Tu jefe entra en la reunión un lunes por la mañana y dice: "Las ventas han caído un 12% este mes. ¿Qué está pasando?". No quiere que alguien construya una tubería de datos ni que alguien entrene un modelo de inteligencia artificial. Quiere que alguien mire los números, entienda qué ha pasado y se lo explique en un lenguaje que él pueda usar para tomar una decisión. Esa persona es el analista de datos.
Si el ingeniero de datos es el fontanero (monta las tuberías), el analista es el médico de cabecera de la empresa: te escucha, te hace las pruebas y te dice qué tienes y por qué. No opera a corazón abierto (eso es otro rol), pero sin su diagnóstico nadie sabe qué hay que operar. Vamos a desmontar el oficio pieza a pieza.
### 1. El problema: los datos solos no dicen nada
Imagina una habitación llena de cartas sin abrir. Miles. Hay facturas, pedidos, quejas de clientes, métricas de la web, informes de la tienda. Ahí, apiladas en el suelo, no sirven para nada. Son datos. Pero cuando alguien abre las cartas, las ordena, mira qué hay dentro y dice "los clientes de Madrid se están marchando y los de Barcelona están comprando más", eso ya no son datos: es información que alguien puede usar para hacer algo distinto. El analista de datos es la persona que abre las cartas.
Dicho de otra forma: el analista responde dos preguntas que el negocio tiene todo el rato. "¿Qué ha pasado?" y "¿Cuánto?". No predice el futuro (eso es otro rol). No monta las tuberías por donde viajan los datos (eso también es otro). Se sienta al final del camino, donde los datos ya están limpios y ordenados, y los convierte en respuestas que una persona sin conocimientos técnicos puede entender y usar para decidir.
### 2. Un poco de historia: del "ponme un gráfico" al rol con nombre propio
Siempre ha habido alguien en las empresas que "miraba los números". Antes se llamaba controller, responsable de reporting o "la persona de los informes". Lo que ha cambiado no es la necesidad, sino la escala. Cuando una empresa tenía 200 transacciones al mes, un Excel bastaba. Cuando tiene 200.000 al día, hace falta alguien que sepa moverse por bases de datos enormes, que sepa pedir exactamente lo que necesita con un lenguaje llamado SQL y que sepa presentar los resultados de forma que un directivo lo entienda en treinta segundos.
El nombre "analista de datos" se consolidó hacia 2015, cuando las empresas empezaron a tener tantos datos disponibles que necesitaban a alguien dedicado solo a interpretarlos, separado de quien los preparaba y de quien hacía modelos predictivos. Antes una misma persona hacía todo; hoy la escala obliga a especializar.
### 3. El día a día: preguntas, consultas y presentaciones
Un martes cualquiera de un analista de datos puede ser algo así:
- Reunirse con marketing para entender qué quieren saber: "¿qué campaña nos trajo más clientes el mes pasado?".
- Escribir consultas en SQL para sacar los datos exactos de la base de datos. Es como preguntarle a una biblioteca: "dame solo los libros de misterio publicados en 2024".
- Limpiar lo que sale: a veces hay duplicados, huecos o datos raros que hay que investigar antes de fiarse.
- Montar un gráfico o un dashboard (un panel con números actualizados) que responda la pregunta de forma visual.
- Presentar los resultados y, lo más importante, decir qué significan: "La campaña de Instagram trajo un 40% más de clientes que la de email, y los retuvo mejor".
- Proponer una siguiente pregunta: "¿Queréis que mire si esos clientes de Instagram también compran más?".
Fíjate en que el trabajo no es solo técnico. Una buena parte es comunicar. Puedes ser un hacha con SQL, pero si no sabes explicar lo que has encontrado de forma que alguien de marketing o de dirección lo entienda y actúe, tu trabajo se queda en una tabla bonita que nadie mira. El analista es mitad técnico, mitad traductor.
### 4. Las herramientas: lo que usa todos los días
La herramienta número uno es SQL. Pronunciado "ese-cu-ele" o "sequel", es un lenguaje con el que le haces preguntas a una base de datos. No es un lenguaje de programación completo como Python: es más bien un idioma para pedir cosas. Piensa en él como un buscador ultrapreciso de información. En vez de buscar en Google "ventas Madrid marzo", le dices a la base de datos exactamente qué quieres y cómo lo quieres:
1-- "Dame las ventas de Madrid de marzo, ordenadas de mayor a menor"23SELECT4 fecha,5 producto,6 importe7FROM ventas8WHERE ciudad = 'Madrid'9 AND fecha BETWEEN '2026-03-01' AND '2026-03-31'10ORDER BY importe DESC;
SQL es como pedirle a una biblioteca: "solo los libros de misterio de 2024, por orden de páginas"
Después de SQL, las otras herramientas del día a día son: hojas de cálculo (sí, Excel o Google Sheets siguen siendo útiles para cosas rápidas y para compartir con gente no técnica), herramientas de visualización como Tableau, Power BI o Looker (que convierten datos en gráficos interactivos sin programar), y Python para cuando la pregunta es más compleja y SQL se queda corto.
