Diplomatura en Analytics Engineer
El puente entre el análisis y la ingeniería de datos. SQL avanzado, modelado dimensional, dbt, calidad de datos y buenas prácticas de software aplicadas al warehouse. Certificación IDSA + UTN.
Sobre esta Diplomatura
La Diplomatura en Analytics Engineer forma profesionales capaces de construir y mantener la capa de transformación y modelado del warehouse: el puente entre los datos crudos que produce la ingeniería y las tablas limpias que consumen los analistas.
El foco es el software aplicado a datos. El Analytics Engineer escribe SQL avanzado, versiona con Git, testea con dbt, documenta con linaje automático y despliega con CI/CD. Es el perfil que trae las buenas prácticas de ingeniería de software al mundo del análisis.
Es un rol que surgió en los últimos años para profesionalizar la capa de transformación del warehouse, y que hoy incorporan equipos de tecnología, fintech, retail y consultoras de datos.
Se apoya en el tutor virtual 24/7 y en entornos de práctica con PostgreSQL y DuckDB accesibles desde el navegador. No requiere experiencia previa, pero sí rigor técnico.
Cinco etapas hacia el Analytics Engineering
Cada etapa suma una capa: del acceso a los datos al modelado, la ingeniería, las buenas prácticas de software, la calidad y la comunicación de resultados.
Python, SQL y SQL avanzado con modelado dimensional en estrella. La base técnica del Analytics Engineer.
Ingesta batch, capas bronze/silver/gold, orquestación con DAGs y observabilidad. La base sobre la que se construye la capa de transformación.
El corazón de la diplomatura: modelado dimensional con dbt, tests automáticos, documentación, snapshots, linaje y CI/CD con GitHub Actions.
Contratos de datos, pruebas automáticas, catálogo y linaje para que la capa de transformación sea confiable, y visualización para que llegue a quien decide.
Un proyecto completo de transformación: modelado, tests, documentación, linaje y despliegue sobre un warehouse analítico.
Qué vas a aprender, curso por curso
Cada curso se cursa y certifica de forma individual. Al aprobar los siete más el trabajo final, se emite el diploma de la diplomatura.
Python para Data Science
Del primer script al primer dashboard. Pandas, NumPy, Matplotlib y Dash. Los 4 verbos fundamentales de Pandas y la conexión con el análisis de negocio.
SQL para Data Science
El lenguaje universal de los datos. SELECT, JOINs, agregaciones, subconsultas y window functions. Análisis de cohortes, retención y funnels sobre datasets reales.
SQL Avanzado y Modelado Dimensional
Ventanas avanzadas y CTEs recursivas, lectura de planes de ejecución y diseño de un modelo dimensional en estrella para un data mart.
Data Engineering Fundamentals
Del CSV crudo al pipeline observable: ingesta batch, capas bronze/silver/gold, orquestación con DAGs (construís tu propio orquestador), validaciones de calidad y observabilidad, sobre un caso real de Fintora.
dbt y Analytics Engineering
El puente entre análisis e ingeniería: modelado dimensional con dbt, tests automáticos, documentación, modelos incrementales, snapshots, macros y CI/CD con GitHub Actions.
Calidad, Catálogo y Linaje de Datos
Contratos de datos, pruebas automáticas, catálogo con metadatos y linaje para medir el impacto de cada cambio, sobre tablas críticas de una fintech.
Visualización y Storytelling de Datos
Power BI, Tableau y diseño de dashboards ejecutivos. Principios de percepción visual, KPIs y comunicación de hallazgos a audiencias de negocio.
Tres orientaciones en Analytics Engineering
La orientación se define por el trabajo final y el énfasis en cada componente del stack.
Analytics Engineer
Diseño y mantenimiento de la capa de transformación. El rol que conecta datos crudos con análisis de negocio.
Data Modeling Engineer
Diseño del modelo dimensional del warehouse: dimensiones, hechos, historia de cambios y acuerdos con los equipos que consumen los datos.
Analista → Analytics Engineer
Perfil híbrido que viene del análisis y suma prácticas de ingeniería de software aplicadas al warehouse.
Los perfiles son orientativos. El alumno construye su especialización con el trabajo final y los proyectos del Laboratorio de Datos.
