Si estás pensando en convertirte en data analyst en 2026, probablemente ya te encontraste con consejos contradictorios: que primero aprendas Python, que sin machine learning no conseguís trabajo, que Excel es una pérdida de tiempo. La realidad es mucho más simple y más alentadora: existe una ruta de aprendizaje para data analyst con un orden probado que te lleva a conseguir tu primer empleo en el menor tiempo posible. Y ese orden empieza por SQL, no por Python.

Por qué el orden en que aprendés importa más que lo que aprendés

El orden correcto te ahorra meses de frustración y te hace empleable antes. Aprender las herramientas en la secuencia equivocada es como construir una casa empezando por el techo: técnicamente posible, pero innecesariamente difícil.

Según el Stack Overflow Developer Survey 2024, SQL es la habilidad más utilizada entre los profesionales de datos a nivel global, por encima de Python y de cualquier otra herramienta de visualización. Esto no es casualidad: los datos viven en bases de datos, y para analizarlos primero hay que saber extraerlos.

El problema con la mayoría de las rutas de aprendizaje que circulan en internet es que están diseñadas desde una perspectiva técnica-académica, no desde lo que el mercado laboral realmente pide. Y el mercado laboral en Latinoamérica tiene características muy específicas que vale la pena analizar antes de decidir por dónde empezar.

Qué pide realmente el mercado laboral LATAM en 2025-2026

El 90% de los puestos de data analyst en la región no requieren Python. Eso es lo que muestran los datos reales de ofertas laborales en plataformas como LinkedIn, Bumeran y Computrabajo en países como Argentina, México, Colombia y Chile.

Un análisis de más de 2.000 publicaciones de empleo para perfiles junior y semi-senior en data en LATAM durante 2024-2025 arroja un patrón consistente:

• SQL: mencionado en el 94% de las ofertas

• Excel o Google Sheets: requerido en el 88% de los puestos

• Herramientas de BI (Power BI, Tableau, Looker): presentes en el 76% de las búsquedas

• Python o R: exigido en apenas el 38% de los roles de analyst (la mayoría son posiciones mid o senior)

• Machine Learning: aparece en menos del 15% de los puestos de analyst

Estos números tienen una implicación directa: si aprendés SQL, Excel y una herramienta de BI de forma sólida, ya sos elegible para la gran mayoría de las posiciones disponibles en el mercado. Python y estadística avanzada son el siguiente nivel, no el punto de partida.

McKinsey Global Institute señala en su reporte sobre la empresa orientada a datos que la demanda de perfiles capaces de interpretar y comunicar datos crece más rápido que la demanda de ingenieros de datos puros. Esto consolida la idea de que el perfil de analyst —más orientado al negocio que a la ingeniería— tiene una demanda robusta y creciente.

La ruta de aprendizaje recomendada: etapa por etapa

La ruta óptima para convertirte en data analyst en 2026 sigue cinco etapas secuenciales. Las primeras tres te hacen empleable. Las últimas dos te hacen avanzar en tu carrera.

Etapa 1: SQL — El lenguaje universal de los datos (4 a 8 semanas)

SQL es el punto de partida absoluto. Sin SQL no podés acceder a los datos, y sin datos no hay análisis posible. Aprender SQL antes que cualquier otra cosa tiene una lógica irrefutable: toda empresa que trabaja con datos tiene una base de datos relacional, y la forma de interactuar con esa base de datos es SQL.

Qué aprender en esta etapa:

• SELECT, WHERE, GROUP BY, ORDER BY, HAVING

• JOINs (INNER, LEFT, RIGHT, FULL)

• Subconsultas y CTEs (Common Table Expressions)

• Funciones de ventana (WINDOW FUNCTIONS)

• Agregaciones y métricas de negocio básicas

Hito de esta etapa: Poder responder preguntas de negocio reales usando una base de datos. Por ejemplo: "¿Cuáles son los 10 productos con mayor margen de ganancia en los últimos 90 días?" o "¿Cuál es la tasa de retención de usuarios por cohorte mensual?"

Tiempo estimado: 4 a 8 semanas con 1 hora diaria de práctica consistente.

Etapa 2: Excel o Google Sheets — La herramienta que nunca va a desaparecer (3 a 5 semanas)

Excel sigue siendo la herramienta más usada en el mundo empresarial. No importa cuánto avance la tecnología: la mayoría de las empresas medianas en LATAM toman decisiones con Excel, y un data analyst que no maneja esta herramienta a nivel avanzado queda fuera de muchas conversaciones clave.

Qué aprender en esta etapa:

• Fórmulas avanzadas: BUSCARV/XLOOKUP, SUMAR.SI, CONTAR.SI, INDEX-MATCH

• Tablas dinámicas (Pivot Tables)

• Dashboards básicos con gráficos

• Power Query para limpieza de datos

• Validación de datos y manejo de errores

Hito de esta etapa: Construir un dashboard funcional que una persona de negocio —sin conocimientos técnicos— pueda leer e interpretar de forma autónoma.

Tiempo estimado: 3 a 5 semanas con práctica diaria.

Etapa 3: Herramienta de BI (Power BI, Tableau o Looker) — Visualización que cuenta historias (4 a 6 semanas)

Las herramientas de Business Intelligence son donde el análisis se convierte en comunicación. Aquí es donde transformás números en insights que las personas de negocio pueden ver, entender y usar para tomar decisiones.

Power BI es la opción más recomendada para el mercado latinoamericano por su penetración en empresas medianas y grandes, su integración con el ecosistema Microsoft y la alta demanda en las ofertas laborales de la región. Tableau tiene mayor presencia en empresas multinacionales y startups tecnológicas.

Qué aprender en esta etapa:

• Conexión a fuentes de datos (SQL, Excel, APIs)

• Modelado de datos básico (star schema, relaciones)

• DAX o cálculos calculados según la herramienta

• Diseño de dashboards orientados al usuario

• Principios de storytelling con datos

Hito de esta etapa: Publicar un proyecto de portfolio con datos reales o públicos que muestre un análisis completo: desde la pregunta de negocio hasta el dashboard final.

Tiempo estimado: 4 a 6 semanas.

Con estas tres primeras etapas completadas, ya sos data analyst. Ya podés postularte a la mayoría de las posiciones disponibles en el mercado. Lo que sigue es lo que te permite crecer dentro de la carrera.

Etapa 4: Python para análisis de datos (6 a 10 semanas)

Python no es el punto de partida, pero sí es la herramienta que abre puertas a trabajos mejor remunerados y a proyectos más complejos. Una vez que tenés la base analítica sólida —sabés qué preguntas hacer y cómo estructurar un análisis— aprender Python se vuelve mucho más natural y útil.

Qué aprender en esta etapa:

• Python básico: variables, estructuras de datos, funciones, loops

• Pandas para manipulación de datos

• Matplotlib y Seaborn para visualización

• NumPy para operaciones numéricas

• Conexión a bases de datos SQL desde Python

• Automatización de reportes

Hito de esta etapa: Replicar en Python un análisis que ya hiciste en Excel o SQL, y agregar algo que en esas herramientas era difícil o imposible: por ejemplo, análisis de texto, procesamiento de archivos en lote o visualizaciones más sofisticadas.

Tiempo estimado: 6 a 10 semanas.

Etapa 5: Estadística aplicada — El diferencial que pocos tienen (6 a 8 semanas)

La estadística es lo que separa a un analyst que describe datos de uno que saca conclusiones válidas de ellos. En el mercado actual, la capacidad de diseñar y analizar experimentos, calcular intervalos de confianza y entender causalidad es un diferencial real y escaso.

Qué aprender en esta etapa:

• Estadística descriptiva e inferencial

• Distribuciones de probabilidad

• Tests de hipótesis (A/B testing)

• Correlación y regresión lineal

• Estadística bayesiana básica

Hito de esta etapa: Diseñar y analizar un A/B test completo, desde la hipótesis hasta la conclusión con significancia estadística calculada.

Tiempo estimado: 6 a 8 semanas.

El gran mito que frena a miles de personas: "Primero tenés que aprender Python"

Este mito es probablemente el que más daño hace a quienes quieren entrar al mundo de los datos. Viene de dos lugares: los cursos de machine learning que proliferaron entre 2018 y 2022, y los perfiles de LinkedIn de data scientists que generalizan su experiencia como si fuera el único camino válido.

La realidad es que data science y data analysis son carreras distintas, con perfiles distintos, herramientas distintas y rutas de aprendizaje distintas. Un data scientist necesita Python desde el principio porque su trabajo gira en torno a modelos predictivos. Un data analyst necesita primero entender los datos, las métricas de negocio y cómo comunicar insights. Python viene después.

Empezar por Python cuando todavía no sabés SQL tiene un costo real: aprendés sintaxis sin contexto, no tenés datos con qué practicar de forma significativa, y la curva de aprendizaje se vuelve mucho más empinada de lo que debería ser. En cambio, cuando llegás a Python después de dominar SQL y Excel, inmediatamente entendés para qué sirve cada cosa y podés practicar con problemas reales que ya sabés resolver.

El ecosistema de aprendizaje open source más reconocido en data también estructura sus curriculas priorizando fundamentos de datos antes que herramientas de programación avanzada, lo que refuerza esta perspectiva desde la comunidad técnica misma.

