Una compañía de retail con 300 personas y presencia en cuatro países vivía una escena que se repite mes a mes: en el comité de gerencia, comercial mostraba una cifra de ventas, finanzas mostraba otra y marketing una tercera, todas para el mismo período. La reunión de decisiones se convertía en una reunión sobre cuál planilla tenía razón. La empresa creyó que la solución era contratar un Data Scientist senior con experiencia en modelos predictivos, y lo hizo. Seis meses después, el científico de datos estaba aburrido y el problema seguía intacto, porque lo que la compañía necesitaba no era predecir el futuro con modelos: necesitaba a alguien que ordenara las métricas del presente, definiera qué significaba cada número y tradujera los datos en decisiones. Necesitaba un Data Analyst, y contrató mal el perfil por no haber definido primero qué problema tenía que resolver esa persona.
Contratar un Data Analyst es difícil precisamente porque el rol se confunde con otros tres del mundo de los datos y porque muchas empresas creen que necesitan algo más sofisticado de lo que en realidad les hace falta. El Data Analyst es el perfil que traduce datos en decisiones de negocio: escribe SQL, modela métricas, arma dashboards de business intelligence y cuenta la historia de qué está pasando y por qué. No es el que construye pipelines (ese es el Data Engineer) ni el que arma modelos predictivos y de machine learning (ese es el Data Scientist). Esta guía de IT Workers desarma la confusión para un decisor no técnico: qué hace realmente un analista de datos senior, cómo se diferencia del Data Scientist, del Data Engineer y del Analytics Engineer, cuándo aparece la necesidad del primer Data Analyst y cuándo la de un Analytics Lead, cómo evaluar SQL, modelado de métricas y storytelling sin ser técnico, qué estructura de entrevista filtra de verdad, qué rangos de mercado considerar y qué errores evitar.
El público objetivo es Founder, CEO, gerente de datos, Head of People y Gerente de RRHH. Sin jerga innecesaria y sin promesas mágicas. Las recomendaciones aplican el mismo criterio que un buen analista aplica a su trabajo: empezar por la pregunta de negocio correcta y desconfiar de un número antes de decidir sobre él. 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 Data Analyst senior
Un Data Analyst senior es dueño de traducir datos en decisiones de negocio, no de producir gráficos. Su trabajo central es convertir una pregunta del negocio en una consulta de datos, responderla con rigor y devolver una recomendación que alguien pueda ejecutar. Esto se descompone en cinco actividades. Primero, traduce un problema de negocio (por ejemplo, por qué cayó la conversión el último trimestre) en una pregunta de datos concreta. Segundo, escribe SQL para extraer y cruzar la información desde las fuentes disponibles. Tercero, modela las métricas: define sin ambigüedad qué cuenta como cliente activo, conversión o retención. Cuarto, construye la visualización o el dashboard que hace visible el hallazgo. Y quinto, sobre todo, comunica el insight y cierra con una recomendación para que alguien decida.
Lo que distingue a un analista de datos senior de uno junior no es el dominio de la herramienta de visualización, sino el criterio de negocio. El senior parte por la decisión que hay que tomar y entrega una conclusión con contexto: qué está pasando, por qué, y qué conviene hacer. El junior entrega un dashboard con veinte gráficos y ninguna conclusión, y deja al gerente la tarea de interpretar. El senior, además, define las métricas de forma consistente, distingue correlación de causalidad, cuestiona si la pregunta que le pidieron tiene sentido y prioriza el análisis que mueve la aguja por sobre el que solo es vistoso. Por eso evaluarlo bien exige mirar su razonamiento y el impacto de sus análisis, no su lista de herramientas.
