El mundo de los datos vive su mejor momento, y las habilidades en data que necesitas hoy van mucho más allá de saber Excel. Si quieres entrar o crecer en esta industria, hay una combinación de competencias técnicas, blandas y de networking que marcan la diferencia entre estancarte o avanzar a roles senior.
Renzo Roca, data strategist en el Banco de Crédito BCP y profesor de Platzi con 10 años de experiencia en banca, retail, seguros e inmobiliario, comparte la ruta concreta para construir un perfil sólido en datos, basado en proyectos reales que ha implementado en distintas industrias [02:30].
¿Cómo ha cambiado el mundo de los datos en los últimos 10 años?
La industria pasó del data warehouse al data lake, y de ahí al modelo actual: el lakehouse, un híbrido que combina lo mejor de ambos mundos [07:45]. Hace una década, solo banca, telco y seguros invertían en analítica seria. Hoy, casi cualquier empresa busca volverse data-driven.
La llegada de Microsoft Power BI hace nueve años democratizó el acceso a la visualización de datos y empujó la tendencia del self-service: usuarios de negocio conectándose directo a bases de datos sin depender de un perfil técnico [09:20]. En paralelo, conceptos como data mesh están descentralizando el consumo de información y empoderando a más roles dentro de las organizaciones.
¿Qué es un lakehouse? Es un repositorio de datos que combina la estructura del data warehouse con la flexibilidad del data lake. Permite manejar grandes volúmenes y soportar inteligencia artificial sobre la misma base.
¿Qué habilidades técnicas necesitas para trabajar en datos?
Hay un núcleo no negociable que debes dominar si quieres entrar al mercado, sin importar si vas por análisis, ingeniería o ciencia de datos.
- Python: el lenguaje más usado en data. Open source, con librerías para limpieza, estadística, machine learning y deep learning [13:10].
- SQL o Transact SQL: indispensable para consultar bases de datos, generar vistas y resúmenes en sistemas como SQL Server, Oracle o IBM DB2.
- Power BI o Tableau: herramientas de visualización para contar historias con datos, encontrar tendencias y detectar outliers.
- Aplicaciones de IA generativa: como ChatGPT o Copilot, que aceleran tu aprendizaje y productividad.
Sobre Python, Renzo es claro: de cada 35 proyectos que ha visto, solo uno o dos usaron R [14:30]. R sigue siendo útil para investigación académica y tesis, pero Python domina el ámbito empresarial.
¿Puedo trabajar como analista de datos solo con Excel?
Sí, puedes. Especialmente en PYMES donde no hay un sistema de bases de datos robusto. Excel también ha evolucionado: hoy integra Python, Power Query y Power Pivot, lo que permite análisis escalables sin saltar a herramientas más complejas [16:00].
¿Looker Studio es buena alternativa frente a Power BI?
Depende de la nube de tu empresa. Si trabajas con Google Cloud Platform, Looker Studio es una opción versátil y con buena integración. Si estás en Azure, Power BI fluye mejor. En AWS, QuickSight cumple, aunque muchos terminan conectando con Power BI por su versatilidad: lo consumes desde computadora, tablet, celular o Apple Watch [22:15].
¿Qué habilidades blandas te hacen crecer en data?
Una vez que llevas uno o dos años en el rubro, lo técnico ya no basta. Para saltar a perfiles medium o senior, las habilidades blandas pesan más que cualquier certificación.
Pensamiento crítico: cuestionar por qué un modelo de clustering agrupa de cierta forma, qué peso tienen las variables, cómo factores externos como inflación o aranceles afectan tus resultados [33:40]. La teoría de los libros se queda corta cuando te toca ajustar en la cancha.
Comunicación efectiva: probablemente la más importante. Si haces un dashboard para un gerente general, sabes que tiene dos o tres minutos máximo. Si es para un jefe de planta, bajas la granularidad y agregas controles. Bajar tu nivel matemático o de programación al lenguaje del negocio es lo que separa a un buen profesional de uno excelente [37:20].
Resolución de problemas: identificar causas raíz y proponer soluciones escalables, seguras y alineadas a las buenas prácticas de la empresa.
Trabajo en equipo: tu crecimiento no es solo. Tu squad, tu chapter, tus compañeros aportan miradas que tú no tienes. Hacer onboarding a un nuevo integrante o detectar que un dato sensible no debe exponerse son acciones que tus líderes notan [44:10].
¿Necesito un PhD para ser data scientist? No. Lo que más se valora en machine learning e inteligencia artificial es la experiencia entendiendo el negocio para calibrar modelos. Un doctorado suma, pero solo si lo tangibilizas en la práctica.
¿Por qué el networking es clave para crecer en datos?
LinkedIn es la red profesional que más oportunidades genera en el mundo data. Renzo cuenta que llegó a Platzi precisamente por ahí, además de propuestas constantes de docencia y trabajo [47:30]. La fórmula es simple: dedica un porcentaje de tu tiempo a mostrar tu trabajo, compartir aprendizajes y construir tu marca personal.
La asistencia a eventos y conferencias también amplifica tu visibilidad, no solo como ponente sino como participante activo. Y las comunidades online, como la de Platzi, te permiten resolver problemas con otros estudiantes y profesores en tiempo real.
¿Cómo armo un portafolio si quiero ser data engineer?
Revisa perfiles destacados de data engineers en LinkedIn y visita sus GitHub. Replica ejercicios de poblar información en arquitecturas lakehouse: cómo llevas datos de capa bronze a silver, y de silver a gold, usando PySpark [49:50]. Eso evidencia que dominas Python aplicado a ingeniería de datos.
¿Es mejor empezar como data analyst o ir directo a roles avanzados?
Empieza como data analyst. Entender el negocio primero te da la base para luego especializarte: si te apasiona la estadística, ve a ciencia de datos; si prefieres programación, ingeniería de datos es tu camino.
¿En qué punto de tu carrera estás y qué habilidad sientes que necesitas reforzar primero? Cuéntalo en los comentarios.
