Jheysson
Douglas

O Engenheiro de Dados foca na infraestrutura — move, armazena e processa dados em grande escala. É responsável pelos pipelines de ingestão, pela estabilidade e pela performance.

O Analytics Engineer fica na camada intermediária — pega os dados já ingeridos pelo DE e os transforma em modelos limpos, documentados e prontos para análise. Trabalha muito com dbt, SQL e modelagem dimensional.

Na prática: o DE constrói a estrada, o AE organiza as rotas. Ambos são essenciais.

The Data Engineer focuses on infrastructure — moving, storing and processing data at scale. They're responsible for ingestion pipelines, stability and performance.

The Analytics Engineer sits in the middle layer — they take data already ingested by the DE and transform it into clean, documented models ready for analysis. They work heavily with dbt, SQL and dimensional modeling.

In practice: the DE builds the road, the AE organizes the routes. Both are essential.

No dia a dia, um AE normalmente:

• Cria e mantém modelos de dados com dbt
• Escreve SQL avançado para transformar dados brutos em tabelas limpas e documentadas
• Colabora com times de negócio para entender quais dados precisam e como estruturá-los
• Garante qualidade dos dados com testes automatizados
• Cria a camada Silver e Gold da arquitetura Medallion
• Suporta analistas e cientistas de dados com datasets confiáveis

Day to day, an AE typically:

• Creates and maintains data models with dbt
• Writes advanced SQL to transform raw data into clean, documented tables
• Collaborates with business teams to understand data needs and structure
• Ensures data quality with automated tests
• Builds the Silver and Gold layers of the Medallion Architecture
• Supports analysts and data scientists with reliable datasets

Cada papel tem um foco diferente na jornada do dado:

• Engenheiro de Dados — move e armazena os dados. Cuida da infraestrutura, pipelines e ingestão em escala.
• Analytics Engineer — transforma os dados. Cria modelos limpos e confiáveis que conectam engenharia com análise.
• Analista de Dados — consome os dados. Cria dashboards, relatórios e responde perguntas de negócio.
• Cientista de Dados — prediz com os dados. Constrói modelos estatísticos e de Machine Learning para antecipar comportamentos.

Pense assim: DE coleta a matéria-prima, AE refina, Analista usa, Cientista experimenta.

Each role has a different focus in the data journey:

• Data Engineer — moves and stores data. Handles infrastructure, pipelines and large-scale ingestion.
• Analytics Engineer — transforms data. Creates clean, reliable models connecting engineering and analysis.
• Data Analyst — consumes data. Builds dashboards, reports and answers business questions.
• Data Scientist — predicts with data. Builds statistical and Machine Learning models to anticipate behaviors.

Think of it this way: DE collects the raw material, AE refines it, Analyst uses it, Scientist experiments with it.

Depende do papel. Para Analista de Dados, ferramentas como Excel, Power BI e SQL básico já abrem muitas portas.

Para Analytics Engineer e Engenheiro de Dados, programação é essencial — principalmente Python e SQL. Quanto mais profundo, melhor.

Para Cientista de Dados, além de Python, é importante entender estatística e algoritmos de Machine Learning.

A boa notícia: você não precisa ter formação em TI. Eu mesmo comecei do zero, sem nenhuma base técnica prévia.

It depends on the role. For Data Analysts, tools like Excel, Power BI and basic SQL already open many doors.

For Analytics Engineers and Data Engineers, programming is essential — mainly Python and SQL. The deeper, the better.

For Data Scientists, beyond Python, it's important to understand statistics and Machine Learning algorithms.

The good news: you don't need a CS degree. I started from scratch myself, with no prior technical background.

Minha recomendação baseada na minha própria experiência:

• Comece pelo SQL — é a linguagem universal de dados e a mais cobrada em entrevistas
• Aprenda Python básico — foque em Pandas para manipular dados
• Faça projetos reais — dados públicos do governo, Kaggle, APIs abertas
• Coloque no GitHub — portfólio vale mais que certificado
• Escolha um caminho — Analista, Engenheiro ou Cientista. Cada um tem uma trilha diferente
• Não espere estar pronto — eu entrei no iFood sem me sentir pronto. Aprendi fazendo

My recommendation based on my own experience:

• Start with SQL — it's the universal language of data and the most tested in interviews
• Learn basic Python — focus on Pandas for data manipulation
• Build real projects — government open data, Kaggle, public APIs
• Put it on GitHub — portfolio is worth more than certificates
• Choose a path — Analyst, Engineer or Scientist. Each has a different learning track
• Don't wait to feel ready — I joined iFood without feeling ready. I learned by doing