Data engineer of analyst: welk pad past bij jou

De data-arbeidsmarkt trekt mensen aan vanuit heel verschillende achtergronden: developers die meer met data willen doen, business-mensen die SQL hebben geleerd, BI-specialisten die verder willen. Het probleem is dat de titels “data engineer” en “data analyst” in vacatures door elkaar gebruikt worden. Dit artikel maakt het onderscheid concreet.

Wat een data engineer dagelijks doet

Een data engineer bouwt en beheert de infrastructuur waarop data-analyses draaien. Dat betekent in de praktijk:

• Pipelines schrijven in Python of Scala die data van bron naar doelsysteem transporteren
• Orchestratie configureren met Airflow, Prefect of Dagster
• Data modelleren in een data warehouse of lakehouse, vaak met dbt
• Samenwerken met cloud-infra: storage, compute, netwerken, toegangsbeheer
• Problemen oplossen als een pipeline om 03:00 faalt

De technische kern is engineering. Je schrijft code die in productie draait, je denkt na over schaalbaarheid en betrouwbaarheid, en je werkt nauw samen met platform- en DevOps-teams.

Salaris mid-level in Nederland: €60.000 tot €90.000 bruto per jaar, afhankelijk van stack, sector en ervaring. In Amsterdam en bij scale-ups zit je aan het boveneinde.

Wat een data analyst dagelijks doet

Een data analyst beantwoordt bedrijfsvragen met data. Dat betekent:

• SQL schrijven om data uit warehouses of databases te halen
• Dashboards bouwen in Power BI, Tableau of Looker
• Ad-hoc analyses uitvoeren voor management of productteams
• Trends en afwijkingen signaleren en uitleggen
• Nauw samenwerken met business stakeholders

De technische kern is SQL en Python (pandas, matplotlib). Maar minstens zo belangrijk is de communicatielaag: je moet resultaten uitleggen aan mensen die geen data-achtergrond hebben.

Salaris mid-level in Nederland: €45.000 tot €70.000 bruto per jaar. Analisten met sterke business-domeinkennis (finance, e-commerce, healthcare) zitten aan het boveneinde.

Welk werk vind je lekker?

De technische overlap tussen de twee rollen is groot. Beide schrijven SQL, beide gebruiken Python. Het echte onderscheid zit in de aard van het werk:

Een data engineer heeft lol in het bouwen van systemen. Pipelines die soepel draaien, een warehouse-schema dat logisch gemodelleerd is, observability die op orde is. De output is infrastructuur.

Een data analyst heeft lol in het beantwoorden van vragen. “Waarom daalt onze retentie in segment X?” is een puzzel die je wilt oplossen. De output is inzicht.

Als je een dag in gedachten neemt waarbij je tevreden terugkijkt: was dat een dag waarop je iets gebouwd hebt dat werkt, of een dag waarop je iets ontdekt hebt dat klopte?

De analytics engineer: een hybride rol

Tussen de twee rollen zit een groeiende categorie: de analytics engineer. Dit profiel bouwt de datamodellen die analisten gebruiken, werkt met dbt als primaire tool, en dendt als een engineer maar communiceert als een analyst.

dbt (data build tool) heeft deze rol gedefinieerd. Je schrijft SQL-modellen, voegt tests en documentatie toe, en zorgt dat de data laag betrouwbaar is voor iedereen die erop rapporteert. Technisch, maar minder infrastructuur-intensief dan een data engineer.

Als je van SQL houdt maar infrastructuur minder interessant vindt, is dit het pad om te onderzoeken.

Doorgroeien

Data engineers groeien door naar:

• Data architect: ontwerpt de overkoepelende data-infrastructuur en neemt beslissingen op platform-niveau
• ML engineer: bouwt de infrastructuur voor machine learning pipelines en model-deployments
• Platform engineer/data platform lead: beheert het volledige data-platform van een organisatie

Data analisten groeien door naar:

• Data scientist: voegt statistische modellering en machine learning toe aan het analytische werk
• BI-lead of analytics manager: beheert een team van analisten en de bijbehorende toolstack
• Product analyst: werkt nauw samen met productteams en heeft sterke domeinkennis in product-metrics

Beide paden leiden naar hogere salarissen, maar vragen om verschillende investeringen. Een data engineer die data architect wil worden, moet systeem-denken en architectuurprincipes leren. Een analyst die data scientist wil worden, moet statistiek en ML serieus aanpakken.

Welke richting kiezen

Als je twijfelt, kijk dan naar je huidige vaardigheden en waar je de meeste energie van krijgt. Heb je een developer-achtergrond en ben je gewend om code in productie te zetten? Data engineering sluit daar dichter op aan.

Kom je uit een business of finance achtergrond en heb je SQL geleerd omdat je antwoorden wilde? Data analyse is waarschijnlijk een betere fit, met de optie om later naar analytics engineering te groeien.

Kijk voor concrete opleidingen in beide richtingen op data engineering en analytics trainingen.

Beide paden zijn goed. Het is geen keuze voor eeuwig. Veel mensen beginnen als analyst, leren Python serieuzer, en groeien naar engineering toe. Anderen beginnen als engineer en ontdekken dat ze liever aan de business-kant zitten. De arbeidsmarkt is flexibel genoeg om die switch te maken.