Plantilla de escalera de carrera

Plantilla de escalera de carrera para analistas de datos

Cinco niveles de analista júnior a principal y siete competencias, desde plantear preguntas hasta cambiar decisiones.

Plan gratuito · Sin tarjeta de crédito

Esta escalera de carrera está pensada para empresas de unas 20 a 200 personas en las que los analistas trabajan cerca del negocio: un puñado de analistas, a veces solo uno, responden a preguntas de producto, marketing, ventas y dirección, a menudo sobre un stack de datos que también ayudan a construir. Describe cinco niveles, desde alguien que aprende a escribir consultas fiables hasta alguien que decide cómo se mide toda la empresa. Su nivel más alto, Analista de datos principal, es un nivel de especialista; liderar el equipo de analítica es otro trabajo.

Cada nivel se define por lo que hace un analista y por el alcance de su trabajo, no por las herramientas que conoce ni por sus años de experiencia. Lee una fila de la matriz de competencias de izquierda a derecha para ver cómo crece una expectativa; lee la sección de un nivel para ver todo lo que se espera en él. Úsala para explicar qué significa el siguiente nivel, para hacer autoevaluaciones y check-ins y para que las propuestas de ascenso sean comparables.

Adáptala antes de publicarla. Sustituye la redacción genérica por tu propio stack y tus propias métricas, elimina los niveles que aún no necesitas y decide dónde termina la ingeniería de analítica y dónde empieza el análisis en tu empresa.

Los niveles de un vistazo

Analista de datos júnior
Responde a preguntas bien definidas con consultas fiables y gráficos claros, con la revisión de un analista con más experiencia.
Alcance
Peticiones concretas e informes recurrentes para un equipo, normalmente acotados por otra persona.
Analista de datos
Lleva los análisis de principio a fin, desde una pregunta vaga hasta una recomendación, y es el analista de referencia de un área.
Alcance
Un área de negocio, como el onboarding, los precios o el embudo de ventas, con sus dashboards y sus preguntas recurrentes.
Analista de datos sénior
Lidera los análisis que hay detrás de decisiones importantes y eleva la calidad del análisis a su alrededor.
Alcance
Varias áreas de negocio o una iniciativa importante de la empresa, y las definiciones de métricas de las que dependen.
Analista de datos líder
Da forma a cómo usa los datos la empresa en todas sus funciones y fija los estándares con los que trabajan otros analistas.
Alcance
La analítica de varias funciones, incluidas las métricas compartidas, los modelos de datos y el roadmap de analítica.
Analista de datos principal
Decide cómo se mide la empresa y responde de la confianza que la dirección deposita en sus cifras.
Alcance
Las métricas clave de la empresa, su enfoque de la experimentación y la estrategia de analítica para los próximos años.

Matriz de competencias

Cada fila es una competencia y cada columna, un nivel. Lee una fila de izquierda a derecha para ver cómo crece lo que se espera.

Qué significa cada competencia

Planteamiento del problema: Convertir la pregunta de un stakeholder en una que los datos puedan responder y de la que pueda salir una decisión.
Consultas y modelado de datos: Sacar datos correctos del data warehouse y darles una forma que otros puedan reutilizar.
Rigor estadístico y experimentación: Sacar conclusiones que se sostienen y saber hasta qué punto puede estar segura de ellas la empresa.
Calidad de los datos y definiciones de métricas: Asegurarse de que las cifras son correctas, significan lo mismo en todas partes y generan confianza.
Comunicación de conclusiones: Explicar lo que dicen los datos para que la gente lo entienda y actúe en consecuencia.
Impacto en el negocio y colaboración: Entender cómo funciona el negocio y asegurarse de que el análisis cambia lo que hace la gente.
Mentoría y desarrollo del equipo: Ayudar a mejorar a otros analistas y a quienes usan los datos, y hacer más fuerte al equipo.

