El portafolio de analista de datos dejó de ser una carpeta con tres dashboards del Titanic. En 2026 quien te entrevista asume que usaste IA para escribir el SQL y para armar las medidas; lo que quiere ver es si entendiste la pregunta de negocio que había detrás. Esa es la parte que la IA todavía no resuelve por ti.
He revisado portafolios donde el candidato tenía seis visualizaciones impecables y ni una sola frase explicando qué decisión cambiaba con ese tablero. Ese portafolio no pasa. Abajo van cuatro proyectos que sí mueven la aguja, con lo que tiene que incluir cada uno. Si quieres el camino guiado en vez de armarlo a ciegas, la Especialización en Analítica de Datos con IA cubre estas cuatro piezas en 19 horas y 7 sesiones, de la pregunta de negocio al dashboard que se explica solo.
Lo que cambió: ya nadie se impresiona con el gráfico
Hace tres años, un dashboard de Power BI con filtros cruzados era suficiente para destacar. Hoy cualquiera genera ese mismo dashboard describiéndolo en una frase. Lo que escasea es el criterio: por qué elegiste esa métrica y no otra, por qué el modelo de datos está así, qué hiciste cuando los números no cuadraban.
Entonces el portafolio tiene que mostrar decisiones, no entregables. Cada proyecto de esta lista está pensado para dejar una decisión visible.
Proyecto 1: de pregunta de negocio a query (y la trampa del SQL conversacional)
Toma una pregunta real y ambigua, del tipo "¿por qué cayó la recompra este trimestre?", y documenta el camino hasta la consulta final. No el resultado: el camino. Qué asumiste por recompra, qué ventana de tiempo usaste, qué pedidos excluiste.
Acá va la parte honesta: pedirle el query a un modelo funciona hasta que el esquema tiene dos tablas que se parecen y elige la equivocada. El valor de tu proyecto está en mostrar cómo validaste el resultado, con un conteo de control o un cruce contra otra fuente. Si trabajas sobre BigQuery, agrega cuánto escaneaba la primera versión de la consulta y cuánto la final: ese número impresiona más que el gráfico. Y si todavía te falta base, SQL desde cero es el prerrequisito real de todo lo demás.
Proyecto 2: un modelo de datos que aguante DAX
La mayoría de las medidas DAX que dan mal no están mal escritas: están escritas sobre un modelo que no debería existir. Tablas planas con todo adentro, relaciones bidireccionales puestas para que "funcione", y una tabla de fechas improvisada.
Arma un proyecto donde el entregable sea el modelo: esquema estrella, tabla de calendario marcada como tal, relaciones en una sola dirección. Encima pones tres o cuatro medidas que sí exijan contexto de filtro (variación contra el año anterior, acumulado del año, participación sobre el total). Explica en el README por qué cada relación va donde va. Ese documento vale más que veinte medidas sueltas. El curso de Power BI con DAX es donde esto se practica en serio.
Proyecto 3: la auditoría de calidad que nadie quiere hacer
Este es el proyecto que menos se ve en los portafolios y el que más se parece a tu trabajo del día uno. Agarra un dataset sucio de verdad (datos abiertos de tu municipalidad sirven) y construye un chequeo automático que corra antes de cualquier análisis:
- ▸Nulos y duplicados por columna, con el umbral que tú definiste y por qué
- ▸Rangos imposibles: fechas futuras, montos negativos donde no deberían existir
- ▸Categorías que son la misma escrita de cuatro formas ("LIMA", "Lima", "lima ", "Lma")
- ▸Un reporte corto que diga, en español, qué encontró y qué filas se descartaron
Usar un modelo para escribir esas reglas de validación te ahorra una tarde. Lo que no te ahorra es decidir el umbral: si descartas el 8% de las filas, alguien va a preguntar por qué, y la respuesta tiene que estar escrita.
Proyecto 4: tu propia base de conocimiento
El cuarto proyecto es el que casi nadie tiene y el que más conversación genera en una entrevista: montar un espacio de trabajo con contexto propio. Diccionario de datos, reglas de negocio, convenciones de nombres, los tres queries que siempre repites. Con Projects de Claude o con un servidor MCP conectado a tu base, dejas de pegar el mismo contexto en cada conversación y el modelo empieza a responder con tus definiciones, no con las genéricas.
Es también el proyecto más fácil de falsear, así que haz que se note el uso: graba dos minutos haciéndole una pregunta de negocio y mostrando cómo responde con la definición correcta de "cliente activo" porque tú se la diste.
Cómo presentarlo para que alguien lo abra
Un repositorio por proyecto, README con el problema en las primeras tres líneas, y un enlace al tablero publicado. Nada de carpetas llamadas "final_v3_ok". Si nunca ordenaste un repositorio de datos, Fundamentos de Git en Cloud son 2 horas que se notan de inmediato en cómo se ve tu perfil de GitHub.
Regla práctica: si no puedes explicar el proyecto en 90 segundos sin abrir el archivo, el proyecto todavía no está listo.
Sobre el orden: empieza por el 2 y el 3. Son los que más se parecen a lo que harás en el trabajo y los que menos gente tiene. El 1 y el 4 son los que mejor conversan en la entrevista.
Por dónde seguir
La Especialización en Analítica de Datos con IA te deja los cuatro proyectos construidos y con certificado: sesión por sesión vas del SQL conversacional al modelo con DAX, la limpieza automática y la arquitectura de conocimiento con Claude Projects y MCP. Si lo que buscas es la ruta completa hacia el puesto, con Excel, SQL, Python y Power BI en orden, está el Bootcamp Data Analyst.
Y si prefieres construirlos acompañado, cada semana hacemos un taller en vivo en la Comunidad AI Builders con gente que está armando su portafolio en este mismo momento.


