Analista de datos en el casino: BI, métricas GGR/NGR y bandas salariales

En un casino cada giro de un slot, cada depósito y cada bono rechazado son una fila en una base de datos. Alguien tiene que convertir millones de esas filas en cifras comprensibles: cuánto ha ganado realmente la plataforma, a quién retener con un bono y a quién toca ya enseñarle los límites de depósito. Ese es el trabajo del analista de datos, una de las profesiones más demandadas del iGaming y, a la vez, una de las que menos «pinta de juego» tiene: por fuera es SQL y dashboards corrientes, pero por dentro hay métricas que no aparecen en los manuales de analítica de producto. Analizamos a qué se dedica un analista de datos en un casino, qué cifras maneja cada día, qué stack hace falta, en qué se diferencia este rol de la analítica de producto clásica y cuánto se paga por ello en 2026.

La demanda de este rol crece más rápido que la de la mayoría de las otras profesiones de la industria: los operadores escalan al mismo tiempo el número de mercados, añaden nuevos proveedores de juegos y endurecen las exigencias de los reguladores sobre la transparencia del reporting; y sin alguien capaz de sacar de ese flujo una cifra limpia y defendible ante un auditor, ninguno de estos procesos funciona.

Qué hace un analista de datos en el casino

Formalmente el rol se llama Data Analyst o BI Analyst, pero en la práctica es el nexo entre producto, marketing, CRM, compliance y el director financiero: todos ellos llegan regularmente con la pregunta «¿qué tal van los números?». Las áreas principales de responsabilidad:

• Reporting periódico. GGR y NGR desglosados por producto (slots, casino en vivo, apuestas), geo, segmento VIP y proveedor de juegos, normalmente semanal y mensual para la dirección.
• Dashboards self-serve. Tableau, Power BI o Looker para los equipos de CRM, marketing y producto, para que los managers vean las cifras por sí mismos en vez de escribirle al analista cada día por privado.
• Tests A/B. Comprobación de hipótesis sobre mecánicas de bono, el embudo de registro, landings y campañas de email/push, teniendo en cuenta que las ganancias de los jugadores distorsionan mucho la muestra.
• Modelos de LTV y de churn. Predicción de cuánto NGR aportará un jugador durante toda su vida en la plataforma, y quién de los activos ahora mismo se irá el mes que viene.
• Segmentación de jugadores. Análisis RFM, clustering por comportamiento: la base de las campañas de CRM y de la definición de los umbrales VIP.
• Investigaciones ad hoc. «Por qué se hundió el NGR en Alemania la semana pasada»: y el analista ya está cruzando el tipo de cambio, el presupuesto de marketing, el downtime técnico y una nueva ley de límites.

Una parte aparte, y cada vez más importante, del trabajo son las investigaciones conjuntas con los equipos de antifraude y compliance: los patrones anómalos de apuestas, los indicios de multicuentas o de abuso de bonos se ven primero justo en los datos, y el fraud analyst trabaja casi a ciegas sin las extracciones del analista de datos.

Métricas imprescindibles: GGR, NGR, RTP, LTV, retention

Lo primero que aprende un analista que llega al iGaming desde el e-commerce o el SaaS: aquí no se calcula el MRR ni el DAU, sino el GGR y el NGR, y confundirlos es como confundir facturación con beneficio.

La particularidad del casino es que el GGR y el NGR son métricas extremadamente «ruidosas»: un jackpot grande puede hundir el GGR diario de todo un producto, y la primera tarea del analista es enseñar a la dirección a no entrar en pánico por caídas de un solo día, y a mirar la media móvil en su lugar.

A los inversores y al consejo de administración suele interesarles más la evolución del NGR que la del GGR: un GGR al alza con un gasto en bonos creciendo aún más deprisa puede significar que el operador simplemente está comprando ingresos con promociones agresivas en lugar de hacer crecer una base sana de jugadores. Separar esos dos escenarios es una tarea típica del analista al preparar el informe trimestral, y sin una mirada por cohortes (cuánto NGR aportan los jugadores captados en enero a los tres y a los seis meses) no hay forma honesta de hacerlo.

