Cómo convertirte en analista de datos desde cero
Un mapa realista y sin humo para pasar de cero a tu primer trabajo como analista de datos en Chile o Latinoamérica: qué hace el rol día a día, qué stack aprender en orden, cómo armar tres proyectos de portafolio que sí miran los reclutadores y cómo preparar tus postulaciones.
Trazar un plan concreto de 4 a 6 meses para adquirir las herramientas clave de un analista de datos junior, construir un portafolio demostrable y postular con criterio en el mercado chileno y latinoamericano.
- Comprender las tareas reales del rol más allá de hacer gráficos bonitos.
- Comparar opciones de estudio: carrera formal, cursos prácticos en vivo y certificaciones como Microsoft PL-300.
- Seguir la secuencia recomendada de aprendizaje: Excel → SQL → Power BI → Python.
- Diseñar 3 proyectos de portafolio publicables y preparar CV más pruebas técnicas.
Progreso: 0 / 6 pasos
0%Ruta paso a paso
6 pasos- 01
El rol real
Qué hace un analista en una semana típica.
- 02
Habilidades clave
Competencias técnicas y blandas esenciales.
- 03
Qué estudiar
Universidad vs cursos vs certificación PL-300.
- 04
Ruta por etapas
Orden óptimo: Excel, SQL, Power BI y Python.
- 05
Portafolio real
3 proyectos concretos para demostrar criterio.
- 06
Postular y mercado
Entrevistas, CV y panorama salarial en LATAM.
Lo que necesitas
PrerrequisitosVersión recomendada: Plan de carrera aplicable desde cualquier formación previa (ingeniería, administración, humanidades o reconversión laboral)
- Disponibilidad de 6 a 10 horas semanales constantes para practicar con datos reales.
- Computador con acceso a Excel o Google Sheets, SQL Server / PostgreSQL y Power BI Desktop (Windows).
- Disposición para entender problemas de negocio, no solo memorizar sintaxis de código.
Mac y Web: Excel, SQL y Python funcionan de manera nativa en Windows y macOS. Para Power BI Desktop en Mac se requiere máquina virtual (Parallels/UTM) o acceso a un entorno Windows.
Qué hace realmente un analista de datos
Existe el mito de que un analista de datos pasa el día entero entrenando modelos complejos o diseñando tableros coloridos. En la práctica, el valor central del puesto consiste en traducir preguntas ambiguas de negocio —como '¿por qué cayó el margen en la zona sur?' o '¿qué clientes están en riesgo de fuga?'— en respuestas verificables respaldadas por evidencia.
Una semana típica combina cuatro bloques de trabajo: conversar con áreas comerciales, financieras u operacionales para definir qué significa realmente cada indicador; extraer tablas desde ERP, CRM o bases SQL y depurar inconsistencias; construir modelos limpios en Power BI o Excel que se actualicen sin intervención manual; y presentar conclusiones breves enfocadas en decisiones.
Por eso las empresas valoran tanto a personas que vienen de otros rubros (finanzas, logística, marketing, recursos humanos, ingeniería) y suman herramientas de datos: quien ya entiende cómo opera un negocio detecta anomalías en los números mucho más rápido que alguien que solo domina sintaxis.
- Levantamiento de requerimientos y definición de KPIs sin ambigüedades.
- Extracción, cruce y validación de calidad de datos entre distintas fuentes.
- Automatización de reportes recurrentes y construcción de tableros de seguimiento.
- Análisis exploratorio puntual (ad hoc) para explicar variaciones o evaluar campañas.
Habilidades técnicas y blandas que piden las ofertas reales
Al revisar ofertas laborales para analista de datos junior o semi-senior en Chile y Latinoamérica, se repite un núcleo muy claro de competencias técnicas. No necesitas dominar diez tecnologías a la vez: es mucho más efectivo manejar con soltura tres o cuatro herramientas complementarias que tener nociones superficiales de veinte.
En el plano técnico, el piso indispensable incluye modelado tabular y funciones de búsqueda/agregación en Excel, consultas SQL sólidas (JOIN, GROUP BY, CTE y funciones de ventana) y creación de modelos estrella y medidas DAX básicas en Power BI (o Tableau). Python con pandas aparece cada vez más como diferenciador para automatizar limpiezas complejas o trabajar con APIs.
Sin embargo, las contrataciones se deciden con frecuencia por las habilidades blandas: saber hacer preguntas incómodas cuando un dato no cuadra, documentar supuestos, resumir un análisis de tres horas en cinco diapositivas claras y explicar hallazgos técnicos en lenguaje cotidiano a jefaturas no técnicas.
- Técnicas base: Excel avanzado (tablas dinámicas, Power Query, BUSCARX), SQL relacional y Power BI.
- Técnicas diferenciadoras: Python (pandas), nociones de estadística descriptiva (promedios, medianas, percentiles, variación porcentual) y control de versiones con Git.
