Científico de Datos vs Analista de Datos vs Data Engineer: Diferencias (2026)

Los 3 roles que suenan igual pero no lo son

En 2026, los roles de datos están mejor definidos que nunca. Pero la confusión persiste en empresas que están contratando por primera vez.

Data Analyst (Analista de Datos)

Qué hace

• Construye dashboards (Power BI, Tableau, Looker)
• Responde preguntas de negocio con SQL
• Genera reportes ejecutivos
• A/B testing básico
• Análisis ad-hoc

Skills core

• SQL avanzado
• Excel/Google Sheets avanzado
• BI tools (uno mínimo)
• Statistics básica
• Comunicación con stakeholders de negocio

Salario MX 2026

• Junior: $20-35K/mes
• Senior: $55-90K/mes

Cuándo contratar

Cuando tienes data organizada y necesitas descubrir insights + reportes para tomar decisiones.

Data Engineer

Qué hace

• Construye pipelines de datos (Airflow, dbt)
• Mantiene warehouse/lake
• Integra fuentes (APIs, databases)
• Optimiza performance de queries
• Data quality + monitoring

Skills core

• SQL avanzado
• Python avanzado
• Cloud (AWS, GCP, Azure)
• Herramientas: Airflow, Kafka, dbt
• Data modeling
• DevOps básico

Salario MX 2026

• Junior: $30-50K/mes
• Senior: $85-150K/mes

Cuándo contratar

Cuando tu data está dispersa en sistemas y necesitas arquitectura que la centralice y mantenga.

Data Scientist

Qué hace

• Construye modelos predictivos (ML)
• Experimentación rigurosa (A/B, causal inference)
• Análisis estadístico avanzado
• Feature engineering
• Research aplicada a problemas de negocio

Skills core

• Python avanzado (pandas, scikit, pytorch)
• Estadística avanzada
• Machine learning
• Storytelling de negocio
• SQL

Salario MX 2026

• Junior: $35-55K/mes
• Senior: $95-170K/mes

Cuándo contratar

Cuando tienes data organizada, análisis básico funcionando, y necesitas predecir o optimizar decisiones complejas.

Comparativa rápida

Relación entre los 3

Flujo típico empresarial:

Fuentes → [Engineer] → Warehouse → [Analyst] → Dashboards
                                         ↓
                                   [Scientist] → Modelos predictivos

Los 3 roles se complementan: sin Engineer la data es mala, sin Analyst nadie interpreta, sin Scientist no hay predicción.

Orden de contratación (para empresa que empieza)

Si tienes <500 empleados

1. Primer hire: Data Analyst (generalmente). Output inmediato con data existente.
2. Segundo hire: Data Engineer. Para escalar y limpiar.
3. Tercer hire: Data Scientist. Cuando tienes data sólida y casos predictivos.

Si tienes >1000 empleados

1. Podes contratar los 3 simultáneos
2. O arrancar con Engineer si tu data es caos

Errores comunes de contratación

Error 1: Contratar Data Scientist cuando necesitas Analyst

Pagas 50% más por alguien que hará dashboards y se aburrirá.

Error 2: Contratar Analyst cuando necesitas Engineer

El Analyst no puede arreglar la infra rota. Se frustrará.

Error 3: Contratar los 3 sin infra

Ningún rol funciona sin warehouse mínimo. Empieza con Engineer.

Error 4: Pedir "unicornio" que haga los 3 roles

Existen, pero son raros y caros. Mejor especializar.

FAQ

¿Un analyst puede volverse scientist? Con 1-2 años de estudio y proyectos, sí. Muchos lo hacen.

¿ML Engineer qué es? Híbrido: Data Engineer + Data Scientist enfocado en deployment de modelos. Emergiendo como rol separado.

¿Analytics Engineer qué es? Híbrido: Data Engineer + Analyst. Usa dbt + SQL para transformar data. Rol popular 2024+.

Conclusión

Los 3 roles son distintos, se complementan, y confundirlos cuesta caro. Define primero qué problema resuelves, luego contrata el rol correcto.

Teseo Data Lab ayuda a estructurar equipos de datos en empresas mexicanas desde scratch.