Qué hace un analista de datos y qué necesita para trabajar
Posted inEmpleos

Qué hace un analista de datos y qué necesita para trabajar

Hay una fantasía muy extendida sobre este puesto: alguien mirando gráficos elegantes y descubriendo patrones ocultos. La realidad de la mayoría de los días es otra. La mayor parte del tiempo se va en conseguir los datos, entender por qué no cuadran y decidir con qué versión de la verdad se trabaja, porque ventas dice una cifra, marketing dice otra y las dos están sacadas del mismo sistema.

El resto del trabajo consiste en algo que casi nunca aparece en las descripciones de puesto: convencer. Un análisis correcto que nadie entiende no cambia ninguna decisión, y un análisis que cambia una decisión equivocada hace daño. Por eso este perfil vive entre dos exigencias que tiran en direcciones opuestas: rigor y claridad.

En esta guía verás qué hace exactamente, en qué se diferencia de perfiles vecinos con los que se confunde a diario, qué herramientas conviene aprender y en qué orden, qué obligaciones legales afectan directamente a su trabajo en España incluida una que distorsiona los datos de analítica web y casi nadie explica, dónde conseguir datos reales españoles para practicar, cómo montar un porfolio que sirva y qué determina el salario.

Respuesta rápida: ¿qué hace un analista de datos?

Convierte datos en decisiones. Su ciclo de trabajo tiene seis pasos: traducir una pregunta de negocio en algo medible, localizar y extraer los datos, limpiarlos y validarlos, analizarlos buscando explicaciones y no solo descripciones, comunicar los hallazgos en lenguaje comprensible con una recomendación concreta, y comprobar después si la decisión funcionó. Necesita SQL y hojas de cálculo avanzadas como base, una herramienta de visualización, estadística aplicada y, a partir de cierto nivel, Python o R.

En España debe además conocer el marco de protección de datos que condiciona su trabajo: bases de licitud, minimización, anonimización, consentimiento de cookies en analítica web y transferencias internacionales cuando se usan servicios fuera del Espacio Económico Europeo.

El ciclo real de un análisis

  1. Traducir la pregunta

Es el paso que más análisis salva y el que más se salta. «Necesito un informe de ventas» no es una pregunta; es un encargo sin criterio. La conversación útil es otra:

«¿Qué decisión vas a tomar con esto? ¿Y qué harías diferente si el número fuera alto o bajo?»

Si nadie va a hacer nada distinto según el resultado, el análisis no hace falta. Y si la respuesta es «quiero saber por qué bajaron las ventas en agosto», la pregunta medible es otra: ¿bajaron en todos los canales o en uno? ¿en todos los productos? ¿bajó el número de pedidos o el importe medio?

  1. Localizar y extraer los datos

Aquí aparece la primera dificultad real: los datos están repartidos en el sistema de gestión, el de facturación, la herramienta de marketing, una hoja de cálculo que mantiene una persona concreta y un informe que alguien exporta a mano cada mes. Parte del trabajo es documentar de dónde sale cada cifra, porque de eso depende poder repetir el análisis.

  1. Limpiar y validar

Duplicados, formatos de fecha distintos, nombres de cliente escritos de cuatro maneras, importes con y sin IVA, valores atípicos que son errores y valores atípicos que son reales.

Sobre esto circula mucho el dato de que «el 80 % del tiempo se dedica a limpiar datos». Es una cifra que se repite sin una fuente sólida detrás, pero apunta a algo cierto: es la fase más larga y la menos valorada, y la que determina si el resultado vale algo.

Dos validaciones que conviene hacer siempre antes de enseñar nada:

  • Cuadrar los totales contra una fuente de referencia (facturación, contabilidad).
  • Comprobar los extremos: el registro más antiguo, el más reciente, el mayor y el menor. Los errores de datos aparecen casi siempre en los bordes.

  1. Analizar

No se trata de describir, se trata de explicar. Las herramientas básicas: segmentar (por canal, producto, zona, cohorte), comparar contra un periodo equivalente, y descomponer un indicador en sus factores.

Los ingresos bajaron un 12 %. Descompuesto: el número de pedidos subió un 4 % y el importe medio por pedido bajó un 15 %. Es un problema de precio o de mezcla de producto, no de captación.

Esa descomposición vale más que veinte gráficos.

Y una advertencia que define la profesionalidad de este perfil: correlación no es causa. Si dos cosas se mueven juntas, lo honesto es decir que se mueven juntas y proponer cómo comprobar si una explica la otra.

