Cómo contratar un Analytics Engineer senior en 2026

Una fintech de 90 personas invirtió durante un año en un data warehouse moderno, contrató un Data Engineer que montó pipelines impecables y sumó dos analistas que producían dashboards a toda velocidad. Y aun así, cada reunión de directorio empezaba con la misma discusión estéril: el dashboard de finanzas decía que había 40 mil clientes activos, el de producto decía 52 mil y el de marketing, 61 mil. Nadie mentía. Simplemente cada área definía "cliente activo" a su manera, cada uno escribía sus propias consultas SQL sobre las mismas tablas y nadie había ordenado la transformación de datos en una capa común. La empresa no tenía un problema de infraestructura ni de análisis: tenía un vacío exacto en el medio, el lugar donde vive un Analytics Engineer. Ese cargo faltante costaba horas de reuniones, decisiones postergadas y una desconfianza creciente en cada número que aparecía en pantalla.

Contratar un Analytics Engineer es difícil precisamente porque el rol es nuevo y se confunde con otros tres perfiles de datos. El Analytics Engineer no es lo mismo que un Data Engineer, ni que un Data Analyst, ni que un Data Scientist, aunque los cuatro conviven en el ecosistema del modern data stack. Esta guía de IT Workers desarma esa confusión para un decisor no técnico: qué hace realmente un Analytics Engineer senior, en qué se diferencia de esos tres perfiles, cuándo una empresa necesita este rol y no otro, cómo evaluar dbt, modelado de datos, la capa semántica y la calidad de datos sin ser técnico, qué estructura de entrevista filtra de verdad, qué stack manejar, qué rangos de mercado considerar y qué errores evitar. El objetivo es que el lector tome una decisión informada, no que llene una vacante rápido.

El público objetivo es Founder, CEO, CTO, Head of Data, Head of People y Gerente de RRHH. Sin jerga innecesaria, sin promesas mágicas. Las recomendaciones aplican el mismo criterio que un buen Analytics Engineer aplica a su trabajo: pensar en el sistema de datos completo y en la confianza del negocio antes que en la consulta aislada, y asumir que una métrica se define una vez y se consume igual en toda la organización. Los rangos numéricos que aparecen son referenciales de mercado 2026; el disclaimer correspondiente está al inicio del bloque que los usa.

1. Qué hace realmente un Analytics Engineer senior

Un Analytics Engineer senior es dueño de la capa de transformación de datos, ese territorio que queda entre la infraestructura que trae los datos y los reportes que consume el negocio. Su trabajo central es convertir datos crudos que ya viven en el warehouse en modelos de datos limpios, confiables y documentados que cualquiera en la empresa pueda usar sin miedo a equivocarse. Esto se descompone en cinco actividades. Primero, modela los datos: estructura tablas crudas y desordenadas en capas mantenibles que reflejan el negocio. Segundo, escribe esa transformación como código en dbt, con control de versiones, tests y documentación. Tercero, define la capa semántica, es decir, la definición única de cada métrica: qué es un cliente activo, cómo se calcula el ingreso neto, qué cuenta como conversión. Cuarto, testea los datos para atrapar errores antes de que lleguen a un dashboard. Y quinto, habilita el self-service BI, dejando a los analistas y al negocio consumir métricas confiables sin depender de él para cada consulta.

Lo que distingue a un Analytics Engineer senior de uno junior no es la cantidad de modelos que produce, sino el criterio con que los estructura y la confianza que genera en los datos. El senior piensa en el sistema de datos completo: cómo se organizan las capas de modelos para que sean mantenibles, cómo se documenta una métrica para que nadie la reinterprete, qué tests atrapan un dato malo antes de que contamine una decisión. El junior escribe una consulta que da el número pedido y da el trabajo por terminado. El senior, además, aplica las prácticas de la ingeniería de software al modelado, porque sabe que la transformación de datos moderna es un proyecto de código versionado y no un archivo de consultas sueltas, y mide su valor por la confianza que la empresa deposita en los números, no por la cantidad de dashboards entregados. Por eso evaluarlo bien exige mirar cómo ordenó un desorden de métricas real, no su lista de herramientas.

