Arquitecto de datos: mercado

Vacante

un empleo abierto que superó el filtro de calidad y menciona al menos dos tecnologías

Candidato observado

un candidato cuyo stack contiene esta tecnología; es un agregado: ni un solo registro sale del perímetro

Candidato emparejable

aún no contabilizado

Ventana

empleos abiertos en el momento en que se generó el snapshot

Data Architect es un rol de nivel senior («Junior Data Architect» casi no existe; los grados bajos son puestos mal titulados: las referencias realistas están en Senior / Lead). Trayectoria: Senior Data Engineer (5+ años de práctica con pipelines de datos + trabajo con almacenes) → Data Architect (demostrando experiencia en modelado de datos + diseño de plataformas + gobierno) → Senior / Principal Data Architect → luego Chief Data Architect / Head of Data Architecture, líder de Data Platform, Enterprise Architect (del dominio de datos a una EA más amplia) o la vía de Chief Data Officer (CDO). Entrada alternativa: Database Administrator Senior + profundidad en modelado de datos → Data Architect.

Stack / skills principales: cloud, aws, azure, enterprise architect, togaf. Modelado de datos, el núcleo: modelos conceptual / lógico / físico, modelado dimensional (Kimball, esquemas estrella / copo de nieve + hechos/dimensiones), 3FN / Inmon (DWH enterprise normalizado), Data Vault 2.0 (hubs + links + satellites, DWH enterprise ágil, popular 2026), One Big Table / tablas anchas (analítica moderna). Herramientas: erwin Data Modeler (clásico enterprise), SqlDBM, dbdiagram.io, dbt (modelos semánticos + lineage, capa de modelado de facto 2026). ClickHouse (analítica en tiempo real, popular en Rusia, origen Yandex). Ruso: Arenadata (basado en Greenplum, líder de DWH en Rusia tras la salida de Teradata / Oracle). Data lakes: S3 / ADLS / GCS + formatos de tabla abiertos (Apache Iceberg, en auge 2026 / Delta Lake / Apache Hudi). Patrones de arquitectura de datos: data warehouse / data lake / lakehouse (recomendado por defecto 2026) / data mesh (descentralizado, propiedad de dominios, Zhamak Dehghani) / data fabric (acceso unificado metadata-driven). Integración de datos: ETL vs ELT (ELT domina 2026), CDC (Change Data Capture, Debezium), data streaming (Kafka), unificación batch + streaming. Orquestación: Airflow / Dagster / Prefect (decisiones a nivel de arquitectura). Data governance: data catalog (Collibra / Alation / Atlan / DataHub open-source / OpenMetadata), data lineage, data quality (Great Expectations / Soda), master data management MDM (Informatica MDM / Reltio), clasificación de datos + privacidad (PII / GDPR / 152-FZ), data contracts (en auge 2024+). Capa semántica: dbt Semantic Layer / Cube, única fuente de verdad para las métricas. Dominio de SQL, obligatorio (el Data Architect debe entender los patrones de consulta + el rendimiento). Soft skills: gestión de stakeholders (los datos son cross-funcionales), comunicación de la estrategia de datos, facilitación del gobierno.

Data Engineer: construye con sus manos los pipelines de datos (ingesta + transformación + orquestación), implementa lo que diseñó el Data Architect. Ver Data Engineer (general). Data Architect (esta página): diseña el panorama de datos: modelos de datos + estrategia de almacenamiento + flujos de datos + gobierno. A nivel de diseño, no de programación de pipelines. Database Administrator (DBA): opera bases de datos concretas (ajuste de rendimiento + copias de seguridad + replicación + seguridad). Operativo. Ver Database Administrator (DBA) (cuando la página esté publicada). Enterprise Architect: panorama tecnológico de toda la organización (Data Architecture es uno de los 4 dominios de TOGAF; el Data Architect a menudo = Domain Architect dentro de EA). Ver Enterprise Architect. Realidad 2026 (solapamiento): Data Architect ↔ Data Engineer: 60% (los Senior Data Engineers suelen hacer trabajo de arquitectura; la diferencia: el Architect se centra en el diseño, el Engineer en la implementación). Data Architect ↔ Enterprise Architect: 50% (Data Architecture es un dominio de TOGAF; las grandes organizaciones tienen un Data Architect aparte dentro de la función EA). Data Architect ↔ DBA: 30% (DBA: operación de una base de datos; Architect: diseño del panorama). Trayectoria: Data Engineer Senior → Data Architect: el camino natural. Data Architect → Enterprise Architect (dominio de datos) o Chief Data Officer. Elección de carrera: Data Engineer si te gusta construir pipelines con tus manos; Data Architect si te gustan el diseño + el modelado + el gobierno + la estrategia; DBA si te gusta la operación de bases de datos en profundidad; Enterprise Architect si quieres amplitud a nivel organizativo más allá de los datos.

