La pregunta "¿hay trabajo para analistas de datos?" está mal formulada. La respuesta útil es en qué industria, con qué herramientas y con qué tipo de proyecto en el portafolio. Cuatro sectores concentran hoy la mayoría de las búsquedas en la región — fintech, retail y e-commerce, salud y agroindustria — y cada uno pide un perfil distinto.

El contexto ayuda a entender por qué. Según el Future of Jobs Report del World Economic Forum, los analistas y científicos de datos figuran entre las ocupaciones de mayor crecimiento proyectado, con un aumento estimado del 41% hacia 2030. Pero ese crecimiento no está repartido de forma uniforme: se concentra en sectores que ya tienen sus datos digitalizados y una razón económica clara para analizarlos.

Fintech: el sector que más contrata y el más exigente

Es el sector con mayor volumen de búsquedas y también el que pide la barra técnica más alta. La razón es simple: en fintech el dato es el producto. Scoring de crédito, detección de fraude, análisis de comportamiento de pago y reporting regulatorio no son proyectos de mejora, son operación crítica.

Qué herramientas exigen

• SQL avanzado. No consultas básicas: window functions, CTEs recursivas y optimización de queries sobre tablas de cientos de millones de filas.

• Python con pandas y frecuentemente scikit-learn para modelos de scoring y detección de anomalías.

• Un data warehouse en la nube. BigQuery, Snowflake o Redshift según la empresa.

• Herramientas de BI para el reporting hacia negocio y compliance.

Qué proyectos valoran en entrevistas

Cualquier proyecto que involucre datos transaccionales con dimensión temporal. Un análisis de cohortes, un modelo de churn, una detección de outliers en series de pagos. Lo que buscan no es el algoritmo: es que entiendas que un falso positivo en fraude tiene un costo distinto que un falso negativo.

El punto de entrada más frecuente es el rol de analista de riesgo o de reporting regulatorio. Menos glamoroso que data science, pero con curva de aprendizaje muy rápida y buena movilidad interna. Para dimensionar cómo la industria está incorporando IA en estos procesos, vale leer cómo la inteligencia artificial transforma los medios de pago y el crédito.

Retail y e-commerce: el mejor sector para empezar

Es donde hay más posiciones de entrada reales. Las empresas de retail tienen datos abundantes y relativamente simples de interpretar — ventas, stock, tráfico, devoluciones — y una necesidad constante de análisis operativo.

Qué herramientas exigen

• Excel o Google Sheets a nivel avanzado. Sigue siendo la herramienta de trabajo real de muchos equipos comerciales, y hacer de puente entre la planilla y la base de datos es parte del trabajo.

• SQL a nivel intermedio: joins, agregaciones y subconsultas.

• Power BI o Looker Studio. El dashboard es el entregable principal.

• Google Analytics y plataformas de e-commerce para el lado de comportamiento digital.

Qué proyectos valoran

Análisis de comportamiento de compra, segmentación RFM, análisis de canasta y forecasting de demanda. Un dashboard de ventas con filtros por categoría, región y período es probablemente el proyecto de portafolio con mejor relación entre esfuerzo y efectividad para entrar a este sector.

Salud: nicho, bien pago y con barrera de dominio

Prestadores, prepagas, laboratorios y healthtechs contratan analistas para gestión de siniestralidad, análisis epidemiológico, eficiencia operativa de instituciones y ensayos clínicos.

La particularidad es que el conocimiento del dominio pesa tanto como el técnico. Entender qué es un episodio de atención, cómo se codifican diagnósticos o qué implica el sesgo de selección en un registro clínico no se aprende en un curso de SQL. A cambio, la competencia es mucho menor y los perfiles que combinan formación en salud con habilidades de datos son escasos y bien remunerados.

Herramientas: SQL, Python o R, y estadística por encima del promedio — pruebas de hipótesis, análisis de supervivencia, control de confusores. Es el único de los cuatro sectores donde R sigue apareciendo con frecuencia en las descripciones de puestos.

Agroindustria: el sector menos obvio y con más crecimiento relativo

Datos de rendimiento por lote, imágenes satelitales, sensores de humedad, precios de commodities y logística de exportación. Es un sector que digitalizó su operación en pocos años y todavía tiene pocos analistas formados.

Qué lo diferencia

• Datos geoespaciales. Manejar GeoPandas, QGIS o las extensiones geográficas de los warehouses es un diferencial fuerte y poco común.

• Series temporales con fuerte estacionalidad y variables climáticas externas.

• Tolerancia a datos sucios. Mucha información viene de planillas de campo y sensores con fallas.

