Empleos Data Analyst Madrid 2026: SQL, Tableau

Estás mirando ofertas de Data Analyst en Madrid y todas parecen pedir lo mismo: SQL, Tableau, Python, Excel, inglés, negocio, reporting, dashboards, stakeholders y “ganas de aprender”. Y claro, tú piensas: “Vale, pero qué necesito de verdad para que me llamen en 2026, cuánto pagan y cómo hago que mi CV pase el filtro”.

La buena noticia: Madrid sigue siendo una de las mejores ciudades de España para entrar o crecer en análisis de datos. La parte menos bonita: hay mucha competencia, y un CV genérico se pierde rápido entre cientos de candidaturas.

En esta guía vamos al grano: qué piden las empresas, salarios reales, qué nivel de SQL y Tableau necesitas, cómo preparar tu portfolio y cómo adaptar tu CV para roles de Data Analyst en Madrid en 2026.

Empleos Data Analyst Madrid 2026: por qué sigue habiendo demanda#

Madrid concentra sedes, hubs digitales y equipos de datos de empresas como BBVA, Telefónica, Repsol, Iberdrola, Cabify, Glovo, Inditex, Santander, Mapfre y muchas consultoras tecnológicas.

Eso crea demanda en varios tipos de puestos:

1. Data Analyst de negocio.
2. Business Intelligence Analyst.
3. Product Data Analyst.
4. Marketing Data Analyst.
5. Financial Data Analyst.
6. Operations Data Analyst.
7. Customer Analytics Analyst.
8. People Analytics Analyst.

No todos son iguales, aunque muchas ofertas mezclan nombres. Un Data Analyst en Cabify puede trabajar con métricas de viajes, cohortes, retención y pricing. En BBVA puede mirar riesgo, clientes digitales, fraude o performance de campañas. En Inditex puede analizar ventas, stock, tiendas, e-commerce y logística.

Lo importante es que en 2026 las empresas no buscan solo alguien que “sepa hacer gráficos”. Buscan perfiles que ayuden a tomar decisiones con datos.

Eso significa que tendrás que demostrar tres cosas:

• Sabes extraer y limpiar datos.
• Sabes convertirlos en insights útiles.
• Sabes comunicar lo que pasa sin marear a nadie.

Y aquí entran SQL y Tableau como dos piezas fuertes del perfil.

Qué hace realmente un Data Analyst en Madrid#

Un Data Analyst suele estar entre negocio y tecnología. No es exactamente un Data Engineer, no es exactamente un Data Scientist y no es solo una persona de Excel.

Tu día a día puede incluir tareas como:

• Consultar bases de datos con SQL.
• Crear dashboards en Tableau, Power BI o Looker.
• Analizar ventas, usuarios, costes, conversión o churn.
• Preparar informes para dirección o managers.
• Detectar anomalías en KPIs.
• Medir campañas de marketing.
• Segmentar clientes.
• Revisar funnels de producto.
• Crear documentación de métricas.
• Automatizar reportes repetitivos.

En una empresa como Telefónica, podrías analizar comportamiento de clientes, consumo de servicios o resultados comerciales por zona. En Glovo, podrías mirar tiempos de entrega, eficiencia operativa o comportamiento de usuarios en la app.

La clave no es solo sacar datos. Es responder preguntas concretas:

• ¿Por qué han bajado las ventas esta semana?
• ¿Qué canal trae clientes más rentables?
• ¿Qué segmento tiene más riesgo de abandono?
• ¿Qué producto crece más en Madrid frente a Barcelona?
• ¿Qué dashboard ayuda al equipo comercial a vender mejor?

Si tu CV habla de herramientas pero no de preguntas de negocio, te falta una parte importante.

Salarios Data Analyst en Madrid en 2026#

Los salarios dependen mucho del sector, la experiencia, el inglés y el nivel técnico. Aun así, puedes usar estos rangos como referencia razonable para Madrid en 2026.

Perfil junior, 0 a 2 años

Un Data Analyst junior en Madrid suele moverse entre:

• €24k y €32k brutos anuales.
• En consultoría pequeña, a veces €22k a €28k.
• En empresa tecnológica o financiera, puede subir a €30k o €35k.

Si vienes de prácticas, bootcamp o primer empleo, lo normal es que te pidan buena base de SQL, Excel avanzado y algún dashboard en Tableau o Power BI.

