Guía profesional del analista de datos: funciones, sueldo y habilidades

Los nombres de puestos comunes incluyen Data Analyst, Business Data Analyst, BI Analyst, Product Analyst, Marketing Analyst, Operations Analyst y Growth Analyst. Aunque los nombres son diferentes, en esencia todos utilizan datos para responder preguntas de negocio.

Por ejemplo, las ventas mensuales de una empresa de comercio electrónico disminuyeron un 15%. Al analizar no se queda solo en el resultado de “disminuyó un 15%”, sino que se descompone la venta en número de usuarios, tasa de conversión y valor promedio de pedido, y luego se analiza por canal, región, dispositivo y tipo de usuario para encontrar la fuente del cambio.

• El número de usuarios se mantiene básicamente estable, lo que indica que el problema probablemente no esté en el tráfico.
• La tasa de conversión de pedidos ha disminuido significativamente, es necesario desglosarla más.
• La tasa de conversión de usuarios de Android disminuyó más.
• Tras una investigación más detallada, se descubrió que la nueva versión de la aplicación tenía problemas en la página de pagos.

La conclusión final es: la principal razón de la disminución de ventas no es la reducción del tráfico, sino que el nuevo proceso de pago de Android afectó la conversión. Este proceso, de fenómeno a causa y luego a solución, es el análisis de datos completo.

① Convertir necesidades vagas en preguntas computables

Cuando el negocio plantea “¿la pérdida de usuarios se ha vuelto más grave recientemente?”, el analista primero debe aclarar el período de observación, el alcance de los usuarios y la definición de pérdida, y luego decidir revisar la tasa de retención de 7 días, la tasa de retención de 30 días, la tasa de pérdida general y los cambios en diferentes canales, regiones y grupos de usuarios.

② Obtener datos de la base de datos

La mayoría de los datos comerciales de las empresas se almacenan en bases de datos, por lo que SQL es una de las habilidades más importantes para los analistas de datos. Los analistas necesitan seleccionar campos según el problema, unir tablas de datos, limitar el rango de tiempo y agregar resultados.

③ Limpiar y verificar datos

Los datos reales a menudo tienen pedidos duplicados, valores faltantes, errores en el formato de fechas, registros anómalos y nombres de campos desordenados. La limpieza generalmente se realiza con Excel, SQL o Python Pandas, al mismo tiempo que se deben verificar los criterios de los indicadores para evitar que diferentes departamentos calculen resultados distintos utilizando el mismo nombre.

④ Analizar datos

Los métodos comunes incluyen comparación interanual, comparación mensual, promedio, mediana, tasa de conversión, tasa de retención, segmentación de usuarios, análisis de embudo, análisis de correlación, pruebas A/B y análisis de tendencias. Los métodos en sí no son difíciles; la dificultad está en elegir el método que realmente pueda responder a las preguntas del negocio.

⑤ Visualizar y crear tableros

Los resultados generalmente se presentan en gráficos de barras, gráficos de líneas, embudos, mapas o paneles. Las herramientas comunes incluyen Power BI, Tableau, Looker y Excel. El objetivo no es hacer gráficos vistosos, sino permitir que el lector vea rápidamente el problema.

⑥ Dar conclusiones y recomendaciones

«El volumen de pedidos de julio disminuyó un 12 %» es solo una descripción de los datos. Una conclusión más completa debería señalar: la disminución de pedidos proviene principalmente de nuevos usuarios, los pedidos de nuevos usuarios bajaron un 28 %, de los cuales el 70 % de la caída proviene de un canal específico; los costos de adquisición de este canal aumentaron mientras que la tasa de conversión de nuevos usuarios disminuyó, por lo que es necesario reevaluar la estrategia de inversión.

La cadena completa es: datos → información → causas → conclusión → decisión.

Las perspectivas generales siguen siendo buenas, pero los puestos están claramente diferenciándose. Trabajos simples como elaborar tablas, repetir la creación de informes diarios y hacer gráficos según plantillas fijas, cada vez son más fáciles de ser reemplazados por herramientas automáticas de SQL, BI inteligente y AI generativa.

La clasificación profesional de 2026 aún considera al analista de inteligencia empresarial como un puesto con buenas perspectivas. Como profesión adyacente más técnica, se espera que el crecimiento del empleo para los científicos de datos entre 2024 y 2034 sea de aproximadamente un 34%, claramente superior al promedio de alrededor del 3% de todos los empleos.

Las habilidades que realmente tienen valor a largo plazo están cambiando a:

• Comprender los objetivos comerciales y la lógica de rentabilidad.
• Diseñar sistemas de indicadores razonables.
• Realizar análisis de usuarios, productos, canales y experimentos.
• Establecer modelos de datos y procesos de análisis estables.
• Mejorar la eficiencia en la obtención, limpieza, análisis y presentación de datos con ayuda de AI.
• Convertir las conclusiones del análisis en decisiones prácticas.

