Modern data stack para pyme: la versión que sí cabe en tu presupuesto.
Las cinco piezas que componen un stack moderno de datos, cómo encajan, qué cuesta de verdad montarlo en pyme española y por dónde empezar sin volcarte en infra que no necesitas todavía.
Actualizado mayo 2026
El modern data stack no es una herramienta. Es un patrón de arquitectura.
El modern data stack (MDS) es un conjunto de herramientas cloud-native que han ido sustituyendo el ETL clásico desde 2018-2020. La idea: separar ingesta, almacenamiento, transformación y consumo, conectándolas con estándares (SQL, API) y pagando solo por uso.
Las cinco piezas son: ingesta (Fivetran, Airbyte), data warehouse (Snowflake, BigQuery, Databricks), transformación (dbt), BI (Metabase, Looker, Superset) y opcionalmente reverse ETL (Hightouch, Census) para devolver datos modelados a herramientas operativas.
Para pyme española la versión realista no incluye todo desde el día uno. Empezar con 3 piezas bien montadas (ingesta + warehouse + BI) y meter dbt en cuanto haya más de 5 modelos es la receta que vemos funcionar. Ver dbt vs Fivetran vs Airbyte.
Tres versiones del stack según fase de la pyme
No todo el mundo necesita Snowflake. No todo el mundo se queda con hoja de cálculo.
Stack arranque (mes 1-6)
Airbyte Cloud (5-10 fuentes) + BigQuery (volumen bajo) + Metabase Cloud + dbt Core. Total operativo 200-600 €/mes. Cubre 80% del caso pyme con 1-2 personas usándolo. Aquí es donde empieza el 90%.
Stack consolidado (mes 6-24)
Fivetran o Airbyte Cloud Pro + BigQuery o Snowflake + dbt Cloud + Metabase Pro + posible reverse ETL inicial. Total operativo 1.500-4.000 €/mes. Cubre departamentos completos. Aquí ya hay 1 perfil data interno.
Stack avanzado (24+ meses)
Fivetran Enterprise + Snowflake o Databricks + dbt Cloud Enterprise + Looker o Metabase Enterprise + Hightouch/Census + observabilidad data + semantic layer. Total operativo 7.000-25.000 €/mes. Equipo data dedicado de 3-8 personas.
Qué hace cada una y cuál es su alternativa pyme.
1. Ingesta (EL del ELT). Mueve datos desde fuentes (Stripe, HubSpot, ERP, base operativa) al warehouse. Líderes: Fivetran (gestionado caro) y Airbyte (open-source con cloud). En pyme también vemos Stitch, Hevo o pipelines Python custom para fuentes españolas raras (SAGE, A3, Holded). Ver dbt vs Fivetran vs Airbyte.
2. Data warehouse. Almacena datos crudos y modelados, procesa consultas analíticas. BigQuery, Snowflake o Databricks son las tres opciones realistas en MDS. Ver Snowflake vs BigQuery vs Databricks. Para pyme española, BigQuery por defecto.
3. Transformación. dbt es el estándar. Modela datos crudos en tablas finales con SQL versionado, tests automáticos y documentación generada. Sustituye los scripts ad-hoc que antes corrían en cron. dbt Core gratis para empezar, dbt Cloud cuando el equipo crece.
4. BI y consumo. Metabase, Looker, Superset, Power BI o herramienta similar. Ver Looker vs Metabase vs Superset. Aquí también entran notebooks (Hex, Mode) y producto data (recomendadores, scoring) que consumen modelos finales.
5. Reverse ETL (opcional al principio). Devuelve datos modelados del warehouse a herramientas operativas (HubSpot, Salesforce, Braze, Customer.io). Líderes: Hightouch, Census, Castled. Tiene sentido cuando ya hay modelado dbt maduro. Ver reverse ETL: Hightouch, Census, Castled.
