Como Cambiar From Sales Executive to Data Analyst

Llevas años vendiendo y ahora quieres analizar datos, pero cada oferta de Data Analyst pide SQL, Python y experiencia que no tienes. La buena noticia es que parte de tu trabajo actual ya es análisis de datos. La mala es que nadie te va a contratar solo por eso.

Vamos por partes: qué se transfiere, qué hay que aprender desde cero, qué proyectos hacer y cuánto tarda esto en la vida real.

Lo que ya sabes hacer y no ves#

Un Sales Executive revisa su pipeline cada semana. Eso es análisis. Filtras oportunidades por etapa, comparas el cierre de este trimestre contra el anterior, explicas por qué un cliente se fue. Estás haciendo limpieza de datos, segmentación y storytelling con números.

Lo que falta es el vocabulario técnico y las herramientas. No la capacidad de pensar.

Habilidades que transfieren directo:

• Análisis de tendencias y comparación de periodos
• Segmentación de clientes y priorización por criterios numéricos
• Construcción de informes para quien decide (tu director comercial)
• Comunicación de resultados a gente que no es técnica
• Trabajar con objetivos, KPIs y previsiones
• Resistencia al rechazo, que en data se llama "mi query no funciona"

El punto fuerte de tu candidatura no será Python. Será que entiendes el negocio. Un analista junior que viene de ventas sabe qué métricas importan y por qué un gráfico sin contexto no sirve.

Lo que hay que aprender desde cero#

Aquí no hay atajos. Necesitas tres bloques.

SQL es el primero y el más importante. Casi cualquier puesto de analista pide consultas diarias: unir tablas, filtrar, agregar, ventanas. Dedícale más tiempo que a cualquier otra cosa.

Excel o Google Sheets a nivel avanzado. Tablas dinámicas, XLOOKUP, INDEX-MATCH, validación de datos. Suena básico, pero muchos equipos siguen viviendo ahí.

Una herramienta de visualización: Power BI o Tableau. Elige la que más veas en las ofertas de tu mercado y en las descripciones del puesto que te interesa. Puedes analizar las vacantes que te interesan con el decodificador de ofertas para ver qué repiten.

Python es opcional para el primer rol. Útil, sí. Obligatorio, casi nunca. Si el tiempo es corto, SQL primero.

Estadística descriptiva: medias, medianas, percentiles, correlación, muestras. Nada de fórmulas raras. Lo que necesitas es saber cuándo una media engaña.

Tres proyectos que demuestran la transición#

Tu portafolio tiene que gritar "vengo de ventas y por eso hago mejores análisis". Tres proyectos bien elegidos bastan.

Proyecto uno: análisis de pipeline de ventas. Consigue datos abiertos de un CRM de ejemplo o simula los tuyos con datos inventados y realistas. Calcula tasa de conversión por etapa, identifica en qué etapa se pierden más oportunidades y estima el impacto en ingresos. Entrega un informe con tres hallazgos y una recomendación.

Proyecto dos: análisis de churn de clientes. Toma un dataset público de suscripciones. Segmenta por tipo de cliente, encuentra patrones en las cancelaciones y construye un modelo simple de riesgo, aunque sea con regresión logística básica. Aquí demuestras que sabes pensar en retención, no solo en números.

Proyecto tres: dashboard comercial para dirección. Un panel con ingresos por región, evolución mensual, top productos y previsión simple. Publica el dashboard en línea y escribe un README que explique qué decisión tomaría un director con esa información.

Cada proyecto necesita tres cosas: el problema de negocio, tu proceso técnico y la conclusión accionable. Un repositorio con código sin explicación no convence a nadie.

El timeline real, con empleo incluido#

Trabajando a tiempo completo y estudiando 8-10 horas por semana, cuenta entre 9 y 15 meses hasta tener un perfil competitivo para un primer puesto. Ese rango varía mucho según tu punto de partida, tu dominio de inglés técnico y el mercado donde busques.

Distribución aproximada:

• Meses 1 a 3: SQL y Excel avanzado. Primer proyecto de portafolio.
• Meses 4 a 6: Power BI o Tableau. Segundo proyecto. Empiezas a optimizar tu currículum.
• Meses 7 a 9: tercer proyecto, estadística básica, entrevistas técnicas.
• Meses 10 a 15: búsqueda activa, networking, entrevistas finales.

Si puedes dedicar 25 horas semanales, el proceso se acorta a 5-7 meses. Si tienes hijos pequeños o un trabajo con viajes, alarga los plazos sin culpa. Lo que rompe el proceso no es la lentitud, es dejarlo tres meses y volver a empezar.