No necesitas ser experto, pero sí demostrar que puedes trabajar con datos reales sin depender de alguien para cada paso.

Perfil mid-level, 2 a 5 años

Aquí el rango común suele estar entre:

• €35k y €50k brutos anuales.
• En fintech, banca, telco o producto digital, puede acercarse a €55k.
• Con inglés alto y experiencia en producto, puede mejorar bastante.

Un perfil mid-level ya debería saber trabajar con stakeholders, definir métricas, crear dashboards estables y explicar resultados.

Si solo haces reportes bajo pedido, te costará pasar de cierto techo. Si entiendes negocio y propones análisis, puedes negociar mejor.

Perfil senior, 5 años o más

Un Senior Data Analyst en Madrid puede estar entre:

• €50k y €70k brutos anuales.
• En empresas internacionales, scaleups o roles muy pegados a producto, puede superar €75k.
• Lead Data Analyst o Analytics Manager puede moverse entre €70k y €90k.

Aquí ya no basta con saber SQL. Te van a pedir criterio, liderazgo técnico, ownership de métricas y capacidad para influir en decisiones.

Un senior bueno no solo responde preguntas. Ayuda a que la empresa haga mejores preguntas.

SQL para Data Analyst: qué nivel te van a pedir#

SQL es el idioma base del Data Analyst. Si estás dudando entre aprender otra herramienta o mejorar SQL, casi siempre conviene mejorar SQL.

En Madrid, la mayoría de ofertas serias piden SQL como requisito principal. Da igual si luego usas Tableau, Power BI, Looker Studio o Excel. Primero tienes que sacar los datos.

Nivel mínimo para junior

Para un puesto junior, deberías manejar con soltura:

1. SELECT, WHERE, ORDER BY.
2. GROUP BY y funciones agregadas.
3. JOINs, sobre todo INNER JOIN y LEFT JOIN.
4. CASE WHEN.
5. Subconsultas básicas.
6. Fechas y filtros por periodos.
7. Limpieza sencilla de nulos y duplicados.
8. Cálculo de ratios.

Ejemplo de pregunta típica:

“Calcula la tasa de conversión por canal durante los últimos 30 días”.

Eso implica saber agrupar por canal, contar usuarios, contar conversiones y dividir correctamente.

Nivel esperado para mid-level

Para perfiles con 2 o 3 años de experiencia, ya deberías saber:

• Common Table Expressions, CTEs.
• Window functions.
• ROW_NUMBER, RANK, LAG, LEAD.
• Análisis de cohortes.
• Dedupe de registros.
• Optimización básica de queries.
• Tablas temporales.
• Validaciones de calidad de datos.
• Modelado analítico básico.

Muchas pruebas técnicas incluyen ejercicios con ventas, pedidos, usuarios o eventos. Te dan varias tablas y quieren ver cómo piensas.

No se trata de escribir la query más elegante del mundo. Se trata de llegar a una respuesta correcta, clara y mantenible.

Nivel senior

Un senior debería poder:

• Diseñar modelos de métricas.
• Detectar problemas de definición.
• Revisar queries de otros.
• Trabajar con datasets grandes.
• Entender costes de consulta en BigQuery, Snowflake o Redshift.
• Definir buenas prácticas.
• Documentar lógica de negocio.
• Ayudar a producto, marketing o finanzas a medir bien.

En empresas como BBVA o Telefónica, donde hay muchos sistemas y capas de datos, este criterio pesa mucho.

La diferencia entre un analista normal y uno muy valorado suele estar en la confianza. Si tu número llega a una reunión con dirección, nadie quiere descubrir luego que la métrica estaba mal definida.

Tableau en 2026: sigue siendo una habilidad fuerte#

Tableau sigue muy presente en equipos de BI, banca, retail, consultoría y grandes empresas. Power BI ha crecido mucho en España, sí, pero Tableau sigue apareciendo en ofertas de Data Analyst y BI Analyst en Madrid.

Si una oferta dice “SQL y Tableau”, normalmente quiere a alguien que pueda crear dashboards útiles desde datos ya preparados o semi preparados.

Qué debes saber de Tableau

Para destacar, no basta con saber arrastrar dimensiones y medidas. Deberías manejar:

• Conexión a fuentes de datos.
• Extracts y live connections.
• Joins y relationships.
• Campos calculados.
• Parámetros.
• Filtros contextuales.
• Sets.
• Level of Detail expressions, LOD.
• Dashboards interactivos.
• Diseño visual claro.
• Publicación en Tableau Server o Tableau Cloud.
• Control de permisos básico.