Árbol de decisión para el patrón de arquitectura de datos 2026: 1) Data Warehouse: estructurado, schema-on-write, optimizado para analítica / BI. DWH en la nube: Snowflake / BigQuery / Redshift / Synapse. Pros: analítica SQL rápida, herramientas maduras, calidad de datos garantizada. Contras: solo datos estructurados, ETL previo, más caro para datos en bruto / no estructurados. Caso de uso: BI / informes / analítica estructurada: sigue siendo central en 2026. 2) Data Lake: almacenamiento en bruto, schema-on-read, cualquier formato (estructurado + no estructurado). S3 / ADLS / GCS. Pros: almacenamiento barato, flexible, lo guarda todo. Contras: riesgo de «pantano de datos» (sin gobierno, caos), sin rendimiento SQL, sin ACID. Caso de uso: zona de aterrizaje de datos en bruto, datos de entrenamiento de ML, archivo. Como solución independiente es raro en 2026. 3) Lakehouse: la opción recomendada por defecto en 2026. Convergencia warehouse + lake: almacenamiento de data lake (S3 + formato de tabla abierto: Delta Lake / Iceberg / Hudi) + funcionalidades tipo warehouse (transacciones ACID + rendimiento SQL + validación de esquema + time travel). Databricks (Delta Lake) / Snowflake (soporte de Iceberg). Pros: una sola capa de almacenamiento para BI + ML + streaming, más barato que un DWH puro, sin duplicación de datos. Contras: ecosistema más joven, hace falta la estrategia correcta de formato de tabla. Caso de uso: nuevas plataformas de datos en 2026: la elección por defecto (evita duplicar warehouse + lake). 4) Data Mesh: patrón organizativo / sociotécnico, no tecnológico. Concepto de Zhamak Dehghani. 4 principios: propiedad orientada al dominio (los datos son de los equipos de dominio, no de un equipo central de datos), los datos como producto (cada dataset es un producto con SLA / documentación / calidad), plataforma de datos de autoservicio, gobierno computacional federado. Pros: escala a nivel organizativo (el equipo central de datos es un cuello de botella en organizaciones grandes), conocimiento del dominio en la propiedad de los datos. Contras: requiere madurez organizativa, caro de implantar, excesivo para organizaciones pequeñas. Caso de uso: grandes organizaciones (muchos dominios, el equipo central de datos no da abasto); NO para pequeñas / medianas (la sobrecarga organizativa lo matará). A menudo se aplica en exceso. 5) Data Fabric: capa de acceso a datos unificada basada en metadatos sobre fuentes heterogéneas (frente a data mesh, que es un patrón organizativo; data fabric es un enfoque tecnológico / de integración). Metadatos activos + grafo de conocimiento + integración de datos automatizada. Concepto impulsado por Gartner. Caso de uso: organizaciones con muchos silos de datos legacy que necesitan acceso unificado sin migrarlo todo. Recomendaciones por defecto 2026: Nueva plataforma de datos → Lakehouse (Databricks o Snowflake + Iceberg). BI / analítica estructurada → DWH en la nube (si el lakehouse es excesivo). Datos en bruto / de ML → data lake como parte del lakehouse (no independiente). Gran organización, el equipo central de datos es el cuello de botella → Data Mesh (cambio organizativo, no tecnológico). Muchos silos legacy → Data Fabric (capa de acceso unificada). Principio principal: el patrón sigue a la realidad organizativa + la escala, no al culto de «data mesh porque está de moda».

Sí, el 25% de los empleos de Data Architect son full-remote o híbridos. El trabajo de arquitectura de datos — modelado + diseño + documentación + plataformas cloud — es remote-friendly. Outsourcers — casi siempre remotos en proyectos de data platform de EE. UU. / UE. Las empresas de producto y bancos rusos — híbrido o remoto tras el periodo de prueba. Los bancos rusos — híbrido (el data governance — parte del contorno de gestión). Las empresas tecnológicas internacionales + los vendors de datos cloud (Snowflake / Databricks / Confluent) — full-remote estándar. Salvedad: Data Architect — rol transversal (trabajo con data engineers + analistas + negocio + seguridad), requiere comunicación — el híbrido suele ser óptimo. Hubs de relocación: Polonia / Alemania (datos enterprise) / Canadá / Serbia. Inglés para el remoto internacional de Data Architect — obligatorio (docs de plataformas de datos cloud + comunidad + comunicación entre equipos en inglés).

