La demanda de analistas que sepan usar IA creció fuerte, pero casi todo el contenido disponible es teórico. Acá vamos al grano: cuál es el stack concreto que usan los analistas senior para combinar Python, BigQuery, un LLM y herramientas de BI, y automatizar buena parte del trabajo de reporting. No es magia, son cuatro capas que encajan.

Si trabajás con datos o querés entrar al rubro, dominar este stack es lo que separa a un analista que exporta planillas de uno que construye sistemas de datos. Y la buena noticia es que cada pieza es aprendible por separado.

Capa 1: Python, el pegamento de todo

Python sigue siendo la base. No por ser el más rápido, sino por su ecosistema: pandas para manipular datos, NumPy para cálculo, matplotlib y seaborn para visualizar. Un analista moderno usa Python para limpiar datos, correr transformaciones y orquestar todo lo demás.

Qué automatizás con Python

• Limpieza y validación de datasets antes de analizarlos.

• Conexión a bases de datos y APIs para traer información.

• Scripts que se ejecutan solos y refrescan reportes.

Capa 2: BigQuery, el motor de datos a escala

Cuando los datos no entran en una planilla, entra un data warehouse. BigQuery (o similares como Snowflake y Redshift) te permite consultar millones de filas en segundos usando SQL. El analista senior escribe SQL bien pensado y deja que el warehouse haga el trabajo pesado, en vez de bajar todo a su máquina.

La combinación clave

El patrón más común es: SQL en BigQuery para agregar y filtrar a gran escala, y Python para el análisis fino y la visualización. Aprender ambos lenguajes te vuelve autónomo de punta a punta. Si estás arrancando, esta introducción a qué hace un data analyst te ubica en el rol.

Capa 3: LLMs, el acelerador

Acá está el cambio de los últimos tiempos. Un LLM como GPT o Claude se integra al flujo de un analista de tres maneras concretas:

• Generación de SQL y código: le describís lo que necesitás y te devuelve la consulta o el script para revisar y ajustar.

• Explicación de resultados: convierte una tabla de números en un resumen en lenguaje natural listo para un ejecutivo.

• Clasificación y extracción: categoriza texto libre (reseñas, tickets) que antes había que leer a mano.

El LLM no reemplaza el criterio del analista: acelera las partes mecánicas. La habilidad nueva es saber pedirle bien y verificar lo que devuelve. El State of AI de McKinsey muestra que las organizaciones que integran IA en sus flujos de trabajo son las que capturan más valor.

Capa 4: BI y automatización de reportes

La última capa es la entrega. Herramientas como Looker Studio, Power BI o Tableau conectan directo al warehouse y muestran dashboards que se actualizan solos. Sumando un LLM, se pueden generar los comentarios del reporte automáticamente. El objetivo: que el analista deje de armar el mismo informe cada lunes.

Según el Future of Jobs Report del World Economic Forum, el análisis de datos y la IA están entre las habilidades de mayor crecimiento de la década, lo que refuerza por qué vale la pena construir este stack ahora.

Cómo se ve el flujo completo

Un reporte automatizado típico funciona así: BigQuery agrega los datos con SQL, un script de Python los procesa y valida, un LLM redacta el resumen ejecutivo y una herramienta de BI publica el dashboard. Lo que antes tomaba un día ahora corre solo en minutos.

Cursos recomendados de Coderhouse

Este stack se aprende por capas. Estas formaciones cubren distintos niveles:

• Nivel inicial: la Carrera de Data Analytics te forma en SQL, Python y visualización desde cero.

• Nivel intermedio: el Curso de Data Science I: Fundamentos profundiza en el análisis con Python.

• Sumar IA al stack: el Curso de AI Automation te enseña a conectar LLMs y automatizar reportes.

Empezá hoy: elegí una capa que todavía no domines y armá un mini-proyecto con datos reales. Ese portfolio es lo que te consigue el próximo trabajo.

Preguntas frecuentes

¿Tengo que aprender todo el stack a la vez?

No. Empezá por Python y SQL, que son la base. Los LLMs y las herramientas de BI se suman después y son más rápidos de incorporar una vez que tenés los fundamentos.

¿Necesito BigQuery o sirve otra base de datos?

BigQuery es un ejemplo popular, pero el concepto de data warehouse es lo importante. Snowflake, Redshift o incluso PostgreSQL cumplen el mismo rol de consultar datos a escala con SQL.

¿Los LLMs van a reemplazar a los analistas de datos?

No en el corto plazo. Automatizan tareas mecánicas como escribir SQL o resumir resultados, pero el criterio para hacer las preguntas correctas y validar los datos sigue siendo humano. El analista que usa IA le gana al que no la usa.

¿Cuánto tarda en aprenderse este stack?

Con dedicación constante, en pocos meses podés manejar Python y SQL a nivel laboral. Sumar LLMs y BI es cuestión de semanas adicionales una vez que tenés la base.