Qué hace exactamente un analista de datos
Las empresas tienen datos por todos lados: ventas, clientes, web, operaciones. Datos sueltos no sirven de nada. El analista los toma, los ordena, los analiza y responde preguntas que alguien necesita responder para decidir algo.
Sus funciones reales, en el orden en que ocupan el día:
- Traer los datos. Consultar bases, cruzar fuentes, exportar. Aquí vive SQL.
- Limpiarlos. La parte que nadie muestra en LinkedIn y que se lleva la mayor parte del tiempo: duplicados, nulos, formatos que no cuadran, categorías escritas de seis maneras distintas.
- Analizarlos. Buscar el patrón, comparar periodos, encontrar la causa de la caída.
- Comunicarlos. Un dashboard, un reporte o una reunión de veinte minutos. Si nadie entiende el hallazgo, el hallazgo no existe.
Esa última parte es la que separa a un analista bueno de uno promedio, y es la que menos se enseña. Un análisis impecable que nadie usa vale lo mismo que ninguno.
Analista o científico de datos
Se usan como sinónimos y no lo son. El analista mira el pasado y el presente (qué pasó y por qué). El científico mira el futuro (qué va a pasar). Uno explica, el otro predice.
En la práctica eso cambia las herramientas. El analista vive en SQL, Excel y una herramienta de visualización, y su estadística es descriptiva e inferencial básica. El científico añade programación seria, machine learning y experimentación. También cambia el entregable: el analista entrega un dashboard o un informe, el científico entrega un modelo que corre solo.
Por cuál empezar es fácil de responder: por analista. Es la puerta de entrada real, el mercado pide muchísimos más, y todo lo que aprendes ahí es prerrequisito de lo otro. Nadie llega a científico de datos saltándose el saber traer y limpiar datos.
La ruta paso a paso, en orden
La pregunta que más recibo de gente que quiere cambiar de rumbo es si se puede sin haber estudiado eso. Sí, y lo veo todo el tiempo: personas de administración, marketing, contabilidad o ingeniería que se forman y entran. Lo que no funciona es hacerlo en desorden.
- Excel de verdad. No formato bonito: tablas dinámicas, BUSCARV o XLOOKUP, funciones de texto y fecha, y Power Query para limpiar. Mucha gente lo salta por parecerle básico y luego no sabe estructurar una tabla.
- SQL. El punto de no retorno. Con SQL dejas de depender de que alguien te exporte un archivo. Está desarrollado en la guía de SQL desde cero.
- Visualización. Power BI o Looker Studio. Aquí se aprende menos software y más criterio: qué gráfico responde qué pregunta y cuándo un gráfico engaña.
- Estadística aplicada. Promedio, mediana y por qué el promedio miente con datos sesgados. Desviación estándar. Correlación y por qué no es causalidad. Sin esto se reportan coincidencias como hallazgos.
- Portafolio. El paso que casi todos se saltan y el único que consigue el trabajo.
El portafolio es lo que te contrata
Un certificado dice que asististe. Un portafolio demuestra que puedes. En una revisión de CV, tres proyectos donde se ve el problema, los datos, el análisis y la conclusión pesan más que cualquier lista de cursos.
Qué hace bueno a un proyecto de portafolio:
- Una pregunta de negocio real, no un dataset famoso analizado como todos lo analizan. Datos abiertos de tu ciudad, de tu sector o de tu antiguo trabajo.
- La parte sucia visible. Muestra qué estaba mal en los datos y cómo lo resolviste. Eso es exactamente el trabajo, y es lo que quien contrata quiere ver.
- Una conclusión que alguien pueda usar. No "se observa una tendencia", sino qué haría distinto la empresa a partir de esto.
Tres proyectos bien hechos superan a diez a medias. Y si vienes de otro rubro, esa es tu ventaja, no tu problema: alguien que entiende de retail y aprende datos vale más para una empresa de retail que alguien que solo sabe datos.
La plantilla del README de tu proyecto, para copiar
Quien revisa tu portafolio le dedica dos minutos a cada proyecto. Si en esos dos minutos no entiende qué preguntaste y qué encontraste, cierra la pestaña. Esta estructura evita eso.
