista; si buscás el mejor techo, es ingeniería de datos.

¿Cuánto gana un profesional de datos en la región?

Los rangos son amplios y dependen del país, del stack y de si el empleador es local o del exterior. Los relevamientos regionales ubican a los perfiles de datos aproximadamente entre USD 500 y USD 4.000 mensuales en empleadores locales, y bastante por encima cuando el contrato es con empresas del exterior.

¿Sirve todavía estudiar Data Science?

Sí, pero con expectativas realistas: hay menos vacantes que para analista o ingeniero, la barrera de entrada es más alta y no es un buen primer rol. Tiene mucho sentido como especialización después de dos o tres años en un rol de datos.

¿Qué aprendo primero: SQL, Python o Power BI?

SQL. Aparece en prácticamente todas las vacantes, es la base de cualquier análisis serio y es lo primero que se evalúa en una entrevista técnica. Power BI o Python vienen después, según el rol al que apuntes.

¿La IA va a reemplazar a los analistas de datos?

Reemplaza tareas —escribir queries, limpiar datos, generar descripciones— no el rol. Lo que sí está pasando es que redefine quién es competitivo: dentro del mismo puesto, el profesional que usa IA para acelerar produce mucho más que el que no, y el mercado ya está pagando esa diferencia.