LO
Avísame cuando llegue un registro verificado a esta ocupación → · Marca cuáles de estas tareas son tuyas (VOLO Pro, gratis durante el lanzamiento) →
Analista de datos
Convierte una pregunta de negocio en una consulta, una consulta en un número y un número en una decisión sobre la que alguien actuará.
Elige la métrica sobre la que más discute tu empresa y escribe su definición con la precisión suficiente para que dos personas calculen el mismo número. Hazla circular y cuenta las objeciones.
Esto no es una probabilidad de perder el empleo. Combina qué parte de la carga de tareas del puesto está expuesta a la automatización con hasta dónde ha llegado realmente la adopción: sirve para comparar ocupaciones sobre una base constante, y para nada más.
Escrito para analistas de negocio, de producto y de marketing que trabajan con SQL, hojas de cálculo y herramientas de BI. Los ingenieros de datos, los científicos de datos que construyen modelos y los estadísticos en investigación son otro caso.
Qué está cambiando de verdad#
La unidad de análisis es la tarea, no el nombre del puesto. Un puesto no se sustituye: se le mueve la mezcla de tareas.
Cada casilla es una tarea. Su tamaño es cuánto pesa en el trabajo; su color, hacia dónde va la tarea. Haz clic en una casilla para ver qué no establece ese juicio.
«Cuando los datos están limpios y la pregunta es clara» es una condición enorme. En la mayoría de las empresas no se cumple ninguna de las dos, y las herramientas producen respuestas equivocadas con aplomo sobre esquemas ambiguos.
Las herramientas de autoservicio dejan que los jefes hagan mal sus propias preguntas en vez de preguntarle a un analista. Enmarcar la pregunta sigue valiendo, pero el analista tiene que estar en la sala para aportarlo, y cada vez hay menos.
La memoria institucional de los datos se construye trabajando con ellos a diario. Si las consultas diarias pasan al autoservicio, la memoria que hace posible esta tarea deja de acumularse.
La credibilidad es personal y se acumula despacio, lo que protege a los analistas establecidos y a nadie más. El primer analista que contrata una empresa no tiene ninguna, y ahora tiene menos tareas rutinarias con las que ganársela.
Cuidar las definiciones es un trabajo más pequeño de lo que era responder preguntas, y hay uno por organización. Que la plantilla se «redirija» hacia ahí es un eufemismo para un equipo más pequeño haciendo otra cosa.
¿Es este tu trabajo? Dilo y esta página se estrecha a tu parte de él.
El nombre de un puesto es un paquete de tareas compradas juntas, y no hay dos personas con el mismo paquete. No se envía nada a ninguna parte: se queda en este navegador.
Cambios recientes#
Es una guía del proveedor y una implementación de referencia, no la noticia de que se use en alguna empresa: el texto no nombra a ningún empleador que la tenga funcionando. Se registra como capacidad técnica, y esa capa nunca mueve una evaluación en este sitio. En qué se apoya cada vínculo con una tarea: las instrucciones que la propia plantilla trae cubren encontrar las tablas, el SQL de solo lectura y explicar los hallazgos (escribir consultas); sus requisitos previos y el paso 3 exigen que el equipo aporte las definiciones de métricas, los filtros de confianza y las consultas ya revisadas, y el paso 9 guarda una corrección solo cuando una persona lo pide (ser dueño de las definiciones de las que dependen las herramientas); y los filtros que imprime como ejemplo —excluir empleados y cuentas de prueba, excluir el día en curso incompleto, la medición del pago en el móvil cambió el 18 de agosto— son el conocimiento de un analista sobre dónde miente el dato, aportado por una persona y no encontrado por el agente. La fecha viene del commit del cookbook que añadió el ejemplo, porque la página de la muestra no lleva fecha.
Una demostración, una prueba de referencia o un artículo muestran que la tarea se puede hacer. Actualiza lo que la tecnología puede hacer, no lo que harán las empresas.
Escrito por los autores del banco de pruebas, que además tienen un sistema competidor (Rubicon) que promocionar — así que la parte interesada aquí sostiene que los bancos de pruebas fáciles están mal. La afirmación de fondo es comprobable: Beaver está construido con registros reales de consultas del almacén Oracle de 1.400 tablas del MIT y de otros tres, y su clasificación es pública. Las cuatro razones que dan son estructurales y no van sobre la calidad del modelo — los datos de los bancos públicos están en el corpus de entrenamiento, los esquemas reales se pudren hasta tener seis columnas distintas llamadas «salary», los almacenes arrastran jerga local, y las consultas reales unen dos o tres tablas en vez de una.