Data Architect (general): enfoque en modelos de datos + flujos de datos + gobierno + estrategia de almacenamiento (nivel lógico / conceptual: «cómo se estructuran y fluyen los datos»). Data Platform Architect: enfoque en la plataforma técnica que aloja los datos (nivel de infraestructura / herramientas: «sobre qué viven los datos»): diseño de plataformas de datos en la nube (configuración de Databricks / Snowflake), arquitectura de cómputo / almacenamiento, herramientas de la plataforma de datos (stack de ingesta + orquestación + transformación + catálogo), escalabilidad de la plataforma + optimización de costes, plataforma de datos de autoservicio (para data mesh). Más solapamiento con DevOps / Platform Engineering. Data Warehouse Architect: especialidad más estrecha: enfoque específico en el diseño de DWH (modelado dimensional en profundidad, ETL/ELT para el almacén, habilitación del BI). Data Modeler: el rol más estrecho: enfoque solo en el modelado de datos (modelos conceptuales / lógicos / físicos, diagramas ER); a menudo de nivel mid, no un arquitecto completo. Master Data Architect: especialidad MDM (master data management: única fuente de verdad para las entidades clave: cliente / producto / etc.). Information Architect: solapamiento: gobierno de datos + ciclo de vida de la información + taxonomía + metadatos. Realidad 2026: en organizaciones pequeñas / medianas un solo Data Architect lo hace todo. En las grandes, hay especialización (Data Platform Architect + Data Warehouse Architect + Data Modeler + Master Data Architect: roles separados). Elección de carrera: Data Architect general para amplitud; Data Platform Architect si te gustan la infraestructura / las herramientas en profundidad; Data Warehouse Architect si te gustan el modelado dimensional + la analítica; Master Data Architect si te gustan el gobierno / MDM.

Hoja de ruta (Data Architect es un puesto de nivel senior; el camino pasa por Senior Data Engineer): 1) Conviértete en un Senior Data Engineer sólido: requisito previo. 5+ años de práctica: pipelines de datos, trabajo con almacenes, dominio de SQL, comprensión práctica de las herramientas de datos. 2) Dominio del modelado de datos: es la habilidad central del Data Architect. Modelado dimensional (Kimball: "The Data Warehouse Toolkit" de Ralph Kimball, canónico), el enfoque 3FN de Inmon, Data Vault 2.0 ("Building a Scalable Data Warehouse with Data Vault 2.0" de Dan Linstedt). Modelado conceptual / lógico / físico. 3) SQL a fondo: un Data Architect debe entender a fondo los patrones de consulta + el rendimiento + la optimización. 4) Plataformas de datos en la nube: elige una a fondo: Snowflake (líder: certificaciones de Snowflake), Databricks (lakehouse: certificaciones de Databricks) o BigQuery. Experiencia práctica de diseño + construcción. 5) Modern data stack: dbt (la capa de transformación + modelado de facto en 2026: certificación de dbt), orquestación de datos (Airflow / Dagster), patrones ELT, CDC (Debezium). 6) Patrones de arquitectura de datos: entiende a fondo warehouse frente a lake frente a lakehouse frente a data mesh frente a data fabric (cuándo cada uno). "Fundamentals of Data Engineering" de Joe Reis / Matt Housley (canónico en 2026, lectura obligada, cubre la arquitectura). 7) Data mesh: "Data Mesh" de Zhamak Dehghani (si trabajas o vas a trabajar en una organización grande). 8) Gobierno de datos: catálogos de datos (Collibra / Alation / DataHub / OpenMetadata), linaje de datos, calidad de datos (Great Expectations / Soda), conceptos de MDM, contratos de datos (en auge desde 2024), privacidad de datos (GDPR / ley federal 152). 9) Formatos de tabla abiertos: Apache Iceberg (en auge en 2026) / Delta Lake / Apache Hudi: críticos para el lakehouse. 10) Capa semántica: dbt Semantic Layer / Cube: coherencia de las métricas. 11) Habilidades blandas: los datos son transversales (ingenieros + analistas + negocio + seguridad); hace falta gestión de stakeholders + comunicación de la estrategia de datos + facilitación del gobierno. 12) Practica en tu rol actual: como Senior Data Engineer, asume tareas de nivel de arquitectura: diseño de modelos de datos, selección de plataforma, implantación del gobierno. Cursos rusos: Otus "Data Architect" / "DWH Analyst", Karpov.Courses (Data Engineering: se solapa), escuelas de datos corporativas, formación de Arenadata. Internacional (EN): "The Data Warehouse Toolkit" de Kimball (modelado dimensional canónico), "Fundamentals of Data Engineering" de Reis / Housley (lectura obligada en 2026), "Data Mesh" de Dehghani, certificaciones + formación oficiales de Snowflake / Databricks, dbt Learn (gratis), itinerarios de ingeniería de datos de DataCamp / Coursera. Senior Data Engineer (5+ años) + dominio del modelado de datos + experiencia en plataformas de datos en la nube → Data Architect.