No necesitas usar todas las funciones en cada proyecto. Pero si las conoces, puedes resolver problemas reales.

Qué diferencia un dashboard bueno de uno mediocre

Un dashboard mediocre tiene muchos gráficos y poca intención.

Un dashboard bueno responde una pregunta.

Por ejemplo, para un equipo comercial:

• Ventas actuales frente a objetivo.
• Evolución semanal.
• Top productos.
• Zonas con caída.
• Clientes con más potencial.
• Alertas accionables.

Para un equipo de producto:

• Usuarios activos.
• Retención por cohorte.
• Conversión por paso del funnel.
• Activación.
• Uso de funcionalidades.
• Segmentos con más abandono.

Antes de crear un dashboard, pregunta:

1. ¿Quién lo va a usar?
2. ¿Qué decisión tiene que tomar?
3. ¿Cada cuánto lo revisará?
4. ¿Qué métrica principal importa?
5. ¿Qué acción debería salir del análisis?

Si puedes explicar esto en una entrevista, vas bastante por delante.

Python, Excel y otras herramientas que suman#

Aunque el título sea SQL y Tableau, muchas ofertas en Madrid también piden Python, Excel, Power BI o herramientas cloud.

No siempre son obligatorias, pero suman.

Excel sigue vivo

Sí, Excel sigue apareciendo. Y no, no es una vergüenza.

Muchos managers siguen consumiendo información en Excel o Google Sheets. Para junior, Excel avanzado puede ayudarte mucho.

Deberías manejar:

• Tablas dinámicas.
• XLOOKUP o BUSCARX.
• SUMIFS, COUNTIFS.
• Limpieza básica.
• Power Query.
• Gráficos claros.
• Validaciones.

Un analista que sabe SQL, Tableau y Excel puede moverse bien en muchos equipos.

Python para análisis

Python no siempre es obligatorio para Data Analyst, pero te ayuda a diferenciarte.

Lo más útil:

• pandas.
• numpy.
• matplotlib o seaborn.
• notebooks.
• limpieza de datos.
• análisis exploratorio.
• automatización de tareas.
• conexión a APIs.

No hace falta que te vendas como Data Scientist si no lo eres. Puedes decir algo como:

“Uso Python para limpieza, análisis exploratorio y automatización de reportes repetitivos”.

Eso suena realista y útil.

Herramientas cloud y data warehouse

Cada vez más empresas trabajan con:

• BigQuery.
• Snowflake.
• Redshift.
• Databricks.
• Azure Synapse.
• dbt.
• Looker.
• Amplitude.
• Mixpanel.

No tienes que aprender todo. El combo ideal para muchos roles en 2026 sería:

1. SQL fuerte.
2. Tableau o Power BI.
3. Excel avanzado.
4. Python básico o intermedio.
5. Conocimiento de métricas de negocio.
6. Algo de cloud data warehouse.

Si ya tienes eso, estás en buena posición.

Cómo preparar un portfolio de Data Analyst para Madrid#

Si tienes poca experiencia, tu portfolio puede ser la diferencia entre “otro CV más” y “vamos a llamarle”.

Pero ojo: un portfolio no es subir tres gráficos bonitos a GitHub. Tiene que mostrar cómo piensas.

Proyectos que funcionan bien

Elige proyectos relacionados con problemas de negocio. Por ejemplo:

1. Análisis de ventas retail.
2. Dashboard de e-commerce.
3. Funnel de conversión de una app.
4. Churn de clientes de telecomunicaciones.
5. Análisis de viajes tipo Cabify.
6. Rendimiento de campañas de marketing.
7. Stock y rotación de productos.
8. Finanzas personales o revenue.

Puedes usar datasets públicos de Kaggle, datos abiertos del Ayuntamiento de Madrid o datos sintéticos bien creados.

Un proyecto bueno debería incluir:

• Pregunta de negocio.
• Fuente de datos.
• Limpieza realizada.
• Query SQL principal.
• Dashboard en Tableau Public.
• Insights concretos.
• Recomendaciones.
• Limitaciones del análisis.

Ejemplo de proyecto potente

Imagina un proyecto titulado:

“Análisis de retención de usuarios para una app de movilidad en Madrid”.