Un fallo, una marcha atrás, una regulación o un coste están frenando la adopción. Puede bajar una evaluación o ensanchar su incertidumbre.
El regulador de la estadística del Reino Unido, creado por ley, informando sobre el sistema de estadísticas oficiales. Dice que los productores que usan IA en la elaboración o la comunicación de estadísticas oficiales deberían aplicar el Code of Practice for Statistics igual que lo harían con otros métodos o modelos estadísticos, que su guía actualizada abarcará el aseguramiento de la calidad, la supervisión humana y una rendición de cuentas clara sobre los resultados, y que el uso de la IA en las estadísticas oficiales sigue siendo sobre todo investigación, pruebas y apoyo administrativo, no producción rutinaria. Se refiere a los estadísticos del gobierno, no a los analistas de negocio, y la guía todavía se está actualizando.
Un fallo, una marcha atrás, una regulación o un coste están frenando la adopción. Puede bajar una evaluación o ensanchar su incertidumbre.
Un artículo de personal de LinkedIn sobre su chatbot interno de texto a SQL, disponible en la plataforma de consultas de LinkedIn desde julio de 2024 y con un uso constante de más de 300 usuarios activos semanales. Se apoya en un grafo de conocimiento en el que los dueños de los conjuntos de datos anotan si una columna es una métrica, una dimensión o un atributo, y las tablas más usadas tienen descripciones escritas por personas; estos componentes elevaron las respuestas puntuadas como correctas o casi correctas del 9% al 48%. En una revisión experta de 124 respuestas en producción, el 53% se valoró como correcto o con problemas menores, y el problema más común fue un filtro incorrecto (24%); los autores señalan que pedir la última tasa de clics significa cosas distintas para equipos distintos. Es la herramienta interna de una empresa, medida por quienes la construyeron.
Una empresa lo ha puesto en producción. Puede mover la línea de base, ponderado por la escala y por cuánto se parece ese entorno al tuyo.
Ingenieros de Grab describiendo sus propias herramientas internas de datos. Solo el 20% de las tablas consultadas con más frecuencia tenía documentación; el equipo prerrellenó documentación generada por IA para las tablas más críticas y avisó a los productores de datos para que la revisaran, mostrándola con una etiqueta «AI-generated» hasta que un productor la aceptara o la editara, y la cobertura de esas tablas subió 70 puntos porcentuales, hasta cerca del 90%, antes de lanzar el bot de descubrimiento basado en un LLM. El bot funciona sobre una plataforma de un proveedor que Grab usa; las cifras son de la propia empresa.
Una empresa lo ha puesto en producción. Puede mover la línea de base, ponderado por la escala y por cuánto se parece ese entorno al tuyo.
Una sola empresa, con despliegue limitado; la plataforma de Uber corre alrededor de 1,2 millones de consultas interactivas al mes, así que esto es una parte pequeña. La propia publicación señala como problemas abiertos las tablas y columnas alucinadas y la calidad de las instrucciones.
Una empresa lo ha puesto en producción. Puede mover la línea de base, ponderado por la escala y por cuánto se parece ese entorno al tuyo.
Qué significa esto para ti#
Entrar solo con destreza en SQL es más débil que antes, porque esa es la parte que hacen las herramientas. La entrada más fuerte es dominio más datos: aprende un área de negocio lo bastante a fondo como para saber qué significan sus números y cómo se rompen, y usa las herramientas para consultar. Ofrécete para el trabajo poco lucido de documentar definiciones — es donde se está formando el nuevo puesto de analista, y casi nadie lo quiere todavía.
Si la mayor parte de tu semana es atender peticiones de informes, cuenta con que esa cola se encoja según los solicitantes se autoabastezcan, y con que te midan por qué decisiones cambió tu trabajo y no por cuántos cuadros de mando entregaste. Tu conocimiento acumulado de dónde se rompen los datos es el activo. Conviértelo en la capa semántica y en las definiciones, y pasas a ser la razón por la que las herramientas de autoservicio dan respuestas correctas.
Tus opciones#
Cuatro direcciones, cada una con sus restricciones reales y con una cosa que puedes probar esta semana. Seguir como estás es una opción legítima; solo tiene que ser una opción elegida.