El ciclo de trabajo: del dashboard al experimento

Casi no existe un «día típico» único para un analista de casino: el conjunto de tareas depende mucho de si trabaja solo para un operador pequeño o en un equipo de una decena de analistas dentro de un holding grande. Pero el ritmo semanal es reconocible en la mayoría de las empresas:

Stack: SQL, Python y la capa de BI

El stack tecnológico no es exótico: la dificultad no está en las herramientas, sino en el volumen y la especificidad de los datos: cada giro en un slot, cada apuesta en el casino en vivo y cada evento en las apuestas deportivas genera una fila, y las tablas crecen fácilmente hasta miles de millones de registros.

• SQL: imprescindible y de uso diario. Joins complejos entre tablas de transacciones y rondas de juego, funciones de ventana para el análisis de cohortes, optimización de consultas sobre grandes volúmenes.
• Python (pandas, numpy, scikit-learn o statsmodels). Modelos de LTV y de churn, automatización de informes periódicos, estadística para tests A/B.
• Herramientas de BI. Tableau, Power BI o Looker/Looker Studio: dashboards self-serve para CRM, marketing y el equipo VIP.
• Data warehouse. Snowflake, BigQuery, ClickHouse o Redshift: dado el volumen de eventos (cada giro, cada apuesta), la elección del motor afecta mucho a la velocidad de trabajo del analista.
• dbt y orquestación (Airflow, Dagster). No siempre son obligatorios para junior/middle, pero aparecen cada vez más y abren la puerta al analytics engineering.
• Estadística para experimentos. Entender por qué un t-test normal falla con datos que tienen ganancias grandes y poco frecuentes, y cómo calcular la significación en esas condiciones.
• Excel/Google Sheets: sigue aquí. Una comprobación rápida de una hipótesis o un informe puntual para un solo stakeholder a menudo se monta más rápido en una hoja de cálculo que desplegando un dashboard aparte para eso.

La especificidad del gambling añade sus propios matices sobre el stack estándar: los eventos llegan no solo desde la web y la app, sino directamente de los proveedores de juegos y de las pasarelas de pago, así que el analista tiene que cruzar varias fuentes de verdad y averiguar por qué la cifra del informe del proveedor no coincide con el tracking interno.

Un portafolio con un par de casos de SQL/Python y una explicación clara de cómo se calcula el NGR suele pesar más que un título en data science: los requisitos de stack en las vacantes reales varían mucho de una empresa a otra.

Cuánto se paga por grado

Dominar Python y tener experiencia construyendo modelos predictivos (LTV, churn) suele sumar un 15–25% a la banda salarial frente a un perfil puro de SQL/BI del mismo grado. El catálogo completo de más de 20 roles de la industria está en fichero de profesiones.

En qué se diferencia de la analítica de producto

El analista que pasa al iGaming desde el producto clásico o el SaaS suele atravesar tres momentos de reaprendizaje:

• Un conjunto distinto de métricas clave. En vez de MRR, ARR y churn rate de suscripciones, aparecen GGR, NGR, hold y RTP, que se calculan con fórmulas completamente distintas y dependen mucho de la mecánica de bonos y de las tasas de licencia.
• El circuito regulatorio alrededor de los datos. El juego responsable (Responsible Gambling) y los requisitos del licenciatario significan que parte de los modelos no buscan crecer los ingresos, sino métricas de riesgo obligatorias: señales de comportamiento problemático, límites, autoexclusión.
• Una volatilidad extrema de los ingresos. Un solo jackpot de varios cientos de miles de euros puede «romper» el informe diario de GGR como no lo hace ninguna métrica en el e-commerce normal: hacen falta métodos resistentes a los valores atípicos y medias móviles.
• La multijurisdicción. Un mismo producto convive bajo licencias distintas (MGA, UKGC, Curaçao) en distintos países: la segmentación por geo es obligatoria en casi todos los informes, no opcional.
• Un círculo distinto de stakeholders. En vez del habitual producto y marketing, aparecen compliance, antifraude, y en las empresas con apuestas deportivas, además, el equipo de trading, que vive de las métricas de margen y de movimiento de línea, no solo de retention.

