Quien contrata un data analyst busca a alguien que convierta datos en decisiones: que escriba SQL con soltura, que arme tableros que la gente use y que explique un hallazgo a alguien de negocio en dos minutos. La lectura del CV busca primero las herramientas (SQL, Power BI o Tableau, Excel avanzado, Python) y después lo que casi ningún CV incluye: qué decisión cambió gracias a un análisis y qué resultado tuvo.
El CV de data analyst suele ser una lista de herramientas seguida de "análisis de datos para distintas áreas". Esta guía explica qué pesa en la lectura, qué keywords filtran los avisos, cómo escribir viñetas con decisiones y resultados, y cómo se ve un CV completo del rol dentro del área de tecnología.
En esta guía
Qué pesa en el CV de data analyst
La experiencia se lee buscando, en cada puesto, para quién se analizó (comercial, marketing, operaciones, finanzas, producto), con qué datos y volumen, con qué herramientas, y qué pasó después: una campaña que se ajustó, un reporte manual que desapareció, un indicador que se definió y se adoptó. Un tablero "usado por 80 personas cada semana" pesa más que "creación de dashboards en Power BI".
SQL es la habilidad que define el rol y conviene demostrarla con detalle: consultas con joins, CTE y funciones de ventana, sobre qué base o data warehouse (BigQuery, Snowflake, Redshift, SQL Server) y con qué volumen. Python o R suman cuando hay limpieza, automatización o análisis estadístico; Excel avanzado sigue siendo requisito en muchas empresas y no conviene omitirlo.
El portfolio pesa en perfiles junior: dos o tres análisis publicados (un tablero público en Tableau Public o Looker Studio, un notebook con un dataset real y una conclusión clara) reemplazan la experiencia que todavía no hay. La formación en economía, estadística, ingeniería o administración se lista sin adjetivos; las certificaciones (PL-300, Tableau, Google Data Analytics) ordenan el perfil si son recientes.
Keywords que buscan los avisos
Estos son los términos que más se repiten en los avisos de data analyst en LatAm y España:
- SQL (joins, CTE, funciones de ventana)
- Power BI y DAX
- Tableau
- Looker Studio
- Excel avanzado (tablas dinámicas, Power Query)
- Python (pandas) o R
- Estadística descriptiva y tests A/B
- KPI y tableros de gestión
- ETL y limpieza de datos
- BigQuery, Snowflake o Redshift
- Modelado de datos (esquema estrella)
- Google Analytics 4
- dbt
- Storytelling con datos
- Git y notebooks
Se ubican en las viñetas junto al análisis y al resultado, y se repiten en la sección de habilidades. Antes de postular a un aviso concreto, la herramienta para adaptar el CV a la oferta muestra qué términos del anuncio faltan en el documento.
Viñetas de experiencia que funcionan
Una viñeta de análisis convence cuando incluye el dato, la decisión y el resultado. Los pares siguientes muestran la diferencia:
| Así no | Así sí |
|---|---|
| Creación de reportes en Power BI | Diseñé 6 tableros en Power BI para ventas y logística, usados por 80 personas cada semana, que reemplazaron 15 reportes manuales en Excel y liberaron 30 horas semanales |
| Análisis de datos de clientes | Analicé con SQL y Python el comportamiento de 400.000 clientes y detecté un segmento con el triple de abandono; la campaña de retención recuperó 1.200 cuentas |
| Consultas SQL | Optimicé las consultas en BigQuery sobre 200 millones de filas y el reporte diario de stock pasó de 25 minutos a 2 |
| Soporte al área comercial | Definí con el área comercial 12 KPI con un cálculo único documentado, y las reuniones de resultados pasaron de discutir cifras a discutir acciones |
| Limpieza de datos | Automaticé con Python la limpieza de datos de 5 fuentes (ERP, CRM, e-commerce) y eliminé el 90 % de los errores de conciliación mensual |
| Realización de análisis ad hoc | Evalué con un test A/B sobre 60.000 usuarios el cambio de precio del envío; la variante recomendada subió el ticket promedio un 8 % |
Junior vs. senior
Un data analyst junior se juzga por SQL y por el criterio para sacar una conclusión. El CV lleva la formación arriba, un enlace a dos o tres proyectos con datasets reales (no los de curso, o al menos no solo esos), y viñetas de prácticas o primeros empleos que digan qué pregunta se respondió y con qué datos. Un tablero público bien diseñado, con una pregunta de negocio clara, vale más que diez certificados.
