El perfil de Data Analyst que piden las empresas en 2026 no es el mismo de 2020. Excel ya no es suficiente. Tableau tampoco. El rol evolucionó y el gap entre lo que enseñan muchos cursos y lo que piden las empresas creció.
Este roadmap está basado en ofertas laborales reales en LATAM y conversaciones con hiring managers. No en lo que suena bien en LinkedIn.
Qué hace un Data Analyst hoy (y qué ya no hace)
Un Data Analyst responde preguntas de negocio con datos. ¿Por qué cayeron las ventas en marzo? ¿Qué segmento de clientes tiene mejor retención? ¿Cuál canal de adquisición es más eficiente?
Para responder bien esas preguntas, necesita extraer datos (SQL), limpiarlos (Python o SQL), analizarlos, y comunicar los resultados (visualización + narración). En 2026, también se espera que sepa usar herramientas de IA para acelerar el análisis.
Lo que ya no define al rol: ser el experto en Excel de la oficina. Ese perfil todavía existe pero no es Data Analyst — es Business Analyst o simplemente alguien que sabe Excel.
El roadmap ordenado por etapas
Etapa 1: La base (2-3 meses)
SQL es lo primero. No SQL básico de SELECT * — SQL que resuelve preguntas reales: JOINs múltiples, window functions, CTEs, subqueries correlacionadas. Plataformas para practicar: Mode Analytics, DataLemur, LeetCode SQL.
Estadística descriptiva básica: media, mediana, desviación estándar, percentiles, correlación. No necesitas un doctorado — sí necesitas saber interpretar un histograma y no confundir correlación con causalidad.
Etapa 2: Visualización y comunicación (1-2 meses)
Power BI o Tableau, elige uno. En el mercado latinoamericano, Power BI tiene más demanda por su integración con el ecosistema Microsoft que usan la mayoría de las empresas. Tableau es preferido en empresas más tech. DataPath tiene el curso de Certificación Power BI (PL-300) para ir directo a la certificación.
El error que cometen todos: aprender a hacer dashboards bonitos antes de aprender a contar historias con datos. La visualización es el medio. El insight es el mensaje. Aprende storytelling con datos desde el principio.
Etapa 3: Python para análisis (2-3 meses)
Python no reemplaza SQL para extraer datos, pero es insustituible para limpiarlos, transformarlos y analizarlos a escala. El curso de Análisis de Datos con Python y el curso de Analítica de Datos con IA cubren exactamente esto, con proyectos reales desde el primer día.
No necesitas machine learning en esta etapa. Enfócate en ser muy bueno limpiando datos y transformando datasets complejos. Eso es lo que más se usa en el día a día.
Etapa 4: Nube y herramientas modernas (2-3 meses)
BigQuery (GCP) o Redshift (AWS) o Synapse (Azure) — aprende a trabajar con un data warehouse en la nube. La mayoría de empresas medianas y grandes ya migraron sus datos ahí.
dbt básico: si los Data Engineers de tu equipo usan dbt, saber leer y escribir modelos es una ventaja grande. No necesitas dominar dbt — sí entenderlo.
Etapa 5: IA para análisis (ongoing)
Usar LLMs para acelerar el análisis: generar SQL desde lenguaje natural, resumir reportes, categorizar texto. El curso de Análisis de Datos y Dashboards Inteligentes con IA cubre exactamente esta integración con proyectos listos para el portfolio.
En 2026, los analistas que saben qué pedirle a la IA y cómo verificar sus outputs son significativamente más productivos que los que no.
Qué NO aprender primero (aunque suene importante)
Machine learning. Es tentador, especialmente si ves mucho contenido sobre "Data Science" que mezcla roles. Aprende análisis descriptivo e inferencial primero. ML es un nivel siguiente que se construye sobre una base analítica sólida.
Spark / big data. Si no tienes datasets de millones de filas, no necesitas Spark ahora. Es una herramienta para escala específica. El 90% de los proyectos de analytics no la requieren.
Portfolio y primer trabajo
Un portfolio de 3 proyectos reales vale más que 10 certificados. Qué debería tener cada proyecto: un dataset real (Kaggle, datos públicos, una API), una pregunta de negocio concreta, análisis con código documentado, y una conclusión que alguien no técnico pueda leer.
GitHub + un README bien escrito + un post en LinkedIn explicando qué encontraste es la mejor estrategia de visibilidad para conseguir el primer trabajo o cambiar de rol.
En DataPath tenemos el Bootcamp Data Analyst con proyectos reales y acompañamiento de instructores que están en la industria. También el Curso Data Analyst con SQL y Python y la Especialización en Analítica de Datos con IA. Explora la ruta completa de Data Analyst para ver el camino ordenado.