Analytics Engineer

En analytics engineer gør rådata brugbare. Data lander råt i datavarehuset fra CRM, ERP, webshop, betalingssystemer og logfiler. Tabellerne er tekniske og fulde af kodenavne. Analytics engineeren bygger de modeller, der oversætter dem til forretningsbegreber som kunde, ordre, dækningsbidrag og churn.

Arbejdet ligner softwareudvikling mere end klassisk analyse. Modellerne skrives i SQL, ligger i Git, får code review og testes automatisk, før de går i produktion. Analytics engineeren laver sjældent selve grafen — men ejer det tal, grafen viser.

Typiske opgaver:

• Bygge og vedligeholde lagdelte datamodeller i dbt (staging, mellemlag, forretningsmodeller)
• Definere fælles nøgletal, så salg, økonomi og drift regner omsætning ens
• Skrive tests, der fanger dubletter, manglende nøgler, huller i datoer og forkerte joins
• Dokumentere tabeller og kolonner, så andre kan finde rundt uden at spørge
• Overvåge nattens kørsler og rette fejl, når en indlæsning stopper
• Skære i beregningstid og cloud-forbrug ved at rydde op i tunge, ubrugte modeller

En almindelig dag starter typisk med at tjekke, om nattens kørsler gik igennem. Fejlede en indlæsning fra ERP-systemet, skal den rettes, før forretningen åbner rapporterne kl. 8. Derefter arbejde på en ny model, ofte sammen med en controller eller analytiker, der ved, hvad tallet skal bruges til. Eftermiddagen går med code review af en kollegas pull request og med klassikeren: "hvorfor viser to rapporter forskellig omsætning for samme måned?"

Svaret er næsten altid to forskellige definitioner. En stor del af jobbet er at få den slags uenigheder afklaret og skrevet ind i modellen ét sted.

Rollen findes især i virksomheder med meget data: e-handel, banker og pensionsselskaber, forsikring, teleselskaber, energiselskaber, medicinal- og produktionsvirksomheder samt større offentlige styrelser og kommuner. Konsulenthuse sælger også analytics engineers ud på datavarehusprojekter. I mindre virksomheder er rollen ofte slået sammen med data engineer eller BI-udvikler.

Arbejder man med kundedata, er persondata en fast del af opgaven. Ifølge Datatilsynet og EU's databeskyttelsesforordning (GDPR) må personoplysninger kun behandles til udtrykkeligt angivne formål og ikke gemmes længere end nødvendigt. I praksis betyder det pseudonymisering af CPR- og kundeoplysninger, adgangsstyring pr. rolle og sletteregler bygget direkte ind i modellerne. Bruges tallene i regnskabsrapportering, stiller bogføringsloven desuden krav om, at transaktionssporet kan følges tilbage til kilden.

Der findes ingen dansk uddannelse, der hedder analytics engineer. De fleste kommer fra en it- eller talstærk uddannelse og lærer resten på jobbet. Titlen er hverken beskyttet eller lovreguleret, og der kræves ingen autorisation.

Typiske uddannelsesveje:

• Datamatiker på erhvervsakademi, 2 år og 3 måneder. Den korteste vej. Giver programmering, databaser og SQL.
• Professionsbachelor i softwareudvikling, 3½ år. Ofte en overbygning oven på datamatiker.
• Bachelor i datalogi, data science, matematik-økonomi eller informationsteknologi, 3 år, evt. plus kandidat på 2 år.
• HA(it.) eller cand.merc.(dat.), som kombinerer forretningsforståelse med systemer og databaser.

Adgangskravene afhænger af uddannelsen. Til datamatiker kræves typisk en gymnasial eksamen med matematik på B-niveau. De gældende krav fremgår af Uddannelses- og Forskningsministeriets adgangskrav for den enkelte uddannelse, og ansøgning sker gennem Den Koordinerede Tilmelding.

Mange kommer sidelæns ind i faget. Det er nok den mest almindelige vej:

• Fra BI-udvikler eller rapportudvikler, der begynder at modellere i stedet for kun at bygge visninger
• Fra dataanalytiker eller business controller, der er blevet stærk i SQL
• Fra softwareudvikling, hvor Git, test og code review allerede sidder på rygraden
• Fra økonomi, indkøb eller supply chain, hvor man kender tallene og lærer værktøjerne bagefter

Certificeringer er ikke et krav, men de bruges som dokumentation, hvis du skifter spor. dbt Labs udbyder en certificering i dbt-udvikling. Snowflake, Databricks, Microsoft og Google har hver deres certificeringer til deres platform. Vælg den, arbejdspladsen faktisk bruger — en certificering i en platform, du aldrig rører, betyder lidt.

Et lille synligt projekt vejer tungt til samtalen. Hent åbne data via Danmarks Statistiks API, byg en model med et par lag, skriv tests og dokumentation, og læg det på GitHub. Det viser mere end et kursusbevis.

Regn med et halvt til et helt år, før du selv kan eje en model i produktion. SQL kan læres på uger. Det, der tager tid, er at forstå forretningens begreber og at bygge noget, andre tør stole på.

Værktøjskassen er cloud-baseret og skifter langsomt. Kernen er SQL — den bruges hver eneste dag.

• Transformation: dbt er de facto-standarden. SQLMesh og Dataform ses også. Ældre huse kører stadig stored procedures eller SSIS.
• Datavarehus: Snowflake, Google BigQuery, Databricks, Microsoft Fabric og Azure Synapse. I mindre opsætninger PostgreSQL eller Microsoft SQL Server.
• Indlæsning: Fivetran, Airbyte, Stitch eller egne Python-scripts, der henter data fra API'er og filer.
• Orkestrering: Airflow, Dagster, Prefect eller de indbyggede planlæggere i dbt Cloud og Azure Data Factory.
• Versionsstyring: Git og GitHub eller Azure DevOps, med pull requests og automatiske builds (CI/CD).
• Datakvalitet: dbt-tests, Great Expectations og Elementary, der advarer, når tallene pludselig ser forkerte ud.
• Sprog: SQL først. Python til indlæsning, småautomatisering og API-kald. Jinja til skabeloner i dbt.
• Modtagerne: Power BI dominerer i danske virksomheder. Tableau, Looker og Qlik ses også. Analytics engineeren leverer tabellerne, som de rapporter står på.

Dertil kommer Slack eller Teams til dataalarmer, Jira til opgaver, og et katalog som dbt docs, Collibra eller Purview til at holde styr på, hvem der ejer hvilke data.

Du behøver ikke kunne alle platforme. Kan du SQL, dimensionel modellering og Git ordentligt, tager det få uger at skifte fra Snowflake til BigQuery.