Analítica no es solo dashboards
Una confusión frecuente en empresas que recién ordenan sus datos es tratar la analítica como una fábrica de dashboards: contratar a alguien para que construya reportes cada vez más elaborados. La visualización es parte del oficio, pero no es el oficio. Un buen analista pasa la mayor parte de su tiempo entendiendo la pregunta de negocio, definiendo métricas, cuestionando la calidad del dato y traduciendo lo que encontró en una decisión. El dashboard es a menudo la parte más corta del trabajo. Contratar un Data Analyst con mentalidad de fabricante de gráficos produce un equipo que entrega paneles impecables que nadie usa para decidir, que es exactamente lo que la mayoría de las empresas quiere evitar al invertir en analítica de negocio.
La regla de oro para un decisor no técnico: un dashboard sin una recomendación es un reporte, no un análisis. El valor de un Data Analyst no está en el gráfico, sino en la frase que viene después del gráfico: qué conviene hacer con lo que muestran los datos.
2. Data Analyst vs Data Scientist vs Data Engineer vs Analytics Engineer
La pregunta sobre la diferencia entre data analyst vs data scientist, y entre data analyst vs analytics engineer, es la que más confusión genera en procesos de contratación. Los cuatro títulos conviven en el mundo de los datos, a veces se usan como sinónimos y a veces describen roles muy distintos. La regla mental es simple: el Data Engineer construye los pipelines e infraestructura, el Analytics Engineer transforma y modela esos datos para dejarlos listos para analizar, el Data Analyst extrae el insight de negocio y lo comunica, y el Data Scientist arma modelos predictivos y experimentos de causalidad. La tabla siguiente compara las cuatro figuras en las dimensiones que importan al decidir a quién contratar.
| Dimensión | Data Analyst | Data Scientist | Analytics Engineer | Data Engineer |
|---|---|---|---|---|
| Foco principal | Traducir datos en decisiones | Predecir y modelar | Transformar y modelar datos | Construir pipelines e infraestructura |
| Output típico | Dashboards, métricas y recomendaciones | Modelos predictivos y experimentos | Capa de datos limpia y tablas confiables | Pipelines, almacenes y datos crudos |
| Pregunta que responde | ¿Qué pasó, por qué y qué hago? | ¿Qué va a pasar y cómo lo predigo? | ¿Cómo dejo los datos listos para analizar? | ¿Cómo llegan los datos limpios y a tiempo? |
| Herramientas | SQL, BI, Looker/Power BI/Tableau | Python o R, estadística, modelado | dbt, SQL, modelado dimensional | ETL, orquestación, cloud, SQL |
| Cuándo lo necesitas | Hay datos pero nadie los traduce en decisiones | Necesitas predecir o modelar, no solo describir | Los datos existen pero no están modelados | Los datos están sucios o no existen |
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: es común que el primer Data Analyst haga también algo de Analytics Engineer. El problema aparece cuando una empresa contrata buscando analítica de negocio y describe la vacante con tareas de ciencia de datos, o al revés. El error de matching más común y más caro es contratar un Data Scientist senior cuando lo que realmente falta es un Data Analyst que ordene las métricas: se paga de más por un perfil que no se aprovecha y el problema de decisiones sin datos claros queda sin resolver. Antes de abrir el proceso conviene definir la decisión de negocio en una frase, revisar la diferencia operativa con un Data Scientist, con un Data Engineer y con un Analytics Engineer.
3. Cuándo necesitas un Data Analyst y cuándo un Analytics Lead
La señal más clara de que una empresa necesita su primer Data Analyst es que toma decisiones por intuición pese a tener datos, y que cada área maneja su propia versión de la verdad. Hay señales operativas concretas que conviene revisar antes de abrir el cargo.
- Cada área reporta una cifra distinta para la misma métrica y las reuniones se van en discutir cuál es la correcta.
- Nadie sabe responder en cinco minutos por qué se movió una métrica clave como conversión, retención o margen.
- Se toman decisiones importantes por intuición pese a tener datos que podrían informarlas.
- Los equipos piden reportes que tardan días porque dependen de una sola persona ocupada extrayendo datos a mano.
- Existe un Data Engineer o una base de datos ordenada, pero nadie traduce esos datos en decisiones de negocio.