Analista de datos: expectativas por competencia y nivel
Competencia	Analista de datos júnior	Analista de datos	Analista de datos sénior	Analista de datos líder	Analista de datos principal
Planteamiento del problema	Reformula cada petición por escrito antes de empezar, confirma el periodo, el segmento y la definición por los que se pregunta, y pregunta qué decisión va a orientar la respuesta.	Convierte preguntas vagas como «¿por qué ha subido el churn?» en un breve plan de análisis con hipótesis, y se opone cuando una petición no cambiaría ninguna decisión.	Replantea las preguntas de los stakeholders en torno a la decisión que realmente hay que tomar, y propone análisis que nadie ha pedido cuando cambiarían una prioridad.	Fija cada trimestre la agenda de analítica con los responsables de cada función, elige las pocas preguntas que más merece la pena responder y explica qué no se va a analizar y por qué.	Identifica las preguntas que el equipo directivo debería hacerse sobre el negocio, y se asegura de que la empresa tenga los datos para responderlas antes de que se vuelvan urgentes.
Consultas y modelado de datos	Escribe SQL legible con joins, agregaciones y funciones de ventana, comprueba el número de filas y los duplicados antes de fiarse de un resultado y pide revisión cuando trabaja con tablas que no conoce.	Conoce las tablas de su área y sus peculiaridades, construye modelos o vistas reutilizables en lugar de copiar consultas y documenta la lógica de cada dashboard del que es responsable.	Diseña los modelos de datos de un área de negocio para que las preguntas habituales solo necesiten consultas sencillas, revisa la lógica de otros analistas y trabaja con los ingenieros para corregir la medición en origen.	Define las convenciones de modelado en todo el código de analítica, decide qué va en los modelos compartidos y qué en análisis puntuales, y planifica el trabajo para retirar los pipelines frágiles.	Da forma a la arquitectura de datos general con la dirección de ingeniería y elige dónde debe invertir la analítica para que las preguntas más importantes sigan siendo baratas y rápidas de responder.
Rigor estadístico y experimentación	Compara elementos comparables, indica el tamaño de la muestra y la estacionalidad en cada resultado y avisa cuando una diferencia puede ser ruido en lugar de presentarla como un hallazgo.	Analiza tests A/B de principio a fin, incluidos el tamaño de la muestra, la duración y las métricas de control, y explica la confianza y la incertidumbre en palabras sencillas.	Elige un método defendible cuando un test aleatorizado es imposible (diferencias en diferencias frente a un segmento comparable, una serie temporal interrumpida o una comparación emparejada) y expone abiertamente sus supuestos y sus límites.	Fija los estándares de experimentación de la empresa (cuándo hacer un test, cuánto tiempo mantenerlo, cómo dar por bueno un resultado) y revisa los análisis de mayor peso antes de que lleguen a la dirección.	Decide cómo trata la empresa la evidencia en sus mayores decisiones, equilibrando el rigor con la velocidad, y es el último revisor de los análisis que cambian la estrategia.
Calidad de los datos y definiciones de métricas	Cuadra las cifras nuevas con una fuente existente antes de compartirlas, e informa ese mismo día al responsable de los datos rotos o de las caídas sospechosas.	Es responsable de la exactitud de los dashboards de su área, añade comprobaciones sencillas que detectan los datos rotos antes que los stakeholders y deja por escrito cada definición de métrica que introduce.	Resuelve las versiones contradictorias de una misma métrica entre equipos, acuerda una sola definición con quienes la usan y retira los informes que la contradicen.	Gestiona el catálogo de métricas de la empresa y el proceso para cambiar una definición, y hace visibles los incidentes de datos, cada uno con un responsable y una solución.	Responde de la fiabilidad de las cifras que se presentan a la dirección, a los inversores o al consejo, y construye los controles que las mantienen coherentes a medida que la empresa crece.
Comunicación de conclusiones	Presenta los resultados con un gráfico claro, una conclusión de una línea y las salvedades que importan, y mantiene los dashboards bien etiquetados para que otros puedan leerlos sin ayuda.	Escribe resúmenes de análisis breves que empiezan por la respuesta y la recomendación, ajusta el nivel de detalle al público y construye dashboards que responden a un conjunto concreto de preguntas.	Cuenta la historia que hay detrás de análisis complejos a stakeholders de alto nivel, gestiona con calma los cuestionamientos de las cifras y convierte los hallazgos en propuestas que el equipo puede llevar a la práctica.	Presenta a la dirección con regularidad, fija el estándar de cómo se redactan los análisis en toda la empresa y se asegura de que los hallazgos importantes lleguen a todas las personas a las que afectan.	Da forma a cómo habla la empresa de sus resultados, desde las revisiones de la dirección hasta las actualizaciones para inversores, para que todos lean las mismas cifras de la misma manera.
Impacto en el negocio y colaboración	Aprende cómo gana dinero o aporta valor el equipo al que da soporte, y hace seguimiento después de una petición para saber si se usó la respuesta.	Es un colaborador de confianza para un equipo, participa en su planificación y puede nombrar decisiones del último trimestre que cambiaron gracias a su trabajo.	Influye en las prioridades de varios equipos, conecta los análisis con los ingresos, los costes o la retención, y detiene el trabajo que ya no merece la pena.	Colabora con los responsables de cada función en los objetivos y las metas, y se asegura de que la capacidad de analítica vaya allí donde cambiará las decisiones más importantes.	Trabaja con el equipo directivo en la estrategia y la planificación, y puede señalar decisiones de empresa del último año (precios, entrada en mercados, grandes inversiones) que cambiaron gracias al trabajo de analítica.
Mentoría y desarrollo del equipo	Pide feedback sobre sus consultas e informes, lo aplica y comparte con el equipo trucos útiles y trampas que conviene evitar.	Revisa el trabajo de otros analistas con comentarios concretos, ayuda a los recién llegados a conocer los datos de su área y responde con paciencia a las preguntas sobre datos de sus compañeros.	Ejerce de mentor de analistas júnior, dirige revisiones de código y de análisis, y enseña a quienes no son analistas a responder por sí mismos preguntas sencillas con herramientas de autoservicio.	Hace crecer a varios analistas hacia el siguiente nivel, da forma a la contratación y las entrevistas del equipo de analítica, y construye el onboarding y la documentación en los que se apoyan los nuevos analistas.	Construye la cultura de datos de la empresa, desarrolla a los futuros líderes de analítica y defiende cómo debería estructurarse el equipo de datos a medida que la empresa crece.