Si querés diferenciarte rápido, este es el sector donde una habilidad específica — análisis geoespacial — te vuelve candidato escaso casi de inmediato. Este panorama de cómo la IA está transformando el agro da contexto sobre qué tipo de proyectos se están abriendo.

Lo que piden todas las industrias

Más allá del sector, hay un núcleo que aparece en prácticamente toda búsqueda de analista de datos:

1. SQL. Es el filtro. La mayoría de los procesos incluye una prueba técnica de SQL y ahí se cae buena parte de los candidatos. Vale revisar qué habilidades de SQL piden las empresas tech antes de dar por sabida esta parte.

2. Una herramienta de visualización. Cuál importa menos que poder armar un dashboard que alguien de negocio entienda sin explicación.

3. Comunicación del hallazgo. Poder resumir en tres frases qué encontraste y qué habría que hacer al respecto.

4. Uso fluido de IA en el flujo de trabajo. Ya no es diferencial, es supuesto. Se asume que usás asistentes para escribir consultas, depurar código y acelerar el análisis exploratorio.

Ese último punto tiene respaldo en los números. La encuesta global State of AI de McKinsey muestra que la gran mayoría de las organizaciones ya usa IA en al menos una función del negocio, aunque una minoría logra medir impacto en resultados. Traducido al mercado laboral: las empresas contratan analistas que puedan cerrar esa brecha entre usar la herramienta y producir una decisión.

Ese último punto cambió bastante rápido el perfil esperado. Si querés ver cómo se ve el trabajo cotidiano hoy, este repaso de cómo cambió el trabajo real del analista de datos con IA lo describe con casos concretos.

Cómo elegir tu industria objetivo

Tres criterios, en este orden:

• Tu experiencia previa. Si trabajaste en un banco, fintech; si trabajaste en comercio, retail; si venís de salud, healthtech. El conocimiento de dominio acorta la búsqueda más que cualquier certificación.

• Tu nivel técnico actual. Con menos de un año de formación, retail y e-commerce tienen la puerta más abierta.

• Densidad de empresas en tu mercado. Mirá qué sectores tienen presencia real donde vas a aplicar, incluyendo posiciones remotas.

Una vez elegida, especializá el portafolio: dos proyectos genéricos y uno claramente del sector es una combinación mucho más efectiva que tres proyectos neutros.

Cursos recomendados de Coderhouse

• Diplomatura en Data — el recorrido completo desde SQL y Python hasta visualización, pensado para llegar al mercado con proyectos terminados.

• Curso de Introducción a la Inteligencia Artificial — para incorporar el uso de IA en el flujo de análisis, que hoy se da por supuesto en las búsquedas.

• Carrera de AI Marketing — la mejor combinación si apuntás a retail y e-commerce, donde el análisis de datos convive con métricas de adquisición y conversión.

Preguntas frecuentes

¿Qué industria contrata más analistas de datos junior?

Retail y e-commerce. Tienen el mayor volumen de posiciones de entrada porque necesitan análisis operativo constante y sus datos son más simples de interpretar que los de fintech o salud. Además, muchas de esas posiciones aceptan candidatos sin experiencia laboral previa en datos si el portafolio muestra un dashboard funcional.

¿Necesito conocimiento del sector o alcanza con lo técnico?

Depende de la industria. En retail y e-commerce lo técnico alcanza para entrar. En salud y agroindustria el conocimiento de dominio es casi tan determinante como las herramientas, y es justamente lo que hace que haya menos competencia y mejores salarios en esos nichos.

¿Qué herramienta de visualización conviene aprender primero?

Power BI si apuntás a empresas medianas y grandes con stack Microsoft, que son mayoría en retail y banca. Looker Studio si te interesa marketing digital y el ecosistema Google. Lo importante es dominar una en profundidad antes de sumar la segunda: los conceptos de modelado y diseño de dashboards se transfieren bien entre herramientas.

¿Sirve especializarse en una industria o limita las oportunidades?

Especializarse acelera la primera contratación y no cierra puertas después. El conocimiento técnico es transferible entre sectores; lo que cambia es el vocabulario y las métricas. Muchos analistas cambian de industria en su segundo o tercer trabajo sin problema, ya con experiencia real que respalda el cambio.

¿Cuánta experiencia piden para una primera posición de analista de datos?

La mayoría de los avisos dice uno o dos años, pero en la práctica un portafolio con dos o tres proyectos sólidos y una prueba técnica de SQL bien resuelta compensa la falta de experiencia formal, sobre todo en retail y en empresas en crecimiento. En fintech y salud el requisito de experiencia es más rígido.