En cambio se traslada exactamente lo mismo: SQL, Python, estadística de tests A/B y la capacidad de explicar a un manager no técnico qué significa la cifra de un dashboard. El dominio —RTP, wager, GGR/NGR— se aprende sobre la marcha en un par de meses. Caso aparte son el betting y el betting de esports: ahí se añade el trabajo con líneas y cuotas, y parte de los analistas se van desplazando con el tiempo hacia el trading, donde las decisiones se toman en tiempo real y no a partir del informe semanal.

Cómo entrar en la profesión

1. El portafolio pesa más que el título. Un par de casos con datos públicos (por ejemplo, calcular retention o LTV sobre un dataset open source) con SQL y Python claros zanjan el tema de la formación reglada.
2. Casi siempre hay una prueba técnica. El formato típico es escribir una consulta que calcule el NGR por días y segmentos, o interpretar un gráfico de retention hundido artificialmente.
3. El dominio se aprende ya en el puesto. Los términos GGR, NGR, RTP, wager y hold se explican en el onboarding en 2–4 semanas; no hace falta conocer la especificidad de antemano, pero sí conviene reforzar el SQL y la estadística antes de la entrevista.
4. Profesiones afines: una entrada rápida. La experiencia en BI o en analítica de producto de e-commerce/fintech se traslada casi sin pérdidas.

Hacia dónde crecer

El data analyst en el casino no es un puesto sin salida, sino un hub del que parten varias trayectorias a la vez:

• BI / Analytics Engineer. Si lo tuyo no es construir modelos sino la arquitectura de data marts y dashboards self-serve, el paso lógico es hacia el BI analyst.
• Matemáticas de juego. Un conocimiento profundo del RTP y de la volatilidad de los juegos lleva a parte de los analistas a convertirse en matemáticos de juego, que diseñan la mecánica de los slots.
• CRM / Retention Lead. Los modelos de churn y la segmentación son una vía directa hacia la gestión de retención; más detalles en el perfil de CRM manager.
• Analítica de producto / Product Manager. Entender el embudo y el LTV abre el paso hacia el product management dentro del operador.
• Analítica VIP. La segmentación de los grandes jugadores por LTV está muy ligada al trabajo del VIP manager — es justo sobre los datos del analista donde se construye la decisión de a quién pasar a una cartera VIP personal.

Las vacantes abiertas con la banda salarial y el stack indicados están en la sección de empleos activos para data analysts. El resumen general de salarios de la industria para 2026 está en el artículo «Salarios en el iGaming 2026».

Preguntas frecuentes

¿Hace falta un título en data science? No. Los empleadores se fijan mucho más en el SQL, el Python y un portafolio con casos reales que en la formación reglada.

¿Se puede pasar desde la analítica de producto de e-commerce o SaaS? Sí, es una de las vías de entrada más habituales: la técnica se traslada por completo, y la especificidad de GGR/NGR/RTP y la regulación se aprenden en los primeros meses. Sobre otras formas de entrar en la industria sin experiencia, en el artículo «Cómo entrar en iGaming sin experiencia».

¿Python sube mucho la banda salarial frente al SQL puro? Normalmente un 15–25% en el mismo grado, sobre todo si hay experiencia construyendo modelos de LTV o de predicción de churn, y no solo analítica descriptiva.

¿En qué se diferencia un analista de casino de un analista de apuestas deportivas? La base —SQL, Python, las métricas GGR/NGR— es la misma. En las apuestas deportivas y en el ciber-betting se añade el trabajo con las cuotas, el margen de la casa de apuestas y la velocidad de los datos en tiempo real, lo que acerca el rol al trading mucho más que en el casino clásico.