La advertencia clave es el estado del dato: contratar un Data Analyst senior cuando los datos están sucios, dispersos en planillas y sin una fuente única es una frustración garantizada, porque pasará meses armando y limpiando datos a mano en vez de analizar. A veces el primer hire correcto no es un analista sino un Analytics Engineer o un Data Engineer que ordene la base primero. 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 a un trabajo que no le corresponde.
El salto a Analytics Lead
Pasar de Data Analyst a Analytics Lead no es un ascenso automático ni una cuestión de antigüedad: es una decisión de estructura. Conviene contratar un Analytics Lead cuando se dan tres condiciones simultáneas: hay dos o más analistas que necesitan dirección y criterio común; la estrategia de datos accionables deja de caber en la cabeza de un gerente que la llevaba de forma improvisada; y la analítica requiere una voz que priorice qué preguntas de negocio resolver primero y que negocie de igual a igual con producto, comercial y finanzas. El Analytics Lead no solo analiza: define la estrategia de datos accionables, ordena la capa de métricas, prioriza el roadmap analítico y desarrolla al equipo. Saltar a un Analytics Lead con un solo analista, o sin datos ordenados, agrega una capa de gestión que la compañía todavía no necesita y encarece la estructura sin retorno claro. Cómo se organizan los equipos de datos e inteligencia artificial se desarrolla en la guía de cómo armar un equipo de IA en una empresa.
Árbol de decisión: qué perfil de datos contratar primero
- ¿Los datos están sucios, dispersos o no existe una fuente única? Entonces el primer hire es un Data Engineer o un Analytics Engineer que ordene la base, no un analista.
- ¿Hay datos ordenados pero nadie los traduce en decisiones ni métricas confiables? Es el momento del primer Data Analyst.
- ¿Necesitas predecir, no solo describir; modelos y experimentos de causalidad? Ese es un Data Scientist, otro rol y otra contratación.
- ¿Tienes dos o más analistas y la estrategia de datos no cabe en una sola cabeza? Es el momento de un Analytics Lead o Head of Analytics.
4. Perfil y stack de un Data Analyst senior
El stack de un Data Analyst es concreto y acotado, lo que ayuda al decisor no técnico a saber qué mirar en un CV sin perderse en siglas. El corazón del rol son cuatro capas: dominio del dato, modelado de métricas, visualización y comunicación. Todo lo demás es complemento. Las tarjetas siguientes describen las competencias técnicas centrales que un analista senior debe dominar, y a continuación qué suma y qué no es imprescindible.
SQL avanzado
Es la herramienta central del analista: extraer, cruzar y agregar datos con consultas complejas, joins, funciones de ventana y subconsultas. Un Data Analyst senior escribe SQL con soltura; sin esto, no hay rol.
Modelado de métricas y dbt
Definir de forma única y documentada qué significa cada indicador y construir la capa semántica que da una sola fuente de la verdad, muchas veces con dbt. Es lo que evita que cada área reporte un número distinto.
Storytelling con datos
Traducir un hallazgo técnico a una historia que un gerente entienda y accione. Es la competencia que más separa a un analista senior de uno junior y la más difícil de enseñar.
Sobre esa base, un buen Data Analyst suele traer también estadística aplicada (entender significancia, variación y sesgos para no leer ruido como señal), diseño de experimentos y pruebas A/B (para medir si un cambio realmente funcionó y no confundir correlación con causalidad) y una base de Python o pandas para automatizar tareas repetitivas y hacer análisis que el SQL solo no cubre. Conviene ser claro con una cosa: Python y machine learning no son el corazón del rol. Exigir modelado predictivo por defecto confunde al Data Analyst con un Data Scientist, encarece la búsqueda y descarta analistas excelentes con gran impacto de negocio. Si la empresa necesita modelos predictivos, ese es otro perfil.
