La demanda de perfiles de datos no está distribuida de forma uniforme: hay tipos de empresa que contratan sostenidamente y otros que abrieron y cerraron búsquedas al ritmo del hype. Saber dónde está la demanda real y qué exige cada tipo de compañía cambia por completo la estrategia de postulación. Esta guía ordena el mapa.

El punto de partida es que "trabajo en datos" dejó de ser una categoría única. Hoy conviven al menos cinco roles con requisitos distintos, y postular al equivocado explica buena parte de los procesos que no avanzan.

Los cinco roles y qué pide cada uno

El rol con más puertas de entrada sigue siendo Data Analyst, porque toda empresa con clientes tiene preguntas de negocio sin responder. Analytics Engineer es el que creció más rápido y el que menos candidatos tiene. Si estás definiendo tu camino, el orden de aprendizaje importa tanto como el contenido: está bien desarrollado en esta ruta de aprendizaje para data analyst.

Dónde está la demanda real

1. Empresas de producto digital

Fintech, e-commerce, marketplaces, plataformas de suscripción. Contratan de forma sostenida porque el dato es parte del producto, no un área de soporte. Exigen SQL sólido, capacidad de definir métricas y entender el negocio. Suelen ser el mejor primer trabajo: procesos más cortos y aprendizaje rápido.

2. Consultoras y agencias de datos

Contratan volumen y forman perfiles junior. La ventaja es la exposición a muchas industrias en poco tiempo; la desventaja, menos profundidad técnica. Valoran comunicación y capacidad de presentar resultados a clientes tanto como el skill técnico.

3. Empresas tradicionales en transformación digital

Bancos, retail, salud, logística, agro. Es la demanda menos visible y la más grande. Pagan competitivamente, los procesos son más largos y burocráticos, y el trabajo suele empezar por ordenar el caos de datos existente. Excelente lugar para aprender modelado real.

4. Startups en etapa temprana

Buscan perfiles híbridos: alguien que arme el pipeline, el dashboard y la definición de métricas. Alto aprendizaje, alta exigencia, poco acompañamiento. Conviene si ya tenés base; es difícil como primer trabajo.

5. Empresas de IA y producto sobre modelos

El segmento que crece más rápido. Buscan perfiles que combinen datos con capacidad de trabajar con modelos de lenguaje: evaluación, curación de datasets, pipelines de contexto. La encuesta global de McKinsey sobre el estado de la IA muestra que la mayoría de las organizaciones ya usa IA de forma regular y que muchas están experimentando con agentes, lo que abre roles que no existían hace dos años.

Qué exigen realmente en el proceso de selección

Los avisos piden mucho; el proceso evalúa poco y específico. En la práctica, casi todos los procesos de datos tienen tres filtros:

• Prueba de SQL: joins, agregaciones, funciones de ventana y subconsultas. Es el filtro que descarta más gente y el más fácil de preparar.

• Caso de negocio: te dan un dataset o un escenario y evalúan cómo estructurás el problema, no si llegás al número exacto.

• Comunicación: explicar un análisis propio a alguien no técnico. Acá se define entre los finalistas.

Lo que no evalúan casi nunca: cantidad de herramientas en el CV, certificaciones sin proyecto asociado, y conocimiento teórico de algoritmos que el rol no usa.

El portfolio que funciona para datos

Tres proyectos con datos reales y una pregunta de negocio clara valen más que diez notebooks de datasets de práctica. Cada proyecto debería mostrar: de dónde salieron los datos, qué limpieza hiciste y por qué, qué encontraste, y qué decisión habilitaría ese hallazgo. Ese último punto es el que casi nadie incluye y el que más impresiona.

El diferencial que hoy pesa más

Saber usar IA en el flujo de análisis. No como reemplazo del criterio, sino para acelerar exploración, generar consultas base, documentar y resumir. El Future of Jobs Report 2025 del World Economic Forum ubica el pensamiento analítico y la alfabetización en IA entre las habilidades de mayor crecimiento, y en entrevistas de datos eso ya se pregunta de forma directa.

La habilidad concreta que separa candidatos: saber escribir prompts que produzcan análisis reproducibles y poder explicar qué validaste de lo que el modelo devolvió.

Cursos recomendados de Coderhouse

• Curso de SQL: nivel inicial y el filtro que más procesos define. Es el primer paso si apuntás a cualquier rol de datos.

• Curso de Data Analytics: nivel intermedio. Cubre el análisis completo, de la pregunta de negocio al dashboard.

• Curso de Data Engineering: nivel avanzado, para quienes quieren construir pipelines y no solo consumirlos.

• Carrera de Data Analytics: el camino largo con proyectos integradores y acompañamiento, pensado para llegar al mercado con portfolio armado.

Preguntas frecuentes

¿Qué empresas contratan más perfiles de datos hoy?

Las empresas de producto digital (fintech, e-commerce, marketplaces) contratan de forma más sostenida, y las empresas tradicionales en transformación digital concentran el volumen más grande de búsquedas, aunque con procesos más largos. El segmento de empresas de IA es el que crece más rápido en cantidad de roles nuevos.

¿Qué rol de datos tiene más puertas de entrada sin experiencia?

Data Analyst. Requiere SQL sólido, visualización y entendimiento de negocio, sin necesidad de machine learning ni infraestructura. Analytics Engineer es la alternativa con menos competencia: hay más vacantes que candidatos formados, aunque exige SQL avanzado y control de versiones.

¿Qué se evalúa realmente en una entrevista de datos?

Tres cosas: una prueba de SQL con joins, agregaciones y funciones de ventana; un caso de negocio donde importa cómo estructurás el problema más que el número final; y la capacidad de explicar un análisis a alguien no técnico. Las certificaciones sin proyecto asociado casi no pesan.

¿Necesito Python para trabajar en datos?

Para Data Analyst no es imprescindible al inicio: con SQL y una herramienta de visualización se puede entrar. Para Data Engineer, Data Scientist o roles de IA es requisito. La ruta habitual es empezar por SQL, agregar visualización y sumar Python cuando el rol lo pida.

¿Cuántos proyectos debería tener mi portfolio de datos?

Tres bien hechos alcanzan. Lo que importa es que usen datos reales, respondan una pregunta de negocio concreta y expliquen qué decisión habilitaría el hallazgo. Un portfolio con diez notebooks sobre datasets de práctica genera menos entrevistas que tres análisis con contexto propio.