Los analistas de datos no desaparecerán por la aparición de la AI, pero el valor de los puestos que solo "extraen datos y hacen informes" seguirá disminuyendo. Las personas que puedan definir problemas, juzgar criterios, identificar límites causales y promover la acción empresarial, serán aún más importantes.

La licenciatura tiene la mayor ventaja en el reclutamiento; los campos de estadística, matemáticas, informática, economía, finanzas, gestión de la información, análisis empresarial y marketing están más relacionados con el puesto. Sin embargo, la especialización no es la única barrera; también hay personas que han logrado pasar a análisis de datos desde contabilidad, operaciones, marketing, cadena de suministro, ventas e ingeniería.

El análisis de inteligencia empresarial generalmente se clasifica como un puesto que requiere una preparación profesional más completa. La mayoría de las profesiones relacionadas tienden a requerir un título universitario de cuatro años, pero no todos los puestos lo consideran un requisito absoluto. Las muestras de reclutamiento abierto en China para 2026 también muestran que aproximadamente el 65,5% de los puestos de analista de datos junior requieren un título universitario, siendo este mismo nivel educativo el más común incluso en los puestos de prácticas.

¿Se puede hacer con un título de técnico superior?

Sí, pero la dificultad en la fase de selección suele ser mayor, por lo que es necesario compensar la diferencia educativa con portafolios, habilidades en SQL, proyectos reales y experiencia en la industria. En lugar de acumular certificados de cursos, es mejor presentar proyectos que muestren el proceso completo de análisis.

¿Es necesario un máster?

Los puestos comunes de análisis de datos normalmente no requieren un máster. Si el objetivo es la ciencia de datos, finanzas cuantitativas, algoritmos, inteligencia artificial o puestos centrales de datos en grandes empresas tecnológicas, la formación en matemáticas, estadísticas y habilidades investigativas durante la etapa de posgrado será más valiosa.

📗 Excel

• VLOOKUP, XLOOKUP, SUMIFS, COUNTIFS e IF.
• Tablas dinámicas, limpieza de datos, formato condicional y gráficos comunes.

🗄️ SQL

• SELECT, WHERE, GROUP BY, ORDER BY y JOIN.
• CASE WHEN, HAVING, subconsultas, CTE y funciones de ventana.
• Alcanzar un nivel en el que, al ver un problema de negocio, se pueda diseñar consultas de forma independiente y extraer datos.

📐 Estadística

• Media, mediana, varianza, desviación estándar, probabilidad y distribución normal.
• Muestreo, intervalos de confianza, pruebas de hipótesis, correlación, regresión y pruebas A/B.
• Comprender los límites de aplicación de las conclusiones estadísticas y no interpretar directamente la correlación como causalidad.

Además de la base matemática, el pensamiento crítico, la resolución de problemas, la toma de decisiones y la comunicación también son habilidades importantes para este tipo de puestos.

📊 Herramientas de BI

Dominar al menos una de Power BI o Tableau, ser capaz de establecer métricas, diseñar la lógica de filtrado y crear paneles de control mantenibles.

🐍 Python

Enfocarse en aprender los fundamentos de Python, Pandas, NumPy, Matplotlib, limpieza de datos y análisis de datos. Python no es un requisito obligatorio para todos los puestos junior, pero ayuda a manejar mayores volúmenes de datos, automatizar trabajos repetitivos y ampliar las oportunidades de desarrollo a largo plazo.

💼 Competencias empresariales

El e-commerce necesita comprender GMV, valor promedio de pedido, tasa de conversión, tasa de recompra, CAC, LTV y ROI; los productos de internet necesitan comprender DAU, MAU, tasa de retención, tasa de abandono y tasa de actividad; los negocios de publicidad necesitan comprender CTR, CPC, CPA y ROAS. Saber escribir SQL con fluidez pero no entender el negocio dificulta convertirse en un analista de datos destacado.

Las personas con experiencia generalmente encuentran más fácil encontrar un puesto adecuado, mientras que los solicitantes sin experiencia enfrentan una competencia más fuerte. Los puestos de análisis de datos no son los más numerosos en la mayoría de las empresas; una empresa puede tener muchas personas en ventas, atención al cliente y operaciones, pero solo asignar unos pocos analistas.

Graduados en estadística, informática, economía y negocios, así como profesionales de operaciones, finanzas y marketing que desean cambiar de carrera, competirán también. Por lo tanto, aprender Excel y SQL no significa obtener un trabajo de inmediato. Lo que realmente le importa a la empresa es si puede entender el negocio, realizar análisis de manera independiente y dar conclusiones confiables.