Podrías incluir:

• Cohortes mensuales de usuarios.
• Retención a 7, 30 y 90 días.
• Viajes medios por usuario.
• Segmentación por zona.
• Comparación entre usuarios nuevos y recurrentes.
• Dashboard en Tableau.
• Recomendaciones para campañas de reactivación.

Eso conecta con empresas como Cabify, Glovo o cualquier app de movilidad y delivery.

No digas solo “hice un dashboard”. Di:

“Detecté que los usuarios adquiridos por promociones tenían una retención 18% menor a 30 días que los usuarios orgánicos, lo que sugiere revisar la calidad de adquisición por canal”.

Eso suena mucho más profesional.

Cómo adaptar tu CV para ofertas de Data Analyst#

Muchos candidatos fallan aquí. Tienen habilidades, pero su CV no las vende bien.

El reclutador no va a adivinar que sabes SQL. El ATS no va a intuir que “reporting” significa Tableau. Tienes que escribirlo claro.

Titular del CV

Evita titulares vagos como:

• “Buscando oportunidad en datos”.
• “Profesional motivado”.
• “Analista con ganas de crecer”.

Mejor:

• “Data Analyst, SQL, Tableau, Python, análisis de negocio”.
• “Business Intelligence Analyst, SQL, Tableau, Power BI”.
• “Junior Data Analyst, SQL, Tableau, Excel avanzado”.

El titular debe parecerse al puesto que quieres.

Resumen profesional

Un buen resumen de 3 líneas puede decir:

“Data Analyst con 3 años de experiencia en SQL, Tableau y análisis de KPIs comerciales. He creado dashboards para equipos de ventas y marketing, reduciendo tiempos de reporting manual en un 40%. Busco aportar análisis accionable en equipos de producto, retail o fintech en Madrid.”

Es concreto, incluye herramientas y tiene impacto.

Experiencia laboral con métricas

No escribas solo tareas. Escribe logros.

Mal:

• “Creación de informes en Tableau”.
• “Extracción de datos con SQL”.
• “Análisis de ventas”.

Mejor:

• “Desarrollé 6 dashboards en Tableau para seguimiento de ventas, margen y stock, usados semanalmente por 25 managers”.
• “Automaticé consultas SQL que redujeron el reporting manual de 5 horas a 45 minutos por semana”.
• “Analicé la caída de conversión en funnel web y detecté un punto de fuga que afectaba al 12% de usuarios”.

Las cifras hacen que tu CV parezca real y fuerte.

Sección de habilidades

Ordena tus habilidades por relevancia. Por ejemplo:

• SQL: joins, CTEs, window functions, cohort analysis.
• Tableau: dashboards, calculated fields, parameters, LOD.
• Python: pandas, numpy, data cleaning.
• Excel: tablas dinámicas, Power Query, BUSCARX.
• Data warehouse: BigQuery, Snowflake.
• Métricas: conversión, retención, churn, CAC, LTV, margen.

No pongas 40 herramientas si solo tocaste algunas una tarde. Mejor 10 bien defendibles.

Preguntas de entrevista para Data Analyst#

Las entrevistas suelen combinar preguntas técnicas, negocio y comunicación.

Preguntas de SQL

Te pueden pedir:

1. Encontrar clientes con más de 3 compras en el último mes.
2. Calcular revenue mensual.
3. Sacar usuarios activos diarios.
4. Encontrar duplicados.
5. Calcular retención por cohorte.
6. Comparar ventas año contra año.
7. Usar window functions para ranking.

Practica escribiendo queries a mano, sin autocompletado. Muchas pruebas no buscan perfección, buscan lógica.

Preguntas de Tableau

Ejemplos comunes:

• ¿Cómo optimizarías un dashboard lento?
• ¿Cuándo usarías extract en vez de live connection?
• ¿Qué son los parámetros?
• ¿Cómo explicarías una LOD expression?
• ¿Cómo diseñarías un dashboard para dirección?
• ¿Cómo validarías que un número en Tableau coincide con SQL?

Si no sabes una función exacta, explica cómo lo investigarías y cómo validarías el resultado. La validación importa mucho.

Preguntas de negocio

Aquí se cae mucha gente técnica.

Te pueden preguntar:

• Las ventas han caído un 15%, ¿cómo lo investigas?
• La retención baja en nuevos usuarios, ¿qué mirarías?
• Marketing quiere saber qué campaña funciona mejor, ¿qué métricas usarías?
• Un dashboard tiene muchos usuarios pero nadie toma decisiones, ¿qué harías?
• Dirección pide una métrica urgente, pero los datos no son fiables, ¿cómo lo comunicas?

