El Analista de Datos dejó de ser el que "hace reportes". Hoy es un rol híbrido: entiende el negocio, escribe SQL, arma visualizaciones y —cada vez más— usa modelos de IA como parte de su caja de herramientas cotidiana. Esta guía cubre qué hace realmente, con qué trabaja, cuánto gana y cómo entrar al rol si estás empezando.

La demanda respalda el interés: el Future of Jobs Report del World Economic Forum ubica a los especialistas en big data entre los perfiles de mayor crecimiento de la década, y proyecta que la IA y el procesamiento de datos crearán alrededor de 11 millones de puestos.

Qué hace un Analista de Datos, en concreto

El trabajo se puede resumir en un ciclo de cinco pasos que se repite proyecto tras proyecto:

• Traducir una pregunta de negocio a una pregunta de datos. "¿Por qué bajaron las ventas?" no es una consulta; hay que convertirla en hipótesis medibles.

• Obtener y preparar los datos. Extraer de bases, APIs o planillas, y limpiar lo que llega mal.

• Analizar. Segmentar, comparar períodos, cruzar variables, detectar anomalías.

• Comunicar. Un dashboard, un informe o una presentación que un no técnico pueda usar para decidir.

• Medir el impacto. Verificar si la decisión tomada cambió el número que se quería mover.

El paso 1 y el paso 4 son los que más peso tienen en la evaluación de un analista senior. Los pasos técnicos se enseñan; el criterio de negocio se construye con práctica.

Un día típico

La mañana suele arrancar revisando dashboards y alertas: si algo se movió fuera de rango, esa es la prioridad. Después vienen los pedidos ad hoc de otros equipos ("necesito el desglose de churn por plan"), que se resuelven con consultas puntuales. La tarde se reserva para el análisis profundo del proyecto en curso, y una o dos veces por semana aparecen reuniones para presentar hallazgos.

Las herramientas que usa hoy un analista

SQL: el idioma base

Sigue siendo la habilidad más pedida y aparece entre los lenguajes más usados según la Stack Overflow Developer Survey. No alcanza con SELECT y WHERE: se espera manejo de joins múltiples, subconsultas, CTEs y funciones de ventana para cálculos acumulados o rankings.

Python o R para el análisis

Python domina por su ecosistema: pandas para manipulación, matplotlib o seaborn para exploración visual, scikit-learn cuando aparece algo de modelado. R sigue siendo fuerte en entornos académicos y de estadística aplicada. Si tenés que elegir uno para empezar, Python tiene más salida laboral fuera del análisis puro.

Visualización: Power BI, Tableau o Looker Studio

La elección suele venir dada por la empresa. Lo que se transfiere entre herramientas es el criterio: qué gráfico usar para qué pregunta, cómo jerarquizar la información y cuándo un número solo comunica mejor que un gráfico.

Excel: sigue vivo y sigue importando

Es la herramienta con la que la mayoría de las áreas del negocio consume los datos. Tablas dinámicas, funciones de búsqueda y modelado básico son piso, no techo. Muchos analistas llegan al rol desde Excel, y la transición hacia consultas más potentes es un paso natural que este recorrido de Excel a SQL explica en detalle.

IA generativa: la capa nueva

Los LLMs ya forman parte del flujo real: escribir un primer borrador de consulta SQL, explicar un error, documentar un pipeline, clasificar texto no estructurado o resumir hallazgos. Lo que no reemplazan es la validación. Un analista que copia una consulta generada sin revisarla es un riesgo; uno que la usa como punto de partida y verifica el resultado gana horas por semana.

Cuánto gana un Analista de Datos

Los rangos varían fuerte según país, industria y modalidad de contratación, pero la estructura de la curva se repite:

• Junior (0-2 años). Trabajo mayormente de soporte: reportes recurrentes, mantenimiento de dashboards, consultas ad hoc. Es la banda con mayor dispersión entre empresas.

• Semi-senior (2-4 años). Se hace cargo de proyectos completos y de la relación con un área del negocio. Acá empieza el salto salarial más marcado.

• Senior (4+ años). Define qué se mide, diseña la arquitectura analítica del área y suele mentorear. La brecha con el nivel anterior se explica más por impacto que por técnica.

