most read
Building Stories
Modo Rua: Redefiniendo el desarrollo de aplicaciones mediante iteración centrada en el usuario Ago 23
Building Stories
NuStories: Adaptación de productos para clientes fanáticos en varios países Oct 30
Culture & Values
Cómo los valores y la cultura de Nu dan forma a los productos que creamos Ago 7
Careers
We are building diverse teams with the most creative and innovative professionals for each position we open.
By Marlon Ferrari – Senior Analytics Engineer at Nubank
Si alguna vez has tenido curiosidad sobre lo que realmente hace un Analytics Engineer (AE) en su día a día, cuáles son sus responsabilidades, herramientas, decisiones y cómo es el ritmo de trabajo dentro del banco digital más grande del mundo, este artículo es para ti.
En Nubank, los Analytics Engineers operan entre dos mundos: por un lado, la ingeniería, donde pipelines, arquitecturas y sistemas de datos deben escalar con eficiencia; por el otro, el negocio, donde esos mismos sistemas necesitan responder preguntas reales y respaldar productos utilizados por millones de personas.
Aquí, la profundidad técnica y el impacto organizacional son fuerzas complementarias. Los pipelines, schemas y estructuras de gobernanza construidos por Analytics Engineers ayudan a definir cómo toda la empresa entiende sus datos y, en consecuencia, cómo toma decisiones.
Cómo un Analytics Engineer comienza el día en Nubank
El día generalmente comienza con la reunión del squad: una daily cross funcional donde Software Engineers, Data Scientists, Business Analysts y Analytics Engineers se alinean en torno a las prioridades del equipo.
Es en este momento cuando aparecen bloqueos, las dependencias se vuelven visibles y cada persona entiende cómo su trabajo contribuye a objetivos más amplios. Después de eso, es momento de construir, y el stack tecnológico de Nubank refleja la escala de su operación.
Spark y Scala son protagonistas. La mayor parte del procesamiento de datos en Nubank funciona sobre Apache Spark, con código escrito en Scala, una elección directamente vinculada a la escala de sus operaciones. Cuando un solo dataset necesita procesar cientos de millones de filas en múltiples países, se vuelve esencial contar con un framework diseñado para procesamiento paralelo masivo. En el día a día, los Analytics Engineers escriben, depuran y optimizan jobs en Spark como una parte central de su trabajo.
Databricks también ocupa una posición estratégica dentro del flujo analítico. Clusters, notebooks, programación de jobs y gestión de catálogo forman parte de la rutina dentro de un entorno que se integra a una plataforma de datos más amplia construida por Nubank. Para muchos Analytics Engineers, una parte significativa del día transcurre dentro de este ecosistema.
Además, el ecosistema interno de pipelines sostiene toda esta operación. Frameworks de procesamiento batch, capas de ingestión incremental e interfaces de streaming conforman la infraestructura sobre la cual los equipos construyen productos de datos. Comprender profundamente estos sistemas es esencial no solo para diseñar soluciones escalables, sino también para equilibrar performance y eficiencia de costos.
Apache Flink, por su parte, amplía este trabajo hacia el universo de los datos en tiempo real. En pipelines que necesitan operar en milisegundos, Flink impulsa desde la generación de features para modelos de machine learning hasta el procesamiento continuo de eventos y productos de baja latencia que los sistemas batch por sí solos no podrían soportar. Los Analytics Engineers que trabajan más cerca de estos dominios expanden su alcance más allá del procesamiento tradicional, operando también con Kafka y una infraestructura de streaming más amplia.
Y existe un diferenciador importante: en Nubank, somos AI First. La inversión en ingeniería aplicada por inteligencia artificial es profunda, y esto ya forma parte de la rutina operativa de los Analytics Engineers. Las herramientas de IA están integradas en prácticamente todas las etapas del flujo de trabajo, desde la generación y validación de código para pipelines hasta la automatización de verificaciones de calidad, la aceleración de code reviews y la navegación por una base de conocimiento interna con miles de páginas. En la práctica, esto significa ciclos de iteración más rápidos, validaciones más robustas y productos de datos llegando a producción con un nivel de confianza difícil de alcanzar manualmente.