Desplaza la tabla hacia los lados para ver todos los niveles.

Descargar en CSV Se abre en Excel, Google Sheets o Numbers.

Analista de datos júnior: qué se espera

Responde a preguntas bien definidas con consultas fiables y gráficos claros, con la revisión de un analista con más experiencia. Peticiones concretas e informes recurrentes para un equipo, normalmente acotados por otra persona.

Planteamiento del problema: Reformula cada petición por escrito antes de empezar, confirma el periodo, el segmento y la definición por los que se pregunta, y pregunta qué decisión va a orientar la respuesta.
Consultas y modelado de datos: Escribe SQL legible con joins, agregaciones y funciones de ventana, comprueba el número de filas y los duplicados antes de fiarse de un resultado y pide revisión cuando trabaja con tablas que no conoce.
Rigor estadístico y experimentación: Compara elementos comparables, indica el tamaño de la muestra y la estacionalidad en cada resultado y avisa cuando una diferencia puede ser ruido en lugar de presentarla como un hallazgo.
Calidad de los datos y definiciones de métricas: Cuadra las cifras nuevas con una fuente existente antes de compartirlas, e informa ese mismo día al responsable de los datos rotos o de las caídas sospechosas.
Comunicación de conclusiones: Presenta los resultados con un gráfico claro, una conclusión de una línea y las salvedades que importan, y mantiene los dashboards bien etiquetados para que otros puedan leerlos sin ayuda.
Impacto en el negocio y colaboración: Aprende cómo gana dinero o aporta valor el equipo al que da soporte, y hace seguimiento después de una petición para saber si se usó la respuesta.
Mentoría y desarrollo del equipo: Pide feedback sobre sus consultas e informes, lo aplica y comparte con el equipo trucos útiles y trampas que conviene evitar.

Analista de datos: qué se espera

Lleva los análisis de principio a fin, desde una pregunta vaga hasta una recomendación, y es el analista de referencia de un área. Un área de negocio, como el onboarding, los precios o el embudo de ventas, con sus dashboards y sus preguntas recurrentes.

Planteamiento del problema: Convierte preguntas vagas como «¿por qué ha subido el churn?» en un breve plan de análisis con hipótesis, y se opone cuando una petición no cambiaría ninguna decisión.
Consultas y modelado de datos: Conoce las tablas de su área y sus peculiaridades, construye modelos o vistas reutilizables en lugar de copiar consultas y documenta la lógica de cada dashboard del que es responsable.
Rigor estadístico y experimentación: Analiza tests A/B de principio a fin, incluidos el tamaño de la muestra, la duración y las métricas de control, y explica la confianza y la incertidumbre en palabras sencillas.
Calidad de los datos y definiciones de métricas: Es responsable de la exactitud de los dashboards de su área, añade comprobaciones sencillas que detectan los datos rotos antes que los stakeholders y deja por escrito cada definición de métrica que introduce.
Comunicación de conclusiones: Escribe resúmenes de análisis breves que empiezan por la respuesta y la recomendación, ajusta el nivel de detalle al público y construye dashboards que responden a un conjunto concreto de preguntas.
Impacto en el negocio y colaboración: Es un colaborador de confianza para un equipo, participa en su planificación y puede nombrar decisiones del último trimestre que cambiaron gracias a su trabajo.
Mentoría y desarrollo del equipo: Revisa el trabajo de otros analistas con comentarios concretos, ayuda a los recién llegados a conocer los datos de su área y responde con paciencia a las preguntas sobre datos de sus compañeros.

