Reconvertirse a Data Science desde otra profesión es viable, pero no es rápido ni lineal. Esta es una hoja de ruta de seis meses basada en cómo se ven las transiciones reales: qué aprender en cada tramo, qué perfiles tienen ventaja, qué esperar del mercado laboral y cuáles son los errores que más alargan el proceso.

La pregunta detrás de "¿vale la pena estudiar data science?" casi nunca es sobre la disciplina en sí. Es sobre el riesgo: dejar algo que ya funciona para apostar a un campo nuevo. Y ahí conviene ser preciso, porque las dos respuestas extremas —"es la profesión del futuro" y "ya está saturado"— son igual de inútiles.

Los datos duros ayudan a calibrar. El Future of Jobs Report del World Economic Forum ubica a los especialistas en big data y a los perfiles de IA y machine learning entre los roles de crecimiento más rápido, con una proyección de 11 millones de nuevos puestos vinculados a IA y procesamiento de datos hacia 2030. La demanda existe. Lo que cambió es dónde está: ya no solo en tecnología, sino en salud, logística, finanzas, agro y sector público.

El matiz que conviene tener presente: el trabajo de McKinsey sobre el estado de la IA muestra que, aunque el 88% de las organizaciones ya usa IA en alguna función, solo alrededor del 23% escaló un sistema agéntico. Es decir: hay mucha adopción superficial y poca profundidad. Eso significa demanda sostenida de perfiles que sepan pasar del piloto a la operación.

Quiénes tienen ventaja al reconvertirse

No todos parten del mismo lugar. Estos perfiles suelen avanzar más rápido, y vale la pena que identifiques dónde caés:

• Contadores, actuarios y economistas: ya piensan en términos de series, supuestos y validación. Les falta la parte técnica, que es la más enseñable.

• Ingenieros de cualquier rama: tienen la base matemática y el hábito de modelar problemas.

• Analistas de marketing o de operaciones: conocen el negocio y ya trabajan con planillas. Su ventaja es enorme y casi siempre la subestiman.

• Docentes e investigadores: saben leer metodología y comunicar hallazgos, dos cosas que escasean.

• Perfiles sin relación con datos: es posible, pero el camino se estira. Conviene apuntar primero a analista de datos y después a data science.

Ese último punto es clave y se subestima seguido: data analyst es la mejor rampa hacia data science, no un premio consuelo. Entrás antes al mercado, cobrás mientras aprendés y el salto interno es mucho más fácil que el salto desde afuera.

La hoja de ruta de seis meses

Meses 1 y 2: fundamentos y SQL

Estadística descriptiva, distribuciones, correlación versus causalidad, y SQL hasta poder resolver joins, agregaciones y funciones de ventana sin buscar la sintaxis. SQL es la habilidad con mejor relación entre esfuerzo y retorno de toda la transición: es lo que más se usa en el trabajo real y lo que más se evalúa en entrevistas.

Objetivo del tramo: poder responder una pregunta de negocio con una consulta sobre una base pública.

Meses 3 y 4: Python y análisis

Python orientado a datos, no a desarrollo de software. Pandas, limpieza, exploración y visualización. Acá empieza el trabajo que se parece al real: datasets sucios, columnas mal tipadas, valores faltantes que hay que decidir qué hacer con ellos.

Si venís de Excel, la transición tiene un puente natural bien documentado en Excel vs Python para análisis de datos, que ayuda a entender cuándo conviene cada uno en lugar de abandonar la planilla de golpe.

Objetivo del tramo: un notebook completo con una pregunta, el análisis y una conclusión defendible.

Mes 5: machine learning aplicado

Regresión, clasificación, árboles, validación cruzada y —sobre todo— cómo evaluar si un modelo sirve. La trampa clásica es enamorarse de algoritmos exóticos antes de dominar la evaluación. En el trabajo real, el 80% de los problemas se resuelve con modelos simples bien validados.