Check our job opportunies
El trabajo principal: construyendo, gobernando y traduciendo datos
Después de las alineaciones iniciales, comienza el núcleo del trabajo de ingeniería. El resto del día equilibra colaboración y enfoque: las mañanas suelen estar más orientadas a la coordinación, con syncs, sesiones de descubrimiento, revisiones de dashboards y monitoreo de alertas; las tardes están dedicadas a construir, escribiendo pipelines, investigando fallas, optimizando performance y revisando pull requests.
Proteger este equilibrio es una de las prioridades más importantes dentro de los squads. Cada equipo tiene autonomía para definir sus propias ceremonias, ritmos y bloques de trabajo, pero existe un principio compartido en toda la organización: contar con tiempo protegido para el trabajo enfocado es innegociable.
Dentro del dominio de Data Science & Engineering, el trabajo del Analytics Engineer es construir productos de datos que toda la organización pueda utilizar con confianza y a escala.
El modelado y la transformación de datos forman la columna vertebral de este trabajo. En todo Nubank, más de 60 mil datasets reciben contribuciones de más de mil personas cada mes. Dashboards operativos, datasets que alimentan modelos de machine learning, reportes regulatorios y prácticamente cualquier activo analítico dependen de pipelines diseñados, construidos, optimizados y mantenidos por Analytics Engineers.
En este contexto, un join mal estructurado puede representar decenas de miles de dólares en costos computacionales a lo largo de un año. Una estrategia de particionamiento descuidada puede transformar un pipeline batch de quince minutos en un cuello de botella de cuatro horas, afectando cadenas completas de reportes a escala nacional.
La gobernanza de datos acompaña cada etapa de este proceso, porque la trazabilidad debe poder seguirse hasta su origen, los schemas necesitan evolucionar sin romperse, la ownership debe estar claramente definida entre los equipos y los costos requieren monitoreo continuo. En una empresa que opera en múltiples países y bajo distintos regímenes regulatorios, la gobernanza abarca privacidad, compliance, calidad y responsabilidad operativa a lo largo de todo el ciclo de vida de los datos.
La optimización de rendimiento y costo también es indispensable aquí. La capacidad de un Analytics Engineer para ajustar un pipeline, eligiendo estrategias correctas de particionamiento, optimizando operaciones de shuffle o reduciendo lecturas innecesarias, impacta directamente la eficiencia financiera de la infraestructura.
Sin embargo, quizá la habilidad más importante sea otra: la traducción de negocio. Los Analytics Engineers se mueven con frecuencia entre reuniones con Product Managers para discutir churn, conversión u otras métricas, y entornos técnicos donde esos conceptos deben transformarse en datasets y arquitecturas robustas.
Escuchar un problema de negocio y convertirlo en una estructura de datos confiable, escalable y reutilizable es el núcleo del rol. En Nubank, no existe una separación rígida entre análisis e ingeniería. Los Analytics Engineers también desempeñan un papel analítico, pero con la capacidad técnica necesaria para construir lo que el análisis requiere.
Las revisiones de pull requests tienen su propia importancia estratégica. Al revisar el pipeline de otro Analytics Engineer, no solo se evalúa código: también se revisan decisiones de schema, adherencia a gobernanza, trade offs de performance y alineación con los contratos de datos del squad.
Estas revisiones con frecuencia atraviesan fronteras, zonas horarias y contextos regulatorios, por lo que garantizar consistencia global en los estándares de datos es fundamental. En el día a día, los Analytics Engineers trabajan lado a lado con:
En una organización con más de cien squads autónomos, los Analytics Engineers suelen actuar como el vínculo central entre estas diferentes capas.
La operación, a su vez, está sostenida por la estructura de Squad + Chapter de Nubank. Los squads tienen autonomía sobre sus dominios y ritmo de ejecución, mientras que el Analytics Engineering Chapter funciona como una capa horizontal que impulsa el intercambio de conocimiento, la alineación técnica y la evolución colectiva.
