Cómo ser data analyst junior: qué aprender y en qué orden

Un data analyst convierte datos en respuestas para el negocio: ¿qué producto se vende más?, ¿por qué cayeron las ventas en marzo?, ¿qué clientes dejaron de comprar? Se contrata por sus preguntas y conclusiones, no solo por sus gráficos.

1. Data analyst vs. data scientist

• El data analyst responde qué pasó y por qué, con hojas de cálculo, SQL, Python y dashboards.
• El data scientist construye modelos para predecir lo que va a pasar, con más estadística y machine learning.

Para empezar, el camino del analista es más directo: con buenas consultas y una buena historia ya aportas valor.

2. Qué aprender y en qué orden

1. Hojas de cálculo: limpieza (duplicados, espacios, celdas vacías), SUMAR.SI, BUSCARX y tablas dinámicas. Y saber cuándo usar media o mediana.
2. SQL básico: SELECT, WHERE, ORDER BY, agregaciones y GROUP BY con HAVING.
3. SQL para negocio: JOIN entre varias tablas, LEFT JOIN para encontrar lo que falta, subconsultas y CASE WHEN para segmentar.
4. Python con pandas en Google Colab: cargar un CSV, explorar, limpiar y agrupar.
5. Visualización y dashboards: elegir el gráfico correcto, definir KPIs y armar un dashboard en Looker Studio o Power BI.
6. Storytelling con datos: contexto, conflicto, hallazgo y recomendación.

3. Un ejemplo con pandas

import pandas as pd

ventas = pd.read_csv("ventas.csv")
ventas["total"] = ventas["precio"] * ventas["cantidad"]
por_categoria = (ventas.groupby("categoria")["total"]
                 .sum()
                 .sort_values(ascending=False))
print(por_categoria.head())

Lo mismo se puede hacer con una tabla dinámica o con GROUP BY en SQL. Saber las tres formas te hace flexible.

4. Proyectos para tu portafolio

• Ventas de una tienda: el mismo análisis en hoja de cálculo y en SQL, con segmentos de clientes ALTO, MEDIO y BAJO.
• Notebook exploratorio con pandas: un CSV limpio, 5 preguntas respondidas y 3 gráficos con conclusiones escritas.
• Dashboard con datos públicos: Looker Studio o Power BI con un dataset de un portal de datos abiertos o de Kaggle, más 5 diapositivas con tu recomendación.

5. Errores comunes

• Empezar por la herramienta y no por la pregunta. Escribe primero qué quieres saber.
• Gráficos sin conclusión. El título del gráfico debe decir lo que se ve: "Las ventas online crecieron cada mes".
• Confundir correlación con causalidad. Que dos cosas suban juntas no prueba que una cause la otra.
• No leer la ficha del dataset. Revisa de dónde salen los datos, qué significa cada columna y su licencia.

Si nunca programaste, empieza por cómo empezar a programar desde cero. Para profundizar en consultas, lee aprender SQL desde cero.

Siguiente paso

La ruta gratuita Data Analyst Jr de Codea te lleva en 6 semanas de la hoja de cálculo a SQL, pandas y dashboards, y cierras con un proyecto final con datos públicos reales, revisado por un mentor.