Data Analyst vs Analytics Engineer en el stack
La frontera práctica entre un Data Analyst y un Analytics Engineer se juega en dbt y el modelado de datos. El Analytics Engineer vive en la capa de transformación: construye los modelos de datos, las tablas confiables y las definiciones que el resto del equipo consume. El Data Analyst consume esa capa para responder preguntas de negocio. En equipos chicos, la misma persona hace ambas cosas y eso es sano. Cuando el volumen crece, separarlos evita que el analista pase el día arreglando datos en vez de generar decisiones. Si la pregunta de la empresa es más de construir la capa de datos que de interpretarla, conviene revisar la guía específica de cómo contratar un Analytics Engineer antes de definir el perfil.
5. Cómo evaluar a un Data Analyst sin ser técnico
La buena noticia para un decisor no técnico es que las competencias que definen a un gran Data Analyst se evalúan sin escribir SQL ni dominar la jerga estadística. Lo que se evalúa es razonamiento, criterio de negocio y comunicación, no stack. Cinco competencias permiten distinguir a un analista senior de uno mediocre, y todas se pueden juzgar pidiendo un análisis concreto del pasado en vez de opiniones generales.
- Business framing: cómo traduce una pregunta de negocio en un análisis y devuelve el resultado como una recomendación. Un buen analista parte por la decisión que hay que tomar; uno débil parte por el gráfico que quiere hacer.
- Dominio del dato: escribe SQL, modela métricas de forma consistente y cuida la calidad del dato. Un buen perfil desconfía de un número antes de reportarlo; uno débil reporta lo primero que arroja la consulta.
- Rigor analítico: define métricas sin ambigüedad y distingue causalidad de correlación. Un buen analista dice "esto correlaciona, pero no probamos que cause"; uno débil salta a conclusiones causales sin evidencia.
- Storytelling con datos: cuenta una historia con datos para audiencias no técnicas. Un buen perfil explica su hallazgo a un gerente en una frase; uno débil se esconde detrás de veinte gráficos sin conclusión.
- Ownership de la decisión: cierra el análisis con una acción recomendada y se hace cargo de su impacto. Un buen analista dice "yo haría esto y por esto"; uno débil entrega el dato y se lava las manos de la decisión.
Green flags y red flags
Las green flags más fiables: el candidato cuenta un análisis con su pregunta de negocio, método, hallazgo e impacto en una decisión concreta; pregunta por la decisión que hay detrás del pedido de datos antes de correr a la consulta; define con precisión una métrica clave del negocio; y cierra siempre con una recomendación accionable. Las red flags: entrega dashboards sin insight, es decir muchos gráficos y ninguna conclusión; no sabe definir con precisión una métrica clave; confunde correlación con causalidad; no pregunta por el contexto de negocio; y no sabe explicar un hallazgo a un no técnico sin refugiarse en la jerga. La red flag más recurrente y más costosa es el "dashboard sin insight": paneles bellos que nadie usa para decidir. Una guía general aplicable a cualquier perfil tech está en cómo evaluar candidatos tech siendo no técnico.
Un buen Data Analyst no se reconoce por lo bonito de sus dashboards, sino por las decisiones de negocio que cambió con datos claros. Contratar por dominio de herramientas de visualización, en lugar de por impacto en las decisiones, es el error más caro de una empresa que recién ordena su analítica.
Pablo Herrera · Founder & IT Headhunter en IT Workers6. Proceso de contratación y estructura de entrevista
Una entrevista de Data Analyst improvisada decide por feeling, y el feeling premia el dashboard más vistoso por sobre el criterio de negocio. 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.