Cada Analytics Engineer pertenece a la misión de un squad, pero se fortalece a través de la expertise compartida del Chapter. En la práctica, los AEs son dueños de sus dominios de datos de punta a punta y tienen autonomía para tomar decisiones arquitectónicas. Al mismo tiempo, también son responsables de comprender que esas decisiones impactan directamente productos y servicios utilizados diariamente por millones de clientes.
En Nubank, no existe una capa extensa de aprobación que separe a los ingenieros de producción, y la propiedad permanece con quienes construyen.
Más allá del día: cómo los Analytics Engineers aprenden y crecen
No todo el aprendizaje ocurre dentro del flujo operativo diario. En Nubank, algunos de los momentos más valiosos en la trayectoria de un Analytics Engineer suceden precisamente fuera de la rutina tradicional de entregas: en ceremonias, rituales y espacios donde los AEs enseñan, aprenden y se desafían constantemente entre sí.
Imagina, por ejemplo, a un Analytics Engineer trabajando en optimización de costos dentro de un squad específico y descubriendo un nuevo patrón para reducir el consumo computacional en pipelines. En cuestión de días, ese aprendizaje puede expandirse a decenas de otros Analytics Engineers a través de los mecanismos de intercambio del Chapter, aplicándose en múltiples productos, dominios de negocio y países.
Esta capacidad de difusión rápida es una de las mayores fortalezas del modelo de Chapter en Nubank, y las sesiones semanales de Knowledge Sharing son la columna vertebral de este ecosistema. Cada semana, AEs de distintos squads se reúnen para presentar deep dives técnicos, explorar nuevos enfoques, discutir decisiones arquitectónicas y compartir feedback sobre proyectos en curso.
Es una de las formas más rápidas de aprender cómo otros equipos están resolviendo desafíos que quizá tú aún no hayas enfrentado.
Los workshops internos profundiprofundizan aún más este desarrollo. En Nubank, el Chapter lidera entrenamientos estructurados y prácticos que abarcan desde workshops de Scala y Spark enfocados en la construcción y gestión de pipelines de datos a escala, hasta sesiones avanzadas sobre performance tuning en Databricks, gobernanza de datos y arquitectura de pipelines.
Estas capacitaciones son construidas por Analytics Engineers para Analytics Engineers, y están basadas en problemas reales enfrentados diariamente dentro del propio stack tecnológico de Nubank.
Los hackathons añaden una capa diferente de innovación. Nubank organiza hackathons para toda la empresa, incluyendo iniciativas dedicadas a LLMs e inteligencia artificial, donde los Analytics Engineers colaboran con ingenieros, científicos de datos y equipos de producto para prototipar soluciones en ciclos acelerados.
Estos eventos con frecuencia generan herramientas, frameworks e ideas que evolucionan hacia aplicaciones reales en producción.
Los meetups públicos expanden este conocimiento más allá de la empresa. La serie Building Nu Analytics Engineering Meetup comparte con la comunidad externa cómo funciona el Chapter, cómo evoluciona la disciplina y cuáles son los desafíos reales que forman parte de la rutina del rol.
Además de fortalecer la marca técnica de Nubank, estos encuentros también contribuyen al ecosistema de datos en general. Juntos, estos cuatro canales mantienen al Chapter conectado y garantizan que el conocimiento generado dentro de un squad no permanezca aislado. Circula de forma continua, independientemente de seniority, ubicación geográfica o dominio de actuación.
Esta dinámica acelera no solo el crecimiento individual, sino también la evolución organizacional. Una parte fundamental de este éxito proviene de la diversidad de backgrounds dentro del propio Chapter. Científicos de la computación, estadísticos, economistas y profesionales con trayectorias menos tradicionales en datos colaboran constantemente, aportando perspectivas complementarias para resolver problemas complejos.
Al final, esta combinación de intercambio estructurado de conocimiento, autonomía y diversidad técnica transforma el aprendizaje en uno de los motores centrales de la evolución de Analytics Engineering en Nubank.
Cinco etapas de un Analytics Engineer
La carrera de Analytics Engineer en Nubank sigue un framework estructurado de niveles que acompaña la progresión desde los primeros pasos en el área hasta posiciones enfocadas en arquitectura organizacional.