  1. Comunicar

Un informe útil empieza por la conclusión, no por la metodología. La estructura que funciona:

  1. La respuesta, en una frase.
  2. El dato que la sostiene, en un gráfico.
  3. La recomendación, concreta y accionable.
  4. Las salvedades: qué no cubre este análisis y con qué fiabilidad.
  5. El detalle, para quien quiera bajar.

  1. Comprobar después

El paso que casi nadie da y el que construye credibilidad: volver a los tres meses a ver si la decisión tomada tuvo el efecto previsto. Un analista que hace esto deja de ser un proveedor de informes y pasa a ser alguien a quien se consulta antes de decidir.

En qué se diferencia de los perfiles vecinos

Perfil

De qué responde

Herramienta central

Analista de datos

Explicar qué pasa y por qué, y recomendar

SQL, visualización, estadística

Analista de inteligencia de negocio (BI)

Que los cuadros de mando e indicadores existan, estén bien definidos y sean fiables

Modelado de datos, herramientas de BI

Ingeniero de datos

Que los datos lleguen, estén ordenados y se puedan consultar

Canalizaciones de datos, almacenes, nube

Científico de datos

Predecir y modelar: qué va a pasar, qué segmentos existen

Estadística avanzada, aprendizaje automático

Analista de negocio

Traducir necesidades de negocio en requisitos y procesos

Documentación, procesos, entrevistas

Analista de producto o de marketing

El comportamiento de usuarios y el rendimiento de campañas o funcionalidades

Analítica de producto, experimentación

En una empresa grande son seis personas. En una pyme es una, y es útil saber qué te están pidiendo realmente: si la vacante habla sobre todo de mantener informes, es BI; si habla de conseguir y ordenar datos, es ingeniería; si habla de modelos predictivos con datos que aún no existen, alguien se ha adelantado.

Herramientas, en el orden en que conviene aprenderlas

Este orden importa más que la lista, porque el error típico es empezar por el final.

Orden

Qué

Por qué en este punto

1

Hoja de cálculo avanzada (tablas dinámicas, BUSCARV/INDICE-COINCIDIR, Power Query)

Es donde de verdad vive la mitad de los datos de las empresas españolas

2

SQL

La habilidad más pedida y la que más rinde. Con uniones, agregaciones y subconsultas cubres el 80 % del trabajo

3

Estadística aplicada

Medias y medianas, distribuciones, significación, sesgos de muestreo. Sin esto, las herramientas se usan a ciegas

4

Una herramienta de visualización (Power BI, Tableau, Looker Studio, Metabase)

Aprende una bien; las demás se parecen

5

Python o R

Para automatizar, reproducir análisis y trabajar con volúmenes que no caben en una hoja

6

Modelado de datos y almacenes en la nube

Cuando trabajes con datos que no vienen ya preparados

7

Analítica web y de producto

Si te orientas a marketing o producto

8

Control de versiones

Para que tu trabajo sea reproducible y revisable

Una recomendación práctica: SQL antes que Python. Casi todas las ofertas lo piden, se aprende más rápido y resuelve más problemas del día a día. Python es la siguiente palanca, no la primera.

Sobre analítica web, un apunte útil para España: junto a las herramientas más extendidas conviene conocer alternativas alojables como Matomo, que se usan precisamente por motivos de privacidad y cumplimiento en organizaciones públicas y en empresas con requisitos estrictos.

El marco legal que condiciona tu trabajo en España

Esta es la parte que distingue a un analista que puede trabajar con datos de clientes de uno que va a meter a su empresa en un problema. No es teoría: afecta a lo que puedes consultar, cómo, y qué conclusiones puedes sacar.

Lo básico del RGPD aplicado al análisis

  • Base de licitud (artículo 6). Antes de analizar datos personales tiene que existir una base válida: contrato, consentimiento, interés legítimo, obligación legal. «Los teníamos ahí» no es una base.
  • Limitación de la finalidad (artículo 5). Datos recogidos para gestionar un pedido no pueden usarse sin más para una segmentación comercial nueva. Cambiar la finalidad exige análisis previo.
  • Minimización (artículo 5). Trabaja con las columnas que necesitas, no con la tabla entera. Si el análisis no requiere identificar a nadie, no cargues el nombre ni el correo.
  • Limitación del plazo de conservación. No se guardan datos indefinidamente «por si acaso».
  • Categorías especiales (artículo 9). Datos de salud, origen, creencias, afiliación sindical, orientación sexual y biométricos tienen protección reforzada. Si tu análisis los toca, consulta antes al delegado de protección de datos.
  • Seguridad (artículo 32). Accesos limitados, trazabilidad, cifrado cuando corresponda. Un fichero con datos de clientes en tu carpeta de descargas es un incidente esperando a ocurrir.
  • Evaluación de impacto (artículo 35) para tratamientos de riesgo, como perfilados a gran escala.

