Cómo ser analista de datos en 2026: la hoja de ruta de quien contrata

La respuesta directa: para postular a un puesto junior de analista de datos necesitas SQL, hojas de cálculo, una herramienta BI y estadística básica, más dos o tres proyectos de portfolio de verdad. Python ayuda pero no es obligatorio, y no, no hace falta un máster ni un currículum brillante. Llevo varios años contratando analistas y acompañando a los nuevos en su primer año, y lo que separa las ofertas de los rechazos nunca es la lista de herramientas. Es si sabes definir un problema con datos, construir la evidencia y decir qué hacer con ella. Este es el orden que seguiría para demostrarlo en unos seis meses.

Qué habilidades necesito? (SQL, hojas de cálculo, BI, estadística)

No confundas las prioridades. Abre cien ofertas junior y el hilo común no es Python ni machine learning: es SQL. Los datos viven en una base de datos y, si no los sabes sacar, el análisis ni empieza. Lo demás es cómo los limpias, los muestras y los interpretas.

Prioridad	Habilidad	Por qué importa	Hasta qué nivel
1	SQL	El idioma para sacar datos. Sin SQL no arrancas	JOIN, GROUP BY, subconsultas, funciones de ventana
2	Hojas de cálculo	El idioma común para validar rápido	Tablas dinámicas, BUSCARV/BUSCARX, fórmulas
3	Herramienta BI	La pantalla que enseñas a los demás	Una de Tableau / Power BI / Looker
4	Estadística básica	Leer números sin engañarte	Distribuciones, muestreo, tests A/B, correlación no es causa
5	Python (pandas)	Automatización y datos grandes (opcional)	Cargar, limpiar, agregar

Empieza por SQL, y apréndelo con datos reales y sucios. Ver un curso y memorizar sintaxis no basta. Baja un dataset feo de Kaggle o de un portal de datos abiertos y responde preguntas reales. Si respondes “qué categoría de producto bajó su recompra el mes pasado?” con una sola consulta, ya tienes buena parte del trabajo junior resuelto.

Elige una herramienta BI, no tres. En el mercado hispano Power BI aparece muchísimo en empresas tradicionales y Tableau en las más tecnológicas. Revisa las ofertas de las empresas que te interesan y aprende la que más se repita.

Python, siendo francos, es un “extra que suma, no un requisito” al nivel de entrada. Tocar machine learning en Python con el SQL flojo es hacerlo al revés. Es la misma lógica de “ordena tu aprendizaje antes de gastar dinero” que expliqué en el análisis de ROI de los bootcamps.

Cómo construyo un portfolio?

Tu portfolio es tu currículum. Los títulos y certificados son notas al pie en el papel, pero el portfolio se convierte en el guion de tu entrevista. Quien contrata se hace una sola pregunta: si le paso mis datos a esta persona, sabrá desenvolverse sola?

Un buen proyecto termina así:

1. Definición del problema — no “hice un gráfico bonito con un dataset” sino “esta era la decisión que quería apoyar”
2. Recolección y limpieza — cómo domaste una fuente sucia (aquí se ve el nivel)
3. Análisis — el SQL y la estadística detrás de la evidencia
4. Visualización — un dashboard que se entiende en treinta segundos
5. Conclusión y acción — una frase sobre qué debería hacer la empresa

Sin tema? Elige de abajo y adáptalo a tu sector objetivo.

Idea de proyecto	Habilidades	Qué transmite
Retención / churn en e-commerce	SQL, cohortes, Tableau	Fuerte para retail y venta directa
Embudo y conversión de una app	SQL, embudos, mentalidad A/B	Ideal para producto y plataformas
Datos abiertos para una idea cívica	SQL, mapas	Muestra constancia con datos difíciles
Análisis de sentimiento de reseñas	Python, NLP ligero	Para lucir Python (opcional)
Dashboard de gastos o de entrenamiento	Hojas de cálculo, BI	Señala constancia y automatización

Que al menos uno sea relevante para el sector que persigues. Si postulas a una empresa de videojuegos y solo tienes el dataset de las flores iris, no convence. Compártelo como README de GitHub más un enlace de Tableau Public, visible en un clic. Nadie abre un zip.

Bootcamp, autodidacta o una titulación?

No hay una única respuesta correcta, pero esta es la lectura honesta.

• Autodidacta: lo más barato y flexible, pero lo más fácil para perder el rumbo. Es el camino clásico al “infierno de los tutoriales”.
• Bootcamp: estructurado, con apoyo de búsqueda de empleo y red de contactos, pero caro, y el certificado en sí pesa poco al contratar.
• Titulación o programa formal: solo vale si haces un cambio de carrera y quieres la estructura; los proyectos siguen importando más que el credencial.

Tomes el camino que tomes, añadir un proyecto con tu propio tema al final es lo que inclina la balanza. Si estás sopesando un giro de carrera entero hacia los datos, haz primero el inventario de habilidades transferibles de la guía de cambio de carrera. Los datos son de los mejores campos para convertir una carrera previa en marketing, operaciones o ventas en una ventaja.

