El Analytics Engineer es el rol que transforma datos crudos en modelos limpios, documentados y confiables que el resto de la empresa puede usar sin pedir ayuda. Se ubica exactamente entre el Data Engineer, que construye las tuberías, y el Data Analyst, que responde preguntas de negocio. Y paga, en general, por encima de un analista y en línea con un ingeniero de datos de seniority equivalente.

Es un rol relativamente nuevo y poco explicado en español, lo que genera una situación curiosa: mucha gente ya hace este trabajo sin saber que tiene nombre propio y sin cobrar lo que corresponde al rol. Si transformás datos con SQL, mantenés definiciones de métricas y te consultan cuando un número no cierra, probablemente seas uno de ellos.

Cuánto se gana

La referencia más confiable del mercado regional es la encuesta de sueldos de Sysarmy, con datos abiertos publicados en OpenQube y casi 5.000 respuestas en su última edición. Los valores de referencia del sector tecnológico:

Los perfiles de datos tienden a ubicarse en la franja media-alta de estos rangos, y el Analytics Engineer específicamente suele posicionarse por encima del Data Analyst de igual seniority por dos motivos: la escasez de gente que combine SQL avanzado con prácticas de ingeniería, y el hecho de que el rol se vuelve infraestructura crítica —si sus modelos fallan, todos los tableros de la empresa quedan mal.

Dos factores que mueven el número dentro del rango:

• Madurez del stack de datos de la empresa. Compañías con almacén de datos moderno y herramientas de transformación pagan más que las que todavía trabajan con exportaciones manuales.

• Trabajo para el exterior. Las posiciones remotas para empresas de otros países elevan considerablemente el rango, con la contrapartida de exigir inglés funcional y procesos de selección más largos.

Qué hace exactamente un Analytics Engineer

La forma más clara de entenderlo es ver dónde empieza y termina su trabajo respecto de los roles vecinos.

Las tareas concretas del día a día

• Modelar datos. Diseñar las tablas intermedias y finales que consume el resto de la organización, con una lógica que aguante cambios en los sistemas de origen.

• Definir métricas de forma única. Que "usuario activo" signifique exactamente lo mismo en el tablero de marketing, en el de producto y en el reporte del directorio. Este trabajo aburrido es probablemente el de mayor impacto del rol.

• Escribir tests de datos. Validaciones automáticas que detectan valores nulos inesperados, duplicados o rupturas de relaciones antes de que alguien tome una decisión con un número mal.

• Documentar. Qué significa cada campo, de dónde viene y con qué frecuencia se actualiza.

• Aplicar prácticas de desarrollo al trabajo con datos. Control de versiones, revisión de código entre pares, ambientes separados de desarrollo y producción, despliegues automatizados.

Esa última línea es el corazón del rol. Lo que lo distingue de un analista con SQL avanzado es traer al mundo de los datos las prácticas que el desarrollo de software ya tenía resueltas hace años.

Las habilidades que se piden

Indispensables

• SQL avanzado. No consultas básicas: funciones de ventana, expresiones de tabla comunes, optimización de consultas pesadas, entender planes de ejecución.

• Modelado dimensional. Tablas de hechos y dimensiones, granularidad, claves sustitutas. Los conceptos clásicos de almacenamiento de datos siguen siendo la base.

• Una herramienta de transformación. El estándar de facto del mercado es dbt; su documentación oficial es además una de las mejores fuentes gratuitas para aprender las prácticas del rol.

• Git. Trabajar con ramas, resolver conflictos y participar de revisiones de código.

Diferenciales

• Python para tareas que SQL no cubre bien.

• Conocimiento del almacén específico de la empresa (BigQuery, Snowflake, Redshift) y sus particularidades de costo y rendimiento.

• Capacidad de traducir una pregunta de negocio ambigua en un modelo de datos concreto. Es la habilidad más difícil de enseñar y la que más se valora en seniority alto.

Cómo entrar al rol

Hay dos caminos naturales, y uno es notablemente más corto.

Desde Data Analyst: es la transición más frecuente y la más rápida. Ya tenés SQL y entendimiento del negocio; lo que falta es sumar prácticas de ingeniería —control de versiones, tests, documentación— y modelado formal. Si estás en ese punto, este repaso sobre la ruta de aprendizaje para data analyst y el orden correcto de las cosas ayuda a ubicar qué ya tenés cubierto.

Desde desarrollo de software: tenés las prácticas de ingeniería incorporadas y te falta el modelado de datos y el contexto de negocio. Suele ser una transición cómoda para quien viene de backend.

Qué mostrar en el portfolio

Un proyecto que demuestre el rol tiene que incluir, sí o sí: un conjunto de datos crudos y desprolijos como punto de partida, un repositorio con la transformación versionada, tests de calidad que fallen a propósito con datos malos, documentación de cada modelo y un tablero final construido sobre esas tablas. El tablero es lo menos importante; lo que se evalúa es lo de abajo.

Cursos recomendados de Coderhouse

La ruta hacia el rol tiene tres escalones bastante claros:

• Nivel inicial — Curso de SQL: es el cimiento del rol. Sin SQL sólido no hay Analytics Engineer posible, y acá se construye la base de consultas, joins y agregaciones.

• Nivel intermedio — Curso de Data Analytics: el contexto de negocio y las prácticas de análisis que le dan sentido a los modelos que vas a construir.

• Nivel avanzado — Curso de Data Engineering: arquitectura de datos, pipelines y almacenes, que es la capa sobre la que se apoya el trabajo diario del rol.

Preguntas frecuentes

¿Analytics Engineer es lo mismo que Data Engineer?

No. El Data Engineer se ocupa de mover datos de forma confiable desde los sistemas de origen hasta el almacén, y trabaja más con Python e infraestructura. El Analytics Engineer trabaja dentro del almacén, transformando esos datos crudos en modelos que el negocio consume, y su herramienta principal es SQL. Hay superposición en empresas chicas, donde una persona hace las dos cosas.

¿Se puede entrar al rol sin experiencia previa en datos?

Es difícil como primer trabajo, porque el rol requiere criterio sobre qué modelar y eso se construye viendo cómo se usa la información. El camino más realista es entrar como analista, acumular un año de contexto de negocio y mientras tanto sumar las prácticas de ingeniería en proyectos propios.

¿Qué tan importante es dbt?

Es el estándar dominante del mercado y aparece en la mayoría de las búsquedas del rol, así que conocerlo abre puertas. Dicho esto, lo que realmente se evalúa son los conceptos que la herramienta implementa: modularidad, tests, documentación, linaje. Quien entiende eso aprende cualquier herramienta equivalente en poco tiempo.

¿El rol tiene futuro con la IA generando SQL?

La IA escribe consultas bastante bien, pero el trabajo del rol no es escribir SQL: es decidir qué modelar, con qué granularidad, cómo definir cada métrica y cómo garantizar que el dato sea confiable. Esas decisiones requieren contexto de negocio que el modelo no tiene. Lo que sí cambió es la velocidad: quien usa IA para la parte mecánica produce bastante más en el mismo tiempo.

¿Qué diferencia salarial hay con un Data Analyst?

En general el Analytics Engineer se ubica por encima, con una brecha que se explica por la escasez del perfil y por el carácter crítico de su trabajo. La diferencia se agranda en empresas con stack de datos maduro y se achica en organizaciones donde el rol todavía no está bien definido y termina haciendo tareas de análisis.