Ruta para ser analista de datos: qué estudiar, en qué orden y cómo ganar experiencia

Qué hace un analista de datos en el día a día

Antes de elegir qué estudiar conviene saber para qué. Un analista de datos recibe preguntas de negocio, como por qué bajaron las ventas en una región o qué clientes tienen más riesgo de irse, y las convierte en consultas, cálculos y gráficos que alguien pueda usar para decidir. Buena parte del tiempo se va en conseguir los datos y limpiarlos, no en el análisis en sí. Y otra parte importante es explicar los resultados a personas que no son técnicas.

En los proyectos de datos que hacemos con clientes, el analista es quien conecta al área de negocio con quienes construyen los sistemas. Sabe qué se puede medir, detecta cuándo un dato está mal capturado y traduce una necesidad difusa en un indicador concreto. Por eso esta ruta mezcla herramientas técnicas con práctica en preguntas reales: una sin la otra no alcanza.

Qué estudiar y en qué orden

El orden que proponemos parte de lo más usado en las empresas y avanza hacia lo más especializado. Excel y SQL primero, porque están en casi cualquier equipo que trabaje con datos. Luego visualización, porque un análisis que no se comunica no sirve. La estadística acompaña desde el principio en dosis pequeñas, y Python llega cuando ya sabes qué quieres automatizar. Los tiempos de la tabla asumen ocho a diez horas por semana y son orientativos.

Si ya trabajas con Excel a diario, puedes recortar la primera etapa; si vienes de un área sin contacto con datos, dale más tiempo. Lo importante es no estudiar todas las herramientas a la vez. Quien intenta aprender SQL, Power BI y Python en paralelo suele terminar con tres conocimientos a medias y ningún proyecto terminado.

• Excel: funciones condicionales, BUSCARX, tablas dinámicas y Power Query.
• SQL: consultas, agregaciones, JOIN, subconsultas y funciones de ventana.
• Visualización: Power BI o una herramienta similar, con modelo de datos y medidas.
• Estadística descriptiva: promedios, medianas, dispersión, distribuciones y correlación.
• Python: pandas para limpiar y transformar datos, y una librería de gráficos.
• Comunicación: presentar hallazgos con contexto y una recomendación concreta.

Estadística: cuánta necesitas de verdad

Para empezar como analista no necesitas un curso universitario de estadística. Necesitas entender bien la estadística descriptiva: cuándo usar la mediana en lugar del promedio, qué dice la desviación estándar, cómo leer una distribución y por qué una correlación no prueba que una cosa cause la otra. Con eso evitas la mayoría de las conclusiones equivocadas que vemos en reportes de negocio.

Más adelante te servirá algo de estadística inferencial, como intervalos de confianza y pruebas de hipótesis, sobre todo si vas a analizar experimentos o encuestas. Pero esa parte rinde más cuando ya sabes sacar y preparar datos. Estudiarla al principio, sin datos propios con los que aplicarla, suele quedarse en fórmulas que se olvidan rápido.

Python: cuándo entra y para qué

Python es útil para un analista cuando aparecen tareas que Excel, SQL y Power BI resuelven mal: limpiar archivos con estructuras irregulares, combinar datos de una API, automatizar un reporte que hoy se arma a mano o hacer análisis estadísticos más finos. La librería pandas es la puerta de entrada y cubre gran parte de esos casos. Jupyter o un entorno similar te permite trabajar de forma interactiva y documentar el análisis.

Lo que no recomendamos es empezar la ruta por Python. Sin SQL ni noción de cómo se organizan los datos en una empresa, Python se convierte en un curso de programación general que tarda en dar frutos. En cambio, quien llega sabiendo SQL aprende pandas mucho más rápido, porque las operaciones son las mismas con otra sintaxis: filtrar, agrupar y combinar tablas.

Proyectos para armar un portafolio

Un portafolio de analista no necesita ser extenso. Tres o cuatro proyectos bien explicados dicen más que diez notebooks sin contexto. Cada uno debería partir de una pregunta, mostrar de dónde salieron los datos y cómo se limpiaron, y terminar con una conclusión que alguien podría usar. Publícalos en GitHub o en un perfil donde se puedan revisar sin descargar nada.

