Mucho más que datos: qué hace un Business Analyst en Nubank

Escrito por: Nubank Editorial & Guilherme Lasinskas

En Nubank, los Business Analysts conectan el análisis de datos con las decisiones de negocio. Internamente, el rol suele describirse como el motor racional y el guardián del negocio dentro del squad. En la práctica, eso significa trabajar junto al equipo para entender qué muestran realmente los datos, qué trade-offs existen en cada camino y qué supuestos estamos haciendo antes de priorizar, ajustar o descontinuar cualquier funcionalidad.

Una parte importante del trabajo es poder tomar —y acompañar— decisiones incluso en escenarios de incertidumbre, cuando los datos no entregan una respuesta definitiva. Dashboards, consultas y reportes forman parte de la rutina, pero el principal entregable de una persona BA no es un dashboard, sino la claridad sobre qué decisión tiene más sentido y por qué.

Al comienzo de mi segundo año como Business Analyst en Nubank, recibí una solicitud para investigar por qué una métrica había caído. Abrí las herramientas, construí un análisis segmentado por canal y perfil de cliente y pasé dos semanas sumergido en los datos. Cuando finalmente comparé el comportamiento con el mismo período del año anterior, apareció la respuesta: la caída era estacional. Había ocurrido en cada primer trimestre durante los últimos tres años, y podría haberlo descubierto en una hora.

Entonces, ¿cómo es realmente el día a día de una persona BA?

Soy graduado en Ingeniería en Computación con especialización en Finanzas y, como trabajo como BA en un squad multidisciplinario de Nu, me invitaron a contar cómo es esta experiencia.

La mañana: reuniones del squad y preguntas antes de cualquier consulta

Nubank opera a través de squads: equipos multidisciplinarios autónomos responsables de áreas específicas de producto y negocio. Mi día normalmente comienza con una reunión rápida de 15 minutos con el PM (Product Manager, responsable de priorizar lo que el equipo va a construir) y el tech lead (la persona responsable de las decisiones técnicas del squad).

En estas alineaciones, cada rol aporta una perspectiva distinta. El tech lead evalúa la viabilidad técnica y el impacto en los sistemas. El PM aporta el contexto de experiencia de usuario y del roadmap del producto. Yo, como BA, analizo los datos para entender qué caminos están abiertos y qué estamos dejando de lado en cada uno de ellos.

Esa combinación de perspectivas es uno de los mecanismos más importantes de toma de decisiones aquí.

Por ejemplo, participé en una discusión sobre descontinuar una funcionalidad con baja adopción. El tech lead sabía que eliminarla liberaría capacidad de ingeniería, pero también requeriría una migración de datos que nadie había considerado. El PM entendía que los usuarios activos de esa funcionalidad tenían un perfil de alto valor. Y yo llevé un análisis que mostraba que la adopción estaba creciendo en un segmento específico que el dashboard agregado no revelaba.

Ninguna de esas perspectivas, por sí sola, habría llevado a la mejor decisión. El tech lead probablemente habría recomendado eliminar la funcionalidad por el costo de mantenimiento. El PM habría tendido a mantenerla por el perfil de los usuarios. Y el análisis, aislado, habría sugerido esperar más tiempo.

Juntas, esas tres miradas llevaron al squad a ajustar la funcionalidad para el segmento en crecimiento y desactivarla para el resto, una alternativa que ni siquiera existía antes de la conversación. Así funcionan las decisiones multidisciplinarias en la práctica: los puntos ciegos de una función se compensan con la visión de las otras. Cuanto más compleja es la decisión, más importa esa complementariedad.

Dependiendo del squad, esta dinámica cambia. En squads de Crédito y Fraude, por ejemplo, el trabajo del BA se cruza fuertemente con científicos de datos e ingenieros de machine learning. Mientras esos equipos desarrollan modelos predictivos complejos, como scores de riesgo, el rol del BA es transformar la salida de esos modelos en políticas reales de decisión.

En la práctica, eso significa responder preguntas como: ¿a partir de qué score deberíamos aprobar a un cliente para equilibrar experiencia y sostenibilidad del negocio? El modelo entrega la probabilidad. El BA define el umbral de decisión.

