¿Qué hace un ingeniero de datos? Explicado desde cero (sin jerga)

Abres la app del banco y ves cuánto gastaste este mes ordenado por categorías. Netflix te recomienda una serie que, molesto reconocerlo, te encanta. El supermercado sabe que los pañales y la cerveza se venden juntos los viernes. Nada de eso pasa por magia. Detrás hay una persona que ha construido el camino por el que la información viaja desde donde nace hasta donde alguien la usa. Esa persona es un ingeniero de datos, y muy poca gente sabe explicar qué hace exactamente. Vamos a arreglarlo.

Este artículo es para alguien que no sabe nada de esto. Cero. Si estás pensando en cambiar de carrera, si has oído el término en una oferta de empleo y te has quedado igual, o si simplemente tienes curiosidad, sigue leyendo. No voy a soltar una sola palabra técnica sin explicarla antes con algo que ya conoces.

### 1. El problema: alguien tiene que montar las tuberías

Piensa en el agua que sale del grifo de tu casa. No aparece ahí porque sí. Viene de un embalse o un río, pasa por una potabilizadora que la limpia, viaja por kilómetros de tuberías, se almacena en depósitos y, solo al final, llega a tu grifo lista para beber. Nadie piensa en todo ese recorrido cuando abre el grifo. Solo quiere agua limpia, ya.

Con los datos pasa exactamente lo mismo. La información nace en sitios muy dispersos: una app de móvil, la caja registradora de una tienda, un sensor de una fábrica, un formulario web. Está sucia, desordenada y repartida por todas partes, igual que el agua de un río no se puede beber directamente. Alguien tiene que recogerla, limpiarla, ordenarla y llevarla hasta donde hace falta, en buen estado y a tiempo. Ese fontanero de la información es el ingeniero de datos. No decide qué se hace con el agua; se asegura de que llegue limpia y de que no se corte el suministro.

### 2. Un poco de historia: del Excel al diluvio

Esta profesión no existía hace veinte años, y entender por qué apareció ayuda a entender qué hace. Vamos atrás en el tiempo.

Hasta principios de los 2000, casi todos los datos de una empresa vivían en hojas de cálculo. Una persona de contabilidad tenía su Excel, la de ventas el suyo, y el jefe pedía "los números del trimestre" un viernes por la tarde. Alguien se pasaba el fin de semana copiando y pegando celdas de diez ficheros distintos para juntarlos en uno. Funcionaba, más o menos, mientras los datos cabían en una hoja y solo unas pocas personas los tocaban.

Y entonces llegó el diluvio. El móvil se puso en el bolsillo de todo el mundo. Las webs empezaron a registrar cada clic. Las tiendas conectaron sus cajas. Los coches, las neveras y las farolas empezaron a llevar sensores. De repente una empresa mediana no generaba unas cuantas hojas de cálculo al mes: generaba millones de líneas de información al día, en formatos distintos, desde sitios distintos, sin parar. Excel se ahogó. Ninguna persona copiando y pegando podía con eso, igual que no puedes vaciar una piscina con una cucharilla.

Ahí nació el rol. Las empresas se dieron cuenta de que necesitaban a alguien especializado en mover y ordenar cantidades enormes de información de forma automática y fiable, para que otras personas pudieran usarla sin ahogarse. No un contable con Excel, sino un ingeniero: alguien que construye una máquina que hace el trabajo sola, todos los días, sin que nadie copie y pegue nada.

### 3. El día a día: qué toca de verdad

Un ingeniero de datos no se pasa el día mirando gráficos bonitos. Se pasa el día construyendo y vigilando esas tuberías automáticas. Un día cualquiera puede ser algo así:

• ▹Revisar que los procesos de la noche funcionaron. Muchas tuberías corren de madrugada, cuando nadie molesta. Lo primero al llegar es mirar si alguna se atascó.
• ▹Investigar por qué una tabla tiene el triple de líneas de lo esperado. Casi siempre la respuesta es la misma: información duplicada. El equivalente a que la potabilizadora meta el agua dos veces.
• ▹Construir una tubería nueva para recoger datos de un sitio nuevo, por ejemplo, una herramienta que la empresa acaba de contratar.
• ▹Hablar con las personas que van a usar los datos (los analistas) para entender qué necesitan exactamente antes de montarles nada.
• ▹Hacer que algo que tardaba 45 minutos tarde 3. Cuando los datos son muchos, la velocidad importa y cuesta dinero.

Fíjate en que la mitad del trabajo no es escribir código nuevo, sino arreglar y vigilar lo que ya existe. Una tubería que se rompe a las 3 de la mañana y nadie se entera hasta que el jefe abre su informe y lo ve vacío es la pesadilla del oficio. Buena parte del trabajo consiste en que eso no pase.

### 4. Las herramientas: las palabras raras, explicadas

Vas a oír tres palabras una y otra vez. Ninguna es complicada si la traduces al mundo real. Aquí van, con su símil.

Pipeline. Suena a tecnología puntera, pero es literalmente "tubería" en inglés. Es el nombre que se le da a una tubería de datos: el recorrido automático que coge la información de un sitio, la limpia por el camino y la deja en otro sitio, listo para usar. Cuando un ingeniero dice "se me ha roto un pipeline", quiere decir que una de sus tuberías se ha atascado.

