En la última ronda de entrevistas para un puesto de analista de datos, dos de cada tres candidatos abrieron su presentación con tablas dinámicas de Excel. Ninguno mencionó una consulta SQL con más de un cruce de tablas. Casi nadie aplica ese filtro a tiempo. Y ahí está la diferencia entre contratar a alguien que rellena hojas de cálculo bonitas y alguien que cambia una decisión real de negocio. Ese es el filtro que importa.
El problema empieza antes, en la propia oferta de empleo, porque la mayoría mezcla en un solo puesto tareas de tres roles distintos: analista, ingeniero y científico de datos, cada uno con un foco y un resultado esperado que no tienen nada que ver entre sí. Esta guía separa qué hace cada uno, qué skills demuestran que un analista aporta valor de verdad, y qué modelo de contratación conviene según el punto en el que esté tu equipo de datos.
TL;DR. Un analista de datos convierte información ya recopilada y, si hay suerte, ya gobernada, en respuestas concretas a preguntas de negocio. No construye el pipeline (eso lo hace el data engineer) ni predice escenarios futuros (eso lo hace el data scientist). El valor real está en SQL y estadística aplicados a una pregunta de negocio, no en Excel básico. Elegir entre equipo interno, freelance certificado o blended team depende de si tu empresa ya tiene el BI y la gobernanza de datos montados.
¿Qué hace un analista de datos en el día a día?
Un analista de datos recopila información de bases de datos y herramientas internas. La limpia para eliminar errores y duplicados. Después la analiza para encontrar patrones que expliquen qué ha pasado y por qué. La consultora de selección Michael Page describe el perfil en términos similares: un profesional que recopila, gestiona e interpreta conjuntos de datos para sostener decisiones estratégicas (Michael Page, perfil de analista de datos, 2023). La etapa que más tiempo consume, casi siempre, es la limpieza: depurar duplicados, formatos inconsistentes y valores mal capturados antes de poder analizar nada con criterio.
El resultado de ese trabajo casi nunca es el dato en bruto. Es un informe, un dashboard o una respuesta directa a una pregunta que alguien de negocio necesita resolver esta semana, no dentro de tres meses. Si el analista solo entrega tablas y nadie las usa para decidir nada, el problema no es el analista. Es que nadie definió qué pregunta debía responder ese análisis antes de empezar.
¿En qué se diferencia de un data engineer y un data scientist?
Los tres roles se confunden porque comparten herramientas: SQL, Python, dashboards. Y porque muchas ofertas de empleo los mezclan en un único puesto, aunque el foco temporal de cada uno sea distinto y lo que entrega cada uno también lo sea, que es justo la diferencia que de verdad importa a la hora de contratar.
| Rol | Foco | Qué entrega |
|---|---|---|
| Analista de datos | Pasado y presente: qué ha ocurrido y por qué | Informes, dashboards, respuestas a preguntas de negocio concretas |
| Data engineer | Infraestructura: cómo llega el dato en condiciones utilizables | Pipelines y arquitectura de datos que el analista usa como materia prima |
| Data scientist | Futuro: qué es probable que ocurra | Modelos predictivos y algoritmos de Machine Learning |
El orden importa. Un analista de datos trabaja sobre datos que alguien ya extrajo y estructuró. Si no hay un data engineer sosteniendo el pipeline, el analista pierde media semana peleando con fuentes que cambian de formato sin avisar. Y si el dato que llega no está gobernado con un dueño claro, el análisis puede estar construido sobre una cifra que ya nadie usa en el departamento de al lado.
¿Qué skills demuestran que un analista aporta valor real (y cuáles son ruido)?
Saber usar Excel no distingue a nadie hoy. Lo que separa a un analista que cambia decisiones de uno que solo produce tablas es otra cosa. Tres cosas, en concreto. Es la capacidad de escribir una consulta SQL con varios cruces de tablas y funciones de ventana. Es programar un análisis repetible en Python o R, en vez de repetir el mismo copia-pega cada semana. Y sobre todo, es traducir un hallazgo estadístico en una recomendación que alguien de negocio pueda ejecutar sin necesitar un máster para entenderla.
