La demanda de perfiles de datos no está distribuida de forma uniforme: fintech, retail y e-commerce concentran la mayor cantidad de vacantes, mientras salud y agro crecen con menos competencia de candidatos. Cada sector pide un stack distinto y evalúa el portfolio con criterios propios. Esta guía muestra dónde está la demanda real y cómo adaptar tu perfil según la industria que apuntás.

La pregunta más frecuente de alguien que termina de formarse en datos no es "qué tengo que saber", sino "a quién le mando el CV". Y ahí la respuesta genérica —"a empresas que necesiten análisis de datos"— no ayuda, porque la realidad es que la demanda está concentrada en un puñado de industrias, cada una con requisitos técnicos y culturales bien diferentes.

Postular con el mismo portfolio y el mismo pitch a una fintech y a una empresa de agro es una de las razones por las que muchos perfiles bien formados acumulan rechazos sin feedback. Lo que sigue es el mapa sector por sector.

Dónde está la demanda: mapa por industria

La lectura menos obvia de esta tabla es la columna de competencia. Fintech tiene el mayor volumen de vacantes pero también la mayor cantidad de postulantes por búsqueda. Agro y salud tienen menos vacantes, pero la relación entre vacantes y candidatos calificados es mucho más favorable: un perfil que muestre entendimiento del negocio de esos sectores destaca inmediatamente.

Qué pide cada sector

Fintech y banca digital

Stack habitual: SQL avanzado, Python, dbt, un warehouse en la nube (BigQuery, Snowflake o Redshift), Looker o Power BI. En riesgo y fraude aparece modelado estadístico y scoring.

Qué evalúan: rigor. Es el sector más exigente en calidad de dato y trazabilidad, porque hay regulación detrás. Un candidato que explique cómo validó sus datos y qué hizo con los casos anómalos gana puntos sobre uno que muestre un gráfico más lindo.

Cómo adaptar el portfolio: un proyecto con datos transaccionales, análisis de cohortes de usuarios y detección de anomalías. Documentar supuestos y limitaciones es parte del entregable, no un anexo.

E-commerce y retail

Stack habitual: SQL, Google Analytics 4, Power BI o Tableau, Excel avanzado, y cada vez más Python para pricing y forecasting de demanda.

Qué evalúan: velocidad y foco comercial. El análisis tiene que terminar en una decisión: subir o bajar un precio, cambiar un surtido, redistribuir presupuesto de medios. Un análisis correcto que no propone acción se percibe como incompleto.

Cómo adaptar el portfolio: análisis de embudo de conversión, segmentación RFM de clientes o análisis de canasta. Idealmente con una recomendación cuantificada al final: "aplicar esto implicaría X".

Software y SaaS

Stack habitual: SQL, dbt, Python, herramientas de product analytics (Amplitude, Mixpanel, PostHog), warehouse en la nube y control de versiones con Git.

Qué evalúan: pensamiento de producto y capacidad de definir métricas. Es el sector donde más importa poder discutir qué medir, no sólo cómo medirlo.

Cómo adaptar el portfolio: definición de un conjunto de métricas de producto sobre un dataset de eventos, con análisis de retención por cohorte y un experimento A/B interpretado correctamente.

Salud y healthtech

Stack habitual: SQL, Python con pandas, R en entornos de investigación, y conocimiento de estándares de interoperabilidad como HL7 o FHIR en las empresas más maduras.

Qué evalúan: cuidado con el dato sensible y capacidad de trabajar con datos incompletos, que es la norma en registros clínicos. La privacidad no es un detalle: es requisito de entrada.

Cómo adaptar el portfolio: un análisis sobre datasets públicos de salud, con tratamiento explícito de valores faltantes y anonimización. Es un diferencial fuerte porque casi nadie lo hace.

Agro y agtech

Stack habitual: SQL, Python, y una capa específica de datos geoespaciales (QGIS, GeoPandas, imágenes satelitales) más series temporales climáticas.

Qué evalúan: entendimiento del ciclo productivo. Un analista que sabe qué es un rendimiento por hectárea y por qué importa la fecha de siembra parte con ventaja enorme sobre uno que sólo trae técnica.

Cómo adaptar el portfolio: un proyecto con datos abiertos de producción agrícola cruzados con datos climáticos. Hay datasets públicos suficientes para armar algo sólido sin acceso a información privada.

Consumo masivo y sector público

En consumo masivo el foco está en BI clásico: reportería robusta, análisis de sell-in y sell-out, y mucha coordinación con áreas comerciales. En el sector público y ONG el diferencial es trabajar con datos abiertos y comunicar resultados a audiencias no técnicas, lo que hace que las habilidades de visualización pesen más que el modelado.

La regla general: el sector define el segundo idioma

Hay un núcleo técnico que sirve en todos los sectores: SQL sólido, Python para manipulación y análisis, una herramienta de visualización y control de versiones. Ese núcleo es la condición de entrada, no el diferencial.