Después de las reuniones de alineación, comienza el trabajo analítico. Las herramientas que más uso en mi rutina incluyen:

• Databricks / Spark: plataforma de procesamiento de datos a gran escala. La mayoriade los análisis exploratorios comienzan aquí, con consultas en SQL y Scala sobre conjuntos de datos con miles de millones de registros.
• • Herramientas de Business Intelligence: dashboards de monitoreo de métricas.
• • Herramientas de documentación: todo análisis que respalda una decisión de producto queda registrado en un historial accesible para el squad.
• Inteligencia artificial: utilizada para acelerar la escritura de consultas, limpieza de datos y prototipado de análisis.

Pero antes de abrir cualquiera herramienta para un análisis nuevo, normalmente paso por un checklist rápido:

1. ¿Este patrón ya apareció antes en el mismo período de años anteriores?
2. ¿Existe algún factor externo conocido que explique esto?
3. ¿Qué decisión va a cambiar de hecho con lo que encuentre?

La tarde: resolviendo un problema real

La tarde suele ser mi bloque de foco: agenda cerrada para trabajo analítico profundo.

En Nubank, los BAs generalmente trabajan en cuatro grandes frentes: desarrollo de políticas de riesgo en Crédito, análisis de conversión en Marketing, escalabilidad operacional o maximización del engagement en Producto. El caso siguiente ilustra un desafío clásico del día a día de un BA de Producto.

El problema

El squad lanzó una nueva pantalla en la app. La funcionalidad está corriendo como un test A/B, dividiendo clientes en cinco grupos distintos. Después de algunas semanas, los datos preliminares muestran que dos de esos grupos presentan tasas de churn superiores al promedio del grupo de control.

La reacción natural sería desactivar la pantalla y reasignar a los ingenieros al siguiente ítem del roadmap.

El encuadre antes de abrir cualquier herramienta

Antes de sumergirme en los datos, estructuro cuatro preguntas, una práctica inspirada en enfoques de análisis orientado por hipótesis comunes en consultoría estratégica, adaptados al contexto de squads de producto:

¿Qué decisión se tomará con este resultado? 

El squad está considerando desactivar la pantalla y reasignar capacidad de ingeniería. Es una decisión concreta, con costos reversibles e irreversibles.

¿Qué tendría que ser verdad para cambiar esa decisión? 

La pantalla tendría que mostrar una retención equivalente al promedio, o un beneficio secundario que justifique la inversión continua.

¿Ya intentamos responder esto antes? 

No existe un análisis previo documentado, solo el dashboard semanal de monitoreo.

¿Cuál es el dato más simple que responde esto? 

Retención por grupo con prueba de significancia estadística, antes de cualquier modelado más sofisticado.

Lo que muestran los datos

Entonces ejecuto una prueba de proporciones (two-proportion z-test), comparando las tasas de churn de cada grupo de prueba contra el grupo de control.

Incluso con muestras relevantes de clientes, los dos grupos con mayor churn presentan p-values de 0.12 y 0.23. El p-value mide la probabilidad de que la diferencia observada haya ocurrido por azar. Cuanto menor el valor, más confiable es la conclusión. Valores por debajo de 0.05 suelen considerarse estadísticamente significativos.

Los resultados indican que la diferencia observada todavía es compatible con variación aleatoria. En otras palabras: no existe evidencia suficiente para concluir que la nueva pantalla esté causando cancelaciones.

Al observar métricas secundarias, esos mismos grupos muestran un aumento en el engagement con otras áreas de la app. Los clientes expuestos a la pantalla comienzan a explorar funcionalidades que antes no utilizaban (p < 0.01, con relevancia estadística).

En la práctica, la nueva pantalla está funcionando como puerta de entrada hacia otras experiencias del producto, incluso en los grupos que inicialmente parecían problemáticos.

El impacto

Dos horas de análisis estructurado transforman una decisión binaria (“desactivarla o no”) en una discusión mucho más sofisticada sobre lo que se gana y lo que se pierde en cada escenario.

