Curso
Introducción a Python
4 h
7M
La ciencia de datos no deja de evolucionar, y con ella, los puestos y funciones dentro de cualquier equipo moderno de datos. En los inicios, muchos títulos incluían el término «big data».
En los dos últimos años, a medida que el aprendizaje automático se ha ido operacionalizando, MLOps empezó a aparecer en distintos cargos. Y hoy, a medida que las organizaciones aumentan su competencia en datos y madurez analítica, estamos viendo el auge del rol de analytics engineering.
En pocas palabras, los analytics engineers hacen de puente entre las funciones de ingeniería y de analista. Su misión es aplicar buenas prácticas de ingeniería para ofrecer conjuntos de datos limpios y transformados, listos para su análisis.
Este artículo busca desmitificar qué es un analytics engineer y qué hace, compararlo con otros roles comunes de datos y ofrecer recursos para dar el salto a analytics engineering.
¿Qué es un analytics engineer?
Dataform propone una analogía fantástica para entender cómo encajan los analytics engineers en el equipo de datos usando un ejemplo familiar: los armarios. Tenla presente mientras vemos por qué su figura está en alza.
«Los data engineers construyen el armario: juntan la madera, las herramientas y lo montan. Los analytics engineers abren el armario y colocan platos, tazas y cuencos, ordenándolos de una forma concreta. Puede ser por colores, formas o tamaños. Después, los data analysts entran al armario y saben dónde está todo porque está bien organizado. ¡Así pueden coger esa taza azul pequeña que buscaban y prepararse un té!»
Josie Hall, Program Manager at Google
Antes del auge del analytics engineering, los data analysts usaban herramientas de visualización como Tableau o Power BI para ofrecer insights a los stakeholders. Estas herramientas son excelentes para presentar datos, pero no son las mejores para transformar y almacenar datos.
Imagina que un data engineer despliega una canalización que carga datos de marketing, pero la calidad de los datos deja que desear. Solo los analistas del equipo de marketing tienen el conocimiento del dominio para transformar y mejorar esa calidad. Sin embargo, no usan la misma pila tecnológica que el data engineer.
Mientras tanto, los data engineers no tienen el contexto suficiente para saber con rapidez qué transformaciones hacen falta y, probablemente, estén desbordados con tareas prioritarias de toda la empresa. Como consecuencia, los analistas pueden acabar transformando los datos en Tableau o Power BI, o creando tablas temporales en una base de datos relacional. El resultado: ineficiencia y más lentitud a la hora de obtener insights.
Aquí entra en juego el analytics engineer. Este perfil se sitúa entre el data analyst y el data engineer. En el escenario anterior, tendría las habilidades técnicas para optimizar las transformaciones de datos y, a la vez, el conocimiento del dominio.
Trabajando codo con codo con el data analyst, el analytics engineer puede entregar datos limpios listos para su consumo, transformándolos con las herramientas y tecnologías adecuadas.
¿En qué se diferencian los analytics engineers de otros roles de datos?
Los límites entre roles son difusos, así que, ¿cómo se diferencian los analytics engineers de otros perfiles y cómo colaboran?
Analytics engineer vs. data analyst
Los data analysts se encargan de analizar datos y reportar insights derivados de su análisis. Conocen a fondo el flujo de trabajo analítico y comunican sus conclusiones combinando herramientas con y sin código. Suelen dominar SQL y herramientas de business intelligence como Power BI o Tableau, y utilizan en menor medida herramientas como R o Python.
Los analytics engineers trabajan con los data analysts para optimizar modelos de datos listos para su consumo. También son responsables de mantener la documentación sobre los datos, lo que permite a los analistas encontrar insights más rápido.
Analytics engineer vs. data engineer
Los data engineers se encargan de que los datos adecuados lleguen a las personas adecuadas. Crean y mantienen la infraestructura y las canalizaciones que llevan terabytes de datos en bruto procedentes de distintas fuentes a un único lugar centralizado con datos limpios y relevantes para la organización.
Es cierto que esta definición se solapa bastante con el rol de analytics engineering. Pero, volviendo al ejemplo del armario, los data engineers se aseguran de que los analytics engineers dispongan de las fuentes correctas para organizar y modelar de cara al consumo por parte de los analistas de datos.
Además, los data engineers se ocupan de configurar APIs personalizadas y canalizaciones ETL desde fuentes propietarias, mientras que los analytics engineers dedican mucho más tiempo a mejorar canalizaciones desde APIs de proveedores como Google Analytics.
Analytics engineer vs. data scientist
Los data scientists investigan, extraen y reportan insights relevantes a partir de los datos de la organización. Comunican estas conclusiones a perfiles no técnicos y comprenden bien los flujos de trabajo de machine learning y cómo conectarlos con aplicaciones de negocio. Trabajan casi exclusivamente con herramientas de código como SQL, Python y R, realizan análisis y a menudo usan herramientas de big data.
La relación entre data scientists y analytics engineers es similar a la que existe entre data analysts y analytics engineers. Los analytics engineers permiten que los data scientists se centren más en los insights y menos en la limpieza y optimización de datasets.
Analytics engineer vs. machine learning engineer
Los machine learning engineers diseñan y despliegan sistemas de aprendizaje automático que generan predicciones a partir de los datos de la organización. Resuelven problemas como predecir el churn o el valor de vida del cliente y se encargan de poner modelos en producción para su uso por parte de la empresa. Trabajan exclusivamente con herramientas basadas en código y están más orientados a la tecnología que sus homólogos.
Los analytics engineers están mucho más centrados en habilitar a data analysts y data scientists, responsables de entregar insights a los equipos de negocio.