Cómo escribir el currículum de cambio de carrera#

No pidas permiso para cambiar de sector. Reescribe tu experiencia en términos de datos, porque ya los tienes.

Ejemplo concreto. Antes:

"Responsable de la cartera de clientes enterprise y del cumplimiento de objetivos trimestrales."

Después:

"Analicé el pipeline de 40 cuentas enterprise con Excel y SQL, identifiqué la etapa con mayor fuga de oportunidades (35% de las pérdidas) y propuse ajustes que mejoraron la tasa de cierre en 8 puntos en dos trimestres."

La segunda versión usa verbos de analista, cuantifica y muestra impacto. Es la misma historia, contada para otro puesto.

Ajustes de estructura que funcionan:

• Empieza con un resumen de tres líneas: años en ventas, herramientas de datos que dominas, tipo de rol que buscas
• Añade una sección de "Proyectos de análisis de datos" por encima de la experiencia si el cambio es muy marcado
• Incluye herramientas técnicas en una sección clara: SQL, Excel, Power BI, Python
• Quita logros puramente comerciales que no aporten al nuevo rol
• Verifica que el formato pase filtros automáticos con el verificador de compatibilidad con ATS antes de enviarlo

Estrategia para el primer puesto#

Tu primer rol probablemente no se llamará "Data Analyst". Busca variantes: Business Analyst, Sales Operations Analyst, Commercial Analyst, CRM Analyst, BI Junior. Son puertas de entrada reales y tu experiencia de ventas pesa mucho ahí.

Dentro de tu empresa actual suele estar el atajo más corto. Habla con el equipo de datos, pide colaborar en un informe, ofrécete a automatizar algo del reporting comercial. Un cambio interno sin experiencia previa es mucho más probable que una contratación externa.

Aplica a puestos donde el dominio del negocio pese tanto como la técnica. Empresas de software B2B, fintech, marketplaces: valoran a alguien que ya entiende cómo se vende. Puedes filtrar ofertas compatibles con tu perfil en el buscador de empleo.

Prepara tu discurso de transición. Cuando pregunten por el cambio, no digas que estabas cansado de vender. Di algo concreto:

"Descubrí que lo que más disfrutaba de ventas era analizar los datos para decidir a qué cuentas dedicar tiempo. Quiero hacer eso a tiempo completo, y llevo nueve meses formándome en SQL y Power BI con proyectos que puedes ver en mi portafolio."

Corto, honesto, verificable.

Errores que alargan el proceso#

Estudiar un año sin publicar nada. El portafolio vale más que otro curso.

Aprender cinco herramientas a medias en vez de dos bien. SQL y una herramienta de visualización te abren más puertas que un certificado de todo.

Aplicar solo a puestos con el título exacto "Data Analyst". Ya vimos que las variantes son tu mejor entrada.

Esperar a sentirte listo al 100%. Nadie lo está. Si cumples el 60% de los requisitos, aplica.

Ignorar tu red de contactos. Los excompañeros de ventas que trabajan en empresas con equipos de datos son tus mejores referidos.

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 un máster o una certificación para cambiar de ventas a datos?

No para el primer puesto. Un buen portafolio y SQL sólido abren más puertas que un máster. Las certificaciones ayudan si son de herramientas concretas que piden en las ofertas que te interesan.

¿Se valora mi experiencia en ventas o solo miran la parte técnica?

Se valora, sobre todo en puestos ligados a negocio como Sales Operations o Business Analyst. El truco es traducir tus logros al lenguaje de datos, con números y herramientas, para que el reclutador los vea rápido.

¿Cuánto tiempo debo dedicar por semana para que el plan funcione?

Entre 8 y 10 horas semanales es un mínimo razonable trabajando a tiempo completo. Por debajo de eso el proceso se estira mucho y es fácil perder el ritmo. Bloquea dos o tres sesiones fijas en el calendario.

¿Qué herramienta aprendo primero: Python, SQL o Power BI?

SQL primero, sin duda. Es la que más se pide y la que usas a diario como analista. Después una herramienta de visualización, y Python al final si te sobra tiempo.

¿Cómo consigo datos reales para mi portafolio sin tener experiencia?

Usa datasets públicos de portales de datos abiertos o simula datos de un caso que conozcas bien, como tu propio sector. Lo que importa es plantear un problema de negocio realista y documentar tu razonamiento de principio a fin.