La diferencia con el ingeniero de datos es clara: el ingeniero usa Python para construir tuberías automáticas; el analista usa Python para explorar, hacer un análisis puntual o montar un gráfico concreto. El ingeniero construye la infraestructura; el analista la consume.
Si quieres empezar como analista, empieza por SQL. En serio. Es la herramienta que más vas a usar y la que más piden en las entrevistas. Con SQL bien dominado puedes resolver el 80% de las preguntas que te hagan en el trabajo. Python es importante, pero viene después. Esto lo practicamos en profundidad en la plataforma, empezando por lo básico hasta llegar a consultas complejas con datos reales de empresa.
### 5. En qué se diferencia del ingeniero y del científico
Tres oficios, mismos datos, trabajos completamente distintos. Volvamos al símil del restaurante para verlo claro.
El ingeniero de datos es el proveedor y el cocinero de la mise en place: va al mercado, trae los ingredientes, los lava, los corta y los deja preparados en la cocina. El analista de datos es el jefe de cocina que prueba lo que hay, decide qué plato se sirve hoy y escribe la carta que el cliente entiende. El científico de datos es el investigador del laboratorio de I+D: experimenta con combinaciones nuevas para predecir qué platos van a funcionar la próxima temporada.
En la práctica, la diferencia más inmediata es esta: el analista responde "¿qué ha pasado?" con datos que ya existen. El científico responde "¿qué pasará?" con modelos matemáticos. Y el ingeniero se asegura de que los datos estén ahí, limpios y a tiempo, para que los otros dos puedan trabajar. Si el ingeniero no hace su parte, el analista abre su herramienta y encuentra la despensa vacía.
### 6. Qué buscan las empresas (y cuánto pagan)
Las ofertas de analista de datos suelen pedir tres cosas: SQL sólido, capacidad de presentar resultados y pensamiento crítico (que no te creas el primer número que salga sin preguntarte si tiene sentido). Python suma puntos pero no siempre es obligatorio. Lo que sí es obligatorio es saber contar una historia con datos: si sacas un número pero no puedes explicar qué significa y qué hay que hacer con él, no estás analizando, estás extrayendo.
En España, un analista junior se mueve entre los 24.000 y los 32.000 euros al año. Con experiencia y dominio de herramientas de visualización, se sube a los 38.000-45.000. En remoto y para empresas internacionales, la horquilla es más amplia. No es el salario más alto del mundo de datos (el ingeniero y el científico suelen cobrar más por la complejidad técnica adicional), pero la barrera de entrada es más baja y el camino desde cero más corto.
No confundas "analista de datos" con "la persona que hace informes en Excel". Ese era el rol hace diez años. Hoy un analista toca bases de datos de millones de filas, escribe SQL complejo, monta dashboards interactivos y presenta recomendaciones a directivos. Si una oferta solo te pide Excel y copiar tablas, probablemente es un puesto de reporting, no de análisis.
### 7. Cómo se empieza desde cero
La barrera de entrada es más baja que la del ingeniero o el científico, y eso es una ventaja enorme. No necesitas saber montar infraestructura ni dominar estadística avanzada para empezar a ser útil. El camino sensato es:
- 01.Aprende SQL hasta que te sientas cómodo consultando, filtrando, agrupando y cruzando tablas. Es tu idioma principal.
- 02.Practica con datos reales o realistas. No con tutoriales de tres filas: con tablas de miles de registros donde hay duplicados, huecos y cosas raras.
- 03.Aprende a hacer un gráfico que cuente una historia. No un gráfico bonito: uno que responda una pregunta.
- 04.Practica explicar lo que encuentras a alguien que no sabe de datos. Si tu madre entiende tu conclusión, vas bien.
- 05.Añade Python cuando notes que SQL se te queda corto para algo (análisis exploratorio más complejo, automatizar un informe).
Y el consejo más importante: construye un portfolio con análisis reales. En una entrevista, lo que marca la diferencia no es recitar la sintaxis de un GROUP BY, sino poder decir "aquí hay un análisis que hice sobre datos de un ecommerce donde descubrí que el 30% de las devoluciones venían de un solo proveedor". Eso es lo que convence. En la plataforma trabajamos exactamente así: con casos de empresa donde la pregunta la pone el negocio y tú tienes que sacar la respuesta de los datos, igual que en el trabajo de verdad.
Resumiendo: el analista de datos es el traductor entre los números y las decisiones. Responde "¿qué ha pasado?" y "¿cuánto?", usa SQL como herramienta principal, no construye tuberías sino que las consume, y su valor está tanto en lo técnico como en saber comunicar. Es un oficio que puedes empezar desde cero con SQL y curiosidad, y que tiene una demanda que no para de crecer. Si te gusta hacerte preguntas y buscar respuestas con datos, ya tienes la mitad del camino hecho.