De responder preguntas a ser dueño de las definiciones
El análisis de autoservicio traslada el cuello de botella de escribir consultas a si las métricas de debajo están bien. Lo dicen los propios proveedores: la plantilla de agente que OpenAI publica para este oficio enumera las definiciones de métricas, los filtros de confianza y las consultas ya revisadas entre las cosas que el equipo tiene que aportar antes de que pueda empezar. Ser dueño de esa capa es más duradero y más sénior que ser dueño de un panel.
El trabajo de gobierno del dato es lento, político y rara vez se celebra. Necesita una organización que haya sufrido de verdad los números inconsistentes.
Elige la métrica sobre la que más discute tu empresa y escribe su definición con la precisión suficiente para que dos personas calculen el mismo número. Hazla circular y cuenta las objeciones.
Ingeniería de analítica
Construir los modelos y las canalizaciones que limpian los datos aguas arriba es a donde se está moviendo buena parte del esfuerzo de los analistas, y paga mejor que hacer informes.
Requiere hábitos de software de verdad — control de versiones, pruebas, revisión de código — y tolerancia a un trabajo que es invisible cuando sale bien.
Toma una consulta que ejecutes cada semana y conviértela en una transformación versionada y con pruebas. Si eso te resultó satisfactorio en vez de tedioso, mírate en serio este camino.
Analista incrustado en un área del negocio
Los equipos de finanzas, operaciones y producto quieren cada vez más su propio analista que conozca el dominio, en vez de un servicio central que atiende tiques. El conocimiento del dominio es el foso.
Pasas a ser en parte de esa área — cuenta con aprender su vocabulario, su calendario y su política interna.
Pregúntale al responsable de un área qué pregunta le gustaría poder responder y no puede. Si ves cómo responderla, has encontrado tu sitio.
Preguntas frecuentes#
Sí, pero por una razón distinta de antes. Vas a escribir menos y a leer y comprobar mucho más. Entender qué hace una consulta es lo que te permite cazar la respuesta equivocada y segura de sí misma que la herramienta produjo sobre un esquema ambiguo — y esa caza es ahora el trabajo. Aprende SQL como un editor sabe gramática: no para producir cada frase, sino para saber al instante cuándo una está mal.
La señal es quién ejecuta la consulta. Cuando los jefes empiecen a responderse sus propias preguntas en una herramienta de autoservicio en vez de mandártelas, el cambio ya ha llegado — y lo primero que pierdes no es el puesto, es el contacto diario con los datos que te hacía capaz de notar cuándo están mal.
Escribir consultas y montar cuadros de mando — la tarea marcada aquí como en automatización. Enmarcar la pregunta y saber cuándo mienten los datos no lo están, pero las dos dependen de estar lo bastante cerca del trabajo para tener el contexto, y el autoservicio te aleja de él.
Es trabajo real y este sitio lo marca como una tarea emergente. También es un puesto por organización y más pequeño de lo que era responder preguntas. Decir que la plantilla se «redirige» hacia ahí es una forma educada de describir a un equipo más pequeño haciendo otra cosa.
¿Estudiando para esto?
Estas carreras llevan hasta aquí. Sus páginas desglosan cuáles de sus competencias se transfieren y qué les suele faltar a quienes se gradúan.
En qué se apoyan estos juicios#
De los 5 juicios de tarea de esta página, 5 se apoyan en un evento verificado y 0 son inferencia de la plataforma, cada uno etiquetado donde aparece. Detrás hay 2 dimensiones tecnológicas, una trayectoria reconstruida desde que los modelos de lenguaje llegaron al público y 6 eventos verificados.
Ver qué tecnologías, cómo llegó hasta aquí y el método →
Dónde se sitúa en la clasificación oficial: habilidades, conocimientos y trabajos afines →
Otros puestos de la misma función#
Una empresa divide su trabajo en funciones antes de dividirlo en puestos. Estos están en Tecnología y datos junto a este — un hecho sobre los organigramas, no un juicio de que se parezcan ni de que cambien en la misma dirección.
Desarrollador de software júnior · Ingeniero de software con experiencia · Desarrollador frontend · Desarrollador backend · Ingeniero de datos · Ingeniero de aprendizaje automático · Investigador de IA · Tester de software / ingeniero de QA · Científico de datos · Estadístico · Economista · Analista de negocio · Responsable de sistemas de negocio · Técnico de soporte informático / mesa de ayuda · Analista de seguridad (SOC) · Ingeniero de DevOps / ingeniero de plataforma / SRE · Ingeniero de redes · Redactor técnico / ingeniero de documentación · Redactor de solicitudes de subvención / técnico de subvenciones