Roles y Especialidades en Datos
Por el Equipo docente del Instituto Data Science · Actualizado en octubre de 2026
Las 11 especialidades del ecosistema de datos, ordenadas según el recorrido real del dato: qué hace cada una, con qué herramientas y qué roles abre.
Resumen de la guía: el mundo de los datos no empieza con un dashboard ni termina con un modelo de inteligencia artificial. Empieza cuando se decide qué datos recolectar y solo genera valor cuando todo el sistema está bien diseñado, operado y gobernado. Esta guía recorre ese camino, desde la recolección hasta la estrategia, y muestra qué rol corresponde a cada etapa.
El recorrido del dato
Hay muchos roles distintos en datos porque el dato pasa por muchas manos antes de generar valor. Esta guía los ordena siguiendo ese recorrido, desde su origen hasta su uso estratégico y su impacto en el negocio.
Una idea para quedarte: el valor de los datos no está en una herramienta ni en un rol aislado, sino en la coherencia del sistema completo. Cada etapa depende de la anterior.
El mapa de un vistazo
| Especialidad | Su aporte | Roles típicos |
|---|---|---|
| 1. Data Collection y fuentes de datos | El punto cero del ecosistema de datos | Data Engineer, Software Engineer, Data Architect |
| 2. Data Engineering | La disciplina que hace posible todo el ecosistema | Data Engineer, Analytics Engineer |
| 3. Analytics Engineering | El puente entre ingeniería y análisis | Analytics Engineer |
| 4. Data Analytics y Business Analytics | Del dato confiable a la decisión | Data Analyst, BI Analyst, Business Analyst |
| 5. Data Science | Modelado estadístico y análisis predictivo | Data Scientist, Applied Data Scientist |
| 6. Machine Learning y AI Engineering | De los modelos al mundo real | ML Engineer, AI Engineer |
| 7. Inteligencia Artificial Generativa | La nueva capa del ecosistema de datos | Generative AI Engineer, AI Specialist |
| 8. MLOps y AI Ops | Confiabilidad, gobernanza y operación | MLOps Engineer, ML Engineer, Platform Engineer |
| 9. Business Intelligence y Data Visualization | Comunicar para decidir | BI Analyst, BI Developer, Especialista en visualización |
| 10. Applied AI por industria | Especialización vertical | Dominio + datos |
| 11. Data Strategy y Leadership | El nivel estratégico del dato | Head of Data, Data Product Manager, Chief Data Officer |
Los nombres de los roles varían entre empresas: un mismo puesto puede llamarse distinto o combinar varias especialidades, sobre todo en equipos chicos. Usá esta tabla como mapa y no como lista cerrada.
Las 11 especialidades en detalle
Cada tarjeta resume qué resuelve la especialidad, qué incluye y qué roles abre.
Data Collection y fuentes de datos
El punto cero del ecosistema de datos
Antes de cualquier análisis hay una decisión crítica: qué datos existen y por qué. La recolección define los límites de todo lo que será posible después.
Qué incluye
- Definición de eventos y variables
- Instrumentación: logs, sensores, tracking
- Integración de fuentes internas y externas
- Calidad en origen
Roles y salidas laborales
- Data Engineer
- Software Engineer
- Data Architect
Data Engineering
La disciplina que hace posible todo el ecosistema
Transforma datos crudos en datos confiables, accesibles y reutilizables mediante sistemas robustos y escalables.
Qué incluye
- Ingesta batch y streaming
- Data lakes, warehouses y lakehouses
- ETL y ELT
- Orquestación y observabilidad
- Escalabilidad y costos
Roles y salidas laborales
- Data Engineer
- Analytics Engineer
Analytics Engineering
El puente entre ingeniería y análisis
Estructura los datos para su consumo analítico, con consistencia, métricas únicas y modelos reutilizables.
Qué incluye
- Resuelve las “versiones múltiples de la verdad”
- Resuelve las métricas inconsistentes
- Resuelve los dashboards frágiles
- Testing y documentación de datos
Roles y salidas laborales
- Analytics Engineer
Data Analytics y Business Analytics
Del dato confiable a la decisión
Interpreta datos existentes para responder preguntas del negocio y apoyar la toma de decisiones.
Qué incluye
- SQL y Python o R
- Visualización de datos
- KPIs y reporting
- Storytelling con datos
Roles y salidas laborales
- Data Analyst
- BI Analyst
- Business Analyst
Data Science
Modelado estadístico y análisis predictivo
Busca descubrir patrones, generar predicciones y construir modelos a partir de datos históricos.
Qué incluye
- Estadística aplicada
- Machine learning clásico
- Feature engineering
- Series de tiempo
- Experimentación
Roles y salidas laborales
- Data Scientist
- Applied Data Scientist
Machine Learning y AI Engineering
De los modelos al mundo real
Construye, optimiza y despliega modelos de ML y de IA en producción.
Qué incluye
- Deep learning
- NLP y visión por computadora
- APIs de modelos
- Escalabilidad
Roles y salidas laborales
- ML Engineer
- AI Engineer
Inteligencia Artificial Generativa
La nueva capa del ecosistema de datos
Amplía el uso del dato con interacción en lenguaje natural, generación de contenido y automatización de tareas cognitivas.