Analista de datos sénior: qué se espera

Lidera los análisis que hay detrás de decisiones importantes y eleva la calidad del análisis a su alrededor. Varias áreas de negocio o una iniciativa importante de la empresa, y las definiciones de métricas de las que dependen.

Planteamiento del problema: Replantea las preguntas de los stakeholders en torno a la decisión que realmente hay que tomar, y propone análisis que nadie ha pedido cuando cambiarían una prioridad.
Consultas y modelado de datos: Diseña los modelos de datos de un área de negocio para que las preguntas habituales solo necesiten consultas sencillas, revisa la lógica de otros analistas y trabaja con los ingenieros para corregir la medición en origen.
Rigor estadístico y experimentación: Elige un método defendible cuando un test aleatorizado es imposible (diferencias en diferencias frente a un segmento comparable, una serie temporal interrumpida o una comparación emparejada) y expone abiertamente sus supuestos y sus límites.
Calidad de los datos y definiciones de métricas: Resuelve las versiones contradictorias de una misma métrica entre equipos, acuerda una sola definición con quienes la usan y retira los informes que la contradicen.
Comunicación de conclusiones: Cuenta la historia que hay detrás de análisis complejos a stakeholders de alto nivel, gestiona con calma los cuestionamientos de las cifras y convierte los hallazgos en propuestas que el equipo puede llevar a la práctica.
Impacto en el negocio y colaboración: Influye en las prioridades de varios equipos, conecta los análisis con los ingresos, los costes o la retención, y detiene el trabajo que ya no merece la pena.
Mentoría y desarrollo del equipo: Ejerce de mentor de analistas júnior, dirige revisiones de código y de análisis, y enseña a quienes no son analistas a responder por sí mismos preguntas sencillas con herramientas de autoservicio.

Analista de datos líder: qué se espera

Da forma a cómo usa los datos la empresa en todas sus funciones y fija los estándares con los que trabajan otros analistas. La analítica de varias funciones, incluidas las métricas compartidas, los modelos de datos y el roadmap de analítica.

Planteamiento del problema: Fija cada trimestre la agenda de analítica con los responsables de cada función, elige las pocas preguntas que más merece la pena responder y explica qué no se va a analizar y por qué.
Consultas y modelado de datos: Define las convenciones de modelado en todo el código de analítica, decide qué va en los modelos compartidos y qué en análisis puntuales, y planifica el trabajo para retirar los pipelines frágiles.
Rigor estadístico y experimentación: Fija los estándares de experimentación de la empresa (cuándo hacer un test, cuánto tiempo mantenerlo, cómo dar por bueno un resultado) y revisa los análisis de mayor peso antes de que lleguen a la dirección.
Calidad de los datos y definiciones de métricas: Gestiona el catálogo de métricas de la empresa y el proceso para cambiar una definición, y hace visibles los incidentes de datos, cada uno con un responsable y una solución.
Comunicación de conclusiones: Presenta a la dirección con regularidad, fija el estándar de cómo se redactan los análisis en toda la empresa y se asegura de que los hallazgos importantes lleguen a todas las personas a las que afectan.
Impacto en el negocio y colaboración: Colabora con los responsables de cada función en los objetivos y las metas, y se asegura de que la capacidad de analítica vaya allí donde cambiará las decisiones más importantes.
Mentoría y desarrollo del equipo: Hace crecer a varios analistas hacia el siguiente nivel, da forma a la contratación y las entrevistas del equipo de analítica, y construye el onboarding y la documentación en los que se apoyan los nuevos analistas.

Analista de datos principal: qué se espera

Decide cómo se mide la empresa y responde de la confianza que la dirección deposita en sus cifras. Las métricas clave de la empresa, su enfoque de la experimentación y la estrategia de analítica para los próximos años.

Planteamiento del problema: Identifica las preguntas que el equipo directivo debería hacerse sobre el negocio, y se asegura de que la empresa tenga los datos para responderlas antes de que se vuelvan urgentes.
Consultas y modelado de datos: Da forma a la arquitectura de datos general con la dirección de ingeniería y elige dónde debe invertir la analítica para que las preguntas más importantes sigan siendo baratas y rápidas de responder.
Rigor estadístico y experimentación: Decide cómo trata la empresa la evidencia en sus mayores decisiones, equilibrando el rigor con la velocidad, y es el último revisor de los análisis que cambian la estrategia.
Calidad de los datos y definiciones de métricas: Responde de la fiabilidad de las cifras que se presentan a la dirección, a los inversores o al consejo, y construye los controles que las mantienen coherentes a medida que la empresa crece.
Comunicación de conclusiones: Da forma a cómo habla la empresa de sus resultados, desde las revisiones de la dirección hasta las actualizaciones para inversores, para que todos lean las mismas cifras de la misma manera.
Impacto en el negocio y colaboración: Trabaja con el equipo directivo en la estrategia y la planificación, y puede señalar decisiones de empresa del último año (precios, entrada en mercados, grandes inversiones) que cambiaron gracias al trabajo de analítica.
Mentoría y desarrollo del equipo: Construye la cultura de datos de la empresa, desarrolla a los futuros líderes de analítica y defiende cómo debería estructurarse el equipo de datos a medida que la empresa crece.