| Etapa | Qué evalúa | Duración | Conduce |
|---|---|---|---|
| 1. Screening inicial | Experiencia, motivación, fit de seniority | 30 min | Recruiter o hiring manager |
| 2. Prueba con dataset real | Business framing, SQL, definición de métricas | 60 min | Líder de datos o gerente de área |
| 3. Técnica: SQL y modelado de métricas | Rigor analítico, calidad del dato, trade-offs | 45 min | Senior Data Analyst o Analytics Lead |
| 4. Comportamental | Conflictos, comunicación, autonomía | 45 min | Head of People o líder de área |
| 5. Conversación con stakeholder | Storytelling y traducción a negocio | 30 min | Líder de área de negocio |
La prueba con dataset real es la etapa más reveladora. En lugar de un test abstracto de SQL, conviene entregar un conjunto de datos representativo del negocio y una pregunta abierta: por qué cayó la conversión el último trimestre, o qué segmento de clientes conviene priorizar. Lo que se observa no es la respuesta correcta (no hay una única), sino el proceso: si el candidato pregunta por la decisión de negocio antes de correr a la consulta, si define con precisión las métricas que usa, si distingue correlación de causalidad, si reconoce lo que no puede concluir con los datos disponibles y, sobre todo, si cierra con una recomendación accionable en vez de un dashboard sin conclusión. La etapa técnica de SQL y modelado baja eso a la práctica evaluando rigor y calidad del dato, y la conversación con stakeholder valida si sabe explicar todo a una persona de negocio sin jerga.
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 analítica que cada evaluador va a puntuar.
7. Rangos de sueldo de un Data Analyst y Analytics Lead
El sueldo de un Data Analyst varía fuerte según industria, etapa de la compañía y alcance real del cargo, 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. 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.
| Nivel | Rango bruto mensual (CLP) | Responsabilidad típica |
|---|---|---|
| Data Analyst (2-4 años) | $1.400.000 – $2.500.000 | Ejecuta análisis y dashboards con guía |
| Senior Data Analyst | $3.200.000 – $4.500.000 | Dueño de un dominio de métricas de punta a punta |
| Lead Analyst / Analytics Engineer | $3.500.000 – $5.500.000 | Modela la capa de datos y guía a otros analistas |
| Analytics Lead / Head of Analytics | $5.000.000 – $8.000.000 | Estrategia de datos accionables y equipo |
| Director de Datos / Head of Data | $8.000.000 – $13.000.000 | Datos a nivel ejecutivo y de gerencia |
Fintech, banca y compañías con producto data-driven tienden a pagar en el extremo superior de cada rango, porque la competencia por analistas con experiencia en esos dominios es intensa. El desglose por rol específico, con percentiles y diferencias por industria, está en la guía detallada del sueldo de un Data Analyst 2026, en el sueldo de un Analytics Engineer, en el sueldo de un Data Scientist, en el sueldo de un Data Engineer, en el sueldo de un Head of Data o CDO y en la guía salarial tech 2026, útil para calibrar la banda antes de hacer una oferta.
8. Errores comunes y headhunter especializado vs LinkedIn
Después de gestionar búsquedas de perfiles de datos en compañías tech regionales, los errores que arruinan una contratación de Data Analyst se repiten con claridad. Casi todos son evitables con un proceso ordenado.
Los cinco errores más frecuentes
- Contratar un Data Scientist cuando falta un Data Analyst. Pagar de más por un perfil de modelos predictivos cuando lo que la empresa necesita es ordenar sus métricas y traducir datos en decisiones. El matching incorrecto entre necesidad y perfil es la causa número uno de fracaso.
- Evaluar por herramientas, no por impacto. Decidir por dominio de una herramienta de visualización, sin pedir un análisis con impacto de negocio medido. Saber usar Tableau no predice el valor que genera un analista.
- Confundir dashboards con insight. Quedarse con quien hace gráficos bonitos sin conclusión ni recomendación. El "dashboard sin insight" es la trampa más común en estas contrataciones.
- Saltar a un Analytics Lead demasiado pronto. Contratar gestión de analítica antes de tener datos ordenados o más de un analista, agregando una capa que la empresa no necesita.
- Proceso sin scorecard ni prueba real. Dejar que cada entrevistador decida por su cuenta y sin una prueba sobre datos reales, lo que produce sesgo, inconsistencia y decisiones que nadie puede defender después.