Cada etapa tiene expectativas propias en términos de autonomía, complejidad técnica, profundidad de conocimiento e impacto organizacional. Comprender esta trayectoria es valioso tanto para quienes están explorando su entrada al universo de datos como para profesionales experimentados que evalúan sus próximos movimientos de carrera.El Aprendiz – Associate Analytics Engineer (IC3p)
Aquí es donde comienza la trayectoria. En esta etapa, las tareas tienden a ser más directas, bien definidas y acompañadas de supervisión cercana. Normalmente, ingenieros más experimentados ya han estructurado el problema y definido caminos iniciales, mientras que el Associate se enfoca en ejecutar, aprender y construir experiencia.
El enfoque principal está en desarrollar fundamentos sólidos. Esto incluye aprender cómo funcionan los data warehouses en la práctica, cómo se estructuran los modelos dimensionales, cómo escribir queries eficientes que respeten estrategias de particionamiento, cómo evitar full scans innecesarios y cómo se aplican las políticas de gobernanza a los datasets que se manipulan.
En este punto, el universo de datos funciona casi como un nuevo mapa en proceso de descubrimiento. Es cuando el profesional comienza a construir vocabulario técnico y pensamiento sistémico, entendiendo, por ejemplo, qué significa realmente la trazabilidad más allá de la teoría o por qué un pipeline eficiente hoy puede convertirse en un cuello de botella mañana a medida que la escala crece.
Dentro de este contexto, el Associate comienza a desarrollar una mentalidad crítica. La expectativa no es solo preguntar “cómo hacerlo”, sino interesarse genuinamente por entender “por qué funciona de esta manera”.
La curiosidad, el aprendizaje rápido y la capacidad de absorber fundamentos son los principales diferenciadores en esta etapa. Las habilidades centrales en este nivel incluyen:
Es la fase de construir una base técnica sólida y una visión sistémica, elementos que sostendrán toda la progresión futura.
El Constructor – Analytics Engineer (IC4)
En el nivel de Analytics Engineer, la autonomía comienza a consolidarse. Aquí, los profesionales ya pueden ejecutar tareas rutinarias de forma independiente, como construir datasets, implementar verificaciones de calidad, investigar fallas en pipelines y mantener operaciones analíticas sin necesidad constante de supervisión.
Los desafíos más complejos aún pueden requerir orientación, pero el trabajo operativo cotidiano pasa a convertirse en responsabilidad directa del AE. También es en esta etapa cuando el profesional deja de simplemente seguir patrones establecidos y comienza a desarrollar soluciones propias, avanzando de la ejecución hacia la construcción activa de arquitectura.
El análisis de causa raíz se vuelve una habilidad esencial. Cuando un pipeline falla, el objetivo no es solo restaurar la operación, sino comprender profundamente el origen del problema, ya sea data skew, cambios de schema upstream, cuellos de botella computacionales o limitaciones de infraestructura.
Spark, por ejemplo, deja de ser solo una herramienta para convertirse en un sistema distribuido complejo, con sus propias reglas de particionamiento, operaciones de shuffle, planes de ejecución y gestión de recursos. Como resultado, el Analytics Engineer comienza a tomar decisiones técnicas más sofisticadas y directamente relacionadas con escalabilidad.
Al mismo tiempo, la gobernanza deja de ser simplemente un conjunto de políticas a seguir y pasa a implementarse activamente dentro de las soluciones construidas. La colaboración en decisiones arquitectónicas también crece, acercando al profesional a discusiones más amplias sobre diseño de sistemas. Las habilidades centrales en esta etapa incluyen:
El Autónomo – Senior Analytics Engineer (IC5)
En la etapa de Senior Analytics Engineer, la independencia deja de ser una meta y se convierte en una característica central del rol. En este nivel, el profesional ya opera con un alto grado de autonomía, ejecutando proyectos complejos, tomando decisiones arquitectónicas relevantes y asumiendo responsabilidad directa por entregas de mayor impacto.