Cuánto se cobra?

Con sinceridad: varía muchísimo según el país, la ciudad y el tamaño de la empresa. No es lo mismo Madrid, Ciudad de México o Buenos Aires; ni una startup, una multinacional o una pyme regional; ni un puesto presencial frente a uno remoto para una empresa extranjera, que suele pagar en otra moneda.

Por eso clavar una cifra aquí sería irresponsable. Compruébalo así:

• LinkedIn y Glassdoor, donde muchas ofertas ya publican rangos
• Grupos de Slack, Discord y comunidades locales de datos para lo que se paga de verdad, cruzando fuentes
• Menos “cuál es el sueldo inicial” y más “qué datos voy a tocar y a dónde lleva este puesto en dos o tres años?”

Elige tu primer empleo por la calidad de los datos y del jefe antes que por el sueldo. Un salario menor con buenos datos y un buen mentor le gana a uno mayor con datos malos y sin nadie que te enseñe, y suele adelantarlo en tres años. Y ojo: el trabajo remoto para empresas de otros países cambia por completo la ecuación de sueldo, un punto que desarrollo en la guía de empleos en remoto.

Sobrevive el analista de datos a la era de la IA?

La respuesta honesta: el rol no desaparece, pero cambia de forma. La IA de hoy redacta SQL, arma gráficos y explica código sorprendentemente bien, así que tu valor como “la persona que escribe la consulta” se reduce de verdad.

Tres cosas siguen siendo de un humano:

• Enmarcar el problema — “cuál es la pregunta real que este negocio debería responder?” no lo decide la IA por ti.
• Verificación — detectar cuándo la consulta o el resultado de la IA está mal exige a alguien que conoce el dominio. Una respuesta equivocada que suena convincente es la más peligrosa.
• Persuasión — convertir números en lenguaje humano que mueva una decisión pasa en la sala de reuniones.

El valor se mueve de las manos que manejan la herramienta hacia la cabeza que hace las preguntas y duda del resultado. La brecha entre quien usa bien la IA y quien no se está ensanchando, así que vale la pena conectar herramientas como las de la comparativa Cursor vs Copilot a tu trabajo real de análisis. Trátala como palanca, no como amenaza.

Qué errores son comunes en el CV y la entrevista?

Quienes más se caen no son los menos hábiles. Son los que nunca llegan a una conclusión.

• Quedarse en los números: “la recompra fue del 12%” no es el final. Llega a “así que enviaría un cupón de retención a esta categoría”.
• Presumir de herramientas: listar SQL, Python, R, Tableau y Spark sin profundidad. En la entrevista, una sola pregunta sobre cualquiera lo derrumba.
• Apuntar demasiado alto: un recién llegado que solo postula a “Senior” o “Científico de Datos” y se queda fuera. Toma primero el puesto que abre la puerta.
• Sin enlace al portfolio: “lo hice pero ahora no se ve bien” se lee igual que no haberlo hecho.

Empieza cada línea del CV con un verbo de acción y añade el resultado, tal como plantea la guía de CV y carta de presentación. Y si además valoras el salto a trabajar por tu cuenta más adelante, la guía de empleado a freelance da contexto útil para el mercado del dato freelance.

Caso de fracaso: seis meses en el infierno de los tutoriales

Uno real que vi. La candidata A había terminado seis cursos online y tenía certificados de SQL, Python, estadística y machine learning. Pero no había portfolio. Todo era seguir los pasos de un instructor sobre los datos de ejemplo del curso. En la entrevista, ante “has resuelto alguna vez un problema que definieras tú?”, no supo responder.

El candidato B había hecho exactamente un curso, el de SQL, pero había reunido seis meses de datos de ventas de la cafetería donde trabajaba, montó un dashboard de ventas por día y hora, y llegó a una conclusión: “quitemos la promoción de los martes por la tarde”. B consiguió la oferta. No fue el volumen de aprendizaje, fue la cosa terminada. Los tutoriales son solo ingredientes. Contratan a quien cocinó un plato.

La hoja de ruta de seis meses, resumida

La versión comprimida para gente ocupada:

1. Meses 1–2: SQL, en serio, con datos reales hasta funciones de ventana
2. Meses 2–3: una herramienta BI, estadística básica, soltura con hojas de cálculo
3. Meses 3–5: dos o tres proyectos de portfolio, uno atado a tu sector objetivo
4. Meses 5–6: preparar CV y entrevista, adaptando el portfolio a cada oferta

Lo que rompe este plan siempre es el perfeccionismo. En vez de gastar dos semanas en dejar el dashboard más bonito, gasta dos días en afilar la conclusión de una frase. Para sostener el ritmo de estudio, las mejores apps de productividad ayudan a no perder el hilo.

Este artículo es solo información profesional de carácter general y no garantiza ningún resultado, contratación ni salario. Las condiciones de contratación y los sueldos varían por empresa, país y momento, así que verifica siempre cada oferta y las fuentes oficiales antes de postular.