Data Scientist, Analytics Engineer, Data Engineer y ML Engineer son 4 roles distintos que las empresas combinan mal. Scientists construyen modelos; Analytics Engineers modelan data en dbt; Data Engineers arman pipelines; ML Engineers ponen modelos en producción. Escasez extrema en LATAM para los 4. Bandas MX 2026: $100K-$300K según rol y seniority. El 85% está empleado — la contratación requiere outreach directo.
El mercado de talento de datos en México es el más competitivo de 2026 — y el más malentendido. Muchas empresas abren una requisición de "Data Scientist" cuando realmente necesitan Analytics Engineer, o viceversa. El resultado: hires frustrados, salidas tempranas y presupuesto quemado.
Los 4 roles · qué hace cada uno
Data Scientist
Construye modelos predictivos, statistical inference, experimentación causal (A/B tests con rigor). Usa Python, R, ML libraries. Colabora con producto y negocio para traducir preguntas en hipótesis testables. Cuándo contratarlo: tenés data suficiente (2+ años de histórico), equipo que va a consumir sus outputs, y un problema de modelado claro.
Analytics Engineer
Modela datos crudos en tablas semánticas reutilizables. Stack: dbt, SQL, Looker, Mode, Metabase. Funciona como puente entre data engineers y business analysts. Cuándo contratarlo: tenés warehouse (Snowflake, BigQuery, Redshift) y analistas/business users que necesitan data modelada con lógica consistente.
Data Engineer
Arma pipelines, ETL, orquestación, calidad de datos. Stack: Python, SQL, Airflow, Kafka, Spark. Cuándo contratarlo: tenés múltiples fuentes de datos que integrar, warehouse que mantener y volumen que justifique infraestructura dedicada.
ML Engineer
Pone modelos en producción. Training pipelines, model serving, monitoring, MLOps. Stack: MLflow, Kubeflow, SageMaker, feature stores. Cuándo contratarlo: ya tenés modelos funcionando offline y necesitas llevarlos a producción con SLAs.
Compensación 2026 MX
| Rol | Mid | Senior | Staff/Lead |
|---|---|---|---|
| Data Scientist | $85-125K | $130-200K | $180-280K+ |
| Analytics Engineer | $75-110K | $115-170K | $160-240K |
| Data Engineer | $90-130K | $130-190K | $180-280K |
| ML Engineer | $95-140K | $140-220K | $200-320K+ |
Notas: fintech, AI-first y ad-tech pagan 15-25% premium. Empresas US contratando desde LATAM pueden ir arriba del rango alto de cada banda.
Cómo evaluar · case por rol
- Data Scientist: case de A/B test mal diseñado — encontrar fallas estadísticas, proponer rediseño. 1 hora + 30 min discusión.
- Analytics Engineer: modelar 4 tablas en dbt con lógica de negocio dada. Evaluás SQL, nombres, comentarios, testing.
- Data Engineer: diseñar pipeline end-to-end para caso real tuyo. Arquitectura, trade-offs, monitoring.
- ML Engineer: tomar modelo que corre en notebook y definir cómo llevarlo a producción con SLA de latencia X ms.
Dónde están
85% del talento data senior en MX está empleado. Distribución típica: 40% Big Tech (Meta, Google, Amazon, Microsoft), 25% unicornios y scale-ups, 15% consultorías (Accenture, Deloitte, McKinsey), 15% empresas US remoto, 5% otros. Outreach directo es el único canal que funciona consistentemente para senior.
Red flags en candidatos
- Solo habla de modelos sin contexto de negocio: estás contratando a alguien que va a construir Kaggle-projects internos, no impacto.
- No pregunta por la cadena de valor: de dónde viene la data, quién la consume, cómo se mide éxito.
- Deficiencias en SQL básico: sin importar el rol, SQL sólido es no-negociable en 2026.
La pregunta que importa
Antes de abrir requisición de data, respóndete: ¿tenemos la infraestructura para que este hire genere valor? Contratar un Data Scientist sin warehouse limpio es como contratar un chef sin cocina. El orden típico de hires: Data Engineer → Analytics Engineer → Data Scientist → ML Engineer. Saltárselo genera frustración en 6 meses.