79 active open Data Architect positions with explicit data-architect scope — narrow senior niche. The real market is wider — many data-architecture roles classified as Senior Data Engineer / Data Platform Engineer / Lead Data Engineer (titles overlap). Geography: the US, the UK, Poland. The real market is wider thanks to the international remote segment (cloud data vendors + EPAM-style outsourcing data platform projects — full-remote-friendly). Time to close a Senior Data Architect — 8-14 weeks (seniority + data modelling depth assessment + cloud platform expertise verification).

Un Senior Data Architect es responsable del ciclo completo de arquitectura de datos + liderazgo técnico. Dominio del modelado de datos: modelado dimensional (Kimball: esquemas en estrella / copo de nieve + hechos/dimensiones a fondo), 3NF / DWH empresarial de Inmon, Data Vault 2.0 (hubs / links / satellites: DWH ágil), modelado conceptual / lógico / físico, modelado ER. Dominio profundo de SQL: consultas complejas, optimización de consultas, comprensión de los planes de ejecución: un Data Architect debe entender a fondo cómo se consultan los datos. Dominio de una plataforma de datos cloud: una de Snowflake / Databricks / BigQuery a fondo: diseño de arquitectura, optimización del rendimiento, optimización de costes (las plataformas de datos son caras: la arquitectura de costes es crítica). Patrones de arquitectura de datos: warehouse / lake / lakehouse / data mesh / data fabric: conocer los compromisos + cuándo aplicarlos (no por culto cargo). Diseño de lakehouse (formatos de tabla abiertos: Iceberg / Delta Lake / Hudi). Modern data stack: dbt (transformación + modelado + capa semántica), orquestación (Airflow / Dagster), patrones ELT, CDC (Debezium), streaming (Kafka) a nivel de arquitectura. Arquitectura de integración de datos: unificación de batch + streaming, estrategia de ingesta de datos, mapeo de origen a destino. Dominio del gobierno de datos: estrategia de catálogo de datos (Collibra / Alation / DataHub / OpenMetadata), linaje de datos, marcos de calidad de datos (Great Expectations / Soda), gestión de datos maestros (MDM), clasificación de datos + privacidad (cumplimiento de PII / GDPR / ley federal 152-FZ en la arquitectura de datos), data contracts (formalizar acuerdos productor-consumidor: en auge en 2024+). Capa semántica: coherencia de las métricas (dbt Semantic Layer / Cube: fuente única de verdad). Estrategia de datos: hoja de ruta de la plataforma de datos, build-vs-buy para herramientas de datos, modelo operativo del equipo de datos (centralizado frente a data mesh descentralizado). Diseño de sistemas para datos: diseñar en pizarra una plataforma de datos a escala (datos a escala de PB, 1000s de tablas, tiempo real + batch), planificación de capacidad, compromisos entre rendimiento y coste. Conocimiento transversal: comprensión de Data Engineering (la realidad de la implementación), Analytics / BI (necesidades de los consumidores), Seguridad (protección de datos), Enterprise Architecture (contexto a nivel de organización). Soft skills: gestión de stakeholders (los datos son transversales: ingenieros + analistas + negocio + seguridad + cumplimiento), comunicación de la estrategia de datos a la dirección, facilitación del gobierno de datos, mentoría a Data Engineers. Inglés para Senior+ IMPRESCINDIBLE: la documentación de las plataformas de datos cloud + la comunidad de datos + la comunicación en equipos internacionales son en inglés. Extra opcional: certificaciones de plataformas de datos cloud (Snowflake / Databricks), certificación de dbt, charlas en conferencias (conferencias de datos), experiencia implantando data mesh: aumentan notablemente el valor de mercado para roles de Principal / Chief Data Architect.