Roadmap realista de 12 meses para pyme
Mes 1 · Casos de uso y mapa de fuentes
Antes que cualquier compra: 5-10 preguntas de negocio concretas que quieres responder. Mapa de fuentes con volumen estimado. Sin esto, gastas en infra ociosa. Reunión de 2-3 horas con dirección comercial, finanzas y operaciones.
Mes 2 · Warehouse y primera ingesta
Crear cuenta BigQuery o Snowflake. Conectar 2-3 fuentes prioritarias con Airbyte Cloud o Fivetran. Comprobar que los datos llegan. Aún sin transformaciones complejas: solo verificar pipeline básico.
Mes 3-4 · dbt y primeros modelos
Repositorio dbt en Git con 5-10 modelos finales que respondan a los casos de uso del mes 1. Tests básicos (unicidad, not_null, referencias). Documentación generada. Es la pieza que más valor da por euro invertido.
Mes 4-6 · BI productivo
Metabase Cloud conectado al warehouse, consumiendo modelos dbt. 8-15 dashboards prioritarios con owner asignado. Formación al equipo de negocio (4-8 horas). Reunión semanal de revisión de uso y datos.
Mes 6-9 · Ampliar fuentes y modelos
Sumar 5-10 fuentes más, llegar a 25-40 modelos dbt, segundo nivel de dashboards por departamento. Aquí aparece la necesidad real de un perfil data interno o contratar más horas externas.
Mes 9-12 · Reverse ETL y observabilidad
Si ya hay modelos maduros y se necesita devolver datos a CRM o marketing automation: Hightouch o Census. Observabilidad de pipelines (Monte Carlo, Elementary, Datafold) cuando hay 50+ modelos y SLA de frescura. Ver <a href="/blog/observabilidad-llm-pyme" class="text-magnetia-red underline">observabilidad LLM</a> como inspiración del enfoque.
Lo que vemos roto en stacks pyme
Comprar herramientas antes de tener casos
Contratar Fivetran + Snowflake + Looker en mes 1 sin tener claros los casos de uso. Tres meses después: stack vacío, factura subiendo, nadie usa nada. Casos de uso primero, herramientas después.
dbt sin disciplina
dbt potente solo con tests y documentación. Sin esto se convierte en un montón de SQL desordenado. Mínimo: 1 test por columna PK, naming convention clara, models/marts separados, exposures documentadas.
BI antes que warehouse modelado
Dashboards montados directamente sobre datos crudos, con SQL gigante dentro del BI. Cada cambio en una fuente rompe dashboards. Modelar en dbt, BI consume modelos finales.
No nombrar owner del stack
Sin una persona responsable (interna o externa) el stack se desmonta solo en 6 meses. Mínimo: alguien con 4-8 horas/semana de cuidado activo. Ver consultoría IA pymes.
Checklist práctica antes de montar MDS
Casos de uso priorizados por valor
5-10 preguntas de negocio con valor estimado: "Saber CAC por canal", "Ver MRR por cohorte", "Detectar clientes en riesgo". Sin esto, todo lo demás es decoración.
Inventario de fuentes con dueño
Cada sistema con: dueño interno, volumen, frecuencia necesaria, criticidad. Sin dueño, las conexiones se rompen y nadie se entera.
Presupuesto realista a 12 meses
No solo licencias: también consultoría externa o salario interno. Stack arranque pyme honesto: 6-15 k€ setup + 4-10 k€/año operativo. No menos.
SLA mínimo de frescura por caso
Para cada dashboard: ¿necesita datos en tiempo real, cada hora, diario? La frescura cara cuesta dinero. La mayoría de casos pyme aguantan refresco diario y se ahorran 60% en cómputo.
Plan de formación al equipo de negocio
Sin formación a comercial, marketing, finanzas, el BI lo usan 2 personas. Mínimo 4-8 horas de formación práctica + sesiones de seguimiento mensual durante 3 meses.
Dudas que nos hacéis llegar
¿Quieres montar tu modern data stack sin sobre-ingeniería?
Diagnóstico de fuentes, casos de uso prioritarios y roadmap a 12 meses. Stack pyme realista, con coste honesto y resultados medibles.