• Análisis de ventas con SQL sobre una base de ejemplo, con hallazgos por producto, región y temporada.
• Un dashboard en Power BI con indicadores de un proceso, explicando qué decisión ayuda a tomar.
• Limpieza y análisis en Python de un dataset público de tu país, con un resumen escrito de los hallazgos.
• Un proceso que hoy se hace a mano en Excel, rehecho con Power Query o Python, mostrando el antes y el después.

Errores comunes en la ruta

La mayoría de las personas que abandonan esta ruta no lo hacen por falta de capacidad, sino por la forma en que la recorren. Acumular certificados sin proyectos, o pasar meses viendo videos sin escribir una consulta propia, da sensación de avance sin el avance real. Estos son los tropiezos que más vemos en quienes están empezando:

• Estudiar varias herramientas a la vez y no terminar ninguna.
• Saltar Excel y SQL para ir directo a machine learning.
• Hacer proyectos con datasets demasiado limpios, que no enseñan a preparar datos.
• Mostrar gráficos sin decir qué significan ni qué decisión apoyan.
• Esperar a sentirse listo para postularse o para ofrecer ayuda con datos en el trabajo actual.

Cómo elegir cursos para esta ruta

En lugar de un solo curso que prometa cubrirlo todo, suele funcionar mejor un curso enfocado por etapa: uno de Excel, uno de SQL, uno de Power BI y uno de Python para análisis. Los cursos todo en uno tienden a quedarse en la superficie de cada herramienta. Para cada uno, revisa que el temario llegue a temas intermedios, que incluya ejercicios y proyectos, y que esté actualizado.

El idioma importa distinto según la herramienta. En Excel conviene un curso en el mismo idioma de tu instalación, porque cambian los nombres de las funciones. En SQL y Python, como el código está en inglés de todas formas, un curso en español sirve igual para empezar. Y desconfía de los cursos que prometen convertirte en analista en pocas semanas: la herramienta se aprende rápido, el criterio no.

Cuándo el rol de analista se queda corto

Con el tiempo, algunas personas descubren que lo que más les gusta no es responder preguntas sino construir la infraestructura de datos. Ese camino lleva a ingeniería de datos o a analytics engineering, donde pesan más el modelado, los pipelines y la nube. Otras prefieren la parte predictiva y se mueven hacia ciencia de datos, que exige más estadística y programación. La base que construyes en esta ruta sirve para ambos caminos.

También hay un límite desde el lado del negocio. Cuando una empresa depende de que un analista reconstruya cada mes el mismo reporte a partir de hojas sueltas, el problema ya no es de análisis sino de sistemas. Ahí es donde solemos entrar en TintoDev, automatizando la captura y la integración de datos para que el analista dedique su tiempo a interpretar, no a copiar y pegar.

Dónde están los cursos

Preguntas frecuentes

¿Necesito un título universitario para ser analista de datos?

No siempre. Muchas personas llegan al rol desde finanzas, operaciones, ingeniería o administración, apoyadas en un portafolio y en experiencia con datos de su propio trabajo. Algunas empresas sí lo exigen, así que revisa las ofertas de tu ciudad o del tipo de empresa que te interesa.

¿Cuánto tiempo toma convertirse en analista de datos?

Con ocho a diez horas por semana, entre seis y ocho meses para recorrer Excel, SQL, Power BI, estadística básica y Python, y tener un portafolio, como referencia orientativa. Si ya trabajas con datos o dedicas más horas, puede ser menos. Conseguir el primer empleo es otro proceso que depende de tu mercado.

¿Qué aprendo primero, SQL o Power BI?

SQL, si tienes que elegir. Es la forma de sacar datos de los sistemas y la base de cualquier reporte serio; Power BI se aprende más rápido cuando ya entiendes cómo se relacionan las tablas. Si tu trabajo actual te pide dashboards ya, puedes empezar por Power BI y estudiar SQL en paralelo.

¿Python o R para análisis de datos?

Python, para la mayoría de las personas que empiezan. Sirve tanto para análisis como para automatizar procesos y conectar sistemas, y tiene una comunidad muy grande. R sigue siendo muy bueno en estadística y en entornos académicos, así que si tu área lo usa, tiene sentido aprenderlo.

¿Cómo consigo experiencia si nunca he trabajado como analista?

Empieza en tu trabajo actual: casi cualquier área tiene un reporte manual que se puede mejorar con lo que estás aprendiendo. Documenta ese proyecto, con los datos anonimizados, y súmalo al portafolio. También sirven proyectos con datos públicos de tu país, siempre que partan de una pregunta concreta.