Una buena respuesta suele seguir este orden:

1. Aclarar la pregunta.
2. Definir la métrica.
3. Segmentar.
4. Comparar periodos.
5. Buscar causas.
6. Validar datos.
7. Proponer acciones.

No saltes directo a la herramienta. Primero piensa.

Dónde buscar empleos Data Analyst en Madrid#

Puedes encontrar ofertas en varios canales, pero conviene organizarte.

Portales y plataformas

Mira con frecuencia:

• LinkedIn Jobs.
• InfoJobs.
• Indeed.
• Glassdoor.
• Welcome to the Jungle.
• Tecnoempleo.
• JobFluent.
• Páginas de empleo de empresas.

Busca variaciones del título:

• Data Analyst.
• BI Analyst.
• Business Intelligence Analyst.
• Product Analyst.
• Marketing Analyst.
• Reporting Analyst.
• Analytics Consultant.
• Data Visualization Analyst.

A veces una oferta perfecta no usa el título exacto que tienes en mente.

Empresas a vigilar en Madrid

Algunas empresas y sectores donde suelen aparecer roles de datos:

• BBVA, Santander, ING, CaixaBank Tech.
• Telefónica, Orange, MásMóvil.
• Cabify, Glovo, Fever.
• Inditex, aunque muchas posiciones están en Galicia, también hay roles en Madrid y remoto híbrido.
• Repsol, Iberdrola, Endesa.
• Mapfre, Línea Directa.
• Accenture, Deloitte, EY, KPMG, PwC, NTT Data, Capgemini.
• Startups fintech, healthtech, traveltech y SaaS.

En consultoría puedes aprender rápido, aunque a veces el ritmo es duro. En producto puedes profundizar más en métricas y decisiones. En banca o telco puedes trabajar con datos enormes y procesos más formales.

Remoto, híbrido y presencial en Madrid#

En 2026, muchos roles de Data Analyst en Madrid siguen siendo híbridos. Lo típico es:

• 2 o 3 días en oficina.
• 1 o 2 días remoto.
• Presencial completo en algunas consultoras o empresas tradicionales.
• Remoto casi total en startups o empresas internacionales.

Si buscas remoto, prepara bien tu perfil en inglés. Muchas ofertas remote-first pagan mejor, incluso para vivir en España.

Un Data Analyst con buen inglés puede acceder a salarios de €55k, €65k o €70k en empresas internacionales, siempre que tenga experiencia fuerte y pueda trabajar con autonomía.

No subestimes el inglés. Para muchos roles, pasar de B1 a C1 puede valer más que aprender otra herramienta secundaria.

Plan de 90 días para conseguir entrevistas#

Si estás empezando o quieres moverte de puesto, te dejo un plan simple.

Días 1 a 15: base y enfoque

• Define tu rol objetivo: junior, BI, product, marketing, finance.
• Revisa 30 ofertas reales en Madrid.
• Copia requisitos repetidos.
• Actualiza tu CV con palabras clave.
• Refuerza SQL básico e intermedio.
• Crea una lista de empresas objetivo.

No intentes ir a todo. Si tu perfil apunta a marketing analytics, que tu CV y portfolio respiren eso.

Días 16 a 45: portfolio y práctica técnica

• Crea un proyecto completo con SQL y Tableau.
• Publica dashboard en Tableau Public.
• Sube queries a GitHub.
• Escribe un README claro.
• Practica 30 ejercicios SQL.
• Prepara respuestas para entrevistas.

Un proyecto bien hecho vale más que cinco cursos sin aplicación.

Días 46 a 75: candidaturas de calidad

• Aplica a 5 o 10 ofertas por semana, bien adaptadas.
• Contacta con recruiters en LinkedIn.
• Escribe mensajes cortos a hiring managers.
• Ajusta el CV según cada oferta.
• Registra candidaturas en una hoja de seguimiento.
• Pide feedback si te rechazan tras entrevista.

No mandes 200 CV iguales. Es mejor mandar 40 buenos.

Días 76 a 90: entrevistas y mejora

• Revisa preguntas falladas.
• Graba respuestas de negocio.
• Mejora tu portfolio según feedback.
• Practica SQL cronometrado.
• Prepara negociación salarial.
• Sigue aplicando aunque tengas procesos abiertos.

