Day in the Life of a Data Analyst

Te han llamado para una entrevista y ahora te piden que hables de tu día a día como si ya estuvieras dentro. O tal vez estás pensando en dar el salto a análisis de datos y no sabes si el trabajo real se parece a los vídeos que has visto. La respuesta corta: no se parece tanto.

Lo que sigue es un día normal de un analista de datos de nivel medio, con experiencia previa pero sin llegar a senior. No es el día perfecto, ni el peor. Es el de un martes cualquiera.

La mañana: reuniones, muchas más de las que imaginas#

La primera sorpresa para casi todo el mundo que entra al sector es la cantidad de reuniones. Un analista de nivel medio suele pasar entre un 25% y un 40% de su tiempo en llamadas o sesiones con otras personas. El porcentaje varía mucho según la empresa, pero rara vez es cero.

El día empieza con el stand-up del equipo. Diez o quince minutos, a veces más si alguien se enrolla. Se comenta qué hiciste ayer, qué haces hoy y si tienes bloqueos. En equipos de datos que trabajan con un área de negocio concreta, suele haber después una reunión de prioridades con ese área: marketing, producto, finanzas, operaciones.

No es raro tener dos o tres reuniones antes de las 11:00. Eso deja menos tiempo del que crees para el trabajo que de verdad da valor, que es analizar.

El bloque de trabajo profundo: donde está el valor real#

Después de las reuniones llega el momento de sentarse a trabajar de verdad. Un bloque de dos o tres horas sin interrupciones, si tienes suerte y sabes protegerlo. En ese tiempo el analista hace cosas como estas:

• Escribir consultas SQL para montar o revisar un dataset
• Limpiar datos con Python, pandas o un script que ya tenía a medias
• Construir o ajustar un dashboard en Power BI, Tableau o Looker
• Revisar con calma por qué un número no cuadra con lo que esperaba el negocio
• Preparar el análisis que luego presentará en una reunión

La parte que casi nadie enseña es la de encontrar datos. Buena parte del trabajo consiste en localizar quién es dueño de una tabla, entender qué significa realmente una columna y confirmar si un dato es fiable antes de usarlo. Eso no sale en los portafolios, pero es lo que más tiempo consume.

Herramientas que se usan de verdad#

El stack cambia según la empresa, pero hay un patrón bastante estable. SQL está en todas partes, no hay excepción. Si solo pudieras aprender una herramienta, sería esa.

Después viene el lenguaje de programación para análisis: Python o R, con Python más común en empresas de producto y tecnología. Para visualización y reporting, Power BI domina en entornos Microsoft y Tableau en muchas otras. Looker aparece en empresas que trabajan con Google Cloud.

A esto se suman herramientas menos glamurosas pero muy usadas: Excel o Google Sheets para análisis rápidos y para coordinarte con gente que no lee código, Git para versionar scripts, y alguna herramienta de ingesta o ETL como Airflow, dbt o Fivetran según el tamaño de la empresa.

En startups pequeñas el analista puede tocar todo esto. En empresas grandes suele especializarse más.

Los puntos de presión, contados sin adornos#

Hay momentos del mes que se viven peor. El cierre mensual o trimestral suele ser uno, porque hay que entregar números que luego se usan para decisiones serias y no hay margen para errores. Si un dato no cuadra la noche antes de una presentación a dirección, se retrasa la hora de salida.

Otro punto de presión es el cambio de prioridades. Un analista puede tener tres tareas abiertas y que a media mañana le digan que hay un problema con un informe que ve la dirección. Ese informe pasa a ser lo único importante. El resto espera.

Y está la presión de la ambigüedad. Te piden "un análisis de por qué caen las ventas" sin definir qué significa caer, en qué periodo, ni qué datos valen. Parte del trabajo es convertir esa petición vaga en algo concreto, y eso cansa más de lo que parece.

Lo que sorprende a quien llega nuevo#

Lo primero: la mitad del trabajo es comunicación. Puedes hacer un análisis impecable y que no sirva de nada si no lo explicas en cinco minutos a alguien que no lee SQL. Aprender a contar qué significa un número es tan importante como calcularlo.

Lo segundo: los datos están más sucios de lo que esperas. Valores duplicados, columnas que significan cosas distintas en dos tablas, fechas en formatos raros. La limpieza no es una molestia puntual, es parte constante del trabajo.

Lo tercero: casi nadie te va a decir exactamente qué analizar. Te dan una pregunta de negocio y esperan que decidas el enfoque. Esa autonomía es lo que hace el trabajo interesante, pero también lo que lo hace difícil al principio.

Si quieres ver cómo se traduce todo esto en una candidatura, en nuestro blog hay artículos sobre cómo describir proyectos de datos en el CV. Y si ya estás buscando puestos concretos, puedes filtrar ofertas por herramientas y nivel de experiencia en el buscador de empleo.