Tres factores mueven el número más que la antigüedad: trabajar para el exterior en modalidad remota, dominar el stack de datos moderno (dbt, Airflow, un cloud warehouse) y tener conocimiento profundo de una industria específica —fintech, retail, salud— que permita hacer preguntas que otros no hacen.

Cómo entrar al rol desde cero

Orden de aprendizaje recomendado

1. Excel avanzado — para entender estructura de datos y cálculos sin fricción técnica.

2. SQL — la habilidad de mayor retorno inmediato en entrevistas.

3. Una herramienta de visualización — Power BI o Tableau, la que más aparezca en las ofertas de tu mercado.

4. Python con pandas — para lo que la interfaz gráfica ya no alcanza.

5. Estadística aplicada — para no confundir correlación con causalidad ni ruido con tendencia.

6. IA aplicada al análisis — prompts efectivos, validación de salidas, automatización de tareas repetitivas.

El portfolio como llave de entrada

Sin experiencia previa, el portfolio es la evidencia. Tres o cuatro proyectos que muestren limpieza de datos reales, consultas SQL comentadas, un dashboard con una pregunta de negocio clara y un caso con IA integrada cubren lo que se evalúa en un primer filtro.

Errores frecuentes al empezar

• Acumular certificados sin producir un solo análisis completo.

• Aprender cinco herramientas de forma superficial en vez de dos bien.

• Presentar gráficos sin conclusión: mostrar el dato en lugar de responder la pregunta.

• Ignorar el negocio: el mejor análisis técnico sobre la métrica equivocada no sirve.

Cursos recomendados de Coderhouse

Dependiendo de dónde estés parado, estas opciones cubren distintas etapas del camino:

• Curso de Excel — si venís de cero absoluto y necesitás base para entender estructuras de datos antes de programar.

• Curso de SQL — la habilidad con mayor retorno inmediato para postular a posiciones junior de datos.

• Curso de Data Analytics — el ciclo completo de análisis: limpieza, exploración, visualización e interpretación.

• Carrera de Data Analytics — formación integral con proyectos evaluados, pensada para llegar al mercado con portfolio armado.

• Diplomatura en Data — el recorrido más extenso, si buscás profundidad y una credencial formal.

Si ya trabajás con datos y querés sumar la capa de IA, el Curso de Introducción a la Inteligencia Artificial es un buen complemento corto.

Preguntas frecuentes

¿Qué diferencia hay entre un Data Analyst, un Data Scientist y un Data Engineer?

El Data Analyst responde preguntas sobre lo que pasó y por qué, usando datos ya disponibles. El Data Scientist construye modelos para predecir o clasificar, con más estadística y machine learning. El Data Engineer arma y mantiene la infraestructura que hace que esos datos lleguen limpios y a tiempo. Los tres roles se solapan, pero el analista es el más cercano a la decisión de negocio.

¿Se puede ser Analista de Datos sin saber programar?

Se puede empezar con Excel y una herramienta de visualización, y hay posiciones que funcionan así. Pero SQL aparece en la enorme mayoría de las búsquedas y no es programación en el sentido tradicional: es un lenguaje declarativo que se aprende en semanas. Python amplía el techo, aunque no es requisito para el primer puesto.

¿La IA va a reemplazar al Analista de Datos?

Automatiza la parte mecánica —escribir consultas, generar gráficos, documentar— y eleva la exigencia sobre el resto: formular la pregunta correcta, elegir qué medir, validar resultados y sostener una recomendación frente al negocio. El perfil que corre riesgo es el que solo ejecuta pedidos; el que aporta criterio se vuelve más valioso.

¿Cuánto tiempo lleva conseguir el primer trabajo como analista?

Con dedicación sostenida, entre seis y doce meses desde cero hasta el primer puesto es un rango realista. Lo que más acelera el proceso no es sumar cursos, sino publicar proyectos terminados y postular temprano, incluso cuando sentís que todavía falta.

¿Qué industrias contratan más analistas de datos?

Fintech, e-commerce, salud, logística y telecomunicaciones concentran buena parte de la demanda, porque generan volúmenes altos de datos transaccionales. También crecen las consultoras y las agencias, que suelen ser una buena puerta de entrada: exponen a muchos negocios distintos en poco tiempo.