Cómo adaptar esta escalera

Ajústala al tamaño de tu equipo de analítica
Con uno o dos analistas probablemente necesitas tres niveles, no cinco. Deja fuera Analista de datos líder y Analista de datos principal hasta que alguien esté fijando de verdad estándares para varias funciones, y añádelos cuando ese trabajo exista, no como recompensa. En la mayoría de las empresas de este tamaño, el alcance del nivel principal corresponde a un responsable de datos o de analítica; usa este nivel solo si quieres un especialista sénior junto a esa persona.
Decide dónde encaja la ingeniería de analítica
Si tienes analytics engineers o ingenieros de datos que se encargan de los modelos, aligera la fila de Consultas y modelado de datos y da más peso a la de Planteamiento del problema. Si tus analistas se encargan de todo el stack, deja la fila como está y nombra en ella tus herramientas.
Refleja si los analistas están integrados en los equipos o son un equipo central
A los analistas integrados se les valora sobre todo por las decisiones del equipo con el que trabajan; a un equipo central, más por las métricas y los estándares compartidos. Da a las filas de Impacto en el negocio y de Calidad de los datos el peso que corresponda a cómo está organizado realmente tu equipo.
Reúne evidencias de análisis reales
Pide a los analistas que enlacen los informes, dashboards y modelos que respaldan cada afirmación de su autoevaluación, junto con la decisión que orientó cada uno. Así los check-ins pasan a ser una conversación sobre trabajo real en lugar de una lista de herramientas aprendidas.

Preguntas frecuentes

Preguntas sobre esta escalera

¿Qué diferencia hay entre un analista de datos y un científico de datos en una escalera de carrera?

Un analista de datos ayuda a la gente a tomar decisiones encontrando, comprobando y explicando lo que dicen los datos. Un científico de datos construye sobre todo modelos estadísticos o de machine learning que pasan a formar parte del producto o de las operaciones. En las empresas más pequeñas los puestos se solapan, pero crecen en direcciones distintas, así que dales escaleras o itinerarios separados. En algunas empresas, «científico de datos» es simplemente el puesto de los analistas que se centran en la experimentación.

¿Cuántos niveles debe tener la escalera de carrera de un analista de datos?

Para una empresa de 20 a 200 personas, entre tres y cinco. La mayoría de los equipos pequeños necesitan Júnior, Analista de datos y Sénior; Líder y Principal solo tienen sentido cuando la analítica da servicio a varias funciones y alguien fija los estándares para todas ellas.

¿Un analista de datos sénior necesita Python o basta con SQL?

Esta escalera no vincula a propósito los niveles con los lenguajes. Muchos analistas sénior excelentes trabajan sobre todo con SQL y una herramienta de BI. Lo que separa los niveles es la calidad de las preguntas, el rigor del análisis y las decisiones que cambia; añade un requisito de herramientas solo si tu equipo de verdad no puede trabajar sin él.

¿Cómo se demuestra el impacto de un analista de datos al preparar una propuesta de ascenso?

Señala decisiones, no dashboards. Para cada competencia del nivel objetivo, enumera dos o tres análisis con la pregunta, el método, la recomendación y lo que pasó después. Que un stakeholder confirme que una decisión cambió es una evidencia más sólida que el número de informes construidos.

¿Puede un analista de datos seguir creciendo sin ser responsable de analítica?

Sí. Líder y Principal son niveles de especialista: crecen en alcance y en influencia sobre cómo usa los datos la empresa, sin gestionar personas. Gestionar el equipo de analítica es otro trabajo con su propia escalera, y pasar a él debería ser un cambio de itinerario, no la única forma de subir.

Crea esta escalera de carrera en LadderKit, gratis

Configura sus niveles y habilidades para tu equipo, evalúa a las personas con ellos en los check-ins y mantén la coherencia en las decisiones de ascenso.

Empieza gratis Explorar la demo Sin registro