Aunque el apoyo sigue existiendo para desafíos particularmente complejos, la expectativa es que el profesional senior pueda enfrentar la mayoría de los problemas con criterio propio. También es en este momento cuando el liderazgo comienza a expandirse.
Además de construir, los Analytics Engineers empiezan a liderar iniciativas, influir en direcciones técnicas y orientar a profesionales menos experimentados. La colaboración cross funcional se vuelve inevitable. Los Senior Analytics Engineers trabajan con frecuencia atravesando fronteras entre squads, áreas de producto y disciplinas técnicas, conectando necesidades de negocio con soluciones de datos en múltiples niveles.
Desde una perspectiva técnica, esta es la etapa en la que el profesional diseña e implementa pipelines de procesamiento paralelo masivo para escenarios diversos, equilibrando escalabilidad, performance, costo, gobernanza y confiabilidad operativa.
La gobernanza, a su vez, deja de ser simplemente un conjunto de lineamientos a seguir y pasa a convertirse en algo moldeado activamente por el profesional, quien traduce procesos de negocio en políticas de datos, supervisa clasificaciones, impulsa reducción de costos y eleva estándares organizacionales.
Otro hito importante es el equilibrio entre innovación y estabilidad, ya que los Analytics Engineers deben ser capaces de introducir mejoras y nuevos enfoques sin comprometer sistemas que ya son críticos para la operación. Este cambio estructural se vuelve claramente visible en el entorno que los rodea.
En esta etapa, colegas comienzan a buscar activamente tu perspectiva, confiar en tu criterio técnico y recurrir a tu instinto arquitectónico para decisiones importantes. Las habilidades centrales en este nivel incluyen:
Alineación entre arquitectura de datos y objetivos de negocio
El Estratega – Lead Analytics Engineer (IC6)
En el nivel de Lead Analytics Engineer, el alcance cambia de forma significativa. Los desafíos dejan de estar concentrados en problemas delimitados y pasan a involucrar cuestiones más amplias, complejas y frecuentemente ambiguas, atravesando múltiples squads, unidades de negocio y dominios de datos.
Aquí, la responsabilidad ya no está restringida a pipelines o datasets específicos. Los Analytics Engineers operan sobre ecosistemas completos. Esto significa coordinar proyectos que dependen de alineación entre distintos equipos, armonizar prioridades técnicas y estratégicas, y construir estructuras capaces de sostener operaciones más amplias.
El rol comienza a combinar profundidad técnica con liderazgo organizacional, y en esta etapa la influencia se convierte en una parte central de la función. Los Lead Analytics Engineers ayudan a definir estándares que otros equipos adoptan en temas de calidad de datos, arquitectura de pipelines, gobernanza, buenas prácticas operativas y escalabilidad organizacional.
Otro hito importante es la participación directa en la formación de la propia organización. En Nubank, involucrarse en procesos de contratación se convierte en una expectativa del rol. Esto significa que los Lead Analytics Engineers ayudan activamente a definir quién se suma al equipo, contribuyendo no solo a la ejecución técnica, sino también al desarrollo de talento y a la construcción de largo plazo del área.
En esta etapa, el impacto deja de medirse únicamente por los sistemas construidos y comienza a evaluarse por los ecosistemas que el profesional hace posibles, como plataformas, estructuras y estándares que amplían simultáneamente la capacidad de múltiples equipos. La influencia se expande mucho más allá del squad inmediato. Las habilidades centrales en este nivel incluyen:
El Arquitecto – Staff Analytics Engineer (IC7)
En la etapa de Staff Analytics Engineer, el rol alcanza su nivel más estratégico dentro de la trayectoria individual. Aquí, la autonomía es máxima y la supervisión es mínima, porque los Analytics Engineers ya no solo ejecutan o lideran proyectos: su liderazgo técnico ayuda directamente a moldear el roadmap de su área e influye en la dirección estructural de la organización.
El enfoque deja de estar en soluciones puntuales para desafíos específicos. En cambio, el trabajo gira en torno a la creación de frameworks escalables, estándares reutilizables y estructuras arquitectónicas capaces de resolver clases completas de problemas a nivel de Business Unit.