Qué incluye
- LLM
- Prompt engineering
- RAG
- Fine-tuning
- Agentes
Roles y salidas laborales
- Generative AI Engineer
- AI Specialist
MLOps y AI Ops
Confiabilidad, gobernanza y operación
Asegura que los modelos sean reproducibles, monitoreables y sostenibles en el tiempo.
Qué incluye
- CI/CD para ML
- Versionado de datos y modelos
- Monitoreo y data drift
- Gobernanza
Roles y salidas laborales
- MLOps Engineer
- ML Engineer
- Platform Engineer
Business Intelligence y Data Visualization
Comunicar para decidir
Traduce los datos en visualizaciones claras para perfiles ejecutivos y operativos.
Qué incluye
- Dashboards
- UX para datos
- Self-service BI
Roles y salidas laborales
- BI Analyst
- BI Developer
- Especialista en visualización
Applied AI por industria
Especialización vertical
Aplica el ecosistema de datos a contextos específicos, como finanzas, salud, marketing, agro o industria.
Qué incluye
- Conocimiento del dominio
- Datos y problemas propios de cada sector
- Cumplimiento de normas sectoriales
Roles y salidas laborales
- Perfiles que combinan dominio y datos (por ejemplo, analista de riesgo, bioinformático o analista de marketing)
Data Strategy y Leadership
El nivel estratégico del dato
Cuando los datos escalan, aparece la necesidad de liderazgo, gobierno y visión estratégica.
Qué incluye
- Data governance
- Gestión de equipos
- Ética y regulación
- Data products
Roles y salidas laborales
- Head of Data
- Data Product Manager
- Chief Data Officer
Cómo elegir un camino
No hace falta elegir una especialidad para siempre. Hay señales que ayudan a orientarse.
Si te gusta responder preguntas del negocio
Mirá Data Analytics, BI y Business Analytics. Es el punto de entrada más habitual.
Si te gusta construir sistemas
Mirá Data Engineering, Analytics Engineering y MLOps.
Si te atrae la estadística y los modelos
Mirá Data Science y Machine Learning.
Si querés trabajar con lenguaje natural y agentes
Mirá IA generativa y AI Engineering.
Si te interesa liderar y definir prioridades
Mirá Data Strategy y Leadership, que suele venir después de años de experiencia.
Muchas trayectorias empiezan en analytics y se mueven hacia ingeniería o ciencia de datos con la práctica. Lo que más ayuda es armar proyectos propios que muestren el proceso completo. Podés tomar como modelo los proyectos del Laboratorio de Datos.
Para ver referencias salariales por rol en Argentina, que cambian con frecuencia, consultá el Observatorio de Sueldos del Laboratorio de Datos.
Preguntas frecuentes sobre roles en datos
¿Cuál es la diferencia entre Data Analyst, Data Scientist y Data Engineer?
El Data Analyst interpreta datos existentes para responder preguntas del negocio. El Data Scientist construye modelos estadísticos y predictivos. El Data Engineer diseña y mantiene los sistemas que mueven y transforman los datos. Ver El mapa de un vistazo.
¿Por dónde conviene empezar?
Para la mayoría de las personas, por Data Analytics: se aprenden SQL, visualización y pensamiento de negocio, que después sirven en cualquier otra especialidad. Ver Cómo elegir un camino.
¿Qué es un Analytics Engineer?
Es el perfil que estructura los datos para el análisis: define métricas únicas, modelos reutilizables y pruebas de calidad, habitualmente con SQL y herramientas como dbt. Ver Analytics Engineering.
¿En qué se diferencian ML Engineer y Data Scientist?
El Data Scientist se enfoca en explorar, modelar y comunicar. El ML Engineer se enfoca en llevar esos modelos a producción de forma escalable y confiable. En equipos chicos, una misma persona puede hacer ambas cosas. Ver Machine Learning y AI Engineering.
¿Qué es MLOps?
Es la práctica que unifica el desarrollo de un sistema de ML con su operación: versionado, automatización, monitoreo y gobernanza. Ver MLOps y AI Ops.
¿Hace falta ser programador para trabajar con datos?
Depende del rol. En Data Engineering, ML Engineering y MLOps, sí. En analytics y BI se puede empezar con SQL y herramientas de visualización, y sumar Python con el tiempo.
¿Qué lugar ocupa la IA generativa en el ecosistema de datos?
Es una capa nueva que amplía el uso del dato con lenguaje natural y automatización. Se apoya en las capas anteriores, sobre todo en datos de buena calidad. Ver Inteligencia Artificial Generativa.
Cómo seguir después de esta guía
Ya tenés el mapa del ecosistema. Estos son los próximos pasos:
- Profundizá en el trabajo con datos: la guía de Ciencia de Datos describe el ciclo completo de un proyecto.
- Entendé los modelos: la guía de Machine Learning y la de Inteligencia Artificial explican la base técnica.
- Armá tu primer proyecto: elegí un caso de los proyectos del Laboratorio de Datos y adaptalo.
Esta guía es informativa y no reemplaza un plan de estudios. Si buscás formación estructurada, el instituto ofrece cursos de ciencia de datos online, diplomaturas en ciencia de datos y cursos on demand.
Fuentes consultadas en octubre de 2026: dbt – What is dbt? · Google Cloud – MLOps: Continuous delivery and automation pipelines in machine learning · DAMA-DMBOK.