La pregunta que más escucho de quien recién termina un curso de Python para datos no es "qué más aprendo" sino "para qué rol me estoy preparando". La respuesta corta: si tu Python es para cargar un CSV, limpiarlo con pandas y sacar un hallazgo que alguien va a usar para decidir algo, estás en la cancha de Data Analyst. Si tu Python es para entrenar un modelo y dejarlo corriendo en producción, ya hablas de Data Scientist. El curso de Análisis de Datos con Python te deja parado justo en esa frontera.
Qué hace cada uno con el mismo lenguaje
El curso de DataPath recorre lectura de fuentes, merging de dataframes, análisis exploratorio (EDA), manipulación con pandas y pandas para volúmenes grandes de datos — en 100 clases y unas 14 horas de contenido. Eso es exactamente el trabajo diario de un Data Analyst: entender qué pasó y por qué, con Pandas, NumPy, Matplotlib y Seaborn. Un Data Scientist parte de ahí, pero suma scikit-learn, pipelines de features y, muchas veces, el trabajo de dejar ese modelo corriendo como una API en producción.
Lo que de verdad pide el mercado
- ▸Analista de Datos: las ofertas enfatizan SQL (94% de las publicaciones) y dashboards (72%); Python aparece, pero como herramienta de apoyo, no como el centro del puesto.
- ▸Científico de Datos: las ofertas enfatizan Python (96%) y Machine Learning (84%) — ahí sí Python es el lenguaje principal del rol, no uno más.
- ▸Volumen de vacantes: los reportes del sector ubican al Analista de Datos como el perfil más contratado de los dos, con una proporción cercana a 4 vacantes por cada 1 de Data Scientist en la región.
- ▸Rango de sueldo en LATAM (aproximado, según reportes de la industria en 2026): Data Analyst entre 800 y 2,500 USD/mes; Data Scientist entre 2,000 y 6,000 USD/mes, con mayor dispersión porque hay menos roles pero más senior.
Lo que nadie te dice: un analista junior gana menos que un científico de datos junior, pero hay cuatro veces más puestos de analista abiertos. Si tu prioridad es entrar rápido al mercado, el volumen de ofertas pesa tanto como el sueldo techo.
Cómo saber cuál camino tomar
- ▸Si te gusta comunicar hallazgos y convertir datos en una decisión concreta para el negocio, el camino de Analyst tiene menos barrera de entrada y más demanda inmediata.
- ▸Si te atrae la estadística, construir modelos predictivos y no te asusta el código de producción, el camino de Scientist paga más techo pero exige más tiempo de preparación.
- ▸El puente natural: empezar como Analyst (entras más rápido, con más ofertas) y sumar ML más adelante es una ruta más realista que saltar directo a Data Scientist sin experiencia con datos reales.
Por dónde empezar
El curso de Análisis de Datos con Python no entrega certificado — es una pieza de habilidad concreta, no una credencial — pero es la base real que después se complementa con SQL y una herramienta de dashboards como Looker Studio. La ruta Data Analyst de DataPath ordena esas piezas en un camino con proyectos reales.
DataPath no tiene una ruta llamada "Data Scientist", pero el camino más cercano dentro del catálogo es la ruta ML Engineer, que parte de las mismas bases de Python de este curso.
Lo que en realidad comparten los dos roles
Más allá del título, los dos roles se sostienen sobre el mismo primer paso: saber limpiar datos sucios sin romper nada. Los módulos de lectura de fuentes y merging de dataframes del curso —unir un Excel de ventas con una tabla de clientes que tiene nombres escritos distinto, fechas en dos formatos y columnas duplicadas— son exactamente la parte del trabajo que más tiempo consume en cualquiera de los dos puestos, aunque nadie la mencione en la descripción del cargo. Quien domina esa parte avanza más rápido en cualquiera de los dos caminos, porque un modelo entrenado con datos mal limpiados falla igual de silencioso que un dashboard con un filtro mal puesto.
Qué tan realista es cambiar de camino después
Más de lo que parece, porque la base técnica es la misma. Conozco analistas que después de dos o tres años manejando pandas y SQL a diario dieron el salto a Data Scientist tomando un curso enfocado en scikit-learn y estadística, sin volver a empezar de cero — la parte de leer, limpiar y explorar datos ya la tenían resuelta, que es justo la que más tiempo toma dominar. El riesgo está en el camino inverso apurado: alguien que salta directo a modelos de Machine Learning sin haber limpiado datos reales durante un buen tiempo suele construir modelos sobre datos mal preparados, y el resultado se nota en producción, no en la demo.
Una señal para decidir que no es el sueldo
Pregúntate qué parte del curso disfrutaste más: si fue el análisis exploratorio —encontrar el patrón raro en los datos y explicar por qué pasa— probablemente te acomodes mejor como Analyst. Si lo que te enganchó fue pensar "¿y si esto se pudiera predecir automáticamente?", esa inquietud es la que después te lleva a Data Scientist o ML Engineer. Ninguna señal es perfecta, pero suele ser más confiable que elegir solo por el rango de sueldo que viste en una publicación.