Proyecto dbt completo
Un proyecto integrador de transformación: modelado de fuentes, transformaciones con dbt, tests automáticos, documentación, linaje y despliegue con CI/CD sobre un warehouse analítico. Incluye presentación técnica y defensa ante comité.
- Duración: 17 horas distribuidas en 4-6 semanas
- Tutoría personalizada durante todo el desarrollo
- Defensa oral ante comité técnico
- Publicación en el Laboratorio de Datos del Instituto
Doble aval universitario
Certificación IDSA + UTN con resolución oficial y verificación digital de cada curso aprobado.

Qué incluye la certificación
- Diploma final con doble firma (Director IDSA + Decano UTN FRRQ)
- Certificado por cada curso completado en el camino
- Resolución oficial 920/2020 UTN Facultad Regional Reconquista
- Código QR de verificación digital
- Copia automática a la Facultad para registro oficial
- Acreditación progresiva: cada curso completado ya queda certificado
Los certificados se emiten al aprobar los quizzes y trabajos prácticos de cada curso.
¿Diplomatura o cursos sueltos?
| Aspecto | Curso suelto | Diplomatura completa |
|---|---|---|
| Duración por unidad | 15-30h por curso | 167h totales |
| Certificación | IDSA + UTN por curso | IDSA + UTN por curso + diploma final |
| Trabajo final aplicado | — | ✓ Obligatorio |
| Publicación en Laboratorio | — | ✓ Elegible |
| Stack completo de AE | Parcial | ✓ SQL + DE + dbt + Calidad + Visualización |
| Buenas prácticas de software | Parcial | ✓ Git + testing + CI/CD |
Dudas sobre la Diplomatura
¿Necesito experiencia previa en programación?
No. La trayectoria arranca desde los fundamentos de Python y SQL. Solo se requiere matemática de secundaria y ganas de aprender.
¿Qué diferencia hay con un curso suelto de dbt?
Un curso suelto de dbt enseña la herramienta. Esta diplomatura construye el perfil completo: fundamentos de ingeniería, modelado dimensional, buenas prácticas de software y dbt como capa de transformación. El alumno sale sabiendo por qué hace lo que hace.
¿Qué herramientas voy a usar?
PostgreSQL y DuckDB como warehouses, dbt Core para transformación, Git y GitHub para versionado, GitHub Actions para CI/CD, y Power BI o Tableau para visualización. Todo desde notebooks y entornos accesibles desde el navegador.
¿Cuánto tiempo lleva completarla?
A 10 horas semanales: aproximadamente 17 semanas (4 meses). A 6 horas semanales: 6-7 meses. El ritmo lo definís vos.
¿Cómo se cursan los cursos de la diplomatura?
Cada curso se cursa y se paga de forma individual. Podés comprarlos a medida que avanzás. Al aprobar los 7 cursos más el trabajo final, se emite el diploma de la diplomatura.
¿Qué diferencia hay con la Diplomatura en Data Engineer?
Analytics Engineer se enfoca en la capa de transformación y modelado semántico sobre un warehouse existente. Data Engineer cubre el stack completo: ingesta, transformación, tiempo real, calidad, cloud y arquitectura. Si ya trabajás con datos y querés profesionalizar el modelado, Analytics Engineer. Si querés construir toda la plataforma, Data Engineer.
¿Y si quiero reforzar la base matemática?
La Nivelación Matemática no integra esta diplomatura, pero podés cursarla por separado si querés reforzar la base antes de empezar o si pensás seguir hacia Machine Learning.
¿Este perfil existe en LATAM?
Sí. Empresas de tecnología, fintech, retail y consultoras incorporan Analytics Engineers para profesionalizar su capa de datos.
¿Qué puedo cursar después?
La Diplomatura en Data Engineer, con acreditación directa de los seis cursos que comparte con esta (Python, SQL, SQL Avanzado, Data Engineering Fundamentals, dbt y Calidad), o la Diplomatura en Data Architect, que comparte Python, SQL, SQL Avanzado, Data Engineering Fundamentals y Calidad.
Profesionalizá la capa de datos
167 horas con foco en SQL avanzado, dbt, calidad de datos y buenas prácticas de software aplicadas al warehouse. Trabajo final de proyecto dbt completo y doble certificación IDSA + UTN.