Headhunter especializado vs búsqueda por LinkedIn
Muchas empresas intentan primero contratar un Data Analyst publicando un aviso y filtrando postulaciones en LinkedIn. Funciona para perfiles junior con alta oferta, pero se rompe con analistas senior: los mejores no están postulando, ya tienen trabajo y solo se mueven por una conversación dirigida. Publicar un aviso atrae volumen, no necesariamente calidad, y traslada al equipo interno el costo de filtrar decenas de CVs sin criterio técnico. Un headhunter especializado invierte esa lógica: identifica candidatos pasivos, los evalúa con un scorecard de analítica y presenta pocos perfiles ya filtrados. El siguiente recuadro compara el costo real de las dos rutas más allá del precio visible.
Costo total: aviso en LinkedIn vs headhunter especializado
- Alcance: el aviso llega a quien busca activamente; el headhunter llega también al analista senior que hoy no se mueve.
- Filtro: el aviso deja el filtro de CVs al equipo interno sin criterio técnico; el headhunter entrega una shortlist evaluada.
- Tiempo de la gerencia: revisar decenas de postulaciones consume horas de un cargo caro; la shortlist las devuelve.
- Costo de un mal hire: un analista mal elegido produce meses de decisiones sobre números equivocados.
- Garantía: una búsqueda gestionada por IT Workers incluye garantía de 90 días; un aviso no ofrece ninguna.
IT Workers ejecuta búsquedas dirigidas de Data Analysts, Senior Data Analysts, Analytics Engineers y Analytics Leads con un proceso que ataca estos errores de raíz. Parte de un brief preciso que traduce la decisión de negocio de la empresa a un perfil concreto, e identifica si lo que se necesita es analítica de negocio o primero ingeniería de datos; identifica candidatos pasivos que no aplican a avisos; los evalúa con un scorecard de competencias de analítica; y presenta una shortlist en pocos días. Cada colocación incluye garantía de 90 días. Para empresas no técnicas, además, traduce el lenguaje de la analítica a criterios de decisión claros para la gerencia. El enfoque general de búsqueda de perfiles tech se describe en reclutamiento de desarrolladores y perfiles tech y la especialidad de datos en contratar perfiles de datos.
¿Tienes datos pero nadie los traduce en decisiones?
Conversación de 20 minutos para definir si necesitas un Data Analyst, un Analytics Engineer o un Analytics Lead, y el perfil que resuelve tu problema de decisiones.
Hablar con un consultor9. FAQ: 12 preguntas que recibimos al contratar analistas de datos
¿Cuál es la diferencia entre un Data Analyst y un Data Scientist?
El Data Analyst traduce datos en decisiones de negocio: escribe SQL, modela métricas, construye dashboards y cuenta la historia de qué pasó y por qué, para que alguien decida. El Data Scientist va más allá de la descripción y arma modelos predictivos y experimentos de causalidad usando estadística avanzada, Python o R. La regla mental es simple: el Data Analyst explica el negocio con datos y el Data Scientist predice y modela. El error de matching más caro es contratar un Data Scientist senior cuando lo que la empresa necesita es un Data Analyst que ordene sus métricas: paga de más por un perfil que no aprovecha y deja sin resolver el problema real de decisiones sin datos claros.
¿Cuál es la diferencia entre un Data Analyst y un Analytics Engineer?
El Analytics Engineer prepara y modela los datos con herramientas como dbt para que estén limpios, confiables y listos para analizar; vive entre el Data Engineer y el Data Analyst. El Data Analyst consume esos datos modelados para responder preguntas de negocio, construir dashboards y recomendar acciones. Uno construye la capa de transformación y las tablas confiables; el otro extrae el insight y lo comunica. En equipos pequeños una sola persona cubre ambos roles, pero cuando el volumen crece conviene separarlos: sin un Analytics Engineer, el Data Analyst pasa el día arreglando datos en vez de analizarlos y comunicando decisiones.
