Skip to content
Tecnología e IngenieríaMiddle

Ejemplo de CV Middle Analytics Engineer

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

JuniorMiddleSeniorLead

Rango salarial Middle (US)

$130,000 - $190,000

Por qué este CV funciona

Verbos potentes que prueban ownership de dominio

Lideré, Refactoricé, Redacté, Entregué, Mentoricé, Migré, Implementé, Construí. El AE intermedio asume un dominio mart end-to-end. Los verbos deben reflejarlo, no 'ayudé con dbt'.

Números intermedios atados a la salud de la plataforma

Wall-clock de build de 38 minutos a 11 minutos, adopción del semantic-layer del 9 por ciento al 53 por ciento, tasa de incidentes downstream un 41 por ciento abajo, tasa de aprobación de tests del 71 al 98 por ciento. Las métricas intermedias viven en el log de dbt run y en el canal de incidentes.

Cadena de outcomes: modelo a PR gate a dashboard

No 'usé dbt' sino 'con SLAs de freshness en cada exposure consumida por Looker y Hex'. El AE intermedio cablea la capa de modelado con los artefactos que ven los analistas y producto.

Ownership más allá de tu propio backlog

Mentoricé a un analista hasta AE, dimensioné métricas de growth para 6 equipos de producto, liberé al equipo de data engineering. El nivel intermedio es donde el trabajo de AE aparece en los backlogs de otros equipos.

El stack señala fluidez con el modern data stack

dbt Cloud, Cube semantic layer, Elementary Data, Airbyte, Census, Looker y Hex, BigQuery. Nombrar el modern data stack dentro de outcomes es lo que diferencia al AE del analista o BI engineer.

Habilidades esenciales

  • dbt Cloud and dbt Core
  • Cube semantic layer
  • Exposures contract authorship
  • Freshness SLAs
  • BigQuery or Snowflake at scale
  • Looker and Hex
  • Reverse-ETL with Census or Hightouch
  • Elementary Data observability
  • Airbyte or Fivetran ingestion ownership
  • dbt semantic layer
  • Python (pandas, polars)
  • Jinja and dbt macros
  • BI vendor migrations
  • Mentorship of analysts
  • RFC authorship
  • Cost monitoring (Snowflake / BigQuery)

Mejore su CV

Recibir crítica

Análisis brutal de IA sobre su CV

Criticar mi CV →

CV y carta a medida

Adapte su CV a ofertas de empleo

Adaptar mi CV →

Editor de CV con IA

Edite con sugerencias de IA

Abrir panel →

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 Intermedio

  1. Cada rol abre con un dominio que asumiste, no con una herramienta que usaste. Revenue, growth, billing, product analytics, experimentación. El AE intermedio asume un domain mart end-to-end y esa propiedad tiene que ser el titular, no la marca dbt o Snowflake.
  2. Liga las métricas a la salud de la plataforma, no al output de feature. Reducción del wall-clock de build, aumento de adopción del semantic-layer, caída de tasa de incidentes downstream, ganancia de tasa de aprobación de tests, hit rate del SLA de freshness. Los números intermedios viven en el log de dbt run y en el canal de incidentes, no en las vistas de dashboard.
  3. Muestra una eliminación o refactor explícito. Modelos huérfanos eliminados, refactor de un proyecto de 40 tablas, exposures sin uso retirados. Los bullets de eliminación prueban juicio más fuerte que los lanzamientos y separan al AE de los analistas que solo añaden.
  4. Referencia docs, semantic layer y reverse-ETL como un sistema. El trabajo AE intermedio cruza dbt, semantic layer (Cube, dbt semantic layer), BI (Looker, Hex) y reverse-ETL (Census, Hightouch). Un currículum que los aísla se lee como junior; uno que los cruza en un solo bullet se lee como intermedio.
  5. Saca al frente el outcome de mentoring, no la intención de mentoring. 'Mentoricé a 1 analista hasta AE junior asumiendo el mart de experiments end-to-end' supera a 'mentoricé miembros del equipo'. Los verbos de outcome son cómo los recruiters distinguen intermedio de senior-junior.

Errores Comunes de Currículum para Analytics Engineer Intermedio

  1. Leer como 'usé dbt' sin métrica

Por qué duele: Bullets como 'usé dbt para construir modelos' te posicionan como alguien que sigue tutoriales, no como alguien que asume un dominio. AE intermedio sin outcomes cuantificados se filtra a loops junior.