Mes 6: portfolio y búsqueda

Dos o tres proyectos terminados, con datos reales, publicados y explicados. Un proyecto bien documentado vale más que diez notebooks a medio hacer. Y la búsqueda arranca en el mes 6, no en el 7: postular es también una forma de aprender qué pide el mercado.

Qué esperar del mercado, sin edulcorar

• El primer empleo tarda. Entre tres y seis meses de búsqueda activa después de terminar la formación es lo habitual para alguien que viene de otra profesión.

• El primer salario probablemente sea menor al de tu profesión actual. Es una inversión, no un ascenso. El cruce suele darse entre el segundo y el tercer año.

• Tu experiencia previa es un activo, no un lastre. Un analista de datos que entiende el negocio de seguros vale más en una aseguradora que un data scientist genérico. Buscá empresas de tu industria de origen.

• El mercado se volvió más exigente en fundamentos. Con las herramientas de IA generando código, lo que se valora es saber si el resultado está bien.

Sobre este último punto, conviene mirar qué especializaciones concentran hoy la demanda: lo desarrollamos en qué especializaciones de Data Science contratan más.

Los cuatro errores que más alargan la transición

1. Estudiar en profundidad matemática antes de tocar datos. El álgebra lineal se entiende mucho mejor cuando ya viste para qué sirve. Aprendé haciendo y volvé a la teoría cuando la necesites.

2. Acumular certificados sin producir nada. Nadie contrata por la cantidad de cursos. Contratan por evidencia.

3. Esconder la profesión anterior. Es exactamente al revés: es tu diferencial. Contá cómo tu recorrido te da contexto que otros candidatos no tienen.

4. Ignorar la comunicación. Buena parte del trabajo es explicarle a alguien que no es técnico por qué el número que está mirando significa lo que significa.

Cursos recomendados de Coderhouse

Para armar el recorrido por etapas, en lugar de saltar directo a lo más avanzado:

• Curso de SQL — el primer paso obligatorio y el de mejor retorno inmediato.

• Curso de Python — la base de programación orientada al análisis, sin desvíos innecesarios.

• Data Science: Fundamentos — el puente entre el análisis y el modelado, pensado para quien viene de otra disciplina.

• Carrera de Data Scientist — el recorrido completo si preferís una estructura de punta a punta con proyecto final.

Si preferís entrar al mercado primero y especializarte después, la Carrera de Data Analytics es la rampa más corta hacia el primer empleo en datos.

Preguntas frecuentes

¿Cuánto tarda realmente la transición completa?

Entre 9 y 15 meses desde el primer día de estudio hasta el primer empleo, contando la búsqueda. Los seis meses de formación son la parte predecible; la búsqueda es la que más varía según tu red de contactos y tu industria de origen.

¿Necesito saber matemática avanzada?

Para empezar, no. Necesitás estadística descriptiva sólida y entender probabilidad básica. El álgebra lineal y el cálculo se vuelven relevantes recién cuando trabajás con deep learning o modelos que construís desde cero, y eso es una fracción chica de los puestos.

¿Conviene renunciar para estudiar full time?

Casi nunca. La transición se sostiene mejor con ingresos, y estudiar en paralelo te obliga a una disciplina que después se nota. Además, muchas transiciones exitosas ocurren dentro de la misma empresa: empezás a resolver problemas de datos en tu área actual y el cambio de rol llega solo.

¿La IA generativa vuelve innecesario aprender a programar?

No, pero cambia qué se valora. Escribir código deja de ser el cuello de botella; interpretar resultados, detectar sesgos y validar supuestos pasa a ser lo central. Igual necesitás leer y entender el código, porque sin eso no podés auditar lo que la herramienta produjo.

¿Es tarde si tengo más de 35 o 40 años?

No, y en datos particularmente menos que en otras áreas tech. El criterio de negocio y la capacidad de comunicar con stakeholders son habilidades que se construyen con años de trabajo, y son justamente las que más escasean en perfiles junior.