Cómo cambia el rol de junior a senior#

Un junior recibe tareas bastante definidas: monta este dashboard, revisa esta tabla, responde esta pregunta concreta. Trabaja con supervisión y su error tiene un impacto limitado.

Un analista de nivel medio ya elige enfoques y gestiona partes de un proyecto solo. Es el punto donde empiezas a entender qué preguntas vale la pena hacer, no solo cómo responder las que te hacen.

Un senior decide qué analizar y qué no. Pasa mucho más tiempo en reuniones con perfiles de negocio y dirección, definiendo métricas y discutiendo qué significa un número antes de calcularlo. Escribe menos SQL que antes y resuelve problemas más ambiguos. Si lo que te gusta es el trabajo técnico puro, el salto a senior puede decepcionarte.

Un día concreto, hora por hora#

Para que se vea el ritmo real, aquí va un ejemplo de martes típico de un analista de nivel medio en una empresa de producto con unos 300 empleados.

• 09:00 a 09:15: stand-up con el equipo de datos
• 09:15 a 10:00: revisar Slack y correo, responder dudas sobre un dashboard del mes pasado
• 10:00 a 10:45: reunión con marketing para definir qué significa "campaña rentable"
• 10:45 a 11:00: pausa
• 11:00 a 13:30: bloque de trabajo profundo, escribir consultas SQL para el análisis acordado
• 13:30 a 14:30: comida
• 14:30 a 16:00: seguir con el análisis, esta vez con dos interrupciones para resolver dudas de un compañero
• 16:00 a 16:30: revisar resultados con la analista senior y ajustar el enfoque
• 16:30 a 17:30: preparar la presentación del hallazgo para el día siguiente
• 17:30: fin del día, salvo cierre de mes

Es un día con algo más de tres horas de trabajo profundo. En semanas tranquilas puede llegar a cuatro o cinco. En semanas de cierre, dos.

Qué mirar antes de aceptar un puesto#

Si estás valorando una oferta, estas preguntas te dan más información que cualquier descripción de puesto.

• ¿Cuánto tiempo dedican los analistas a reuniones frente a análisis?
• ¿Quién decide las prioridades del equipo de datos?
• ¿Qué herramientas usan realmente, no las que aparecen en la oferta?
• ¿Con qué frecuencia hay entregas urgentes o trabajo fuera de horario?
• ¿Quién es dueño de los datos y cómo se accede a ellos?
• ¿Qué pasa cuando un análisis contradice lo que espera el negocio?

La última es la más reveladora. La respuesta te dice si vas a trabajar en un sitio donde los datos se usan para decidir o solo para confirmar.

Antes de la entrevista conviene pasar tu CV por un comprobador de compatibilidad con filtros automáticos, sobre todo si el puesto pide herramientas concretas. Y si la descripción del trabajo es de esas que mezclan cinco roles en uno, un decodificador de ofertas te ayuda a ver qué está pidiendo la empresa de verdad.

Herramientas gratis#

• jobrise.io/es/free-ats-checker/
• jobrise.io/es/free-jd-decoder/
• jobrise.io/es/jobs/
• jobrise.io/es/blog/

Preguntas frecuentes#

¿Cuánto gana un data analyst?

Los sueldos varían mucho según país, sector y experiencia. En España y Latinoamérica los rangos reportados para perfiles de nivel medio suelen situarse en cifras bastante distintas entre sí, así que conviene consultar fuentes actuales como portales de empleo locales o el organismo oficial de estadística de tu país antes de negociar.

¿Se necesita saber programar para ser data analyst?

SQL sí, sin duda. Python o R depende del puesto, pero cada vez se pide más para tareas de limpieza y análisis que van más allá de lo que permite una hoja de cálculo. No hace falta ser ingeniero de software, pero sí escribir código con soltura.

¿Cuánto tiempo se tarda en conseguir el primer puesto?

Depende de tu punto de partida y del mercado en ese momento. Personas que vienen de estadística, ingeniería o finanzas suelen tener más facilidad para transicionar. Para alguien que empieza desde cero, contar con varios meses de búsqueda es realista.

¿El trabajo es remoto?

Hay muchas ofertas remotas o híbridas en análisis de datos, más que en otras profesiones, pero no es universal. Empresas con datos sensibles o sectores regulados suelen pedir presencia. Conviene preguntarlo en la primera conversación con reclutamiento.

¿Qué diferencia hay entre data analyst y data scientist?

El analista se centra en describir qué ha pasado y apoyar decisiones con datos existentes. El científico de datos construye modelos predictivos y trabaja más con machine learning. Los límites se difuminan según la empresa, pero el perfil de analista es más accesible como entrada al sector.