Resumen ejecutivo

• Si ya sos data analyst, el salto a Analytics Engineer se puede ordenar en 5 etapas: SQL avanzado, modelado dimensional, dbt, orquestación y testing de datos, y un proyecto final para tu portafolio.

• Con 6 a 8 horas por semana, el recorrido completo lleva entre 4 y 6 meses (estimación orientativa); si ya manejás bien SQL, podés recortar la primera etapa.

• El cambio de fondo no es de herramienta, sino de mentalidad: dejás de responder preguntas puntuales y pasás a construir modelos de datos confiables, versionados y testeados que usa todo el equipo.

• Cada etapa termina con un entregable concreto, para que llegues a las entrevistas con pruebas y no solo con certificados.

Muchos data analysts llegan a un punto en el que pasan más tiempo limpiando y rearmando las mismas tablas que analizando. Cada dashboard tiene su propia versión de "ventas", nadie sabe qué consulta es la buena y un cambio en el sistema de origen rompe tres reportes a la vez. El rol de Analytics Engineer nació justamente para resolver eso: aplicar buenas prácticas de ingeniería de software (versionado, tests, documentación) a la capa de transformación de datos.

Ya contamos cuánto gana un Analytics Engineer y por qué es el rol que conecta los datos con las decisiones de negocio. Lo que faltaba era el camino para llegar. Esta ruta está pensada para quien ya trabaja como data analyst (o está terminando de formarse como tal) y quiere dar el siguiente paso sin perderse entre cursos sueltos: qué aprender, en qué orden, cuánto tiempo darle a cada cosa y qué mostrar al final.

Qué hace un Analytics Engineer (en una línea)

Según dbt Labs, la empresa que popularizó el término, el Analytics Engineer se ubica entre el data engineer y el data analyst: toma los datos crudos que ya están en el data warehouse y los transforma en modelos limpios, documentados y testeados, listos para que analistas y áreas de negocio los consuman sin rehacer el trabajo. En la práctica, su día a día combina SQL, modelado, control de versiones con Git y mucha conversación con el negocio para definir métricas.

La ruta de un vistazo

*Con una dedicación de 6 a 8 horas semanales. Si ya tenés experiencia en alguna etapa, acortala.

Etapa 1: SQL avanzado (4 a 6 semanas)

Como data analyst ya escribís SELECT, JOIN y GROUP BY. Para este rol necesitás ir un nivel más arriba, porque vas a escribir SQL que otros van a leer, mantener y ejecutar todos los días.

• CTEs (WITH): para dividir consultas largas en pasos legibles. Es la forma de trabajo estándar en dbt.

• Funciones de ventana: ROW_NUMBER, RANK, LAG, LEAD y sumas acumuladas para deduplicar registros, calcular variaciones y armar cohortes.

• Manejo de fechas y nulos: el origen de la mayoría de los errores silenciosos en reportes.

• Nociones de performance: por qué un JOIN mal hecho multiplica filas y cómo leer un plan de ejecución básico.

Entregable: diez consultas sobre un dataset público (por ejemplo, ventas de un ecommerce) que resuelvan preguntas de negocio, con comentarios que expliquen cada paso.

Etapa 2: Modelado dimensional (3 a 4 semanas)

Esta es la etapa que más diferencia a un Analytics Engineer de un analista. Modelar es decidir cómo se organizan las tablas para que cualquier persona pueda responder preguntas sin errores. La referencia clásica sigue siendo la metodología de Ralph Kimball; el glosario de técnicas de modelado dimensional del Kimball Group es un buen punto de partida gratuito.

• Tablas de hechos y de dimensiones: qué se mide (ventas, sesiones, pagos) y con qué se describe (cliente, producto, fecha).

• Granularidad (grain): qué representa exactamente cada fila. Definirla mal es el error más caro del modelado.

• Esquema estrella: por qué es el formato preferido por herramientas como Power BI.

• Dimensiones lentamente cambiantes: cómo guardar el historial cuando, por ejemplo, un cliente cambia de segmento.

Entregable: el diagrama de un esquema estrella para un caso real (ventas, suscripciones o soporte), con la granularidad de cada tabla escrita en una línea.

Etapa 3: dbt, la herramienta central del rol (4 a 6 semanas)

dbt (data build tool) permite escribir transformaciones como archivos SQL versionados, que se referencian entre sí, se documentan y se testean. Si querés entender primero qué es y por qué los equipos lo eligen, tenés nuestra guía de dbt: qué es y cómo funciona.

• Modelos y ref(): cada modelo es un SELECT; dbt arma el orden de ejecución a partir de las dependencias.

• Sources: declarar las tablas crudas de origen y controlar que estén actualizadas.

• Estructura en capas: la guía oficial de estructura de proyectos de dbt propone separar staging (limpieza 1 a 1 de cada fuente), intermediate (lógica compartida) y marts (modelos finales para el negocio). Adoptarla desde el principio te ahorra un refactor gigante después.

