Hacer la transición a Data Science cuando ya tenés un trabajo full time es más difícil que hacerla desde cero, pero también mucho menos riesgoso. Tenés ingreso estable, tenés contexto de negocio que a un recién egresado le falta y, si elegís bien, tenés acceso a datos reales dentro de tu propia empresa. El desafío es de gestión del tiempo y de secuencia, no de capacidad.

Esta guía ordena el camino en etapas concretas, con foco en lo que se puede hacer con diez a doce horas semanales sin renunciar antes de tiempo.

Por qué la transición lateral funciona mejor que el salto

La mayoría de la gente imagina la transición como un corte: renuncio, estudio seis meses, busco trabajo de Data Scientist. En la práctica, los casos que funcionan siguen otro patrón:

1. Aprenden las herramientas mientras siguen trabajando.

2. Empiezan a aplicarlas dentro de su rol actual, aunque su puesto no diga "datos".

3. Construyen un portfolio con problemas reales de su propia industria.

4. Se mueven primero a una posición de datos dentro de su empresa, o a una empresa del mismo rubro.

Este camino es más lento en el papel pero llega antes, porque resuelve el problema que más frena a quienes cambian de carrera: la falta de experiencia demostrable. Si venís de finanzas, logística, salud o marketing, ese conocimiento de dominio es un activo que un perfil técnico puro no tiene. Las empresas contratan analistas que entienden el negocio, no solo gente que sabe entrenar modelos. Es una de las conclusiones que se repite en el State of AI de McKinsey: el cuello de botella para escalar proyectos de datos e IA no suele ser técnico, sino de integración con los procesos del negocio.

Etapa 1: la base técnica (meses 1 a 4)

Tres habilidades, en este orden:

SQL primero

Es lo más rentable por hora invertida. Con SQL sólido ya podés hacer análisis reales, y es lo que más se evalúa en entrevistas de posiciones de entrada. Apuntá a manejar joins, funciones de ventana, agregaciones y subconsultas con soltura.

Python para análisis

No hace falta convertirse en desarrollador. Necesitás pandas para manipular datos, matplotlib o seaborn para visualizar, y entender estructuras básicas del lenguaje. La comparación entre Excel y Python para análisis de datos ayuda a ubicar cuándo conviene dar este salto.

Estadística aplicada

Distribuciones, correlación, significancia, sesgos de muestreo. Es la parte que más gente saltea y la que más rápido delata a un analista que no sabe lo que está haciendo. No necesitás demostrar teoremas: necesitás saber cuándo un resultado no significa lo que parece.

Etapa 2: aplicar en tu trabajo actual (meses 3 a 8, en paralelo)

Este es el atajo que la mayoría desaprovecha. Sin cambiar de puesto, podés:

• Automatizar un reporte que hoy se arma a mano. Casi todas las áreas tienen uno. Pasarlo a un script es un proyecto de portfolio con impacto medible.

• Proponer un análisis que nadie pidió. Detectar patrones de churn, estacionalidad en ventas, cuellos de botella en un proceso.

• Pedir acceso a los datos. Muchas veces basta con pedirlo. Hablar con el equipo de datos de tu empresa abre puertas que un curso no abre.

• Documentar lo que hacés. Cada análisis que completes es material para tu portfolio y para tu currículum, aunque tu puesto siga llamándose igual.

Un proyecto real hecho dentro de una empresa vale, para un reclutador, muchísimo más que cinco proyectos con datasets públicos que ya analizaron miles de personas.

Etapa 3: especialización y portfolio (meses 6 a 12)

Acá se define hacia dónde apuntás, porque "Data Science" abarca perfiles muy distintos:

Para quien viene de otra carrera, la puerta de entrada más realista es Data Analyst o Analytics Engineer. Data Scientist puro suele pedir más formación cuantitativa formal y es un salto más largo. Conviene ver también qué especializaciones de Data Science contratan más antes de decidir el foco, porque la demanda se movió bastante en los últimos meses.

El portfolio que funciona

Tres proyectos bien hechos superan a diez superficiales. Cada uno debería tener: una pregunta de negocio clara, datos que no sean el dataset de Titanic, código legible en un repositorio público, y una conclusión escrita en lenguaje de negocio. Ese último punto es el que más se descuida y el que más diferencia. La guía sobre portafolios de data science que consiguieron trabajo muestra qué tenían en común los que sí funcionaron.

Etapa 4: la búsqueda (meses 10 en adelante)

Tres caminos, ordenados de mayor a menor probabilidad de éxito:

1. Movimiento interno. Ya conocés el negocio, ya tenés credibilidad. Muchas empresas prefieren formar a alguien de adentro antes que contratar afuera.

2. Misma industria, nuevo rol. Tu conocimiento de dominio te da ventaja competitiva frente a candidatos con perfil técnico más fuerte pero sin contexto.