¿Cuándo una empresa necesita contratar su primer Data Analyst?
Una empresa necesita su primer Data Analyst cuando toma decisiones por intuición pese a tener datos, cuando cada área maneja su propia planilla con cifras que no coinciden, y cuando nadie puede explicar en cinco minutos por qué se movió una métrica clave como conversión, retención o margen. La señal de que sí es el momento es que hay datos disponibles pero nadie los traduce en decisiones accionables ni en métricas confiables y compartidas. Si en cambio los datos están sucios o no existe una fuente única, el primer hire correcto puede ser un Analytics Engineer o un Data Engineer que ordene la base antes de sumar analítica de negocio.
¿Qué hace exactamente un Data Analyst senior?
Un Data Analyst senior traduce una pregunta de negocio en una consulta de datos, escribe SQL avanzado para extraer y cruzar la información, modela las métricas de forma consistente, construye dashboards en herramientas de business intelligence y, sobre todo, comunica el insight para que alguien decida. Lo que distingue al senior del junior es el criterio de negocio: el senior parte por la decisión que hay que tomar y entrega una recomendación con contexto, mientras el junior entrega un dashboard bonito sin conclusión. Un buen Data Analyst define métricas sin ambigüedad, distingue correlación de causalidad y prioriza el análisis que mueve la aguja del negocio.
¿Cómo se evalúa a un Data Analyst sin ser técnico?
Un decisor no técnico evalúa a un Data Analyst por su razonamiento y su comunicación, no por su stack. Cinco competencias se pueden juzgar sin escribir SQL: business framing (traduce una pregunta de negocio en un análisis y devuelve una recomendación), dominio del dato (SQL, modelado de métricas y calidad de datos), rigor analítico (define métricas sin ambigüedad y distingue causalidad de correlación), storytelling con datos (explica un hallazgo a un gerente sin jerga) y ownership de la decisión (cierra con una acción recomendada). El truco es pedir un análisis pasado con su pregunta de negocio, método, hallazgo y decisión que gatilló. Un buen analista lo cuenta con impacto; uno débil solo describe el dashboard que armó.
¿Qué red flags revelan a un mal Data Analyst en la entrevista?
Las red flags más fiables: entrega dashboards sin insight, es decir muchos gráficos y ninguna conclusión ni recomendación; no sabe definir con precisión una métrica clave del negocio; confunde correlación con causalidad; no pregunta por la decisión que hay detrás del pedido de datos; y no sabe explicar un hallazgo a una persona no técnica sin refugiarse en la jerga. Otra señal de alerta es el analista que ejecuta consultas al pie de la letra sin cuestionar si la pregunta tiene sentido de negocio. Un buen Data Analyst parte por la decisión y el contexto, no por el gráfico, y siempre cierra con una recomendación accionable.
¿Un Data Analyst necesita saber Python o machine learning?
No como requisito central. El núcleo de un Data Analyst es SQL avanzado, modelado de métricas, herramientas de business intelligence y comunicación de negocio; Python o pandas suman para automatizar y para análisis más profundos, pero no son el corazón del rol. Exigir machine learning o modelado predictivo por defecto suele confundir el perfil con un Data Scientist y encarecer la búsqueda sin retorno claro, además de descartar analistas excelentes con gran impacto de negocio. Lo que de verdad importa es que el analista escriba buen SQL, defina métricas sin ambigüedad, entienda el negocio y comunique. Si la empresa necesita modelos predictivos, ese es otro rol y otra contratación.
¿Qué es el modelado de métricas y por qué importa?
El modelado de métricas es definir de forma única, documentada y consistente qué significa cada indicador del negocio: qué cuenta como cliente activo, cómo se calcula la conversión o desde qué evento empieza la retención. Importa porque sin una definición compartida cada área reporta un número distinto para la misma métrica y las reuniones se van en discutir cuál cifra es la correcta en vez de decidir. Un buen Data Analyst o Analytics Lead construye esa capa semántica de métricas, muchas veces con herramientas como dbt, para que exista una sola fuente de la verdad. Evaluar si el candidato piensa en definiciones y no solo en gráficos separa al analista que ordena el negocio del que agrega ruido.
