CV de analista de datos: SQL, Python y proyectos con impacto demostrable

Los puestos de analista de datos atraen un volumen enorme de candidaturas y casi todas se parecen: una lista de herramientas, un certificado de bootcamp y un dashboard sobre un conjunto de datos público. Lo que mete un CV en la lista corta no son más herramientas, sino la prueba de que tu análisis cambió una decisión.

Estructura

1. Encabezado: nombre, ciudad, contacto y enlaces a GitHub, portafolio o un dashboard publicado.
2. Perfil: 3–4 líneas sobre tu dominio, tu stack principal y la decisión más valiosa que influyó tu trabajo.
3. Competencias técnicas: agrupadas — lenguajes, bases de datos, herramientas BI, estadística y métodos.
4. Experiencia: empresa, cargo, fechas, volumen de datos y 3–5 viñetas de impacto.
5. Proyectos: dos o tres, solo si aportan lo que tus empleos no muestran.
6. Formación y certificaciones.

Perfil de ejemplo

Analista de datos con 4 años en e-commerce de retail, trabajando a diario en SQL y Python sobre un almacén con más de 40 millones de líneas de pedido. Construyó el reporting de abandono que redistribuyó un presupuesto de retención de seis cifras y automatizó un paquete de informes que ahorra dos días al mes al equipo comercial.

Escribe impacto, no herramientas

• Modelo de retención por cohortes en SQL y Python que detectó una caída del 19 % en la retención del segundo mes tras un cambio de precios, lo que llevó a revertirlo.
• Sustitución de 14 informes manuales de Excel por un único modelo en Power BI, reduciendo el tiempo de reporting de dos días a 20 minutos.
• Diseño de un test A/B del proceso de pago con 60.000 sesiones por rama y definición de la regla de parada con el equipo de producto.
• Reconstrucción del modelo de datos de ingresos en dbt, reduciendo las diferencias entre finanzas y producto por debajo del 1 %.
• Automatización de controles de calidad que detectaron un despliegue de tracking roto en horas en lugar de semanas.

El bloque técnico

• Lenguajes: SQL (funciones de ventana, CTE), Python (pandas, NumPy), R solo si lo usas de verdad.
• Bases de datos y almacenes: PostgreSQL, MySQL, BigQuery, Snowflake, Redshift.
• BI y visualización: Power BI, Tableau, Looker, Metabase, Excel avanzado.
• Pipelines y versionado: dbt, Airflow, Git — grandes diferenciadores.
• Métodos: test A/B, regresión, análisis de cohortes y embudos, previsión, significancia estadística.

Lista solo aquello sobre lo que puedan preguntarte. Una profundidad fingida en SQL se descubre en la primera entrevista técnica, normalmente con una pregunta sobre joins.

¿Aún sin experiencia profesional?

1. Dos o tres proyectos con datos reales y sucios, no un conjunto de tutorial ya limpio.
2. Empieza por la pregunta: ¿qué decisión apoyaría este análisis?
3. Muestra tu SQL y tu razonamiento, no solo el gráfico final.
4. Publica el código y enlázalo. Un repositorio accesible vale más que un certificado.
5. Cuenta como experiencia el trabajo analítico de tu empleo anterior — informes, precios, análisis de operaciones.

Nadie contrata a un analista por la consulta, sino por la decisión que esa consulta hizo posible.