Skip to content
Tecnología e IngenieríaJunior

Ejemplo de CV Junior Analytics Engineer

Ejemplo de CV profesional Junior Analytics Engineer. Plantilla optimizada para ATS.

Rango salarial Junior (US)

$90,000 - $130,000

Por qué este CV funciona

Verbos potentes prueban que entregaste, no solo consultaste

Modelé, Refactoricé, Redacté, Entregué, Construí, Documenté. Los analytics engineers junior que abren con 'analizé' o 'ayudé' se leen como analistas que solo consultaron tablas existentes. Empieza con verbos que muestren que asumiste un trozo de la capa de modelado.

Los números anclan cada modelo y cada PR

18 modelos de dbt, 4 segundos de latencia de query, 90 segundos de build, 12 tests. Un AE junior medido en números se diferencia del AE junior medido en 'ayudé al equipo'.

Rigor en PR y contexto downstream, no SQL aislado

No 'escribí SQL' sino 'protegido por una plantilla de PR que exige tests, docs y exposures'. No 'construí modelo' sino 'antes de que llegara a la capa de BI'. El trabajo de AE se juzga por cómo aterriza en el PR review, no por el SQL en sí.

Señal cross-funcional incluso a nivel junior

Owners de queries de stakeholders, el equipo de analítica, downstream owners. Incluso a nivel junior, demuestra que tratas AE como un servicio para analistas de datos y producto, no como un patio privado de SQL.

Stack nombrado dentro de artefactos, no en una lista

'Modelé el dominio de revenue en dbt Core' supera a 'dbt, Snowflake'. La herramienta dentro de un resultado es la única forma de probar que realmente la usaste.

Habilidades esenciales

  • dbt Core
  • SQL
  • Star schema and dimensional modeling
  • Exposures and PR rigor
  • Snowflake or BigQuery
  • GitHub Actions
  • Looker or Lightdash basics
  • Fivetran or Airbyte
  • dbt-utils and dbt_expectations
  • Hex notebooks
  • Elementary Data tests
  • Python for ad-hoc data work
  • DuckDB for local prototyping
  • Mode or Metabase
  • OpenAPI / schema reading
  • Git workflow basics

Mejore su CV

Plantillas y ejemplos de currículum de Analytics Engineer para cada etapa de carrera. Tanto si estás modelando tu primer dominio dbt, asumiendo el semantic layer para una organización de producto o llevando una plataforma AE a través de varias regiones, tu currículum debe demostrar que tratas la capa de modelado como un sistema. Los hiring managers buscan número de modelos dbt, SLAs de freshness, cobertura de exposures, adopción del semantic-layer y tasa de incidentes downstream, no 'escribí SQL' ni 'construí dashboards'. Analytics Engineer no es ni data analyst (consulta tablas existentes) ni data engineer (construye infra), asume el contrato entre datos crudos y BI más reverse-ETL. Esta guía cubre estrategias de currículum del nivel junior al lead con el modern data stack, las métricas que importan y el lenguaje que señala que puedes gobernar la capa por la que entrega el resto de la organización de datos.

Buenas Prácticas para Currículum de Analytics Engineer Junior

  1. Empieza cada bullet con un verbo de modelado. Modelé, Refactoricé, Redacté, Entregué, Construí, Documenté. 'Ayudé' o 'analicé' te hace leer como un analista que solo consultó tablas existentes. La señal AE es ownership de un modelo por el que entregan otros equipos.
  2. Cuantifica la capa de modelado, no el dashboard. Número de modelos dbt, wall-clock de build, SLA de freshness, tasa de aprobación de tests, exposures downstream. Un AE junior medido en dashboards compite con analistas; un AE junior medido en artefactos dbt compite por roles AE.
  3. Muestra rigor de PR. Menciona la plantilla de PR contra la que escribiste, los tests que añadiste, los docs que entregaste, los exposures que cableaste. El trabajo AE vive o muere en el PR review, y un currículum que nombra rigor de PR se lee como ya onboardeado.
  4. Trata el stack como parte del artefacto, no como una lista al final. 'Modelé el dominio de revenue en dbt Core' supera a 'dbt, Snowflake'. La herramienta dentro de un resultado es la única forma de probar que la usaste en lugar de hojear un tutorial.
  5. Ancla al menos un bullet a consumidores downstream. Dashboards de Looker, notebooks de Hex, el equipo de analítica, el data PM. El trabajo AE es invisible hasta que lo conectas con el artefacto que abrió un stakeholder. Un bullet orientado downstream cambia la percepción.

Errores Comunes de Currículum para Analytics Engineer Junior

  1. Escribir como un data analyst

Por qué duele: 'Escribí queries SQL' o 'construí dashboards en Looker' te posiciona contra analistas, no contra AEs. Los hiring managers que leen bullets light en dbt te asignan por defecto a loops de analyst.

Cómo arreglarlo: Reemplaza 'escribí SQL' por 'modelé el dominio de revenue en dbt Core con exposures'. Reemplaza 'construí dashboard' por 'redacté el semantic layer al frente del dashboard'. La señal AE es asumir la capa, no la superficie.

  1. Sin señal de rigor de PR

Por qué duele: El trabajo AE sin rigor de PR se lee como ad-hoc. Los currículums silenciosos sobre tests, docs, exposures y proceso de review se filtran a pilas de BI engineer o analyst.

Cómo arreglarlo: Menciona la plantilla de PR, tests añadidos por modelo, docs entregados, exposures cableados. Un bullet que referencie 'protegido por una plantilla de PR que exige tests, docs y exposures' recodifica el currículum como AE al instante.

  1. Herramientas listadas sin un artefacto

Por qué duele: Un currículum que lista 'dbt, Snowflake, Airflow' sin artefacto parece coursework. Los hiring managers no pueden saber si corriste un tutorial o entregaste un mart.