¿Cuándo conviene contratar un Analytics Lead?
Conviene contratar un Analytics Lead cuando la empresa tiene dos o más analistas que necesitan dirección y criterio común, cuando la estrategia de datos accionables deja de caber en la cabeza de un gerente, y cuando se necesita una voz de analítica que priorice qué preguntas de negocio resolver primero y que negocie con producto, comercial y finanzas. El Analytics Lead no solo analiza: define la estrategia de datos accionables, ordena la capa de métricas, prioriza el roadmap analítico y desarrolla al equipo. Saltar a un Analytics Lead demasiado pronto, con un solo analista o sin datos ordenados, agrega una capa de gestión que la compañía todavía no necesita y encarece la estructura sin retorno claro.
¿Cuánto gana un Data Analyst o un Analytics Lead en el mercado tech?
Los rangos varían fuerte por industria, etapa de la compañía y alcance real del cargo, por lo que cualquier número es referencial. Como orden de magnitud bruto mensual en el mercado tech regional 2026: un Data Analyst con dos a cuatro años suele moverse entre 1,4 y 2,5 millones de pesos; un Senior Data Analyst entre 3,2 y 4,5 millones; un Lead o Analytics Engineer entre 3,5 y 5,5 millones; un Analytics Lead o Head of Analytics entre 5 y 8 millones; y perfiles de dirección de datos entre 8 y 13 millones según tamaño. Fintech, banca y compañías con producto data-driven tienden a pagar en el extremo superior. Estos rangos son referenciales de mercado y no constituyen una oferta para ningún rol o empresa específica.
¿Cuáles son los errores más comunes al contratar un Data Analyst?
Cinco errores se repiten. Contratar un Data Scientist caro cuando lo que falta es un Data Analyst que ordene las métricas del negocio. Evaluar por dominio de herramientas de visualización en vez de por impacto en decisiones. Confundir dashboards con insight y quedarse con quien hace gráficos bonitos sin conclusión. Saltar a un Analytics Lead antes de tener datos ordenados o más de un analista. Y diseñar un proceso de entrevista sin scorecard común ni una prueba con dataset real, dejando que cada evaluador decida por impresión. Un proceso estructurado, con criterios escritos y una prueba de análisis sobre datos reales, reduce la mayoría de estos errores.
¿Cómo ayuda IT Workers a contratar un Data Analyst senior?
IT Workers es una consultora B2B de headhunting tech que ejecuta búsquedas dirigidas de Data Analysts, Senior Data Analysts, Analytics Engineers y Analytics Leads. El proceso parte de un brief preciso del rol, identifica candidatos pasivos que no aplican a avisos, los evalúa con un scorecard de competencias de analítica de negocio y presenta una shortlist en pocos días. Cada colocación incluye garantía de 90 días. El foco está en el matching real entre el problema de decisiones de la empresa y el perfil que lo resuelve, no en llenar la vacante rápido. Para empresas no técnicas, además, traduce el lenguaje de la analítica a criterios de decisión claros para la gerencia.
¿Necesitas contratar un Data Analyst o Analytics Lead senior?
Conversación estructurada de 20 minutos para definir la decisión de negocio, el nivel correcto y el perfil que lo resuelve. Recomendación honesta sin venta forzada. Shortlist en pocos días con garantía de 90 días.
Hablar con un consultor WhatsApp directo- — Harvard Business Review: analítica de datos y decisiones de negocio, 2024-2025
- — dbt Labs: analytics engineering y modelado de datos, 2024-2025
- — Towards Data Science: prácticas de business intelligence y storytelling, 2024-2025
- — Thoughtworks Technology Radar: capa semántica de métricas, 2024
- — Get on Board, reportes de mercado tech LATAM, 2024-2025