En un perfil senior cambian el alcance y la autonomía: definición de métricas para toda un área, gobierno de los indicadores, modelado de datos junto a ingeniería, análisis que cambiaron decisiones de inversión o de producto, mentoría de analistas y presentación a dirección. Las viñetas incluyen el impacto económico u operativo y la cantidad de personas que usan lo que se construyó.
Cada viñeta de un data analyst debería poder completar la frase "y por eso el negocio decidió...". Si no hay una decisión al final, es una tarea, no un logro.
Errores frecuentes en este rol
Estos son los errores que más se repiten en los CV de data analyst:
- Herramientas sin decisiones. Una lista de Power BI, Tableau, SQL y Python sin ninguna decisión que haya cambiado gracias a un análisis.
- SQL "básico" o ausente. Es la habilidad central del rol; si el nivel es real, se demuestra con el tipo de consulta y el volumen de datos.
- Proyectos de curso sin contexto. El dataset del Titanic y las ventas de una tienda ficticia no muestran criterio de negocio.
- Tableros sin usuarios ni efecto. Un tablero que nadie mira no es un logro; el número de usuarios y lo que reemplazó, sí.
- Confundir el rol con data scientist. Listar machine learning sin experiencia real desvía la lectura y genera preguntas que el perfil no puede responder.
- CV genérico. "Análisis de datos para la toma de decisiones" en el resumen no dice nada. Una plantilla de CV sobria con un resumen concreto (área, datos, herramientas, resultado) comunica mejor.
Ejemplo de CV de data analyst
El siguiente ejemplo condensa lo anterior en un CV de una página para un perfil de mitad de carrera. Los nombres y las empresas son ficticios.
Data analyst con 5 años de experiencia en retail y turismo online, con foco en análisis comercial y de clientes. SQL avanzado sobre BigQuery, tableros en Power BI y Tableau, automatización de limpieza de datos con Python. Experiencia en definición de KPI con áreas de negocio y en experimentación.
Data Analyst Senior, Grupo Meridiana (retail), Madrid. 2023 - actualidad
- Diseñé 6 tableros en Power BI para ventas y logística, usados por 80 personas cada semana, que reemplazaron 15 reportes manuales y liberaron 30 horas semanales.
- Definí con el área comercial 12 KPI con cálculo único documentado; las reuniones de resultados pasaron de discutir cifras a discutir acciones.
- Optimicé las consultas en BigQuery sobre 200 millones de filas y el reporte diario de stock pasó de 25 minutos a 2.
Analista de Datos, Viajes Levante (turismo online), Valencia. 2020 - 2023
- Analicé con SQL y Python el comportamiento de 400.000 clientes y detecté un segmento con el triple de abandono; la campaña de retención recuperó 1.200 cuentas.
- Evalué con un test A/B sobre 60.000 usuarios el cambio de precio del envío de documentación; la variante recomendada subió el ticket promedio un 8 %.
- Automaticé con Python la limpieza de datos de 5 fuentes (ERP, CRM, web) y eliminé el 90 % de los errores de conciliación mensual.
Grado en Economía, Universidad Complutense de Madrid, 2019. Microsoft Certified: Power BI Data Analyst Associate (PL-300), 2023.
SQL (BigQuery, PostgreSQL), Power BI, DAX, Tableau, Python (pandas), Excel avanzado, Power Query, Google Analytics 4, dbt, Git. Inglés avanzado (C1).
Preguntas frecuentes
¿Qué nivel de SQL hay que tener para un CV de data analyst?
Suficiente para escribir consultas con varios joins, subconsultas o CTE y funciones de ventana sin ayuda, y para optimizar una consulta lenta. Conviene demostrarlo en las viñetas con el tipo de consulta, la base de datos y el volumen, en lugar de escribir "SQL avanzado" en habilidades.
¿Sirve un portfolio de tableros?
Sí, sobre todo en perfiles junior y en cambios de sector. Dos o tres tableros públicos con una pregunta de negocio clara, datos reales y una conclusión escrita muestran criterio. Un enlace en el encabezado del CV alcanza.
¿Hay que saber Python para ser data analyst?
No es requisito en todos los avisos, pero suma cada vez más: limpieza de datos, automatización de reportes y análisis estadístico se resuelven mejor con pandas que con Excel. Si el nivel es inicial, se declara como tal y se muestra en un proyecto.
¿Cómo diferenciar el CV de data analyst del de data scientist?
El data analyst muestra decisiones de negocio tomadas con SQL, tableros y análisis descriptivo o experimental; el data scientist muestra modelos predictivos con métricas técnicas y de negocio. Si el trabajo fue de análisis, conviene no inflar el CV con machine learning; si hubo modelos en producción, el título puede cambiar.