Analytics Engineering no es solo escribir SQL

Una confusión frecuente en empresas que recién descubren este rol es tratarlo como un analista que sabe SQL más avanzado: contratar a alguien para que escriba consultas más rápido. Escribir SQL es parte del oficio, pero no es el oficio. Un buen Analytics Engineer pasa la mayor parte de su tiempo en el diseño de la transformación: cómo organizar los modelos de dbt en capas de staging, intermedias y marts, cómo definir una métrica una sola vez, cómo testear los datos y cómo documentar todo para que el resto de la empresa se sirva solo. La consulta SQL en sí es la parte más visible, pero el valor está en la arquitectura de datos que la rodea. Contratar un Analytics Engineer con mentalidad de escribir consultas produce el mismo caos que la fintech del ejemplo: muchas consultas veloces, cada una con su propia definición, y ninguna confianza en el resultado agregado.

2. Analytics Engineer vs Data Engineer vs Data Analyst vs Data Scientist

La pregunta sobre la diferencia entre analytics engineer y data engineer, y entre analytics engineer y data analyst, es la que más confusión genera en procesos de contratación de perfiles de datos. Los cuatro títulos conviven en el modern data stack, a veces se usan como sinónimos y a veces describen roles muy distintos. La regla mental es simple: el Data Engineer construye la infraestructura y trae los datos al warehouse, el Analytics Engineer transforma esos datos dentro del warehouse en modelos y métricas confiables, el Data Analyst consume esos modelos para responder preguntas de negocio, y el Data Scientist modela y experimenta algoritmos sobre esos mismos datos. La tabla siguiente compara las cuatro figuras en las dimensiones que importan al decidir a quién contratar.

En empresas pequeñas, una sola persona puede cubrir varios de estos roles, y eso está bien mientras el volumen y la madurez de los datos sean bajos. El problema aparece cuando una empresa contrata buscando transformación y define la vacante con tareas de infraestructura, o al revés. El error de matching más común y más caro es contratar un Analytics Engineer cuando lo que realmente falta es un Data Engineer que monte la ingestión y ordene los pipelines, o un Data Analyst que produzca los análisis: sin un warehouse cargado ni preguntas de negocio claras, el mejor Analytics Engineer no tiene qué transformar. Antes de abrir el proceso conviene definir el problema en una frase, como se explica en la guía sobre el job description tech que cierra a un senior, y revisar la diferencia operativa con la contratación de un Data Engineer.

3. Cuándo una empresa necesita un Analytics Engineer y no otro perfil

La señal más clara de que una empresa necesita un Analytics Engineer es que ya tiene datos en un warehouse pero nadie confía del todo en los números que salen de él. Los reportes se contradicen, cada área define las métricas a su manera y las decisiones se atascan en discusiones sobre qué cifra es la correcta. Hay señales operativas concretas que conviene revisar antes de abrir el cargo.

• Dos dashboards muestran números distintos para la misma métrica y nadie sabe cuál creer.
• Los analistas pasan la mayor parte del tiempo limpiando y cruzando datos en vez de analizarlos.
• Cada persona escribe sus propias consultas SQL sobre las tablas crudas, sin una capa común.
• No existe una definición única de métricas clave como cliente activo, ingreso neto o conversión.
• El equipo de datos entrega pipelines que funcionan, pero los datos crudos no son usables tal como llegan.

La advertencia clave es el prerrequisito: contratar un Analytics Engineer sin tener un warehouse ni datos ingestados con qué trabajar es una frustración garantizada, porque no tendrá dónde ni qué transformar. Si el cuello de botella es que los datos no llegan al warehouse o los pipelines se caen, el primer hire correcto es un Data Engineer; si es que faltan análisis o dashboards sobre datos ya modelados, es un Data Analyst; si es modelar y predecir con algoritmos, es un Data Scientist. Ese desperdicio silencioso de un perfil senior mal asignado es lo que IT Workers documenta en el análisis del costo oculto de un puesto tech vacante: el problema no es solo la vacante, sino la mala asignación de un perfil caro a un trabajo que no le corresponde, o la ausencia del rol exacto que resolvía el cuello de botella.