3. Cambio total. El más difícil como primer paso. Funciona mejor como segundo movimiento, una vez que ya tenés un año de experiencia con el título de datos.

Cómo sostener el ritmo sin quemarte

Este es el factor que más determina si la transición se completa o queda a mitad de camino.

• Bloques fijos, no tiempo libre. Dos horas agendadas tres veces por semana funcionan mejor que "cuando pueda".

• Proyecto por encima de curso. Cursar es pasivo; construir obliga a resolver problemas reales.

• Aceptá meses malos. Va a haber semanas de cierre trimestral donde no avances nada. No es fracaso, es el costo de mantener el ingreso.

• Buscá comunidad. Hacer esto solo durante un año es la principal causa de abandono.

• Medí en entregables, no en horas. "Terminé el análisis de cohortes" es progreso; "estudié seis horas" puede no serlo.

El efecto de la IA sobre este camino

Los asistentes de código cambiaron la ecuación en dos direcciones. Por un lado bajaron la barrera: escribir una consulta compleja o un script de limpieza es mucho más rápido con ayuda de un modelo. Por otro subieron la vara: si el código lo puede generar cualquiera, lo que se paga es el criterio para formular la pregunta correcta, validar que el resultado tenga sentido y comunicar la conclusión. Según el Future of Jobs Report del Foro Económico Mundial, los roles vinculados a análisis de datos e IA siguen entre los de mayor crecimiento proyectado, pero el contenido de esos roles se está corriendo hacia interpretación y decisión.

Para alguien que viene de otra carrera, esto es buena noticia: el conocimiento de negocio pesa más que antes.

Cursos recomendados de Coderhouse

• Curso de SQL — el primer paso con mejor relación esfuerzo/resultado. Corto y directamente evaluado en entrevistas.

• Curso de Python — la base de programación que vas a usar en todo el resto del recorrido.

• Curso de Data Analytics — el puente entre saber consultar datos y saber responder preguntas de negocio con ellos.

• Carrera de Data Scientist — la ruta completa, con machine learning y proyectos, para quien ya definió que quiere llegar hasta ahí.

• Diplomatura en Data — la opción más abarcativa si buscás una formación estructurada y certificada de largo alcance.

Si estás empezando y trabajás full time, la secuencia SQL → Data Analytics → Python es la que menos se abandona a mitad de camino.

Preguntas frecuentes

¿Cuánto tiempo lleva la transición a Data Science trabajando full time?

Con diez a doce horas semanales sostenidas, entre doce y dieciocho meses hasta conseguir el primer rol de datos. El rango es amplio porque depende mucho de si podés aplicar lo aprendido en tu trabajo actual: quienes lo hacen suelen llegar en el extremo bajo del rango, quienes solo cursan y hacen proyectos personales tardan más.

¿Necesito estudiar una carrera universitaria de nuevo?

No para roles de Data Analyst o Analytics Engineer, donde el portfolio y las pruebas técnicas pesan mucho más que el título. Para posiciones de Data Scientist en investigación o en empresas que exigen formación cuantitativa formal, un posgrado puede abrir puertas. Para la gran mayoría de las búsquedas del mercado, la formación específica más un portfolio sólido alcanza.

¿Conviene renunciar para dedicarme a estudiar?

Salvo que tengas un colchón financiero de al menos un año, no. La transición tarda más de lo que uno calcula y la presión económica empeora las decisiones: te lleva a aceptar el primer puesto que aparezca en vez del que construye carrera. Además, tu trabajo actual es tu mejor fuente de proyectos reales, y eso lo perdés al renunciar.

¿Qué pasa si mi trabajo actual no tiene nada que ver con datos?

Casi todos los trabajos tienen datos, aunque el puesto no lo diga. Reportes, planillas, registros de clientes, métricas operativas. El primer paso es identificar una tarea repetitiva que involucre información y automatizarla o analizarla. Ese proyecto, con datos de tu propia empresa y un impacto que puedas cuantificar, es más valioso que cualquier ejercicio de curso.

¿Voy a cobrar menos al hacer el cambio?

Es posible en el primer movimiento, sobre todo si venís de un puesto senior en otra industria y entrás a datos como junior. La compensación suele recuperarse en uno o dos años, porque la curva salarial en datos es empinada en los primeros niveles. Una forma de reducir esa caída es hacer el movimiento dentro de tu empresa o industria, donde tu conocimiento de dominio se valora en la negociación.

¿Data Analyst o Data Scientist como primer rol?

Data Analyst, en la enorme mayoría de los casos. Es la puerta de entrada más accesible, la que más vacantes tiene y la que te da experiencia real con datos de producción. Desde ahí, moverse a Data Scientist o Data Engineer es mucho más simple que entrar directo a esos roles desde afuera del campo.