La semana pasada me invitaron a hablar con estudiantes de bachillerato que presentaron trabajos muy interesantes al final de un curso de análisis de datos en sus institutos.
Es una charla que llevo haciendo algunos años y que siempre me gusta: básicamente para contarles que tengo un trabajo bastante guay y que ayudo a otras personas a hacerlo todavía mejor.
Este año, eso sí, me habría gustado presentarme con una calavera en la mano diciendo la clásica duda de Hamlet versionada: “ser o no ser… un data analyst?”. Porque aunque las ofertas no paran de crecer y los sueldos siguen subiendo, el fantasma de Yorick aparece con la misma frecuencia con la que alguien en LinkedIn descubre “la IA definitiva que lo va a cambiar todo”.
Sale de cualquier rincón, riéndose de mis intentos de tranquilizar a la gente diciendo que la IA todavía está lejos de dejarnos en paro.
Opus, Grok, Anthropic y compañía tienen nombres tan épicos que parece que estamos en El Señor de los Anillos, con los generales de Mordor preparando su siguiente ataque. Y si el copyright no fuera un problema, seguro que a más de uno le encantaría llamar “Saruman” a un LLM.
Así que cada vez que sale un modelo nuevo de IA, pasa lo mismo: un montón de gente empieza a venderlo como si fuera magia pura. Alguien enseña una captura de ChatGPT haciendo una query SQL, montando un dashboard en segundos o analizando un Excel enorme, y automáticamente llega el veredicto: “el Data Analyst ha muerto” (cambia el rol por el que quieras, la frase siempre funciona igual).
Porque claro, si una IA puede escribir código, hacer gráficos y explicar resultados… ¿para qué seguir contratando analistas?
Denethor, por lo visto, no nos enseñó mucho.
La respuesta corta es sencilla: el Data Analyst no desaparece. Está cambiando.
El problema no es conseguir datos. Es entender qué significan.
Antes, los datos se sacaban de archivadores enormes y se pasaban a Lotus 1-2-3. Recuerdo oficinas abiertas llenas de gente con corbata revisando papeles, tecleando sin parar en teclados prácticamente indestructibles y enviando archivos por LPT a impresoras matriciales (sí) que sonaban como pequeñas cosechadoras, marcando hojas interminables a rayas grises y blancas. Los más entusiastas las colgaban en la pared y rodeaban con un círculo aquí y allá los datos que consideraban importantes.
Hoy las organizaciones están saturadas de información procedente de ERP, CRM, sistemas de e-commerce, aplicaciones en la nube, sensores IoT, plataformas de marketing y redes sociales. La inteligencia artificial ha vuelto trivial la creación de informes, dashboards y análisis.
Pero tener más datos no significa automáticamente tomar mejores decisiones ni, en última instancia, ganar dinero. De hecho, muchas empresas se encuentran en una situación paradójica: tienen más información que nunca y, a menudo, menos claridad que antes. Confían en el ruido e ignoran las señales correctas; al final, pierden dinero.
Aquí es donde entra en juego el Data Analyst.
Su valor no consiste en construir un gráfico de tarta ni en escribir una query. El verdadero valor está en formular las preguntas correctas, comprender el contexto y transformar números aparentemente desconectados en indicaciones útiles; nada que el buen viejo Sócrates no hubiera ya teorizado hace 2.500 años.
La IA está eliminando el trabajo repetitivo
Si miramos con honestidad lo que está ocurriendo hoy, está claro que la inteligencia artificial ya está sustituyendo muchas actividades tradicionales de los analistas. Son tareas que hasta hace pocos años ocupaban una parte importante de la jornada laboral, pero esto no es necesariamente una mala noticia.
Pensemos en lo que está ocurriendo con los desarrolladores. Cuando llegaron frameworks cada vez más avanzados, generadores de código, librerías open source y plataformas cloud, algunos predijeron el fin de la programación. Sin embargo, la productividad aumentó y el nivel de competencias requeridas también subió: hoy un desarrollador escribe mucho menos código de infraestructura (casi nada) y dedica más tiempo al diseño, la arquitectura y la resolución de problemas.
El Data Analyst del futuro será más cercano a un consultor que a un técnico
El perfil que muchas empresas buscan hoy no es el del operador que genera informes; esa parte será cada vez más delegada a herramientas inteligentes. Hoy se necesitan personas capaces de conectar los datos con las decisiones. Esto implica comprender procesos empresariales, modelos organizativos, indicadores de rendimiento y objetivos estratégicos. El Data Analyst moderno se convierte en una figura de frontera entre tecnología y negocio.
Las bases de la inteligencia artificial nos vienen dictadas por la torre de control. SQL, Power BI, Tableau, Snowflake y Knime son herramientas que nos ayudan a mantenernos en vuelo, pero aterrizar es otra historia: ser capaz de hablar con managers, responsables de área y stakeholders para entender qué está pasando y hacia dónde ir te convierte en el piloto. Por eso las habilidades transversales están volviéndose tan importantes como las técnicas, con perdón de las primeras “diosas” de la tecnología.