El modern data stack y dónde encaja el Analytics Engineer

Entender el modern data stack ayuda a ubicar el rol. El stack de datos moderno se organiza en capas: una de ingestión que carga datos desde las fuentes al warehouse, con herramientas como Fivetran o Airbyte; un data warehouse en la nube como Snowflake, BigQuery o Redshift; una capa de transformación donde vive el Analytics Engineer, con dbt como herramienta central; una capa de orquestación con Airflow o Dagster que coordina los procesos; y una capa de visualización o BI como Looker, Tableau o Metabase que consume el negocio. El Analytics Engineer es la pieza que conecta el warehouse con el BI a través de la transformación y la capa semántica. Sin él, los datos llegan al warehouse pero cada consumidor los interpreta a su manera. Cómo se organizan estos equipos de datos e inteligencia artificial se desarrolla en la guía de armar un equipo de datos e IA en una empresa.

4. Cómo evaluar a un Analytics Engineer sin ser técnico

La buena noticia para un decisor no técnico es que las competencias que definen a un gran Analytics Engineer se evalúan sin programar ni dominar la sintaxis de dbt. Lo que se evalúa es criterio e impacto, no la lista de herramientas. Cinco competencias permiten distinguir a un Analytics Engineer senior de uno mediocre, y todas se pueden juzgar pidiendo un caso concreto que haya resuelto en vez de opiniones generales.

• SQL avanzado y modelado de datos: escribe SQL limpio y estructura los datos en capas mantenibles. Un buen Analytics Engineer razona cómo modelar el negocio; uno débil solo escribe consultas que dan el número pedido sin estructura reutilizable.
• Dominio de dbt y transformación: organiza la transformación como un proyecto de código con capas, tests y documentación. Un buen perfil describe una arquitectura de modelos; uno débil trata dbt como un lugar para pegar consultas.
• Capa semántica y métricas comunes: define cada métrica una sola vez para que toda la empresa la consuma igual. Un buen Analytics Engineer piensa en definiciones únicas; uno débil produce reportes aislados que se contradicen.
• Ingeniería de software aplicada a datos: versiona en git, corre CI, escribe tests y usa data contracts. Un buen perfil trata la transformación como software; uno débil entrega consultas frágiles sin control de versiones ni pruebas.
• Foco en la confianza del negocio: mide su valor por cuánto confía la empresa en los números. Un buen Analytics Engineer habla de haber ordenado un caos de métricas; uno débil solo habla de cuántos dashboards produjo.

Green flags y red flags

Las green flags más fiables: el candidato cuenta un caso donde ordenó métricas contradictorias, cómo modeló los datos en capas, qué tests escribió para atrapar datos malos y cómo logró que toda la empresa usara la misma definición; explica cómo documentó las métricas para habilitar self-service; y razona los trade-offs de mantener un proyecto de dbt limpio a medida que crece. Las red flags: nunca estructuró un proyecto de transformación y solo habla de escribir consultas sueltas; no menciona tests, documentación ni control de versiones; no distingue su rol del de un Data Analyst; ignora la capa semántica y trata cada reporte como un caso aislado; y mide su aporte por volumen de dashboards y no por confianza en los datos. Una guía general aplicable a cualquier perfil tech está en cómo evaluar candidatos tech siendo no técnico, útil como base antes de armar un equipo de datos e IA.

5. Estructura de entrevista recomendada para un Analytics Engineer senior

Una entrevista de Analytics Engineer improvisada decide por feeling, y el feeling premia al candidato que recita más herramientas por sobre quien realmente ordena la analítica de una empresa. Un proceso estructurado con etapas claras y un scorecard común reduce el sesgo y hace comparables a los candidatos. La estructura siguiente cubre las cinco competencias y reparte la evaluación entre varios evaluadores con foco distinto.