Cómo arreglarlo: Reemplaza 'usé dbt' por 'refactoricé un proyecto dbt de 40 tablas en 4 marts en capas, reduciendo el wall-clock de build de 38 minutos a 11 minutos'. Herramientas más número más outcome es la plantilla intermedia.

  1. Tratar el semantic layer como opcional

Por qué duele: Los roles AE intermedios cada vez requieren más trabajo en semantic layer (Cube, dbt semantic layer, LookML a escala). Currículums silenciosos sobre esto se leen 1,5 años por detrás del modern data stack.

Cómo arreglarlo: Añade al menos un bullet de semantic-layer con porcentaje de adopción: 'Entregué Cube semantic layer delante de las métricas de growth para 6 equipos de producto, elevando la adopción del semantic-layer del 9 por ciento de las queries al 53 por ciento'.

  1. Sin bullet de mentoring o cross-team

Por qué duele: Un AE intermedio que opera solo en su propio backlog señala estancamiento. Los hiring managers quieren evidencia de que elevas el nivel de los analistas y AEs adyacentes.

Cómo arreglarlo: Añade un outcome de mentee ('Mentoricé a 1 analista hasta AE junior asumiendo el mart de experiments end-to-end') y un bullet cross-team ('Redacté el grafo de exposures que se convirtió en el PR-merge gate, reduciendo la tasa de incidentes downstream en un 41 por ciento durante dos trimestres').

Tips Rápidos de Currículum para Analytics Engineer Intermedio

  1. Lidera cada rol con el dominio que asumiste. Revenue, growth, billing. 'Lideré el dominio de growth en dbt Cloud a través de 47 modelos' supera a cualquier name-drop de herramienta.
  2. Muestra una eliminación o refactor explícito por rol. Modelos huérfanos eliminados, exposures sin uso retirados, proyecto de 40 tablas refactorizado. Los bullets de eliminación prueban juicio más fuerte que los lanzamientos.
  3. Referencia docs, semantic layer y reverse-ETL en el mismo bullet. Las audiencias intermedias quieren verlos como un solo stack.
  4. Empareja cada refactor con un número de wall-clock o adopción. 'Reduje el build de 38 minutos a 11 minutos' o 'elevé la adopción del semantic-layer del 9 por ciento al 53 por ciento'.
  5. Saca al frente outcomes de mentees. 'Mentoricé a 1 analista hasta AE junior' es el único bullet de mentoring que vale la pena escribir a nivel intermedio.

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.

Tres artefactos: una auditoría del metric drift entre herramientas BI (el mismo KPI definido de tres formas en Looker, Hex y un doc de Notion), un análisis de incidentes downstream que muestra cuántos fuegos de producción vinieron de lógica de métrica inconsistente, y un TCO de 12 meses comparando el porcentaje de adopción del semantic-layer con el gasto actual en seats solo de BI. Juntos sobreviven un review de VP of Data; solos, ninguno lo hace. El pitch AE es menos 'hype del modern stack' y más 'la gobernanza se paga sola en menos incidentes'.

Cuando el modelo no tiene exposure adjunta, no tiene consumidor downstream en los últimos 60 días y un wall-clock de build que excede su valor percibido. Establece los criterios de eliminación por adelantado en la plantilla de PR (cada modelo debe tener una exposure o una razón de retención documentada en 30 días) y revísalos trimestralmente con los datos, no con sentimiento. El AE que mantiene vivos modelos zombi termina debugueándolos para un colega tres meses después en lugar de entregar nuevos marts de revenue.

Certificaciones recomendadas

dbt Analytics Engineering Certification

dbt Labs

middle

SnowPro Advanced: Data Engineer

Snowflake

middle

Google Cloud Professional Data Engineer

Google

middle

Databricks Certified Data Analyst Associate

Databricks

middle

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:

  • Describe un domain mart que asumiste end-to-end y el SLA de freshness que defendiste
  • Cuéntame de un refactor de 40 tablas y el número de wall-clock o adopción que produjo
  • ¿Cómo negociaste la selección de proveedor de ingesta con el equipo de data engineering?
  • Cuéntame el rollout de tu semantic layer y el porcentaje de adopción que seguiste
  • ¿Cómo decides si reverse-ETL pertenece a Census o Hightouch para una audiencia dada?
  • ¿Cómo te asocias con PMs sin convertirte en su granja de dashboards?
Actualizado:
Usar esta plantilla