Solo considerando lo básico, la barrera técnica del análisis de datos es más baja que la de ingeniero de algoritmos, aprendizaje automático y desarrollo de software. Los puestos iniciales usan principalmente Excel, SQL, herramientas BI y conocimientos estadísticos básicos.

La verdadera dificultad es el propio “análisis”. Frente a preguntas como “¿por qué hay menos usuarios?”, se necesita decidir qué indicadores observar, cómo desglosarlos, cómo verificar hipótesis, y si la disminución proviene del tráfico, la conversión, canales específicos o un tipo particular de usuarios. Esta habilidad depende de la comprensión del negocio acumulada a largo plazo, habilidades lógicas y experiencia práctica.

La ruta más realista es: herramientas básicas → métodos de análisis → práctica de proyectos → preparación para el empleo.

• Mes 1: Excel y fundamentos de análisis de datos.
• Mes 2: Consultas SQL, uniones, agregaciones y funciones de ventana.
• Mes 3: Power BI y estadística básica.
• Mes 4: Procesamiento de datos con Python.
• Mes 5: Completar proyectos y organizar portafolio.
• Mes 6: Preparar el currículum, postular a puestos y practicar entrevistas.

Si se estudia de manera constante de 10 a 15 horas por semana, normalmente se necesitan de 4 a 6 meses para alcanzar el nivel de entrevista de un puesto inicial. Esto no significa que necesariamente se pueda encontrar trabajo en 4 meses. Para quienes cambian de industria completamente, o no tienen ventajas de educación o experiencia, el periodo de preparación puede ser de 6 a 12 meses.

El problema más común al aprender desde cero es hacer muchos cursos sin completar un proyecto que se pueda mostrar. Una manera más eficaz es aprender mientras se hace:

• Después de aprender Excel, analizar un conjunto de datos de ventas de comercio electrónico.
• Después de aprender SQL, crear una base de datos de pedidos y calcular número de usuarios, ventas, tasa de recompra, monto promedio por pedido y productos populares.
• Después de aprender Power BI, crear un panel de ventas filtrable.
• Después de aprender Python, realizar análisis de comportamiento o retención de usuarios.

Antes de buscar trabajo, es mejor preparar al menos 3 proyectos completos, como análisis de ventas de comercio electrónico, análisis de retención de usuarios y análisis de campañas de marketing. Cada proyecto debe incluir el contexto del problema, descripción de los datos, proceso de limpieza, definición de métricas, método de análisis, principales hallazgos y recomendaciones comerciales. Tres proyectos completos suelen ser más convincentes que diez certificados de cursos.

SQL

Las preguntas comunes incluyen consultar los 10 productos con mayor venta, extraer el último pedido de cada usuario, identificar usuarios con inicio de sesión continuo, calcular la retención a 7 días y usar funciones de ventana para realizar ranking o cálculos acumulativos.

Excel

Problemas comunes incluyen la diferencia entre VLOOKUP y XLOOKUP, el uso de tablas dinámicas, el manejo de datos duplicados y la agregación con múltiples condiciones.

Estadística

Los puntos clave incluyen escenarios de uso del promedio y la mediana, el significado de significancia estadística, el diseño básico de pruebas A/B y por qué la correlación no implica causalidad.

Casos de negocio

Ante la pregunta “Las ventas de la empresa bajaron repentinamente un 20%, ¿cómo debería analizarlo?”, no se debe adivinar la causa directamente. Primero se puede descomponer las ventas en número de pedidos y valor medio por pedido, luego dividir el número de pedidos en número de usuarios y tasa de conversión, y posteriormente reducir el análisis paso a paso a través de usuarios nuevos y antiguos, canales, regiones y dispositivos.

Experiencia en proyectos

Los entrevistadores generalmente harán preguntas de seguimiento sobre los objetivos del proyecto, la fuente de los datos, la selección de indicadores, los métodos de limpieza, el proceso de análisis, los principales hallazgos y las recomendaciones finales. Cada cifra y conclusión en el currículum debe poder ser explicada.

La autopresentación debería durar entre 60 y 90 segundos, y se puede estructurar a través de antecedentes, habilidades, proyectos, resultados y la razón para postularse.

Una expresión clara podría ser: Mi licenciatura es en Marketing, en el último año he aprendido y practicado principalmente análisis de datos, y actualmente estoy familiarizado con Excel, SQL, Power BI y Python. He utilizado SQL para procesar aproximadamente 200,000 datos de pedidos, completando análisis de retención de usuarios, recompra y comportamiento de consumo, y utilizando Power BI para crear un panel de ventas. El análisis reveló que los clientes de alto valor, aunque representan solo alrededor del 12% del total de usuarios, contribuyen con casi el 40% de las ventas, por lo que propuse un plan de marketing de membresías dirigido a clientes de alto valor. Espero continuar desarrollándome en la dirección del análisis de datos comerciales.

