El puesto de analista de datos cambió más en los últimos dos años que en la década anterior. Las empresas tecnológicas ya no buscan a alguien que arme reportes: buscan a alguien que traduzca preguntas de negocio en consultas, valide la calidad del dato y defienda una recomendación frente a un equipo que va a tomar una decisión con esa información. Esta guía ordena qué habilidades piden hoy, en qué secuencia conviene aprenderlas y cómo demostrarlas cuando todavía no tenés experiencia formal.

El punto de partida importa: el mercado no premia la cantidad de herramientas que sabés nombrar, sino la profundidad con la que resolvés un problema de punta a punta.

Las cuatro habilidades técnicas que no son negociables

SQL, con criterio

SQL sigue siendo el filtro de entrada. Pero el nivel que se pide subió: no alcanza con SELECT y JOIN. Las entrevistas técnicas hoy piden funciones de ventana, CTEs anidados, manejo de duplicados y capacidad de explicar por qué una consulta es lenta.

Lo que distingue a un analista senior no es escribir la consulta más elegante: es notar que el resultado no tiene sentido. Un total que duplica lo esperado casi siempre es un join que multiplicó filas, no un cambio en el negocio.

Python o R para lo que SQL no resuelve

Limpieza de datos desordenados, análisis exploratorio, automatización de reportes recurrentes y estadística aplicada. En la práctica, la mayoría del mercado se estandarizó en Python con pandas —la documentación oficial de pandas sigue siendo el mejor punto de referencia— más alguna librería de visualización.

Visualización y comunicación de datos

Power BI, Looker Studio o Tableau. La herramienta se aprende en semanas; lo difícil es el criterio: elegir el gráfico correcto, no mentir con la escala del eje, y dejar de decorar dashboards que nadie mira. Un buen tablero responde una pregunta específica de una persona específica.

Estadística suficiente para no equivocarse

No hace falta un posgrado. Hace falta entender distribuciones, variabilidad, correlación versus causalidad, y cuándo una diferencia entre dos grupos puede ser ruido. Es la habilidad que evita que un equipo tome una decisión costosa a partir de una muestra de 30 usuarios.

Las habilidades que hoy definen la diferencia salarial

Con lo anterior conseguís entrar. Lo que sigue es lo que separa a un analista junior de uno que empieza a tener impacto visible.

• Modelado de datos. Entender cómo están organizadas las tablas, qué es una tabla de hechos y una de dimensiones, y por qué el modelo condiciona todo el análisis posterior.

• Trabajo con IA aplicada al análisis. Usar modelos para acelerar la escritura de consultas, documentar transformaciones o clasificar texto libre. El análisis del World Economic Forum sobre transformación de habilidades ubica a la fluidez con IA entre las capacidades de mayor crecimiento en demanda.

• Versionado y buenas prácticas. Git no es exclusivo de developers: en equipos de data maduros las consultas y transformaciones viven en un repositorio.

• Comprensión del negocio. Saber cómo gana dinero la empresa. Sin eso, todo análisis es un ejercicio de descripción.

Las habilidades blandas que se evalúan aunque no se declaren

En las entrevistas de empresas tecnológicas, tres cosas se miden constantemente y casi nunca aparecen en el aviso:

• Precisión al preguntar. Ante un pedido ambiguo, el buen analista pregunta qué decisión se va a tomar con el resultado. El analista junior corre a la base de datos.

• Honestidad sobre la incertidumbre. Decir "con estos datos no puedo afirmar eso" genera más confianza que un número seguro pero frágil.

• Síntesis. Poder resumir un análisis de tres días en tres frases que un director entienda sin contexto técnico.

En qué orden aprender todo esto

Intentar todo en paralelo es la forma más rápida de abandonar. Un orden que funciona:

1. SQL hasta funciones de ventana. Es lo que más rápido se convierte en empleabilidad.

2. Una herramienta de visualización. Power BI o Looker Studio, con dos o tres tableros propios terminados.

3. Python con pandas. Empezá replicando en Python análisis que ya hiciste en SQL.

4. Estadística aplicada. Enfocada en interpretación, no en demostraciones.

5. Modelado y automatización. Recién acá conviene mirar orquestación, pipelines y herramientas de transformación.

Cómo demostrar las habilidades sin experiencia laboral

El portfolio pesa más que el certificado, pero solo si está bien armado. Tres proyectos con una pregunta clara, un dataset público, el proceso documentado y una conclusión accionable superan a diez notebooks sin contexto. Si estás en esa etapa, esta guía sobre cómo conseguir trabajos en data sin experiencia y qué mostrar en el portfolio desarrolla el formato en detalle.

Un detalle que casi nadie hace y que llama la atención de un entrevistador: incluir qué salió mal. Un dato inconsistente que encontraste, una hipótesis que tuviste que descartar. Eso demuestra criterio, que es exactamente lo que se está evaluando.

Cursos recomendados de Coderhouse

Para armar el recorrido según tu punto de partida:

• Si arrancás de cero: el Curso de SQL y el Curso de Power BI cubren las dos habilidades de entrada más pedidas.

• Si ya manejás lo básico: el Curso de Data Analytics integra consulta, análisis y presentación de resultados.

• Si buscás una formación completa con salida laboral: la Carrera de Data Analytics o la Carrera de Data Scientist, según cuánto quieras profundizar en modelado y machine learning.

Preguntas frecuentes

¿Cuánto tiempo lleva prepararse para un puesto de analista de datos?

Con dedicación sostenida de entre 10 y 15 horas semanales, entre 8 y 12 meses hasta tener nivel de entrevista más un portfolio presentable. El factor que más acorta el plazo no es la intensidad: es la constancia y tener proyectos terminados en lugar de cursos empezados.

¿Necesito saber programar para ser analista de datos?

Necesitás SQL, que es un lenguaje pero no programación en sentido estricto. Python es muy recomendable y cada vez más esperado, aunque hay posiciones de analista que se resuelven con SQL más una herramienta de visualización.

¿La IA va a reemplazar al analista de datos?

Está reemplazando tareas, no el rol. Escribir una consulta o generar un gráfico es hoy más rápido con asistencia de IA. Lo que no se automatiza es decidir qué hay que medir, detectar que un resultado es implausible y sostener una recomendación frente al negocio.

¿Sirve más un título universitario o un portfolio?

En empresas tecnológicas, el portfolio y la entrevista técnica pesan más. El título ayuda en procesos de selección estructurados y en compañías grandes con filtros formales, pero no compensa la falta de proyectos demostrables.

¿Qué herramientas de IA debería incorporar a mi trabajo como analista?

Un asistente conversacional para acelerar consultas y documentación, y alguna herramienta de automatización para los reportes recurrentes. Lo importante es verificar siempre el resultado: un modelo puede escribir una consulta sintácticamente perfecta que responde la pregunta equivocada.