Estas soluciones están diseñadas para una adopción amplia, por decenas de squads y múltiples dominios, ampliando la capacidad organizacional de forma sistémica. En esta etapa, los Analytics Engineers se convierten en algunas de las principales referencias técnicas dentro de sus unidades de negocio. Son las personas a quienes los managers recurren para decisiones arquitectónicas críticas, senior ICs consultan frente a sistemas complejos, equipos buscan para troubleshooting estratégico y liderazgos utilizan como apoyo para decisiones estructurales de largo plazo.
Además de la profundidad técnica, existe una expectativa elevada de comprensión del negocio. El Staff Analytics Engineer debe entender la organización con suficiente profundidad como para anticipar necesidades técnicas antes de que se vuelvan urgentes. Es decir, no solo responder a problemas, sino prever su llegada y estructurar soluciones de manera proactiva.
Además, los Staff Analytics Engineers orientan a ingenieros hasta IC5 y ayudan a formar nuevas lideranzas técnicas, fortaleciendo la capacidad organizacional en su conjunto. En este nivel, la naturaleza del trabajo cambia de manera fundamental: ya no se trata solo de resolver problemas, sino de definir cómo deben resolverse.
Esta distinción representa la transición completa hacia arquitectura estratégica. Las habilidades centrales en esta etapa incluyen:
Influencia sobre la estrategia de datos de la empresa
Consejos para futuros Analytics Engineers en Nubank
Para quienes están considerando construir una carrera como Analytics Engineer en Nubank, existen ciertos patrones que aparecen repetidamente entre los candidatos que más se destacan. Y la perspectiva de quienes ya han pasado por este proceso revela tres aprendizajes especialmente importantes.
1. Piensa en el negocio, no solo en el código
En Nubank, la excelencia técnica es esencial, pero por sí sola no es suficiente. El proceso de selección incluye estudios de caso de modelado de datos en vivo, y los candidatos más fuertes suelen diferenciarse no por comenzar a construir de inmediato, sino por detenerse primero para entender el problema.
Antes de escribir cualquier query o diseñar cualquier arquitectura, es fundamental hacer preguntas como:
La expectativa no es solo evaluar tu capacidad de implementación, sino tu habilidad para pensar como alguien que ya forma parte del equipo. En otras palabras, aborda el caso como si ya estuvieras trabajando en el proyecto.
2. Demuestra claridad al navegar trade offs
Analytics Engineering es, en gran medida, la disciplina de tomar buenas decisiones dentro de restricciones. En el día a día, esto significa lidiar constantemente con tensiones como:
Durante las entrevistas, muchas veces el camino del razonamiento importa más que la respuesta final. El objetivo es entender cómo estructuras decisiones frente a ambigüedades reales. En Nubank, valoramos profesionales capaces de resolver problemas complejos, no solo de encontrar respuestas rápidas.
3. Trae curiosidad, independientemente de tu origen
No existe un único camino hacia Analytics Engineering. El Chapter reúne profesionales con backgrounds diversos, incluyendo ciencias de la computación, estadística, economía y trayectorias menos convencionales.
Lo que tienen en común no es una formación específica, sino características como:
En una empresa que opera bajo la mentalidad de “todavía es el día uno”, siempre existirán nuevos sistemas por entender, nuevos desafíos por resolver y nuevas oportunidades por construir. Por eso, la curiosidad es una parte central del rol.
En resumen, para futuros Analytics Engineers en Nubank: piensa estratégicamente, navega trade offs con claridad y cultiva la curiosidad, porque la combinación entre profundidad técnica, visión de negocio y capacidad de aprendizaje constante es lo que más diferencia a los profesionales que prosperan en este entorno.
Construye el futuro morado
Los Analytics Engineers en Nubank trabajan en más de cien squads, manteniendo más de 60,000 datasets que sirven a más de 100 millones de clientes en múltiples países. El Chapter continúa creciendo junto con la escala de nuestros desafíos.
Si este es el tipo de trabajo que quieres hacer.
Check our job opportunies