El énfasis no está en descripciones genéricas como “personalidad alegre, fuerte capacidad de aprendizaje”, sino en demostrar mediante proyectos específicos que realmente se puede realizar análisis de datos.

El rango de cambio de puesto para analistas de datos es amplio, las direcciones comunes incluyen gerente de producto, analista de negocios, ingeniero de BI, científico de datos, ingeniero de datos, analista de crecimiento, analista de mercado, analista financiero, analista estratégico, gerente de operaciones, investigación de usuarios y consultor.

• Cambiar a gerente de producto: Adecuado para personas que ya están familiarizadas con usuarios, productos, datos y sistemas de métricas.
• Cambiar a ciencia de datos: Adecuado para personas con un fuerte interés en tecnología y que estén dispuestas a continuar aprendiendo matemáticas, estadística y aprendizaje automático.
• Cambiar a análisis de negocios: Adecuado para personas con fuerte comprensión del negocio, expresión y habilidades de comunicación.
• Cambiar a ingeniería de datos: Se necesita complementar la base de datos, el almacenamiento de datos, ETL, plataformas en la nube y capacidades de desarrollo de ingeniería.

• 09:00: Revisar los indicadores clave de ayer, como DAU, ventas, volumen de pedidos y tasa de conversión, y confirmar si hay anomalías.
• 10:00: Recibir solicitudes comerciales, por ejemplo, analizar la razón de la disminución reciente de la tasa de recompra de nuevos usuarios.
• 10:30: Escribir SQL para extraer datos de registro, acceso, compra y recompra.
• 13:00: Limpiar los datos, verificar valores faltantes, registros duplicados, valores anómalos y criterios estadísticos.
• 14:00: Realizar análisis de segmentación de usuarios según canal, región, dispositivo, edad y tiempo.
• 15:30: Detectar que la calidad de los nuevos usuarios de un canal ha disminuido y verificar las causas.
• 16:00: Confirmar con el departamento de marketing si ha habido cambios recientes en la estrategia de inversión.
• 17:00: Crear gráficos o actualizar paneles.
• 17:30: Organizar los problemas, causas, alcance del impacto y recomendaciones de acción.

El trabajo real suele incluir procesamiento de datos, mantenimiento de informes, actualización de paneles, investigación de anomalías y comunicación interdepartamental, no se realiza todos los días modelos complejos. La descripción de las tareas profesionales también enfatiza analizar datos, procesar información, generar informes y explicar resultados a los gerentes y otros departamentos.

El análisis de datos generalmente es un trabajo de presión media. No implica directamente cumplir objetivos de rendimiento como ventas, ni requiere manejar continuamente grandes volúmenes de clientes como atención al cliente, pero enfrenta una presión evidente sobre la exactitud de los datos.

En encuestas profesionales relacionadas, el 64% de los entrevistados considera que la exactitud del trabajo es "extremadamente importante". Una vez que los números ingresan en informes operativos o decisiones gerenciales, errores de consulta o desviaciones de criterios pueden causar impactos reales.

Si se informa a la gerencia una caída de beneficios del 10% y luego se descubre que el SQL estaba mal escrito o que se usaron criterios incorrectos, el impacto será muy grande. Por lo tanto, es importante revisar la lógica de las consultas, verificar los datos mediante muestreo, confirmar criterios con el negocio y conservar el proceso de cálculo.

Las demandas temporales, el seguimiento de informes, los resúmenes de fin de mes y de trimestre, la revisión de actividades y las anomalías en los datos también pueden generar presión. El nivel de presión generalmente está directamente relacionado con el ritmo de la empresa, la configuración del equipo, la infraestructura de datos y la forma de gestión.

La situación de las horas extras depende principalmente de la industria y la cultura de la empresa, y no del nombre del puesto.

• Empresas tradicionales: El ritmo de trabajo suele ser relativamente estable.
• Empresas de Internet: Hay muchas demandas temporales, y en algunos equipos las horas extras son frecuentes.
• Comercio electrónico: Se está más ocupado durante grandes promociones, actividades y revisiones.
• Juegos: La carga de trabajo aumenta durante el lanzamiento de productos, actualizaciones de versiones y actividades.
• Finanzas: Algunos puestos clave tienen un ritmo rápido y requieren alta precisión.
• Consultoría: Durante los periodos de entrega de proyectos puede estar muy ocupado.

En encuestas de profesiones relacionadas, el 91% de los profesionales en análisis de inteligencia de negocios consideran que su horario de trabajo es regular y fijo. El análisis de datos no es naturalmente una profesión que requiera trabajar intensamente horas extras a largo plazo, pero si la empresa en general implementa largas jornadas laborales, los puestos de análisis generalmente tampoco son la excepción. Por lo tanto, al buscar trabajo, es necesario entender el ritmo del equipo, la forma de gestión de las demandas, el grado de automatización de los informes y el sistema de compensación por horas extras.