Cómo arreglarlo: Coloca herramientas dentro de artefactos: 'Construí un semantic layer Lightdash sobre un dataset público estilo Stripe, exponiendo 4 métricas consumidas por un Hex notebook'. La herramienta sin outcome es ruido.

Tips Rápidos de Currículum para Analytics Engineer Junior

  1. Abre con el artefacto dbt, no con el dashboard. 'Modelé el dominio de revenue en dbt Core con 18 modelos de hecho y dimensión' es la mejor frase de apertura a nivel junior.
  2. Empareja siempre una herramienta con un número y un outcome. dbt Core más 18 modelos más 'protegidos por una plantilla de PR que exige tests, docs y exposures' es la forma.
  3. Muestra una señal de rigor de PR. Tests, docs, exposures, SLA de freshness. Una referencia por rol cambia la percepción.
  4. Ancla al menos un bullet a la superficie BI. Looker, Hex, Mode. Incluso a nivel junior, el trabajo AE necesita un testigo downstream.
  5. Mantén un proyecto en el currículum que puedas exponer end-to-end en pizarra. Elige el proyecto dbt del que puedas hablar 25 minutos, incluyendo capas, tests, exposures y consumidor BI.

Preguntas frecuentes

Un analytics engineer asume la capa de modelado entre datos crudos y BI más reverse-ETL. El día mezcla escribir modelos dbt, revisar PRs de analistas y AEs adyacentes, defender SLAs de freshness en canales de incidentes, cablear exposures e intermediar señal entre data engineering (que entrega los inputs crudos) y la audiencia analista o de producto (que consume los marts y el semantic layer). No es trabajo de analista (consultar tablas existentes) ni trabajo de data engineering (construir infraestructura); es el contrato que permite que ambos lados entreguen.

Los data analysts consultan tablas existentes, escriben dashboards y responden preguntas de negocio; los data engineers construyen la ingesta, infra y pipelines de streaming que entregan los datos crudos; los analytics engineers se sientan en medio y asumen dbt, el semantic layer, exposures, SLAs de freshness y reverse-ETL. El AE es juzgado por si otros equipos pueden entregar a través de su capa, no por dashboards construidos o pipelines desplegados. Un currículum que confunde AE con analista se filtra a loops de analista; uno que confunde AE con data engineer se filtra a loops de infra. Nombrar la capa de modelado explícitamente es la única forma de pasar.

Lidera con número de modelos dbt, wall-clock de build, hit rate de SLA de freshness, tasa de aprobación de tests, cobertura de exposures downstream, adopción del semantic-layer (porcentaje de queries por la capa), MTTR de data incidents y adopción de audiencias reverse-ETL. Empareja con una métrica cross-team (número de organizaciones de producto, equipos GTM, analistas mentorizados). Cinco números a lo largo de estos ejes superan cualquier muro de prosa y señalan AE al instante en lugar de analista o data engineer.

Sí, en dbt y Jinja, más Python para helpers de orquestación y workflows reverse-ETL. La capa que asume el AE (modelos dbt, semantic layer, exposures, SLAs de freshness, audiencias reverse-ETL) se trata como software de producción con PR review, tests, docs y on-call. Los AEs no suelen asumir las pipelines de streaming, la infra de ingesta o los servicios backend, pero asumen la capa del warehouse que está entre los datos crudos y la superficie BI / reverse-ETL, y esa capa debe aguantar bajo tráfico crítico de negocio.

Sí. Los candidatos junior AE más fuertes vienen de uno de tres caminos: un rol de software engineering o data analyst más trabajo dbt visible (un repo público, contribuciones a dbt-utils o dbt_expectations, un post de tutorial), unas prácticas de analítica que incluyeron trabajo dbt o de modelado, o un programa de posgrado más un proyecto dbt sustancial que demuestre capas, tests, exposures y un consumidor BI. A los hiring managers les importan menos los años y más si puedes mostrar un proyecto completo donde la capa de modelado aguanta bajo PR review.

Un proyecto dbt público sobre un dataset real o simulado, en capas (staging, intermediate, mart, semantic), testeado con dbt-utils más Elementary Data, expuesto a un consumidor Lightdash o Hex, con un workflow de GitHub Actions que ejecuta dbt build y tests en cada PR. Un README que explique la matriz de freshness SLA y el contrato de exposures es la guinda. Ese artefacto supera a cualquier certificado de tutorial y señala los tres músculos AE (modelado, gobernanza, consumidor BI) en quince minutos de revisión.

Certificaciones recomendadas

Preparación para entrevistas

Los loops de Analytics Engineer mezclan una estación clásica de SQL y modelado con tres etapas específicas de AE: un take-home de proyecto dbt (modelar un dataset desconocido, ponerlo en capas, escribir tests y exposures, justificar tus elecciones), un PR review en vivo donde defiendes tradeoffs de modelado contra un entrevistador haciendo de analista o data engineer, y un walkthrough del portfolio donde defiendes números (wall-clock de build, adopción del semantic-layer, cobertura de exposures, caída de MTTR). Los loops senior y lead añaden un memo de estrategia sobre dbt mesh o consolidación de proveedores y una conversación de defensa de presupuesto.

Preguntas frecuentes

Preguntas comunes:

  • Cuéntame el proyecto dbt en tu GitHub y la matriz de freshness SLA
  • ¿Cómo decidirías entre una materialización incremental y de tabla?
  • Muéstrame cómo añadirías un test para una slowly changing dimension
  • ¿Cómo cambian los exposures el PR review para los analistas?
  • Cuéntame de una vez que eliminaste un modelo o un dashboard
  • ¿Cuál es tu herramienta BI por defecto para un consumidor estilo Hex notebook y por qué?
Actualizado: