Un portfolio de Data Analyst no se evalúa por la cantidad de proyectos, sino por la claridad con la que muestra tu forma de pensar. Los recruiters de datos revisan decenas de perfiles por búsqueda y dedican pocos minutos a cada uno: lo que buscan es entender, rápido, qué problema resolviste, con qué datos y qué decisión habilitó tu análisis.

Si estás armando el tuyo desde cero o querés reordenar lo que ya tenés, esta guía cubre qué proyectos incluir, cómo presentarlos en GitHub y Notion, y qué señales miran realmente quienes contratan. La demanda acompaña: según el Future of Jobs Report del World Economic Forum, los especialistas en big data y en IA encabezan el ranking de roles de mayor crecimiento hacia 2030.

Qué mira un recruiter de datos en un portfolio

Antes de elegir proyectos, conviene entender el criterio de evaluación. En perfiles junior y semi-senior, quien revisa suele buscar cuatro señales concretas:

• Definición del problema. ¿El proyecto responde una pregunta de negocio o es un ejercicio técnico suelto?

• Trazabilidad del proceso. De dónde salieron los datos, qué limpiaste, qué supuestos tomaste.

• Comunicación del resultado. Si el hallazgo se entiende sin leer el código.

• Prolijidad técnica. Código legible, notebooks ordenados, consultas SQL comentadas.

La cuarta es la que más se practica en los cursos y la que menos define la contratación. Las tres primeras son las que separan un portfolio que genera entrevistas de uno que se descarta en treinta segundos.

Los 4 proyectos que no pueden faltar

1. Un análisis exploratorio sobre datos reales y desordenados

Elegí un dataset público que no venga pre-limpiado: datos abiertos de tu ciudad, encuestas de hogares, registros de transporte, precios. El valor está justamente en el desorden: duplicados, formatos inconsistentes, nulos, categorías mal escritas.

Documentá cada decisión de limpieza. "Eliminé 1.240 registros con fecha inválida porque representaban el 0,8% del total y no había forma de recuperarlos" dice mucho más sobre tu criterio que un gráfico bonito. Este es el proyecto que demuestra que sabés trabajar con datos como llegan en una empresa, no como llegan en un curso.

2. Un dashboard con una pregunta de negocio clara

Un dashboard sin pregunta es una colección de gráficos. Definí primero qué decisión debería habilitar: ¿en qué canal conviene invertir?, ¿qué segmento de clientes se está yendo?, ¿qué sucursal está por debajo de su potencial?

Podés construirlo en Power BI, Tableau o Looker Studio. Lo importante es que la primera pantalla responda la pregunta y las siguientes permitan profundizar. Si dudás entre herramientas, este análisis comparativo entre Power BI y Tableau ayuda a elegir según el tipo de perfil que querés construir.

3. Un proyecto de SQL end-to-end

SQL sigue siendo el filtro técnico más frecuente en entrevistas de datos, y aparece en el podio de lenguajes más usados según la Stack Overflow Developer Survey. Un proyecto sólido acá muestra: modelado básico, joins con sentido, agregaciones, funciones de ventana y alguna vista o CTE que simplifique una consulta compleja.

Un buen formato es tomar una base relacional (ventas, suscripciones, logística) y responder cinco preguntas de negocio con cinco consultas comentadas. Sencillo de leer, imposible de improvisar.

4. Un proyecto con IA integrada

Es el diferenciador actual. No hace falta entrenar un modelo: alcanza con usar un LLM como parte del pipeline. Por ejemplo, clasificar comentarios de clientes por tema y sentimiento, resumir tickets de soporte en categorías accionables, o generar descripciones automáticas de anomalías detectadas en una serie temporal.

Lo que se evalúa acá es criterio: dónde tiene sentido usar IA, cómo validaste que la salida es confiable y qué pasa cuando el modelo se equivoca.

Cómo presentar el portfolio: GitHub y Notion

GitHub: el README es el proyecto

Casi nadie va a leer tu código completo. El README es lo que se lee. Estructuralo así:

• Una línea de contexto: qué problema resolvés y para quién.

• El hallazgo principal: la conclusión, arriba de todo, con un número.

• Los datos: fuente, período, tamaño, limitaciones conocidas.

• El proceso: tres o cuatro bullets con las decisiones clave.

• Una imagen: el gráfico o dashboard que resume el resultado.

• Cómo reproducirlo: requisitos y comandos.

Además, cuidá el perfil: un pin de tus cuatro mejores repositorios, descripciones cortas en cada uno y commits con mensajes que se entiendan. Un historial de commits prolijo es una señal indirecta pero potente de cómo trabajás.

Notion: la capa narrativa

GitHub muestra el trabajo; Notion lo explica. Una página simple con tu presentación, un índice de proyectos con una tarjeta por cada uno y links al repositorio funciona mejor que un sitio web armado a las apuradas.

En cada tarjeta contá la historia en tres párrafos: qué te llamó la atención del problema, qué encontraste y qué harías distinto con más tiempo o mejores datos. Esa última parte —reconocer límites— genera más confianza de la que la mayoría supone.

Errores frecuentes que restan

• Usar el dataset de Titanic o de Iris. Son ejercicios de clase, no proyectos. Todos los vieron mil veces.

• Mostrar el proceso sin la conclusión. Veinte celdas de código y ningún insight legible.

• Diez proyectos incompletos. Cuatro proyectos terminados y bien documentados ganan siempre.

• No mencionar las limitaciones. Un análisis sin límites declarados se lee como falta de criterio.

• Repetir la misma herramienta en todo. Mostrá SQL, una herramienta de visualización y Python o R.

Cómo pasar del portfolio a la entrevista

El portfolio abre la puerta, pero la conversación la sostenés vos. Preparate para explicar cada proyecto en dos minutos, sin pantalla: problema, enfoque, hallazgo, decisión que habilitó. Si no podés contarlo así, todavía no está terminado.

También ayuda tener listo un "y si": qué harías si el volumen de datos fuera cien veces mayor, si faltara la mitad de los registros o si el negocio te pidiera actualizar el análisis todas las semanas. Son las preguntas que aparecen una y otra vez.

Cursos recomendados de Coderhouse

Si te falta base técnica para armar alguno de los cuatro proyectos, estas opciones cubren distintos niveles:

• Curso de Data Analytics — punto de entrada si estás empezando: análisis exploratorio, limpieza y primeras visualizaciones. Ideal para producir tu primer proyecto completo.

• Curso de SQL — para resolver el proyecto de consultas end-to-end con solidez, incluyendo joins complejos y funciones de ventana.

• Curso de Power BI — enfocado en construir dashboards que respondan preguntas de negocio, no solo en graficar.

• Carrera de Data Analytics — el camino completo si querés un portfolio construido con acompañamiento y proyectos evaluados.

Elegí según dónde está tu cuello de botella hoy: si es la técnica, arrancá por un curso puntual; si es el criterio y la constancia, la carrera te da estructura y devoluciones.

Preguntas frecuentes

¿Cuántos proyectos necesito en un portfolio de Data Analyst?

Entre tres y cinco proyectos terminados y bien documentados. Más cantidad no mejora las chances: lo que suma es diversidad de habilidades (limpieza, SQL, visualización, IA) y profundidad en cada uno. Un portfolio con cuatro proyectos sólidos supera siempre a uno con diez a medio hacer.

¿Sirve un portfolio si no tengo experiencia laboral en datos?

Sí, y es prácticamente la única forma de demostrar capacidad sin experiencia previa. La clave está en tratar cada proyecto como si fuera un encargo real: definir un problema de negocio, trabajar con datos desordenados y llegar a una recomendación concreta. Eso es lo que un recruiter no puede inferir de un certificado.

¿Es mejor GitHub o Notion para mostrar mis proyectos?

Los dos, con roles distintos. GitHub aloja el código y demuestra prolijidad técnica; Notion (o un sitio simple) cuenta la historia y hace que el trabajo sea comprensible para alguien no técnico. Muchos procesos de selección pasan primero por manos de reclutadores sin perfil de datos, así que esa capa narrativa importa.

¿Qué datasets conviene usar y cuáles evitar?

Conviene usar datos abiertos de gobiernos locales, organismos multilaterales, APIs públicas o datos que puedas recolectar vos mismo. Evitá los datasets de práctica más conocidos (Titanic, Iris, Boston Housing): están tan vistos que restan originalidad y no demuestran capacidad de trabajar con datos crudos.

¿Cuánto tiempo lleva armar un portfolio competitivo?

Con dedicación sostenida, entre dos y cuatro meses para tener cuatro proyectos publicados y documentados. Conviene avanzar de a uno y publicarlo terminado antes de empezar el siguiente: acumular proyectos incompletos es el error más común y el que más desmotiva.