Resumen ejecutivo

• Un Product Analyst conecta comportamiento de usuarios con decisiones de producto: funnels, retención, experimentos y opportunity sizing.

• Stack típico: SQL + herramienta de product analytics (Amplitude/Mixpanel/GA4) + sheets/Notion para storytelling.

• No es Data Analyst “genérico” ni Product Manager: está en el medio, con ownership de métricas de producto.

• Podés entrar desde data (sumando product sense) o desde producto/ops (sumando SQL y rigor experimental).

Guía de Rol es de los tópicos que mejor rinden, y Product Analyst todavía no tenía un artículo propio. El ángulo: definición del rol, stack, diferencias con Data Analyst y PM, y puertas de entrada desde ambos lados. ¿Por qué ahora? Porque equipos de producto data-driven necesitan exactamente este puente entre insight y roadmap.

Qué hace un Product Analyst en la práctica

• Define y audita métricas (activation, retention, conversion, engagement).

• Arma funnels y cohortes; encuentra fricción.

• Soporta experimentos (diseño, SRM, lectura de resultados).

• Estimá impacto (“si arreglamos este drop, ¿cuántos usuarios/semana?”).

• Traduce hallazgo → recomendación accionable para PM/design/eng.

Para el marco vecino de BI, mirá Business Intelligence como carrera; para el rol de manager de producto, qué hace un Product Manager el primer año.

Métricas que mira (el core)

• Activation: % que llega al “aha” en N días.

• Retention / churn: curvas por cohorte.

• Conversion: pasos del funnel con drop-off.

• Engagement: DAU/WAU, frecuencia, depth.

• Quality: errores, latencia, tickets asociados a features.

Referencias: la guía de Amplitude sobre product analytics y el playbook de experimentación de Optimizely (A/B testing).

Stack típico

1. SQL (warehouse o réplica).

2. Amplitude / Mixpanel / PostHog / GA4.

3. Sheets o notebook para análisis ad hoc.

4. FigJam/Notion para comunicar.

Product Analyst vs Data Analyst vs PM

• Data Analyst: amplio (negocio, finance, ops); menos ownership de roadmap.

• Product Analyst: foco en producto y comportamiento; partner del PM.

• PM: decide priorización y narrativa; usa al PA para evidencia.

Si venís de data pura, reforzá el “qué es un data analyst” en esta guía introductoria y después especializate en funnels y experimentos.

Cómo entrar al rol

Desde data: publicá 2 case studies de funnel/retención; aprendé una tool de product analytics; sentate en discovery con PM.

Desde producto/ops: aprendé SQL hasta JOINs y ventanas básicas; pedí ownership de un tablero de feature; documentá un experimento.

Cursos recomendados de Coderhouse

El Curso de Data Analytics te da SQL y pensamiento analítico. Para entender el lado de producto, el Curso de Product Manager completa el puente. Si querés IA aplicada al análisis, sumá Introducción a la IA.

CTA: esta semana elegí una feature, armá su funnel en 4 pasos y escribí una recomendación con sizing. Formate el gap con Data Analytics o Product Manager en Coderhouse.

Preguntas frecuentes

¿Piden título de estadística? Ayuda, no es excluyente. SQL + product sense + comunicación pesan más en juniors.

¿Hay que saber Python? Bonus. SQL + tool de product analytics alcanza para muchos roles de entrada.

¿Es remoto? Frecuente en product-led companies; depende del seniority y la zona horaria.

¿Puedo pasar de PA a PM? Sí: es una de las pasarelas más naturales si sumás stakeholder management.