Analytics Engineer
Atua entre engenharia e análise. Cria modelos de dados confiáveis com SQL + dbt pra times de analistas.
Dificuldade
Faixa salarial
R$ 6.000 (júnior, vindo de Analista) a R$ 20.000+ (sênior). Pleno gira em R$ 10-15k. Especialistas dbt em empresas data-driven (iFood, Stone, Nubank) chegam a R$ 18-25k.
Cargos típicos
4 cargos
O que é essa subárea
Analytics Engineer é o cargo híbrido mais quente da área de dados em 2026: profissional que vive entre o Engenheiro de Dados e o Analista. Surgiu com o movimento Modern Data Stack (dbt + Snowflake + BigQuery) e virou padrão em empresas data-driven. Constrói modelos de dados confiáveis e reutilizáveis em SQL, não pipelines de ingestão (engenheiro), nem dashboards finais (analista), mas a camada intermediária que alimenta tudo. Salário típico fica entre Analista e Engenheiro: R$ 8-18k pleno, sêniores R$ 18-25k. Mercado BR ainda em formação. Quem domina dbt + SQL avançado pega salários acima da média de Analista.
Como difere de Ciência de Dados
Dentro de Ciência de Dados, o Analytics Engineer separa-se claramente: enquanto o Analista usa dados prontos pra fazer relatórios, e o Engenheiro de Dados move dados de origem pro warehouse, o Analytics Engineer transforma dados brutos em modelos confiáveis dentro do warehouse. Diferente do Cientista (matemática + ML), o foco aqui é SQL e modelagem dimensional. É a evolução natural de Analistas que querem mais profundidade técnica sem virar engenheiro de dados puro.
No dia a dia
No dia a dia: modela dados brutos do warehouse em camadas confiáveis (staging → marts), escreve transformações SQL versionadas em dbt, documenta lineage e testes de qualidade, colabora com Engenheiros de Dados (consome pipelines) e Analistas (entrega modelos prontos), implementa testes automatizados de qualidade de dados, e gerencia o data warehouse pra que múltiplos times consumam dados consistentes. Conecta o mundo de eng. de dados com o mundo de análise.
Habilidades específicas
- SQL avançado (window functions, CTEs, otimização)
- dbt (data build tool): referência absoluta da área
- Modelagem dimensional (Kimball, star schema)
- Versionamento e Git (modelos como código)
- Testes de qualidade de dados (dbt tests, data contracts)
Ferramentas específicas
- dbt (essencial)
- SQL (PostgreSQL, BigQuery, Snowflake)
- Git/GitHub (modelos versionados)
- Airflow ou Dagster (orquestração)
- Snowflake ou BigQuery (data warehouses modernos)
- Looker ou Lightdash (BI baseado em modelos)
Roadmap específico
- 1Dominar SQL profundo (window functions, CTEs, otimização de queries)
- 2Aprender dbt do zero (oficial dbt Learn é gratuito e completo)
- 3Estudar modelagem dimensional (Kimball é referência absoluta)
- 4Praticar com data warehouse moderno (BigQuery é gratuito até certo volume)
- 5Construir 1-2 projetos públicos no GitHub com dbt + docs + tests
Cursos gratuitos
- dbt Learn (cursos oficiais grátis em inglês)
- DataTalksClub: Analytics Engineering Zoomcamp (gratuito, completo)
- GitLab Data Team handbook (referência pública sobre data modeling)
Projetos pra portfólio
- Projeto dbt público: ingestão CSV → staging → marts com testes (publicar no GitHub)
- Modelo dimensional completo de domínio fictício (e-commerce, SaaS) com documentação
- Pipeline analytics: dbt + Airflow + BigQuery com dashboards consumindo modelos
Cargos típicos
Faixa salarial
R$ 6.000 (júnior, vindo de Analista) a R$ 20.000+ (sênior). Pleno gira em R$ 10-15k. Especialistas dbt em empresas data-driven (iFood, Stone, Nubank) chegam a R$ 18-25k.
Dicas pra começar
Analytics Engineer é o caminho mais inteligente pra Analistas que querem subir salário sem virar Engenheiro de Dados puro. dbt é A ferramenta da carreira. Invista 1-2 meses dominando. SQL é 80% do trabalho. Se não está fluente, foque aí antes. Inglês é importante (toda a community dbt está em inglês). Cargo ainda em formação no BR. Quem entra agora pega salários acima do normal.