Comparativa de puestos: analytics engineer
|
Data analyst |
Data engineer |
Data scientist |
Machine learning engineer |
Analytics engineer |
|
Analizar datos y reportar insights a los stakeholders Crear paneles consumidos por toda la organización Aprovechar el conocimiento del dominio para realizar recomendaciones |
Crear y mantener canalizaciones ETL usando APIs de proveedores y propietarias Optimizar y centralizar datos en un data lake o data warehouse Entregar datos a canalizaciones de machine learning Procesar datos en la nube |
Analizar datos y reportar insights a los stakeholders Diseñar experimentos como tests A/B Desplegar paneles consumidos por toda la organización Desarrollar flujos de aprendizaje supervisado y no supervisado Analizar datos no estándar como series temporales, texto, datos geoespaciales o imágenes |
Entrenar y desplegar modelos de machine learning Supervisar y mejorar el rendimiento de modelos en producción Aplicar buenas prácticas de ingeniería de software al flujo de ML (CI/CD) |
Optimizar para su consumo las canalizaciones creadas por data engineers Aplicar buenas prácticas de ingeniería a modelos de datos usados por analistas y científicos Desarrollar, estandarizar y mejorar la documentación sobre los datos |
|
R o Python SQL, Power BI, Tableau |
R o Python SQL Git, Shell y herramientas de línea de comandos Herramientas de big data como Airflow o Spark Herramientas en la nube como AWS, Azure, GCP o Snowflake |
R o Python SQL Git, Shell y herramientas de línea de comandos Herramientas de big data como Airflow o Spark |
R o Python SQL Git, Shell y herramientas de línea de comandos Herramientas de big data como Airflow o Spark |
R o Python SQL Git, Shell y herramientas de línea de comandos Herramientas en la nube como AWS, Azure, GCP, Snowflake o dbt |
Salarios de analytics engineer
El rol de analytics engineer es incipiente, lo que significa que hay pocas personas en el mercado con la combinación exacta de ingeniería y competencias analíticas necesarias para triunfar. Esto lo convierte en un perfil muy atractivo desde el punto de vista retributivo. A continuación, algunos rangos salariales que puedes esperar para puestos de analytics engineering en Estados Unidos.
- Glassdoor: según Glassdoor, los Analytics Engineers ganan de media 91.080 $ al año. Además, según ubicación y empresa, los salarios pueden llegar hasta 208.000 $ anuales.
- Comparably: según Comparably, los Analytics Engineers ganan de media 100.305 $ al año. Además, según ubicación y empresa, los salarios pueden llegar hasta 185.000 $ anuales.
Aunque las cifras anteriores representan rangos aproximados en distintos tipos de puestos, también conviene señalar que compañías con gran madurez en datos, como Netflix, pagan en la parte alta del mercado de compensación para roles de datos. Por ejemplo, según levels.FYI, los Analytics Engineers de Netflix pueden ganar hasta 375.000 $ al año.
¿Cómo convertirse en analytics engineer?
A medida que los roles de datos se especializan, las rutas de formación continua también se vuelven más específicas. A diferencia de muchos de los perfiles mencionados, los analytics engineers necesitan un conjunto amplio de habilidades que incluye herramientas y conceptos como los siguientes:
SQL
SQL es, probablemente, una de las herramientas más utilizadas en analítica para cualquier rol de datos. Por suerte, también es de las más fáciles de aprender y dominar. Revisa este artículo para ver cómo aprender SQL y más recursos de aprendizaje.
- Itinerario de aprendizaje: Data Analyst in SQL
- Itinerario de habilidades: SQL Fundamentals
Python
Python es, de facto, el lenguaje de programación más popular del momento. Ya sea para entrar en analytics engineering o en cualquiera de los roles anteriores, Python te será de gran utilidad. Encuentra aquí todos los recursos para aprender Python y empieza con estos itinerarios.
- Career Track: Python Programmer
- Career Track: Data Analyst with Python
Herramientas ETL
ETL significa «Extract, Transform, and Load». Son herramientas que permiten a los ingenieros configurar canalizaciones que extraen datos de distintas fuentes, los transforman en datos consumibles y los cargan en bases de datos. Una de las herramientas ETL de código abierto más populares es Airflow. Descubre Airflow en acción en este curso.
Herramientas de computación en la nube
Aunque «herramientas de computación en la nube» es un término paraguas, los analytics engineers y otros roles de datos utilizan con frecuencia servicios en la nube como AWS, Azure, Google Cloud o Snowflake. Estas herramientas permiten almacenar, procesar y desplegar datos y soluciones de datos en la nube. La herramienta más popular es AWS. Puedes saber más sobre AWS en los cursos de DataCamp que verás a continuación.
- Curso: AWS Cloud Concepts
- Curso: Introduction to AWS Boto in Python
Control de versiones
El control de versiones es, probablemente, la columna vertebral de las buenas prácticas de ingeniería de software. En resumen, te permite llevar un registro de lo que hiciste y cuándo, deshacer cambios no deseados y colaborar a gran escala con otras personas.
Herramientas de línea de comandos como Git te permiten aplicar estas buenas prácticas. Aprende más sobre Git con esta chuleta.
Habilidades de comunicación
Aunque todos los roles de datos requieren cierto nivel de comunicación, analytics engineering exige la misma capacidad comunicativa que un data analyst, junto con la solvencia técnica de un data engineer. Comunicar mejor es una habilidad que se entrena, no un talento innato. Consulta Data Communication Concepts para mejorar tu comunicación técnica.
Conviértete en analytics engineer
Analytics engineering, al igual que MLOps, es un campo muy incipiente. Para mantenerte a la vanguardia, explora estos recursos.
