SQL primero. Si solo vas a leer una línea de este post, esa es: para entrar como Data Analyst conviene aprender SQL antes que Python, y la razón no es que SQL sea mejor, sino que es lo que vas a usar el 80% del tiempo en tu primer trabajo y lo que te van a tomar en la prueba técnica.
Ahora, la pregunta tiene trampa, porque mucha gente la hace creyendo que elige entre dos caminos. No son caminos distintos: son dos herramientas del mismo oficio, y lo que cambia es en qué orden te conviene aprenderlas para empezar a ser útil rápido.
Por qué SQL va primero
Tres motivos, en orden de peso. El primero: los datos de la empresa están en una base de datos o en un almacén como BigQuery, y la llave para sacarlos es SQL. Nadie te va a exportar un CSV cada mañana para que lo abras en Python.
El segundo: la prueba técnica de casi cualquier vacante junior de análisis es SQL. JOINs, agregaciones, subconsultas y, si el puesto es un poco más serio, funciones de ventana. Python aparece después, y en varias vacantes ni siquiera aparece.
El tercero, el que menos se dice: SQL se aprende rápido. En un par de semanas de práctica diaria ya resuelves preguntas de negocio reales. Python te da más poder, pero tarda más en volverse útil porque antes tienes que pelear con el entorno, los tipos de datos y la lógica de programación.
No es un orden inventado. El curso de Data Analyst con SQL y Python está armado exactamente así: Excel y fundamentos de análisis al inicio, luego modelado de datos y seis sesiones de SQL —incluyendo BigQuery, filtros, funciones intermedias y window functions— y recién en las últimas tres entra Python con Pandas, la limpieza de DataFrames y la visualización con Matplotlib y Seaborn.
Cuánto SQL necesitas antes de pasar a Python
No necesitas dominarlo todo. La señal de que ya puedes avanzar es esta: cuando puedes responder una pregunta de negocio ambigua —"¿qué pasó con las ventas del canal digital el mes pasado?"— escribiendo la consulta sin buscar la sintaxis de un JOIN ni de un GROUP BY, estás listo.
- ▸SELECT, WHERE, GROUP BY y los cuatro tipos de JOIN, con soltura.
- ▸Subconsultas y CTEs para partir un problema grande en pedazos legibles.
- ▸Funciones de ventana: ROW_NUMBER, RANK, LAG y LEAD. Son las que separan un junior de alguien que ya resuelve solo.
- ▸Manejo de fechas y nulos, que es donde se rompen la mitad de los reportes.
Si quieres una lista concreta para practicar, armamos antes 7 consultas SQL que todo analista debería saber escribir. Y si estás empezando de cero, SQL Esencial es el punto de partida.
Para qué sirve Python cuando ya sabes SQL
Python entra donde SQL se queda corto: limpiar datos sucios que vienen de archivos, automatizar el reporte que haces a mano cada lunes, conectar una API, hacer análisis estadístico y armar visualizaciones que no salen de una herramienta de BI. Con Pandas, lo que en Excel eran cuarenta clics se vuelve un script de quince líneas que corre solo.
Un caveat honesto: no hace falta aprender Python "completo". Un analista no necesita programación orientada a objetos ni estructuras de datos de entrevista de software. Necesita Pandas, un poco de control de flujo, leer y escribir archivos, y graficar. Eso es un mes, no un año. Si quieres ese recorte exacto, está en Python para todos y, con enfoque analítico, en Análisis de Datos con Python.
La tercera pata que casi nadie menciona
Entre SQL y Python falta algo: saber contar lo que encontraste. En la práctica, el analista que crece no es el que escribe la consulta más elegante, sino el que llega a la reunión con un gráfico simple y una frase clara sobre qué hacer con eso. Por eso vale la pena tener una herramienta de visualización en el bolsillo, sea Power BI, Looker Studio o Seaborn.
La prueba de que ya eres analista no es dominar las dos herramientas: es que alguien tome una decisión distinta por algo que tú mostraste.
Por dónde empezar esta semana
Lo que te llevas del Curso Data Analyst con SQL y Python son 48 horas en 15 sesiones que recorren el flujo completo en el orden que de verdad se usa: del Excel y el modelado de datos a SQL y BigQuery, y de ahí a Pandas, limpieza y visualización, con proyectos y certificado. Es asincrónico, así que avanzas al ritmo que te deje la semana.
Si además quieres la foto completa del rol —qué hace, cuánto paga y qué más piden las ofertas en la región— mira la ruta Analista de Datos con IA y la página de Data Analyst. Empieza por SQL mañana mismo; Python te va a esperar.