Anonimización y pseudonimización no son lo mismo

Es el error conceptual más frecuente. Sustituir el nombre por un identificador es pseudonimizar, y el dato sigue siendo personal y sujeto al RGPD. Para que esté realmente anonimizado, la reidentificación debe ser razonablemente imposible, incluso cruzando con otras fuentes. La Agencia Española de Protección de Datos ha publicado orientaciones específicas al respecto, y conviene leerlas antes de afirmar que un conjunto de datos «ya está anonimizado».

Decisiones automatizadas y perfilado

El artículo 22 del RGPD reconoce el derecho a no ser objeto de decisiones basadas únicamente en tratamiento automatizado con efectos significativos. Además, el Reglamento (UE) 2024/1689 de inteligencia artificial clasifica como de alto riesgo determinados usos, entre ellos los relacionados con el empleo, la evaluación de solvencia y el acceso a servicios esenciales, con obligaciones que se aplican de forma escalonada. Si tu modelo puntúa personas, esto te afecta.

Consentimiento en analítica web: lo que distorsiona tus datos

Aquí está el punto práctico que casi nadie explica y que cambia cómo debes interpretar tus propios informes.

El artículo 22.2 de la Ley 34/2002 (LSSI-CE) y las orientaciones de la AEPD exigen consentimiento informado para el uso de cookies y tecnologías similares que no sean estrictamente necesarias, con la opción de rechazar tan accesible como la de aceptar. La consecuencia directa para tu trabajo:

  • Los datos de analítica web no son un censo, son una muestra sesgada.

  • Solo registras a quien aceptó. Ese sesgo no es aleatorio: varía por dispositivo, navegador y tipo de usuario.
  • Los datos «modelados» que ofrecen algunas plataformas para rellenar los huecos son estimaciones, no observaciones. Preséntalos como tales.
  • No mezcles fuentes sin avisar. Si comparas ventas reales del sistema de facturación con conversiones de analítica web, van a diferir siempre, y explicarlo de antemano evita perder una hora de reunión.

Transferencias internacionales

Si tu análisis usa herramientas o infraestructura fuera del Espacio Económico Europeo, hay que resolver la base de la transferencia conforme al capítulo V del RGPD. Es una decisión que se toma al elegir la herramienta, no cuando ya está en producción.

Secreto estadístico

Si trabajas con microdatos oficiales, la Ley 12/1989 de la Función Estadística Pública impone el secreto estadístico: no se pueden publicar resultados que permitan identificar a personas o empresas concretas. Afecta a las reglas de agregación mínima que debes aplicar.

Dónde conseguir datos reales para practicar

El mayor problema de quien empieza es que practica con conjuntos de datos ya limpios, que no se parecen a nada. Estas fuentes españolas y europeas son gratuitas, están vivas y vienen sucias, que es justo lo que necesitas:

  • INE.

  • Microdatos y series de la Encuesta de Población Activa, estructura salarial, comercio, turismo, demografía. Es la mejor fuente para proyectos con contexto español.

  • datos.gob.es.

  • Catálogo de datos abiertos de todas las administraciones españolas.

  • Portales autonómicos y municipales de datos abiertos.

  • Movilidad, padrón, contratos, calidad del aire.

  • Eurostat.

  • Comparativas europeas y series largas.

  • Agencia Tributaria.

  • Estadísticas de mercado de trabajo, recaudación, declarantes.

  • Banco de España.

  • Series económicas y financieras.

  • SEPE y Ministerio de Trabajo.

  • Contratos, paro registrado, convenios.

  • AEMET.

  • Datos meteorológicos abiertos, excelentes para practicar series temporales.

  • Portal de Transparencia y plataformas de contratación pública.

  • Licitaciones y adjudicaciones: datos ricos y desordenados.

