Data Analyst Jr route: learn for free from scratch in 6 weeks

Un analista de datos es la persona que convierte una pila de registros en una respuesta: "¿qué vendemos más?", "¿en qué ciudad crecemos?". Antes de programar, todo eso se puede hacer en una hoja de cálculo. Pero los datos casi nunca llegan limpios: hay filas repetidas, celdas vacías, " lima " con espacios y "CUSCO" en mayúsculas. Limpiar es la mitad del trabajo.

Mini ejemplo: con =ESPACIOS(C2) quitas los espacios sobrantes de " lima " y con =NOMPROPIO(...) lo dejas como "Lima".

Error típico de principiante: hacer el resumen sin limpiar. Si "Lima" y " lima " cuentan como ciudades distintas, tu tabla dinámica miente.

Cuando los datos son miles o millones de filas, la hoja de cálculo se queda corta: se usan bases de datos y se les hacen preguntas en SQL. Una consulta se lee casi como una frase en inglés: SELECT nombre FROM clientes WHERE ciudad = 'Lima' = "selecciona el nombre de los clientes donde la ciudad es Lima". Con GROUP BY haces lo mismo que una tabla dinámica.

Mini ejemplo: SELECT categoria, COUNT(*) FROM productos GROUP BY categoria; cuenta cuántos productos hay en cada categoría.

Error típico de principiante: comparar con = NULL. Un dato que falta nunca es "igual" a nada; se pregunta con IS NULL.

En una base de datos la información está repartida: la venta guarda el id del producto, no su nombre ni su precio. Para saber cuánto dinero dejó cada venta tienes que unir las tablas con un JOIN: "pega a cada venta los datos de su producto". Un INNER JOIN deja solo lo que coincide en las dos tablas; un LEFT JOIN deja todo lo de la izquierda aunque no tenga pareja (así encuentras los clientes que nunca compraron).

Mini ejemplo:

SELECT v.id, p.nombre, v.cantidad * p.precio AS importe
FROM ventas v
JOIN productos p ON p.id = v.producto_id;

Error típico de principiante: olvidar el ON o unir por la columna equivocada. El resultado tiene muchísimas filas que no deberían existir. Cuenta las filas antes y después del JOIN.

pandas es una librería de Python que trae una hoja de cálculo dentro de tu código: el DataFrame. Lo que hiciste a mano en la semana 1 (limpiar, sumar por categoría) aquí son pocas líneas que puedes repetir con un clic cuando lleguen datos nuevos. Se trabaja en un notebook (Google Colab): bloques de código con su resultado justo abajo.

Mini ejemplo:

import pandas as pd
df = pd.read_csv("ventas.csv")
print(df.groupby("categoria")["total"].sum())

Error típico de principiante: escribir df.groupby("categoria").sum() y que sume también columnas de texto o fechas. Elige primero la columna: ["total"].

Un buen gráfico responde una pregunta de un vistazo. Si quieres comparar categorías, usa barras; si quieres ver cómo cambia algo en el tiempo, usa líneas; si quieres ver la relación entre dos números, usa dispersión. Un dashboard junta varios gráficos y KPIs (los números clave) en una pantalla que se actualiza sola cuando cambian los datos.

Mini ejemplo:

df.groupby("categoria")["total"].sum().sort_values().plot(kind="barh")

Error típico de principiante: usar un gráfico circular con 8 porciones o un gráfico 3D. Se ve "bonito" pero nadie puede comparar los tamaños.

Un análisis que nadie entiende no sirve. Data storytelling es contar lo que encontraste como una historia corta: contexto (qué pasaba), hallazgo (qué muestran los datos) y acción (qué recomiendas). Esta semana eliges un dataset público real, haces todo el ciclo —pregunta, limpieza, análisis, dashboard— y lo presentas en 5 minutos.

Mini ejemplo de historia: "Hogar deja el 43 % de los ingresos de la tienda, pero solo 4 de los 8 clientes la compran y en Trujillo nadie la ha comprado. Recomendamos ofrecer Hogar a los clientes que hoy compran solo bebidas y abarrotes".

Error típico de principiante: mostrar 15 gráficos "porque sí". Elige los 3 que sostienen tu recomendación.