El modelado y SQL es la etapa más reveladora. En lugar de un puzzle de sintaxis abstracto, conviene plantear un problema real y abierto: cómo modelaría los datos de pedidos, clientes y pagos para que finanzas, producto y marketing usen la misma definición de ingreso, o cómo estructuraría un proyecto de dbt que crece de diez a cien modelos sin volverse inmantenible. Lo que se observa no es la consulta perfecta (no hay una), sino el criterio: si el candidato piensa en capas de staging e intermedias, si define una métrica una sola vez, si anticipa qué tests atrapan un dato malo y si documenta pensando en quien consume después. La etapa de dbt e ingeniería de datos baja eso a la práctica evaluando la arquitectura del proyecto, los tests y el uso de git y CI, y la de capa semántica y BI valida que el candidato piensa en métricas comunes y en habilitar el self-service, que es donde se separa un Analytics Engineer real de un analista que dice serlo.

El scorecard común

Cada etapa debe terminar con una evaluación escrita sobre criterios definidos de antemano, no con un comentario verbal del tipo "me gustó cómo piensa". Un scorecard común permite que cinco evaluadores juzguen al mismo candidato con la misma vara y que la decisión final se tome sobre evidencia comparable. La metodología completa de evaluación estructurada está en la guía de scorecard de contratación tech, base para definir las competencias de modelado, dbt y capa semántica que cada evaluador va a puntuar.

6. Rangos de sueldo de un Analytics Engineer

El sueldo de un Analytics Engineer varía fuerte según industria, etapa de la compañía y nivel real de responsabilidad, por lo que cualquier número es un orden de magnitud y no una oferta. Aun así, conocer los rangos de mercado evita dos errores frecuentes: ofrecer por debajo y no atraer talento senior, u ofrecer por encima sin necesidad. El Analytics Engineer suele ubicarse entre un Data Analyst y un Data Engineer en compensación, porque combina el criterio de negocio del primero con las prácticas de ingeniería del segundo. La tabla siguiente entrega rangos referenciales brutos mensuales del mercado tech regional 2026.

Los rangos que siguen son estimaciones referenciales de mercado 2026 elaboradas en base a procesos gestionados por IT Workers y no constituyen una oferta ni una garantía de compensación para ningún rol o empresa específica. Varían por industria, etapa de la compañía y alcance real del cargo.

Fintech, banca y compañías con producto core de datos tienden a pagar en el extremo superior de cada rango, porque la competencia por Analytics Engineers con experiencia real en dbt y capa semántica es intensa y el rol todavía es escaso en el mercado. El desglose por rol específico, con percentiles y diferencias por industria, está en la guía detallada del sueldo de un Analytics Engineer 2026, en el sueldo de un Data Engineer, en el sueldo de un Data Scientist y en la guía salarial tech 2026, útil para calibrar la banda antes de hacer una oferta.

7. Errores comunes al contratar Analytics Engineer y cómo IT Workers acelera el proceso

Después de gestionar búsquedas de perfiles de datos en compañías tech regionales, los errores que arruinan una contratación de Analytics Engineer se repiten con claridad. Casi todos son evitables con un proceso ordenado.

IT Workers ejecuta búsquedas dirigidas de Analytics Engineers, Senior Analytics Engineers, Leads y Heads of Analytics con un proceso que ataca estos errores de raíz. Parte de un brief preciso que traduce el problema del data stack de la empresa a un perfil concreto, e identifica si lo que se necesita es transformación analítica, ingeniería de datos o análisis; identifica candidatos pasivos que no aplican a avisos; los evalúa con un scorecard de competencias de modelado, dbt y capa semántica; y presenta una shortlist en pocos días. Cada colocación incluye garantía de 90 días. Para empresas no técnicas, además, traduce el lenguaje del modern data stack a criterios de decisión claros para el directorio. El enfoque general de búsqueda de perfiles tech se describe en reclutamiento de desarrolladores y perfiles tech y la especialidad en datos e IA en reclutamiento de perfiles de IA.

8. FAQ: 12 preguntas que recibimos al contratar analytics engineers