Idea de proyecto que funciona bien en un porfolio español:

cruza el paro registrado por municipio con datos de contratación y una variable económica, y responde a una pregunta concreta con una recomendación. Documenta las decisiones de limpieza. Vale más que cinco cuadros de mando bonitos sobre datos de juguete.

Cómo construir un porfolio que sirva

No es una galería de gráficos. Es la prueba de que sabes razonar. Tres o cuatro proyectos bastan, cada uno con esta estructura:

  1. La pregunta de negocio, en una frase.
  2. De dónde salen los datos y qué limitaciones tienen.
  3. Qué decisiones de limpieza tomaste y por qué. Esta es la parte que más se valora y la que casi nadie incluye.
  4. El análisis, con el razonamiento visible.
  5. La conclusión y la recomendación.
  6. Las salvedades: qué no puedes afirmar con estos datos.

Incluye un proyecto cuyo resultado fuera negativo o no concluyente. Saber decir «los datos no permiten responder a esto» es exactamente la competencia que se contrata, y demostrarla te distingue de inmediato.

Formación: la ruta que funciona

No hay una titulación obligatoria. Son frecuentes los perfiles de matemáticas, estadística, economía, ingeniería, informática y administración de empresas, pero llegan personas de casi cualquier origen.

Ruta recomendada, con orden:

  1. Hoja de cálculo avanzada y estadística descriptiva.
  2. SQL hasta sentirte cómodo con uniones y subconsultas.
  3. Una herramienta de visualización, bien.
  4. Dos proyectos propios con datos abiertos españoles.
  5. Python o R para automatizar.
  6. Especialización: marketing, producto, finanzas, operaciones o sector público.

Vías formativas en España, incluidas las gratuitas que se infrautilizan:

  • Ciclos de FP superior en informática y administración, y cursos de especialización en inteligencia artificial y big data.
  • Grados y posgrados universitarios en ciencia de datos y analítica.
  • Certificados profesionales del sistema de Formación Profesional (Ley Orgánica 3/2022), con validez oficial, y la acreditación de competencias adquiridas por experiencia laboral si ya llevas años haciendo informes sin un título que lo respalde.
  • Cursos gratuitos de los servicios autonómicos de empleo y oferta de Fundae.
  • Certificaciones de las propias plataformas de visualización y nube, útiles cuando tu sector usa una concreta.
  • Formación estadística abierta del INE y de Eurostat.

Y un plan de aprendizaje continuo, que en este campo no es un adorno: las herramientas cambian, los fundamentos no.

Quién contrata en España

Sector

Para qué

Banca, seguros y servicios financieros

Riesgo, fraude, segmentación, cumplimiento regulatorio

Consultoría y tecnología

Proyectos para terceros. La entrada más frecuente al sector

Retail y comercio electrónico

Precio, surtido, inventario, comportamiento de compra

Telecomunicaciones y energía

Consumo, rotación de clientes, mantenimiento, previsión de demanda

Salud y farmacia

Gestión de recursos y resultados, con datos de categoría especialmente protegida

Industria y logística

Producción, calidad, rutas, previsión

Turismo y hostelería

Ocupación, precios dinámicos, estacionalidad. Sector con mucho peso en España

Sector público

Evaluación de políticas, transparencia, datos abiertos

Niveles profesionales y qué se espera en cada uno

Nivel

Qué se espera

Junior (0-2 años)

Ejecutar consultas, limpiar datos, mantener informes, trabajar con supervisión

Intermedio (2-5 años)

Llevar análisis completos de principio a fin, automatizar, hablar directamente con las áreas de negocio

Sénior (5+ años)

Definir métricas y estándares de calidad, plantear las preguntas en lugar de recibirlas, formar a otros

Responsable de analítica o de datos

Prioridades, equipo, gobierno del dato, relación con dirección

El salto que de verdad marca la carrera no es técnico: es pasar de responder preguntas a plantearlas. Un analista sénior es aquel al que se consulta antes de decidir, no al que se le encarga un informe después.