El ruido habitual en un proceso de selección es la lista de herramientas sin caso de uso. Un candidato que enumera Power BI, Tableau y Python sin poder explicar una sola vez en la que ese análisis cambió algo. La pregunta que separa el criterio real del teórico es simple: pedir un caso concreto donde el análisis contradijo lo que el equipo quería oír, y qué pasó después. Cualquiera puede listar herramientas. Pocos han defendido un hallazgo incómodo delante del comité que lo pidió.
La estadística también importa. Más de lo que reconoce la mayoría de ofertas de empleo. Sin criterio para distinguir una correlación real de una casualidad con pocos datos, un analista puede llevar a la empresa a decidir sobre ruido estadístico disfrazado de tendencia.
¿Equipo interno, freelance certificado o blended team para tu analista de datos?
| Modelo | Cuándo conviene |
|---|---|
| Equipo interno | Volumen constante de preguntas de negocio y necesidad de contexto profundo y continuo sobre la empresa |
| Freelance certificado | Proyecto de arranque, pico puntual de análisis o validación de un caso de uso antes de contratar a tiempo completo |
| Blended team | Ya existe equipo de datos interno, pero falta específicamente este perfil o una segunda mirada senior sobre un análisis crítico |
El criterio no es complicado. Y no es el tamaño de la empresa. Es si ya tienes un BI montado que alguien deba interpretar semana a semana, en cuyo caso un perfil interno con contexto de negocio compensa el coste, o si todavía estás validando qué preguntas merece la pena responder, donde un freelance certificado entra, resuelve el análisis concreto y no deja una nómina fija atada a un proyecto que puede no repetirse el trimestre siguiente.
Preguntas frecuentes sobre el analista de datos
- ¿Qué hace un analista de datos?
Recopila datos de distintas fuentes, los limpia para eliminar errores y duplicados, y los analiza para encontrar patrones que expliquen un resultado de negocio. Entrega ese hallazgo en un informe, un dashboard o una respuesta directa a una pregunta concreta, no en datos en bruto.
- ¿Qué se necesita para ser analista de datos?
SQL para consultar bases de datos relacionales. Nociones de estadística para no confundir correlación con causalidad. Y al menos un lenguaje como Python o R para automatizar análisis repetibles. La capacidad de comunicar un hallazgo a alguien no técnico pesa tanto como el conocimiento técnico en sí.
- ¿Cuál es la diferencia entre un analista de datos y un científico de datos?
El analista de datos explica el pasado y el presente: qué ha ocurrido y por qué, con métodos estadísticos descriptivos. El científico de datos construye modelos de Machine Learning para predecir escenarios futuros. El primero responde preguntas ya planteadas, el segundo anticipa preguntas que todavía no se han formulado.
- ¿Un analista de datos necesita saber programar?
Para un nivel junior, SQL suele bastar. A partir de un nivel intermedio, Python o R marcan la diferencia entre repetir manualmente el mismo análisis cada semana y automatizarlo. Eso libera tiempo para preguntas de negocio nuevas, no para mantenimiento de las de siempre.
- ¿Cuándo necesito un data engineer en vez de un analista de datos?
Cuando el problema no es la falta de análisis, sino que los datos llegan sucios, incompletos o desde fuentes que cambian de formato sin control. Un analista trabaja sobre datos ya extraídos; si esa base todavía no existe de forma fiable, contratar primero al analista es resolver el síntoma equivocado.
La pregunta que de verdad conviene hacerse antes de publicar una oferta de "analista de datos" no es qué herramientas debe dominar. Es qué pregunta de negocio concreta necesitas que responda, y si el pipeline y la gobernanza que ese análisis requiere ya existen o hay que construirlos primero.
Shakers funciona como infraestructura de contratación de talento certificado en skills IA y análisis de datos, con un filtro que admite solo al 4% de los aspirantes que solicitan unirse a la red (dato interno Shakers, 2026): analistas que se integran como equipo interno, freelance certificado o blended team según el punto en el que esté tu stack de datos. Puedes revisar el directorio de analistas de datos certificados por Shakers si ya tienes claro qué pregunta de negocio necesitas resolver.