# [Título: la pregunta, no el dataset] ## La pregunta Qué quería responder y por qué le importaría a alguien. Ejemplo: ¿en qué distritos conviene abrir la próxima tienda? ## Los datos De dónde salieron, cuántas filas, qué periodo cubren. Qué estaba mal: duplicados, nulos, categorías inconsistentes. Qué decidí hacer con cada problema y por qué. ## El análisis Los tres pasos principales. Un gráfico por cada hallazgo, no diez por gusto. ## Lo que encontré Dos o tres conclusiones, cada una corta y repetible en una reunión sin haber visto el análisis. ## Qué haría distinto la empresa a partir de esto La parte que se salta casi cualquier portafolio, y la que demuestra que entiendes el negocio. ## Cómo reproducirlo Los archivos, el orden en que se corren, qué hace falta instalar.
Qué determina el sueldo
Lo honesto primero: los sueldos varían muchísimo y cualquiera que te dé una cifra exacta te está simplificando de más. Lo que sí se puede decir con seguridad es qué mueve la aguja, que es lo útil para saber dónde enfocarte.
- El sector. Banca, minería, telecomunicaciones y tecnología pagan por encima del resto en Perú, y la diferencia es grande.
- Si trabajas para afuera. El mismo perfil cobrando en dólares para una empresa de otro país cambia el rango por completo. Es la palanca más fuerte que existe.
- Las herramientas. Quien además de SQL y Power BI maneja Python y modelado sale del rango de analista junior mucho antes.
- El negocio. Entender el sector en el que analizas vale tanto como la parte técnica, y se deja al azar.
El salto grande no suele venir del cuarto curso, viene de cambiar de sector o de empezar a trabajar para el extranjero. Vale la pena tenerlo presente desde el principio, porque cambia qué estudias y en qué idioma armas tu portafolio.
Cuánto tarda
Con constancia real, entre seis meses y un año hasta estar en condiciones de postular con un portafolio decente. Menos que eso es marketing. Más que eso suele significar que se está estudiando sin construir nada, que es la trampa más común: acumular cursos sin producir un solo proyecto propio.
Para saber si vas bien no cuentes horas. Pregúntate si puedes tomar un archivo sucio que nunca viste y salir de ahí con una conclusión defendible.
Preguntas frecuentes sobre ser analista de datos
¿Qué estudiar para ser analista de datos?
El orden que funciona: Excel y datos limpios, después SQL, después visualización, y Python cuando lo anterior te quede corto. No hace falta una carrera; hace falta un portafolio que demuestre que resuelves problemas con datos.
¿Cuánto gana un analista de datos?
Varía mucho por país, sector y tamaño de empresa, y cualquier cifra suelta engaña. Lo que sí es constante: el salto de sueldo no viene de saber una herramienta más, viene de poder explicar el impacto de negocio de lo que analizas.
¿Necesito un título para trabajar en datos?
No en la mayoría de las empresas de la región. Lo que se revisa es si sabes hacer el trabajo, y eso se demuestra con proyectos propios. El título abre puertas en banca y en sector público, donde a veces es requisito formal.
¿Cuál es la diferencia entre analista y científico de datos?
El analista explica lo que pasó y por qué, y su producto es una decisión mejor informada. El científico de datos construye modelos que predicen, y su producto es un sistema. Se solapan, pero el primero pasa más tiempo con el negocio y el segundo con el código.
¿Cuánto tarda pasar de cero a empleable?
Con constancia real, entre seis meses y un año. Lo que más alarga ese plazo no es la dificultad técnica: es practicar con datasets de ejercicio en vez de con un problema propio que puedas contar en una entrevista.
Por dónde seguir
Si te falta la base técnica, empieza por la guía de SQL desde cero, que es el paso que más cambia las cosas. Si ya la tienes y quieres entender qué hay después, la guía de machine learning cubre el terreno del científico de datos sin fórmulas.
Y si además quieres el pedazo que hoy separa a un analista de otro, que es trabajar con IA y no solo con hojas de cálculo, el Full Day IA son ocho horas de eso, sobre casos reales.
¿Quieres llevarlo más lejos?
Esta guía te deja operando. El curso te deja diseñando, midiendo y gobernando sistemas de IA que trabajan solos.
Ver los cursos