- Blandas críticas: pensamiento estructurado, validación obsesiva de cifras, comunicación escrita concisa y storytelling con datos.
Qué estudiar: carrera universitaria vs cursos en vivo vs certificaciones (PL-300)
No existe un único camino válido para entrar al área. Si estás saliendo del colegio y buscas formación amplia de base, una carrera como Ingeniería Civil Industrial, Ingeniería Comercial, Estadística o Ciencia de Datos entrega fundamentos sólidos, aunque suele tardar cuatro o cinco años y muchas veces llega tarde a las herramientas actuales de la industria.
Para quienes ya tienen título en otra disciplina o buscan reconversión laboral, los programas prácticos enfocados en herramientas reales (idealmente con mentoría, proyectos aplicados y retroalimentación en vivo) aceleran enormemente la curva. Complementarlos con certificaciones oficiales reconocidas por empresas —en especial la certificación Microsoft Power BI Data Analyst Associate (PL-300)— aporta un sello objetivo en procesos de selección donde tu título previo no dice 'datos'.
| Vía de formación | Duración típica | Fortaleza principal | Limitación frecuente |
|---|---|---|---|
| Carrera universitaria / Técnica | 2,5 a 5 años | Base matemática, estadística y reconocimiento formal amplio | Costo alto, lenta actualización de herramientas de BI/Python |
| Cursos prácticos / Bootcamps | 3 a 6 meses | Foco directo en SQL, Power BI, Python y proyectos aplicados | Calidad variable; requiere disciplina propia para profundizar |
| Autoaprendizaje + Certificación PL-300 | 2 a 4 meses | Costo muy bajo y credencial verificable de Microsoft | Sin práctica en proyectos reales no basta por sí sola en entrevistas |
Ruta recomendada por etapas: Excel → SQL → Power BI → Python
El error más común de quienes empiezan desde cero es intentar aprender Python, machine learning y visualización avanzada durante la primera semana. Sin comprender cómo se estructuran las tablas, qué es una llave primaria o cómo se agrega una métrica sin duplicar montos, el código se vuelve frustrante.
La secuencia Excel → SQL → Power BI → Python funciona porque cada etapa prepara el terreno mental para la siguiente. En Excel entiendes filas, columnas, filtros y tablas dinámicas; en SQL formalizas ese conocimiento sobre múltiples tablas relacionadas; en Power BI conectas ese modelo relacional con medidas dinámicas y narrativa visual; y finalmente en Python automatizas lo que las herramientas visuales no alcanzan a cubrir.
- Etapa 1 — Excel y modelado tabular (semanas 1 a 3): domina funciones lógicas (SI, SI.CONJUNTO), búsqueda (BUSCARX), tablas dinámicas y limpieza básica con Power Query.
- Etapa 2 — SQL para análisis (semanas 4 a 8): practica SELECT, WHERE, JOIN, GROUP BY, HAVING, CTE (WITH) y funciones de ventana (ROW_NUMBER, LAG, SUM OVER).
- Etapa 3 — Power BI y modelo estrella (semanas 9 a 13): aprende Power Query, relaciones 1 a muchos, tabla calendario, medidas DAX esenciales (CALCULATE, SAMEPERIODLASTYEAR) y diseño limpio de dashboards.
- Etapa 4 — Python con pandas (semanas 14 a 18): automatiza lectura de CSV/Excel sucios, limpieza vectorizada, agrupaciones y gráficos exploratorios.
Portafolio: 3 proyectos concretos que sí destacan
Cuando no tienes experiencia laboral previa con el título de 'Analista de Datos', tu portafolio es tu evidencia de trabajo. Pero cuidado: subir diez notebooks idénticos del Titanic o gráficos genéricos sin contexto no convence a ningún líder de área.
Bastan tres proyectos bien elegidos, distintos entre sí y documentados en un repositorio limpio (por ejemplo en GitHub o en una página personal con capturas interactivas). Cada proyecto debe responder una pregunta clara, explicar qué problemas tenían los datos originales y cerrar con dos o tres recomendaciones accionables.
- Proyecto 1 (SQL + Negocio): Análisis de retención y cohortes de clientes sobre una base comercial (por ejemplo, identificar qué segmento cae en recompra al tercer mes y calcular ticket promedio con CTEs y funciones de ventana).
- Proyecto 2 (Power BI + Modelado Estrella): Dashboard ejecutivo comercial o financiero con tabla de hechos y dimensiones, medidas DAX de variación interanual y diseño pensado para gerencia (sin sobrecargar la vista).
- Proyecto 3 (Python + Datos públicos locales): Limpieza y análisis exploratorio de un dataset abierto de Chile o LATAM (transporte, empleo, licitaciones públicas o indicadores económicos del Banco Central) mostrando automatización y visualizaciones claras.