Un error común es parar de buscar cuando tienes una entrevista prometedora. No pares hasta tener oferta firmada.

Errores que te pueden dejar fuera#

Te dejo los más comunes para que los esquives.

1. Poner “SQL avanzado” y no saber explicar un LEFT JOIN.
2. Hacer dashboards bonitos pero sin insight.
3. No tener ejemplos concretos de impacto.
4. Enviar el mismo CV a todas las ofertas.
5. No preparar preguntas de negocio.
6. Hablar solo de herramientas.
7. No validar datos antes de sacar conclusiones.
8. No saber explicar tu propio portfolio.
9. Ignorar el inglés.
10. No adaptar LinkedIn al rol.

También cuidado con inflar demasiado. Si dices que sabes Tableau avanzado, te pueden preguntar por LOD, performance, extracts y permisos. Mejor ser honesto y sólido.

Cómo destacar si vienes de otro sector#

Mucha gente entra a Data Analyst desde finanzas, marketing, operaciones, ventas, ingeniería, administración o investigación.

Eso puede ser una ventaja si lo cuentas bien.

Por ejemplo:

• Si vienes de finanzas, enfócate en reporting, presupuestos, revenue, margen.
• Si vienes de marketing, enfócate en campañas, conversión, CAC, ROAS.
• Si vienes de operaciones, enfócate en eficiencia, tiempos, costes, productividad.
• Si vienes de ventas, enfócate en pipeline, forecast, CRM, segmentación.
• Si vienes de retail, enfócate en stock, tiendas, rotación, ticket medio.

No digas “no tengo experiencia en datos”. Mejor:

“He trabajado con datos de ventas y reporting durante 3 años, y ahora he reforzado SQL y Tableau para moverme a un rol de Data Analyst”.

La historia importa. Haz que tu cambio tenga sentido.

Qué pondría yo en tu LinkedIn#

Tu LinkedIn tiene que ayudar al recruiter a entender rápido qué haces.

Titular

“Data Analyst | SQL, Tableau, Python | Dashboards, KPIs y análisis de negocio”

Acerca de

Escribe en primera persona, claro:

“Trabajo con SQL y Tableau para convertir datos en decisiones. Me interesa especialmente el análisis de producto, ventas y marketing. He creado dashboards de KPIs, automatizado reportes y analizado funnels de conversión. Actualmente busco oportunidades Data Analyst en Madrid o híbrido.”

Destacados

Incluye:

• Link a Tableau Public.
• Link a GitHub.
• Proyecto principal.
• CV en PDF si quieres.
• Certificaciones relevantes.

Actividad

No hace falta convertirte en influencer. Basta con publicar de vez en cuando:

• Un mini análisis.
• Un dashboard.
• Algo que aprendiste de SQL.
• Un caso de negocio.
• Un resumen de proyecto.

Eso demuestra interés real.

Certificaciones que pueden ayudar#

No son obligatorias, pero pueden sumar si estás compitiendo por roles junior.

Algunas útiles:

• Tableau Desktop Specialist.
• Google Data Analytics Certificate.
• Microsoft Power BI Data Analyst.
• IBM Data Analyst.
• Certificaciones básicas de SQL.
• Cursos de BigQuery o Snowflake.

Eso sí, no colecciones certificados sin proyectos. Un recruiter prefiere ver un dashboard bien explicado que diez badges sin contexto.

La certificación dice “he estudiado”. El proyecto dice “puedo hacer el trabajo”.

Resumen práctico para 2026#

Si quieres conseguir empleos Data Analyst en Madrid en 2026, céntrate en lo que más pesa:

1. SQL fuerte.
2. Tableau con dashboards de negocio.
3. CV adaptado a cada oferta.
4. Portfolio con proyectos reales o realistas.
5. Métricas y resultados, no solo tareas.
6. Inglés si apuntas a mejores salarios.
7. Entrevistas preparadas con casos de negocio.
8. LinkedIn claro y alineado con el rol.

Madrid tiene oportunidades, pero también filtros. Si tu perfil parece genérico, pasas desapercibido. Si muestras que sabes sacar datos, analizarlos y explicar decisiones, subes muchas posiciones.

Antes de enviar más candidaturas, revisa si tu CV está preparado para pasar un ATS y vender bien tus habilidades de SQL, Tableau y análisis. Puedes comprobarlo gratis aquí: revisa tu CV con el ATS checker gratuito de JobRise.