El squad decide mantener la pantalla activa, ajustar el contenido mostrado a los grupos con mayor churn y establecer una nueva revisión en 30 días con criterios claros de éxito.

Sin ese encuadre, el costo estimado habría sido de tres a cuatro sprints de ingeniería reconstruyendo algo que, en la práctica, ya estaba funcionando.

Documentación de decisiones

La última etapa del proceso analítico es documentar toda decisión no trivial en un documento que incluya los datos, supuestos y trade-offs involucrados.

Sin documentación, los squads pierden contexto rápidamente. Meses después, nadie logra explicar por qué una funcionalidad fue descontinuada, y alguien termina reiniciando el mismo análisis desde cero para responder una pregunta que ya había sido resuelta antes.

Nuestra cultura analítica: rituales y aprendizaje continuo

Lo que más diferencia el ambiente analítico de Nubank, desde mi experiencia, es la combinación entre escala de datos y una cultura que trata las decisiones basadas en evidencia como un estándar operacional.

La iteración continua centrada en el usuario —que dio origen a productos como Street Mode y Smart Suggestions en la app— solo funciona porque los squads mantienen vivo el ciclo de análisis, decisión y documentación en cada sprint.

Algunos rituales ayudan a sostener eso en el día a día:

Revisión de decisiones: antes de que una decisión importante pase a ejecución, revisitamos preguntas como: ¿qué supuestos estamos haciendo? ¿Qué tan sólida es la evidencia? ¿Qué pasa si estamos equivocados?

Comunidades de práctica de análisis:BAs de distintos squads se reúnen periódicamente para compartir análisis, discutir metodologías y revisar casos donde el análisis cambió —o debería haber cambiado— una decisión.

Revisión entre pares: los análisis que respaldan decisiones de alto impacto pasan por la revisión de otra persona BA antes de ser presentados a stakeholders.

Onboarding analítico: los nuevos BAs pasan sus primeras semanas haciendo análisis en dupla con personas más experimentadas. El foco está menos en herramientas y más en juicio analítico: cómo estructurar un problema, qué vale la pena investigar y cuándo dejar de analizar.

 

Aprender a usar herramientas es más rápido. Aprender a encuadrar problemas lleva más tiempo.

Mi consejo para futuros Nubankers

Consejo 1: practica el encuadre antes del análisis

En las entrevistas de case de Nubank —el conocido Crack the Case— no buscamos únicamente personas capaces de llegar rápidamente a un número final.

Lo que evaluamos es la capacidad de estructurar un problema de manera lógica, separar factores financieros y no financieros y articular los trade-offs involucrados antes de entrar en los cálculos.

Un ejercicio simple: la próxima vez que recibas una solicitud de análisis, escribe en una línea quién es la persona que tomará la decisión y qué decisión se tomará con ese trabajo. Si no puedes responder eso con claridad, probablemente el alcance todavía necesita refinamiento.

Consejo 2: documenta supuestos, trade-offs y el costo de equivocarte

En las entrevistas y en el día a día, las personas que más se destacan son las que logran explicar claramente qué supuestos hicieron, qué riesgos existen en el enfoque y qué cambiaría la conclusión.

Un análisis con limitaciones bien documentadas demuestra más madurez analítica que un análisis técnicamente sofisticado sin trazabilidad.

Consejo 3: lidera con la recomendación, no con el reporte

Cuando presentes un análisis, empieza por la implicación:

“Los datos sugieren que deberíamos reasignar inversión de X hacia Y por esta evidencia.”

Solo después muestra los datos que respaldan la recomendación.

Esa estructura —recomendación primero, evidencia después— sigue el principio de la Pirámide de Minto y se acerca mucho a la forma en que las audiencias ejecutivas esperan consumir información. Señala que entiendes no solo los datos, sino también el contexto de decisión detrás de tu propio trabajo.

Construye el futuro con nosotros

Si usar datos para orientar decisiones de negocio que impactan a millones de clientes de Nu —y enfrentar desafíos analíticos complejos en el camino— es algo que te interesa, siempre estamos buscando Business Analysts para distintos squads de producto.