ETL. Son tres letras que describen las tres cosas que hace toda tubería, en orden. Extraer (coger los datos de donde estén), Transformar (limpiarlos y ordenarlos) y Cargar (dejarlos en su destino final). Es como cocinar: vas al mercado a por los ingredientes (extraer), los lavas y los cortas (transformar), y sirves el plato en la mesa (cargar). Nada más.

Data warehouse. Traducido, "almacén de datos". Es el destino final ordenado, la despensa donde la información ya está limpia, etiquetada y colocada para que cualquiera la encuentre rápido. La diferencia con tener los datos por ahí sueltos es la misma que hay entre una biblioteca con todo catalogado y un trastero donde amontonas cajas: en los dos hay libros, pero en uno encuentras lo que buscas en segundos y en el otro te pasas la tarde revolviendo.

¿Y con qué se construye todo esto? Con dos herramientas principales que son el pan de cada día: un lenguaje de programación llamado Python, que sirve para dar órdenes al ordenador y automatizar el trabajo pesado, y un lenguaje llamado SQL, que sirve para pedirle a un almacén de datos justo la información que quieres ("dame las ventas de Madrid del mes pasado"). Para que te hagas una idea de cómo se ve una tubería por dentro, este es un ejemplo diminuto en Python, con comentarios que explican cada paso:

1# Una tuberia de datos, en su version mas simple posible.
2# No hace falta que entiendas cada palabra: fijate en los tres pasos.
3
4import pandas as pd  # una herramienta para trabajar con tablas
5
6# 1. EXTRAER: cogemos las ventas de un fichero, como quien va al mercado
7ventas = pd.read_csv("ventas_de_hoy.csv")
8
9# 2. TRANSFORMAR: limpiamos. Quitamos filas duplicadas y las que no tienen importe
10ventas = ventas.drop_duplicates()
11ventas = ventas.dropna(subset=["importe"])
12
13# 3. CARGAR: dejamos el resultado limpio en su sitio, listo para usar
14ventas.to_csv("ventas_limpias.csv", index=False)
15
16print(f"Listo: {len(ventas)} ventas limpias y ordenadas")

### 5. En qué se diferencia del analista y del científico de datos

Aquí es donde casi todo el mundo se lía, así que vamos despacio. Hay tres oficios que trabajan con datos y suenan parecido, pero hacen cosas muy distintas. Sigamos con el símil del agua.

El ingeniero de datos construye y mantiene las tuberías. Se asegura de que el agua llegue limpia y no se corte. El analista de datos abre el grifo y estudia el agua: mira qué está pasando, hace gráficos e informes y responde preguntas del tipo "¿por qué cayeron las ventas en marzo?". El científico de datos usa esa misma agua para intentar adivinar el futuro: construye modelos que predicen, por ejemplo, qué clientes van a marcharse el mes que viene. Los tres necesitan que el agua llegue bien, y por eso el ingeniero de datos es el primero de la fila: sin tuberías, los otros dos se quedan sin nada que hacer.

### 6. Por qué esta profesión tiene cuerda para rato

La cantidad de datos que genera el mundo no para de crecer, y todo lo que se habla últimamente de inteligencia artificial hace la tubería más importante, no menos. Un modelo de inteligencia artificial es como un motor carísimo: si le echas gasolina sucia, se gripa. Alguien tiene que garantizar que la gasolina (los datos) llega limpia y en cantidad. Ese alguien es, otra vez, el ingeniero de datos.

A eso se suma que hay más ofertas de trabajo que gente preparada para ocuparlas, y que buena parte del trabajo se puede hacer en remoto. En España un perfil que empieza suele moverse entre los 28.000 y los 35.000 euros al año, y con experiencia y conocimientos de la nube esa cifra sube bastante. No lo digo para deslumbrar con números, sino porque es la consecuencia directa de una demanda que supera a la oferta: cuando falta gente que sepa montar tuberías, montar tuberías se paga bien.

### 7. Cómo se empieza de cero

La buena noticia: no necesitas una carrera concreta ni un máster caro. Necesitas practicar sobre problemas de verdad. El camino sensato, por orden, es este: primero aprender a pensar como programa un ordenador (lógica básica), después Python y SQL, que son las dos herramientas que vas a usar el 80% del tiempo, y luego los conceptos de cómo se mueve y se ordena la información. Con eso ya construyes tuberías pequeñas de principio a fin.

Y lo más importante: no te quedes en ver vídeos y asentir con la cabeza. Construye cosas. En una entrevista, lo que convence no es que sepas recitar qué es un pipeline, sino que puedas enseñar uno que has montado tú. Justo eso es lo que trabajamos en profundidad en la plataforma: se entrena cada habilidad por separado y luego se aplican todas juntas en proyectos basados en encargos reales de empresa, del tipo que puedes enseñar el día de la entrevista.

Resumiendo: un ingeniero de datos es el fontanero de la información. Construye y mantiene las tuberías automáticas que llevan los datos desde donde nacen, sucios y dispersos, hasta donde alguien los usa, limpios y ordenados. Es un oficio que apareció cuando los datos dejaron de caber en un Excel, que hoy sostiene desde tu app del banco hasta la inteligencia artificial, y que se puede empezar desde cero con constancia. Si algo de esto te ha picado la curiosidad, el siguiente paso es sencillo: abre Python, escribe tu primera línea y empieza a montar tu primera tubería, por pequeña que sea.