Lo que diferencia es el vocabulario del negocio. Saber qué es el churn en SaaS, el ticket promedio en retail, la mora en fintech o el rendimiento por hectárea en agro cambia por completo cómo suena un candidato en una entrevista. Es la razón por la que muchos perfiles técnicamente competentes quedan afuera: hablan de modelos cuando el entrevistador quiere hablar de decisiones. Este patrón aparece con claridad en el análisis sobre lo que nadie cuenta del rol de analista de datos.

Cómo adaptar tu portfolio en tres pasos

1. Elegí dos sectores, no cinco. Un portfolio enfocado en dos industrias comunica intención. Cinco proyectos de cinco sectores distintos comunican que todavía no decidiste.

2. Reescribí el mismo proyecto con vocabulario del sector. Un análisis de cohortes sirve para fintech y para SaaS, pero el título, las métricas nombradas y la conclusión tienen que cambiar. No es maquillaje: es demostrar que entendés el contexto.

3. Cerrá cada proyecto con una recomendación cuantificada. "Detecté que el segmento X tiene 40% más de churn; propongo Y, con un impacto estimado de Z". Eso es lo que un hiring manager necesita leer para justificar una entrevista.

Sobre fuentes de datos, hay material público más que suficiente: los datos abiertos del Estado argentino cubren salud, producción, transporte y economía, y los datasets de Kaggle permiten armar proyectos de retail y fintech con volumen realista.

Qué está cambiando con la IA en los perfiles de datos

El Future of Jobs Report del World Economic Forum ubica a los especialistas en big data y a los analistas de datos entre los roles de mayor crecimiento proyectado a nivel global. Pero el contenido del rol se está desplazando: la escritura de consultas y la generación de gráficos se aceleran con asistentes de IA, mientras que la definición del problema, la validación del dato y la traducción a decisión de negocio ganan peso relativo.

En términos de empleabilidad esto significa que el perfil que sólo ejecuta consultas pierde terreno, y el que puede sentarse con un área comercial, entender qué necesita y devolver un análisis accionable gana. La diferencia entre Business Intelligence y Data Analytics se vuelve relevante justamente acá: son dos caminos con demandas sectoriales distintas.

Cursos y carreras recomendados de Coderhouse

Para construir el núcleo técnico que sirve en cualquier sector y después especializarte:

• Curso de SQL — el punto de partida obligatorio. Es la habilidad que aparece en el cien por ciento de las búsquedas de datos, sin importar la industria, y la que más se evalúa en pruebas técnicas.

• Curso de Data Analytics — el nivel intermedio, donde se aprende el ciclo completo: obtener datos, limpiarlos, analizarlos y comunicar resultados. Es el bloque que produce los proyectos de portfolio.

• Curso de Power BI — clave si apuntás a retail, consumo masivo o banca, donde la reportería en Power BI es requisito explícito en la mayoría de las búsquedas.

• Curso de Data Engineering — el nivel avanzado. Fintech, SaaS y e-commerce son los sectores que más pagan por perfiles capaces de construir y mantener pipelines, y es donde la brecha entre demanda y candidatos disponibles es mayor.

Si querés cubrir el recorrido completo de forma ordenada, la Diplomatura en Data integra estos bloques en un solo trayecto con proyectos aplicados.

Preguntas frecuentes

¿Cuál es el sector con más demanda de perfiles de datos hoy?

Fintech y banca digital concentran el mayor volumen de vacantes, seguidas por e-commerce y software. Pero también son las de mayor competencia de candidatos. Si buscás la mejor relación entre vacantes y postulantes calificados, salud y agro ofrecen ventaja: menos ofertas, pero muchísimo menos competencia.

¿Necesito conocimiento del negocio para postular a un sector nuevo?

No necesitás experiencia laboral en el sector, pero sí necesitás su vocabulario. Leer los reportes públicos de dos o tres empresas de la industria y armar un proyecto de portfolio con datos de ese rubro alcanza para sonar informado en una entrevista. Es una diferencia de pocas semanas de trabajo con impacto grande en la conversión de postulaciones.

¿Conviene especializarse en un sector o mantenerse generalista?

Al principio, especializarse en dos sectores relacionados da mejores resultados que apuntar a todos. La razón es práctica: cada industria evalúa el portfolio con criterios propios, y un portfolio enfocado convierte mejor. Una vez dentro del mercado, el perfil se vuelve más portable y la especialización sectorial pierde peso.

¿Qué herramienta conviene aprender primero si apunto a un sector específico?

SQL siempre primero, sin excepción por sector. Después, la segunda herramienta sí depende: Power BI si apuntás a retail, consumo masivo o banca tradicional; Python y dbt si apuntás a fintech, SaaS o e-commerce con equipos de datos maduros; y herramientas geoespaciales si el objetivo es agro.

¿Los sueldos varían mucho según la industria?

Sí, y en un rango considerable. Fintech, software y e-commerce con operación regional pagan por encima del promedio del mercado; consumo masivo y sector público suelen ubicarse por debajo, aunque con mayor estabilidad y previsibilidad. La variable que más pesa dentro de cada sector sigue siendo si la empresa opera con ingresos en moneda extranjera.