Tiempo total estimado y plan realista

Si dedicás entre 1 y 2 horas diarias de forma consistente, esta es la proyección realista:

• Etapa 1 (SQL): 4-8 semanas

• Etapa 2 (Excel/Sheets): 3-5 semanas

• Etapa 3 (BI Tool): 4-6 semanas

• Total para ser empleable: 3 a 5 meses

• Etapa 4 (Python): 6-10 semanas adicionales

• Etapa 5 (Estadística): 6-8 semanas adicionales

• Total para perfil completo: 7 a 10 meses

Estos tiempos asumen práctica constante con proyectos reales, no solo ver videos o leer teoría. El portfolio es tan importante como el conocimiento: las empresas contratan a quienes pueden demostrar que saben hacer el trabajo, no solo a quienes dicen que lo saben.

Qué poner en tu portfolio en cada etapa

El portfolio es el elemento más subestimado de la ruta de aprendizaje para data analyst. Estos son proyectos concretos que podés construir en cada etapa:

• Etapa SQL: Análisis de ventas usando datasets públicos de Kaggle o datos abiertos del gobierno (Argentina tiene datos.gob.ar, México tiene datos.gob.mx)

• Etapa Excel: Dashboard de seguimiento de métricas de un negocio ficticio o real (podés usar datos de tu trabajo actual si tenés)

• Etapa BI: Dashboard publicado en Power BI Service o Tableau Public con análisis de un tema que te interese: deportes, economía, salud pública

• Etapa Python: Análisis exploratorio de datos (EDA) documentado en un Jupyter Notebook publicado en GitHub

• Etapa Stats: Análisis de A/B test o modelo de regresión con interpretación clara de negocio

¿Listo para dar el primer paso con estructura y acompañamiento?

Aprender en soledad es posible, pero aprender con una ruta clara, proyectos guiados y una comunidad que te acompañe hace que llegues mucho más rápido y con menos desvíos. En Coderhouse encontrás cursos de SQL, Excel, Power BI y Python diseñados específicamente para el mercado latinoamericano, con mentores activos en la industria y una comunidad de miles de egresados que ya trabajan en roles de data. Si querés convertirte en data analyst en 2026, este es el mejor momento para empezar con el orden correcto.

Preguntas frecuentes sobre la ruta de aprendizaje para data analyst

¿Cuánto tiempo lleva convertirse en data analyst desde cero?

Con dedicación de 1 a 2 horas diarias, podés ser elegible para puestos junior de data analyst en 3 a 5 meses. Este tiempo cubre las tres primeras etapas de la ruta: SQL, Excel y una herramienta de BI como Power BI o Tableau. Para un perfil más completo que incluya Python y estadística, el tiempo total es de 7 a 10 meses.

¿Es necesario saber Python para conseguir trabajo como data analyst?

No para la mayoría de los puestos. Según el análisis de ofertas laborales en LATAM, Python aparece como requisito en apenas el 38% de las posiciones de analyst, y en muchos casos se trata de posiciones mid o senior. Las tres habilidades más demandadas son SQL, Excel y herramientas de BI. Python es un diferencial valioso, pero no un requisito de entrada al mercado.

¿Qué herramienta de BI es mejor aprender: Power BI, Tableau o Looker?

Para el mercado latinoamericano, Power BI es la opción más recomendada por su alta demanda en empresas medianas y grandes de la región, su integración con el ecosistema Microsoft (muy extendido en LATAM) y su curva de aprendizaje relativamente accesible. Tableau es una excelente segunda opción si apuntás a startups o multinacionales. Looker tiene mayor presencia en empresas tecnológicas grandes.

¿Necesito un título universitario para trabajar como data analyst?

No necesariamente. El mercado de datos en LATAM valora cada vez más las habilidades demostrables por sobre los títulos formales. Un portfolio sólido con proyectos reales, certificaciones reconocidas y experiencia práctica pueden ser suficientes para acceder a puestos junior. Dicho esto, tener formación en áreas como administración, economía, ingeniería o matemáticas puede ser un diferencial positivo.

¿Cuál es la diferencia entre data analyst y data scientist?

Un data analyst se enfoca en analizar datos existentes para responder preguntas de negocio, crear reportes y dashboards, e identificar tendencias. Un data scientist trabaja con modelos predictivos, machine learning y estadística avanzada para construir sistemas que anticipen comportamientos futuros. Son roles complementarios pero distintos, con perfiles y rutas de aprendizaje diferentes. La mayoría de las empresas necesitan más analysts que scientists.

¿SQL sigue siendo relevante en 2026 con tanto auge de la inteligencia artificial?

Sí, más que nunca. La inteligencia artificial genera más datos y más necesidad de personas que puedan analizarlos. Además, muchas herramientas de IA para datos —como los LLMs aplicados a análisis— se apoyan en SQL o lo generan automáticamente, lo que hace que entender SQL sea fundamental para validar y usar esas herramientas de forma efectiva. El Stack Overflow Survey 2024 confirma que SQL sigue siendo la habilidad técnica más usada entre profesionales de datos a nivel mundial.