Data Analyst, Data Engineer y Data Scientist: diferencias y rutas de aprendizaje
Qué entrega cada rol, con qué herramientas trabaja y por dónde empezar a aprender, con certificaciones oficiales como referencia y sin cifras inventadas.
- Por
- Planet STEAM
- Publicado:
- Lectura
- 4 min de lectura
Revisión editorial: Luis Carreño, . Borrador redactado con asistencia de IA.
Los tres nombres aparecen juntos en casi cualquier conversación sobre empleo en datos, y las ofertas no siempre ayudan: hay "Data Analyst" que piden pipelines y "Data Scientist" que solo hacen reportes. La forma más útil de distinguirlos es preguntar qué entrega cada uno al final de la semana.
La diferencia en una frase
- Data Analyst: responde preguntas del negocio con datos que ya existen, y lo entrega como reporte o dashboard.
- Data Engineer: construye y mantiene el camino por el que llegan los datos (ingesta, transformación, almacenamiento) para que otros puedan usarlos.
- Data Scientist: construye y valida modelos (estadísticos o de machine learning) para estimar, clasificar o predecir.
Comparación lado a lado
| Data Analyst | Data Engineer | Data Scientist | |
|---|---|---|---|
| Entrega típica | Dashboard, reporte, respuesta a una pregunta | Pipeline, tabla confiable, modelo de datos | Modelo evaluado, experimento, informe de hallazgos |
| Pregunta que responde | ¿Qué pasó, cómo se compara y qué patrones aparecen? | ¿Los datos llegan completos, a tiempo y bien? | ¿Qué es probable que pase y con qué confianza? |
| Herramientas frecuentes | SQL, Excel, Power BI o Looker | SQL, Python, orquestadores, servicios de nube | Python o R, librerías de estadística y ML |
| Con quién trabaja más | Áreas de negocio | Analistas, científicos de datos, equipos de plataforma | Analistas, ingenieros de datos, producto |
Tabla de orientación elaborada por Planet STEAM, no tomada de una fuente. Es una simplificación: las fronteras entre los tres roles varían según la empresa, y cada empresa usa su propio stack.
Qué dicen las fuentes oficiales
- La ficha de Business Intelligence Analysts de O*NET (se abre en una pestaña nueva) describe tareas como crear reportes para la dirección y mantener dashboards y bases de datos de BI. En nuestra lectura, es lo más parecido a lo que muchas ofertas en LATAM llaman Data Analyst o Analista de BI.
- La ficha de Data Scientists de O*NET (se abre en una pestaña nueva) incluye analizar grandes conjuntos de datos con software estadístico, probar y refinar modelos, y presentar resultados a la dirección.
- El Occupational Outlook Handbook (se abre en una pestaña nueva) de la oficina de estadísticas laborales de EE. UU. indica que la educación de entrada típica para data scientists es una licenciatura en matemáticas, estadística, computación o un campo relacionado, y que algunos empleadores prefieren maestría o doctorado.
- Para ingeniería de datos, la descripción de la certificación Professional Data Engineer de Google Cloud (se abre en una pestaña nueva) resume bien el rol: recolectar, transformar, almacenar y entregar datos, y diseñar infraestructura de datos segura y eficiente.
Estas fuentes describen el mercado de EE. UU. o el de un fabricante. Úsalas para entender el rol, no para estimar sueldos ni demanda en tu país.
Rutas de aprendizaje sugeridas
Data Analyst
- SQL sólido: filtros, uniones, agregaciones y funciones de ventana.
- Una herramienta de BI. Si eliges Power BI, la certificación PL-300 (se abre en una pestaña nueva) es una referencia útil de temario: preparar, modelar, visualizar y analizar datos, y administrar Power BI. Microsoft indica que se renueva cada 12 meses.
- Estadística descriptiva y comunicación: saber explicar un hallazgo en tres líneas.
- Proyecto: un dashboard publicado con datos abiertos y una pregunta de negocio clara.
Data Engineer
- SQL y modelado de datos: tablas de hechos y dimensiones, normalización.
- Python para transformar datos y escribir pruebas.
- Un proveedor de nube y sus servicios de datos.
- Orquestación y calidad: que un pipeline falle de forma visible y no en silencio.
- Proyecto: un pipeline que ingiera datos públicos todos los días y deje una tabla documentada.
La certificación Professional Data Engineer de Google Cloud recomienda tres o más años de experiencia en la industria, incluido al menos uno diseñando soluciones de datos en Google Cloud. Es una meta intermedia, no un punto de partida.
Data Scientist
- Estadística e inferencia: distribuciones, pruebas de hipótesis, intervalos.
- Python o R con sus librerías de análisis.
- Machine learning aplicado: validación, métricas, sobreajuste.
- Comunicación de resultados a personas que no son técnicas.
- Proyecto: un modelo con una línea base honesta, métricas explicadas y límites declarados.
¿Por cuál empezar?
- Si vienes de negocio, finanzas o administración, Data Analyst puede ser la entrada más directa: reutilizas lo que ya sabes del negocio.
- Si te gusta programar y automatizar, Data Engineer aprovecha esa inclinación.
- Si tienes base en matemáticas o estadística, Data Scientist es una opción natural. Ten en cuenta que, al menos en EE. UU., la oficina de estadísticas laborales indica que algunos empleadores piden maestría o doctorado.
En los tres casos, SQL es un punto de partida útil y compartido por muchos roles de datos, sobre todo si todavía no decides.
Antes de elegir, mira ofertas reales
Haz el ejercicio de comparar cinco ofertas reales para el rol que te interesa. Te dirá más sobre tu mercado que cualquier comparación general, incluida esta.