• Materializaciones: cuándo conviene una vista, una tabla o un modelo incremental.

• Documentación: describir modelos y columnas para que dbt genere un sitio navegable con el linaje de los datos.

Entregable: un proyecto dbt (podés usar dbt Core gratis con DuckDB o con la capa gratuita de un warehouse en la nube) que lleve tu esquema estrella de la etapa 2 a modelos reales.

Etapa 4: Orquestación y testing de datos (3 a 4 semanas)

Un modelo que nadie testea es un reporte que algún día va a mostrar un número equivocado. Esta etapa te enseña a garantizar calidad y a que todo corra solo.

Testing

dbt trae tests de datos integrados: unique, not_null, accepted_values y relationships. Con ellos validás, por ejemplo, que no haya pedidos duplicados o clientes huérfanos. Sumá tests propios para reglas de negocio ("el monto nunca es negativo").

Git y CI

Trabajá con ramas, pull requests y revisiones. Configurá una integración continua simple que ejecute los modelos y los tests antes de mezclar cambios.

Orquestación

Los modelos tienen que correr en un horario o cuando llegan datos nuevos. Podés usar el scheduler de dbt Cloud o un orquestador como Apache Airflow. No necesitás dominarlo como un data engineer: alcanza con entender cómo se programa un job y cómo se monitorea. Si querés ver cuándo vale la pena aprender Airflow, mirá esta comparación de Airflow para analistas frente a dbt y Spark.

Entregable: tu proyecto con al menos diez tests, un flujo de CI y una ejecución programada diaria.

Etapa 5: Proyecto final para tu portafolio (3 a 4 semanas)

Es lo que vas a mostrar en las entrevistas. La clave es que cuente una historia de negocio, no solo que "funcione".

1. Elegí un caso con preguntas claras: retención de clientes de un ecommerce, rentabilidad por producto o tiempos de resolución de un equipo de soporte.

2. Cargá datos crudos de un dataset público al warehouse.

3. Modelalos con dbt en capas staging, intermediate y marts, con tests y documentación.

4. Conectá un tablero en Power BI o Looker Studio a tus marts.

5. Escribí un README que explique el problema, las decisiones de modelado, la granularidad de cada tabla y qué harías distinto con más tiempo.

Ese README pesa tanto como el código: demuestra que sabés comunicar decisiones técnicas a personas no técnicas, que es la mitad del rol.

Errores comunes en la transición

• Saltar directo a dbt sin modelado: terminás replicando en dbt el mismo desorden que tenías en tus consultas.

• Coleccionar herramientas: Airflow, Spark, Kafka… Para este rol, profundidad en SQL, modelado y dbt vale más que amplitud.

• No practicar Git: es una de las primeras cosas que se evalúan en entrevistas técnicas para el rol.

• Olvidarte del negocio: un modelo perfecto que responde la pregunta equivocada no sirve.

Si todavía estás consolidando tu base como analista, empezá por la ruta de aprendizaje para data analyst; y si venís de un rol administrativo, esta ruta para pasar de administrativo a analista de datos es el paso previo ideal.

Cursos recomendados de Coderhouse

• Curso de SQL: para afianzar consultas y bases de datos, la etapa 1 de esta ruta.

• Curso de Data Analytics: si todavía estás armando tu base de análisis y visualización.

• Carrera de Data Analytics: la ruta completa con Excel, SQL y Power BI para llegar sólido al salto.

• Curso de Python: útil para scripts de carga, automatizaciones y para entender mejor la orquestación.

• Curso de Power BI: para mostrar el valor de tus modelos en un tablero, el cierre de tu proyecto final.

CTA: poné fecha de inicio a la etapa 1 esta semana y definí desde ya el caso de negocio de tu proyecto final: vas a aprender mucho más rápido si cada etapa le suma una pieza. Si necesitás reforzar la base, arrancá por el Curso de SQL de Coderhouse.

Preguntas frecuentes

¿Cuánto tiempo lleva pasar de data analyst a Analytics Engineer? Con 6 a 8 horas semanales, entre 4 y 6 meses es una estimación razonable para completar las cinco etapas y tener un proyecto de portafolio. Si ya usás SQL avanzado en tu trabajo, puede ser menos.

¿Necesito saber Python para ser Analytics Engineer? No es lo central: el rol se apoya sobre todo en SQL, modelado y dbt. Python suma para automatizaciones y cargas de datos, y muchas búsquedas lo piden como deseable.

¿Qué diferencia hay entre un Analytics Engineer y un Data Engineer? El data engineer construye la infraestructura y los pipelines que traen los datos al warehouse; el Analytics Engineer transforma esos datos en modelos confiables y documentados para el negocio.

¿Puedo aprender dbt gratis? Sí. dbt Core es de código abierto y podés practicar en tu computadora con DuckDB o con las capas gratuitas de los warehouses en la nube. La documentación oficial incluye guías y buenas prácticas.