Salario: qué lo determina y cómo verificarlo

Verás muchas cifras para este puesto, con frecuencia convertidas de otros mercados y sin especificar nada. Lo que mueve la banda en España:

Factor

Efecto

Nivel de autonomía

Mantener informes y llevar análisis completos son bandas distintas

Sector

Banca, seguros, energía y tecnología por encima de retail, turismo o educación

Tamaño de la empresa

Es una de las variables con más peso

Provincia

Madrid y Barcelona concentran las bandas más altas

Especialización técnica

Modelado de datos, nube e ingeniería de análisis elevan la banda

Inglés de trabajo

Abre los centros de servicios internacionales

Cómo calcular tu banda real:

  1. Tablas del convenio colectivo aplicable en el sector suele ser el de consultoría y tecnologías de la información, en el registro público de convenios (REGCON).
  2. Encuesta Anual de Estructura Salarial del INE, por ocupación, sector y comunidad autónoma. Nota curiosa: como analista, esta es exactamente la fuente que sabrías explotar mejor que nadie.
  3. Estadísticas de mercado de trabajo de la Agencia Tributaria.
  4. Las ofertas publicadas ahora mismo para tu perfil y provincia.

Como suelo absoluto, el SMI de 2026 está fijado en 1.221 euros al mes en catorce pagas (17.094 euros anuales) por el Real Decreto 126/2026. Y la Directiva (UE) 2023/970 de transparencia retributiva, cuyo plazo de transposición venció el 7 de junio de 2026, apunta a que conozcas la banda del puesto antes de la entrevista.

Errores comunes

  1. Empezar a consultar datos antes de tener clara la pregunta. Produce informes que nadie usa.
  2. No cuadrar los totales con una fuente de referencia antes de presentar nada.
  3. Confundir correlación con causa. Es el error que más daño hace, porque lleva a decisiones equivocadas con apariencia de rigor.
  4. Enseñar el proceso en lugar de la conclusión. El informe empieza por la respuesta.
  5. Cuadros de mando con cuarenta indicadores. Si todo es importante, nada lo es.
  6. Presentar datos de analítica web como si fueran completos. Con el consentimiento de cookies, son una muestra sesgada.
  7. Trabajar con tablas completas de datos personales cuando el análisis no lo necesita.
  8. Dar por anonimizado lo que solo está pseudonimizado.
  9. No documentar las decisiones de limpieza. A los dos meses no recordarás por qué excluiste esos 400 registros.
  10. No comprobar el resultado de la decisión. Es el paso que convierte a un analista en alguien imprescindible.

Preguntas frecuentes

¿Qué hay que estudiar para ser analista de datos?

No existe una titulación obligatoria. Son habituales matemáticas, estadística, economía, ingeniería, informática y administración de empresas, pero se llega desde muchos orígenes. Lo determinante es la ruta de aprendizaje: hoja de cálculo avanzada y estadística, después SQL, después una herramienta de visualización, y solo entonces Python o R.

¿Se puede trabajar de analista de datos sin experiencia?

Sí, y la vía más frecuente es un puesto junior en consultoría o en el departamento de informes de una empresa mediana. Lo que compensa la falta de experiencia es un porfolio de tres o cuatro proyectos propios con datos reales, documentando las decisiones de limpieza y las limitaciones del análisis.

¿Qué es más importante aprender, SQL o Python?

SQL, y con diferencia, si estás empezando. Aparece en prácticamente todas las ofertas, se aprende antes y resuelve la mayor parte del trabajo diario. Python es la siguiente palanca, útil para automatizar y para volúmenes que no caben en una hoja de cálculo.

¿En qué se diferencia un analista de datos de un científico de datos?

El analista explica qué ha pasado y por qué, y recomienda qué hacer, trabajando sobre datos existentes. El científico de datos construye modelos para predecir o clasificar, con estadística avanzada y aprendizaje automático. Son puestos distintos, aunque en empresas pequeñas los asuma la misma persona.

¿Qué obligaciones legales afectan a un analista de datos en España?

Las del RGPD que condicionan su trabajo diario: base de licitud, limitación de la finalidad, minimización, plazos de conservación, protección reforzada de las categorías especiales, seguridad del tratamiento y evaluación de impacto en tratamientos de riesgo. A eso se añade el consentimiento de cookies en analítica web, la resolución de las transferencias internacionales si se usan herramientas fuera del Espacio Económico Europeo y, si hay perfilado de personas, el artículo 22 del RGPD y el Reglamento europeo de inteligencia artificial.

¿Dónde consigo datos reales para practicar?

En fuentes públicas españolas y europeas: el INE, datos.gob.es, los portales autonómicos y municipales de datos abiertos, Eurostat, la Agencia Tributaria, el Banco de España, el SEPE y AEMET. Tienen la ventaja de venir desordenados, que es exactamente lo que necesitas practicar.

TRABAJOS RECIENTES:

Comments

No comments yet. Why don’t you start the discussion?

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *