Portfolio Projects for Data Analyst

Tu CV dice "analista de datos" pero no hay un solo proyecto que lo demuestre. Ese es el problema. Un certificado dice que estudiaste. Un proyecto bien hecho dice que puedes resolver algo. Cuando hay 200 candidatos, lo segundo es lo que se mira.

Los proyectos de portafolio no tienen que ser enormes. Tienen que mostrar criterio: qué pregunta respondiste, qué datos usaste, qué decidiste y qué cambió. Tres proyectos bien armados pesan más que cinco cursos terminados.

Qué mira realmente quien revisa tu portafolio#

Casi nadie lee tu código línea por línea. El reclutador o el lead técnico mira primero el README, después el resultado final, y solo si le interesa, la metodología. En menos de dos minutos decide si sigues en la pila o no.

Buscan tres cosas concretas. Primero, que el proyecto resuelva un problema real, aunque sea inventado por ti. Segundo, que tomes decisiones y las expliques: por qué excluiste esos datos, por qué elegiste esa métrica. Tercero, que comuniques. Un gráfico claro gana contra un modelo complicado que nadie entiende.

Los 3 proyectos que funcionan#

Estos tres cubren habilidades distintas y juntos cuentan una historia completa. Puedes adaptarlos a tu industria objetivo, que es lo ideal.

1. Limpieza y análisis de un dataset sucio

Elige un dataset real y desordenado: datos de ventas con duplicados, fechas en formatos distintos y columnas con valores nulos. No uses un dataset limpio de Kaggle ya preparado. El valor está en el desorden.

Documenta el proceso de limpieza paso a paso. Cuántas filas eliminaste y por qué, cómo estandarizaste las fechas, qué hiciste con los nulos. Termina con un análisis breve: tres hallazgos sobre los datos y una recomendación accionable.

Este proyecto demuestra la parte del trabajo que nadie enseña bien en los cursos: tratar datos que no cooperan.

2. Dashboard con una decisión detrás

Construye un dashboard que responda una pregunta de negocio específica. No "análisis de ventas", sino "¿en qué región conviene abrir la siguiente tienda según el margen por cliente?". Usa Tableau, Power BI o incluso solo Python con matplotlib si el resultado es claro.

El truco es que el dashboard debe llevar a una decisión. Incluye en el README qué decisión tomarías con los datos y qué información falta para estar seguro. Esa honestidad sobre las limitaciones se valora mucho.

3. Análisis con SQL y una conclusión

Toma una base de datos relacional, por ejemplo una réplica pública de una tienda online, y escribe consultas SQL que respondan preguntas de negocio. Algo como: cohortes de retención, ticket promedio por segmento, productos que se devuelven más.

Publica las consultas comentadas y un resumen ejecutivo con los hallazgos. Si puedes, sube el resultado a un notebook que se pueda ejecutar de arriba abajo sin errores. Eso último ya te pone por delante de muchos candidatos.

Cómo presentar los proyectos en el CV#

Un proyecto en el CV se escribe igual que un trabajo: verbo de acción, qué hiciste, cómo, y el resultado. No pongas "Proyecto de análisis de datos". Eso no dice nada.

Ejemplo de bullet reescrito:

Antes: "Realicé un proyecto de análisis de ventas con Python y visualizaciones".

Después: "Analicé 45.000 registros de ventas con Python y pandas, detecté un patrón de caída del 18% en la retención de clientes nuevos y propuse un cambio de segmentación que el equipo adoptó como prueba".

La segunda versión tiene volumen de datos, herramientas, un hallazgo y una consecuencia. Si el proyecto es personal y nadie lo adoptó, di que presentaste la propuesta, no inventes que una empresa la usó.

Reserva un espacio en tu CV para "Proyectos" con dos o tres bullets así. Si quieres comparar tu documento con lo que piden las vacantes, usa el verificador de CV compatible con ATS y el decodificador de ofertas de empleo, que te muestra qué palabras y habilidades está pidiendo realmente esa oferta.

Cómo montar el repositorio en GitHub#

El README es tu proyecto. Si está vacío o solo tiene instrucciones de instalación, perdiste al revisor. Escribe primero qué problema responde el proyecto y cuál es la conclusión. Después el dataset, el método, los hallazgos y las limitaciones.

Estructura mínima que funciona:

• Título claro que diga qué analiza, no "Proyecto 1"
• Una sección de contexto: qué datos son, de dónde salen, qué preguntas respondes
• Hallazgos principales arriba, con una imagen del gráfico o dashboard
• Instrucciones para ejecutar el código, con las dependencias listadas
• Limitaciones y qué harías con más tiempo o datos
• Licencia y contacto, aunque sea solo tu LinkedIn

Nombra los archivos con lógica. Un repositorio con "notebook_final_v2_corregido(1).ipynb" da mala espina. Y no subas datasets gigantes: usa un enlace o un script de descarga.

Errores que convierten un proyecto en un tutorial#

El error número uno es copiar un tutorial completo y subirlo como tuyo. Se nota al instante por el dataset de práctica, los mismos gráficos y el mismo README genérico. No aporta nada.

Otros errores frecuentes:

• Usar solo datasets famosos sin añadir ninguna pregunta propia
• Gráficos sin etiquetas, sin unidades y sin título que explique el hallazgo
• Modelos de machine learning donde con un análisis descriptivo bastaba
• Cero explicación de por qué limpiaste o descartaste datos
• Repositorios sin README o con README solo de instalación
• Resultados sin conclusión: muestras datos pero no dices qué hacer con ellos

La diferencia entre un tutorial y un proyecto propio es la pregunta. Tú la planteas, tú decides el camino y tú dices qué significa el resultado.

Cómo hablar de los proyectos en la entrevista#

Prepara una explicación de dos minutos por proyecto. La estructura que funciona es simple: el problema, los datos, tu decisión más difícil y la conclusión. Después, sueltas el micrófono y dejas que pregunten.

Ejemplo de respuesta para el proyecto de dashboard:

"Quería entender por qué la retención de clientes nuevos caía después del segundo mes. Trabajé con datos de transacciones de una tienda online pública, unas 45.000 filas, y limpié duplicados y fechas inconsistentes antes de analizar. Lo más difícil fue decidir cómo definir 'cliente nuevo' porque la base no traía fecha de registro, así que tomé la primera compra como referencia y lo dejé documentado como limitación. El hallazgo fue que los clientes que compran solo en una categoría tienen la mitad de retención que los que compran en dos o más. Mi propuesta fue un experimento de cross-selling en la primera compra, aunque no tengo datos para confirmar que funcione".

Fíjate en la última frase. Admitir que no tienes la respuesta definitiva suena profesional, no débil. Los entrevistadores preguntan mucho sobre las decisiones, no sobre la sintaxis. Si quieres practicar con ofertas reales y ver qué proyectos piden, echa un vistazo a las vacantes de analista de datos y a las guías del blog de career tools.

Cuánto tiempo dedicarle a cada proyecto#

No necesitas meses. Un proyecto de limpieza y análisis puede quedar en dos o tres fines de semana si ya manejas pandas o SQL. El dashboard lleva más por la parte de diseño y narrativa, que es donde más tiempo se va.

Mi consejo: dos proyectos sólidos y bien documentados valen más que cinco a medio hacer. Y conviene que al menos uno esté alineado con la industria a la que apuntas, porque el que revisa verá que entiendes su contexto.

Herramientas gratis#

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

Preguntas frecuentes#

¿Necesito machine learning en mi portafolio para conseguir trabajo de analista?

No. Para la mayoría de puestos de analista se valora más la limpieza de datos, SQL, visualización y comunicación de hallazgos. Un modelo de ML solo suma si resuelve una pregunta concreta y sabes explicar sus límites.

¿Sirven los proyectos de cursos o bootcamps?

Sirven como punto de partida, no como pieza final. Modifícalos: cambia la pregunta, añade datos nuevos o profundiza en un hallazgo que el curso no cubrió. Si tu repositorio es idéntico al del curso, no cuenta.

¿Cuántos proyectos debería tener el portafolio?

Con dos o tres bien presentados tienes suficiente para un perfil junior o de cambio de carrera. Lo importante es que sean distintos entre sí y que cada uno muestre una habilidad diferente.

¿Puedo usar datos inventados si no encuentro un dataset público?

Sí, pero dilo con claridad en el README y explica cómo generaste los datos. Lo que resta es presentar datos sintéticos como si fueran reales. Mejor busca réplicas públicas de bases de datos o datos abiertos de gobiernos y organismos.

¿En qué formato presento los resultados si no sé programar?

Puedes hacer proyectos completos con Excel, SQL y Power BI o Tableur, y presentarlos en un PDF o en un sitio sencillo. Lo que se evalúa es la pregunta, el método y la conclusión, no la herramienta concreta que uses.