Especialista en datos on-chain, investigación e IA asistida
← Rutas por rol · Matriz de trazabilidad · Revisión: 2026-10-12
Identidad y propósito
Denominaciones habituales en inglés: On-chain Data Analyst, Blockchain Analytics Engineer, Blockchain Researcher, AI-assisted Blockchain Security Analyst.
Construye pipelines reproducibles y análisis on-chain; usa estadística, grafos e IA como asistencia, con verdad de campo, procedencia y validación humana.
Propósito organizacional. Convertir datos públicos en conclusiones útiles sin perder precisión, duplicar registros, inventar causalidad o automatizar acusaciones.
Títulos y especializaciones agrupados: Blockchain Researcher, On-chain Data Analyst, AI-assisted Blockchain Security Analyst, Blockchain Analytics Engineer.
Responsabilidades y trabajo cotidiano
Responsabilidades
- Extraer con checkpoints y reorg handling
- normalizar y validar
- crear métricas y grafos
- evaluar detectores
- documentar procedencia y límites
Actividades cotidianas
- Mantener pipelines
- investigar anomalías
- validar etiquetas
- comparar hipótesis
- publicar notebooks/informes reproducibles
Entornos de desempeño
- Analytics y compliance
- investigación
- protocolos y producto
- seguridad
Base de entrada
Conocimientos básicos
- Programación
- estadística
- SQL
- modelos de cadena
- método científico
Requisitos previos
- Clases 1–12 y 57–58
- estadística descriptiva
- no confundir dirección con identidad
Competencias
Técnicas
- RPC y eventos
- ETL idempotente
- BigInt y unidades
- grafos
- precision/recall
- IA con revisión humana
No técnicas
- Escepticismo
- comunicación visual
- privacidad
- reproducibilidad
Herramientas y tecnologías
- Node.js
- JSON-RPC
- SQL
- formatos CSV/JSON
- herramientas de IA sin datos sensibles
Recorrido curricular reutilizable
Clases obligatorias recomendadas
3. Hashes, integridad y compromisos · 4. Firmas, claves y ciclo de vida · 5. Replicación, latencia y fallas · 6. Redes P2P y adversarios · 9. UTXO y anatomía de una transacción · 10. Verificación, minería y operación segura · 11. Cuentas, estado y transacciones Ethereum · 12. EVM, ABI y costo de ejecución · 21. Oráculos y calidad del dato · 22. Eventos, indexación y disponibilidad · 29. Compromisos y pruebas de conocimiento cero · 30. SNARK, STARK y privacidad real · 32. MEV y arquitectura de producción · 33. Operar nodos con objetivos medibles · 34. Resiliencia, actualización e incidentes · 57. Extraer y normalizar datos on-chain · 58. Grafo, anomalías y límites de atribución · 65. Forensics con evidencia reproducible · 66. Auditoría, cumplimiento y gobierno custodial
Clases complementarias
19. Modelado de amenazas y revisión manual · 20. Auditoría reproducible y remediación · 27. Mensajes y activos entre cadenas · 28. Modelo de amenazas de puentes · 39. AMM, liquidez y formación de precio · 40. Préstamo, colateral y riesgo DeFi · 55. Leer regulación desde la fuente · 56. Cumplimiento basado en riesgo · 59. Exchanges, custodia y libros internos · 60. Wallets operacionales y evidencia blockchain · 61. Tres realidades contables · 62. Conciliación y gestión de diferencias
Laboratorios esenciales
21. Anatomía de una transacción pública · 24. Eventos y topics · 35. Indexador de eventos · 72. Anatomía de un bloque campo por campo · 73. Transacción Bitcoin frente a transacción EVM · 74. Extracción por RPC con checkpoint y reorganización · 75. Normalizar, validar y almacenar sin duplicar · 76. Direcciones activas, volumen y comisiones · 77. Eventos de un contrato de token · 78. Grafo de direcciones y transacciones
Laboratorios avanzados
49. Simulación de emisión, mercado y concentración · 79. Rastreo de fondos en un caso simulado · 80. Fan-in, fan-out y cadena de pelado · 81. Detección de anomalías y su evaluación · 82. Panel de indicadores on-chain · 83. Explorador analítico (proyecto final de la unidad) · 86. Conciliación de tres registros · 87. Corte, procedencia y excepciones · 90. Grafo, privacidad y falsa atribución · 91. Caso Aurora Custody
Niveles de desempeño demostrado
| Nivel | Evidencia observable |
|---|---|
| Fundamental | Lee bloques y transacciones |
| Aplicado | Completa 72–78 |
| Autónomo | Construye pipeline idempotente |
| Avanzado | Evalúa detectores y sesgos |
| Profesional integrador | Publica investigación reproducible defendida |
Estos niveles describen aprendizaje demostrado; no equivalen a antigüedad, seniority ni experiencia laboral real.
Proyecto profesional integrador
investigación on-chain reproducible
Pregunta, extractor, dataset con procedencia, métricas, detector evaluado, visualización y conclusión acotada.
Criterios de aceptación
- checkpoint y reorg handling
- unidades sin pérdida
- truth set y métricas
- IA declarada y verificada por humano
Consideración ética y de seguridad. Privacidad, no atribución automática y trazabilidad de toda transformación.
Evidencias y evaluación
Evidencias de aprendizaje
- código ETL
- dataset
- diccionario
- métricas
- informe
- registro de prompts si se usa IA
Métodos de evaluación
- reproducción
- casos borde
- precision/recall
- revisión de inferencias
Juicio profesional
Errores frecuentes
- Float para unidades mínimas
- doble conteo
- ignorar reorgs
- correlación igual a causa
- salida de IA igual a evidencia
Seguridad, ética y normativa
- Procedencia
- minimización
- validación humana
- sin doxxing ni scoring opaco
Diferencias frente a roles relacionados
- Analytics engineer construye pipelines
- Data analyst responde preguntas
- Researcher formula y contrasta hipótesis
- AI-assisted analyst usa IA como herramienta, no autoridad
Posibles especializaciones
- ETL multichain
- Grafo
- Detección
- Research
- AI-assisted review
Evolución profesional posible
- Analista
- owner de pipeline/investigación
- líder de analytics o investigación aplicada
Cobertura y brechas
Cobertura actual: Completa y verificada.
- No cubre modelos ML de producción ni MLOps; IA se limita al dominio blockchain con validación humana
La cobertura sólo se considera completa cuando hay contenido suficiente y evidencia evaluable; una mención temática no cuenta como dominio.