Cómo postular, preparar entrevistas y entender el mercado en Chile/LATAM
Muchos candidatos listos técnicamente pierden oportunidades por cómo redactan su currículum. En lugar de enumerar solo herramientas ('Sé Excel, SQL y Power BI'), describe logros medibles incluso si vienen de tu trabajo anterior en otra área: por ejemplo, 'Automaticé el reporte semanal de inventario en Excel reduciendo 4 horas de trabajo manual' o 'Construí tablero en Power BI para monitorear mora de 1.200 clientes'.
En procesos de selección para analista junior en Chile y Latinoamérica suelen aparecer tres filtros: entrevista de ajuste cultural y experiencia, prueba técnica práctica (casi siempre SQL con JOIN/GROUP BY + algún caso en Excel o Power BI) y presentación breve de un caso de negocio. Practicar explicando tus decisiones en voz alta marca una gran diferencia.
Para calibrar tus expectativas de renta según seniority, ciudad y modalidad (presencial, híbrido o remoto para el extranjero), revisa nuestra guía específica de sueldos en Latinoamérica y el observatorio de datos del mercado regional en la sección de datos.
Errores comunes y cómo resolverlos
Diagnóstico rápidoAcumular cursos y certificados sin construir ningún proyecto propio
Causa
Ver tutoriales genera sensación de avance, pero al enfrentar un archivo sucio sin guía no sabes por dónde empezar.
Cómo resolverlo
Aplica la regla 30/70: dedica máximo 30% del tiempo a ver clases y 70% a resolver consultas, modelar tableros y limpiar datasets por tu cuenta.
Saltarse SQL y Excel para ir directo a Python o Machine Learning
Causa
En la mayoría de las empresas medianas y grandes de Chile y LATAM, el 80% del trabajo diario de un analista junior ocurre en SQL, Excel y Power BI.
Cómo resolverlo
Consolida primero SQL y Power BI; una vez que manejes consultas relacionales y modelos estrella, suma Python como acelerador.
Mostrar dashboards recargados con 15 gráficos sin una conclusión clara
Causa
Enfoque centrado en lucir funcionalidades de la herramienta en lugar de responder las preguntas de quien toma decisiones.
Cómo resolverlo
Limita cada vista a 3 o 4 KPIs clave y 3 o 4 visuales bien ordenados, agregando títulos que resuman el hallazgo.
Checklist de 16 semanas y plantilla de README para portafolio
Próximamente podrás descargar aquí el plan semanal editable en Notion/Excel y la estructura base para documentar tus tres proyectos en GitHub.
Preguntas frecuentes
¿Cuánto tiempo toma conseguir el primer trabajo como analista de datos desde cero?
Con dedicación constante de 8 a 10 horas semanales, la mayoría logra una base sólida y un portafolio competitivo entre 4 y 6 meses. El tiempo hasta firmar contrato depende también de tu experiencia laboral previa y de qué tan activo seas postulando.
¿Se necesita ser experto en matemáticas avanzadas para ser analista de datos?
No. Para análisis de datos necesitas aritmética sólida, porcentajes, tasas de crecimiento, promedios, medianas, desviación básica y mucho sentido común para detectar cifras absurdas. El cálculo multivariable o álgebra lineal avanzada corresponden más a ciencia de datos y machine learning.
¿Puedo ser analista de datos si vengo de una carrera no tecnológica?
Sí, es sumamente común. Profesionales de administración, contabilidad, psicología, periodismo, logística o ingeniería comercial tienen una ventaja enorme porque ya entienden procesos de negocio y saben comunicarse con usuarios finales.
¿Qué pesa más en un CV junior: el inglés o las herramientas técnicas?
Para trabajar en empresas locales en Chile o LATAM, las herramientas técnicas (SQL, Power BI, Excel) y la capacidad analítica son prioritarias. Sumar inglés intermedio-avanzado abre la puerta a empresas multinacionales y trabajos remotos mejor remunerados.
¿Vale la pena sacar la certificación Microsoft PL-300?
Sí, especialmente si estás cambiando de rubro o quieres validar tu dominio de Power BI ante reclutadores. Eso sí, prepárala después de haber practicado modelado real para que el conocimiento sea genuino.
Fuentes oficiales y recursos
- Certificación oficial Microsoft Power BI Data Analyst (PL-300)(Microsoft Learn)
- Ruta oficial de aprendizaje de análisis de datos en Power BI(Microsoft Learn)
- Guía para aprobar la certificación PL-300 de Power BITemario, consejos de estudio y formato del examen oficial de Microsoft.
- Sueldos de analista de datos en Chile y LatinoaméricaRangos salariales por nivel de experiencia y país en la región.
- Observatorio de datos y mercado laboralExplora cifras actualizadas del mercado analítico en nuestra sección de datos.
Progreso: 0 / 6 pasos
0%