La IA no entiende el contexto empresarial
Uno de los equívocos más comunes es pensar que un modelo de lenguaje puede sustituir completamente a un profesional. En realidad, hoy es ampliamente aceptado que los modelos generativos destacan en reconocer patrones estadísticos y producir contenido coherente, pero no conocen el contexto en el que operan.
Si un sistema de IA detecta que las ventas han caído un 15%, puede describir el fenómeno e incluso sugerir posibles explicaciones, siempre con sus correspondientes advertencias. Lo que no puede hacer es saber si esa evolución era esperada, si hay errores en los datos de origen o si la empresa ha cambiado deliberadamente su estrategia comercial. La diferencia entre información y comprensión sigue siendo enorme, y es precisamente en ese espacio donde trabaja el analista.
¿Todavía merece la pena invertir en esta carrera?
Si hoy tuviera veinte años y tuviera que elegir un camino profesional en el sector tecnológico, seguiría considerando el Data Analyst una de las opciones más interesantes. No porque el trabajo vaya a ser igual que hoy, sino porque el mundo produce y producirá cada vez más datos.
Cada aplicación, cada proceso empresarial y cada sistema inteligente genera información que debe ser comprendida, controlada y transformada en decisiones. La demanda de profesionales capaces de hacer esto difícilmente disminuirá.
Lo que sí cambiará, incluso mientras escribo esto, son las herramientas.
Un Data Analyst que ignore la inteligencia artificial se volverá rápidamente obsoleto. Quien la utilice como palanca de productividad puede alcanzar niveles de eficacia impensables hace pocos años.
Qué estudiar hoy para tener ventaja mañana
Mientras me hacía todas estas “mapas mentales”, ya estaba bastante tranquilo, convencido de poder dar un buen discurso inspiracional.
Así que empecé diciendo:
“La buena noticia es que entrar en el mundo del análisis de datos todavía es posible sin tener que empezar necesariamente con un doctorado en matemáticas. La mala noticia es que no basta con hacer prompts y meter todo en Excel para comentar con detalle el heatmap del PSG en LinkedIn.”
Al principio los vi algo descolocados, quizá esperaban algo más impactante tipo “sed hambrientos, sed tontos”, que en español además suena un poco raro.
Luego se espabilaron y acabaron sentados, metafóricamente, en el suelo conmigo.
Las bases siguen siendo las mismas: SQL, estadística básica, modelado de datos, Excel avanzado —sí, lo he dicho— y una herramienta de visualización como Power BI o Tableau.
SQL y estadística siguen siendo mi dúo favorito. SQL porque te enseña a pensar de forma ordenada: relaciones, filtros, agregaciones, joins, granularidad. La estadística porque te recuerda que los números nunca hablan por sí solos, incluso cuando parecen obvios. Mostrar una covarianza todavía me hace sentir durante unos segundos como el Doctor Manhattan, aunque admito que hoy es menos espectacular que pedirle a un modelo generativo que te explique un dataset en lenguaje natural.
Pero el punto es justo ese: la IA no elimina la necesidad de entender SQL y estadística. La vuelve imprescindible.
Porque si no sabes leer una query, no puedes saber si la IA la ha escrito bien. Si no tienes base estadística, puedes confundir ruido con insight. Si no conoces el dominio, puedes producir un dashboard precioso y completamente inútil.
“Workslop” es la palabra del año y probablemente lo será durante bastante tiempo.
A partir de ahí se abren distintos escenarios:
Hay un camino más orientado a negocio, para quienes quieren trabajar cerca del management: SQL, Power BI, KPIs, storytelling, procesos empresariales y la capacidad de convertir preguntas confusas en análisis útiles.
Hay un enfoque más técnico, para quienes quieren acercarse al data engineering: Python, pipelines ETL, bases de datos cloud, data warehouses, APIs, calidad del dato. Aquí el Data Analyst se convierte casi en un puente entre quienes consumen los datos y quienes construyen la infraestructura.
Existe el enfoque AI-augmented, probablemente el más interesante hoy: usar herramientas generativas para explorar datasets, generar hipótesis, documentar análisis, automatizar reportes, consultar datos en lenguaje natural y construir pequeños workflows con notebooks, agentes y sistemas RAG.
Y luego está el eje horizontal: el dominio. Sanidad, finanzas, retail, fabricación, administración pública, educación, energía. Saber “hacer análisis” es importante, pero saber qué estás analizando lo es aún más. Un Data Analyst que conoce de verdad el sector en el que trabaja vale mucho más que uno que solo sigue la última herramienta.
Hay que saber si lo que se produce tiene sentido, siguiendo siempre a Sócrates, que si naciera hoy seguramente sería data analyst. El objetivo es llegar a definiciones racionales, estables y válidas para todos: las percepciones solo pertenecen al presente…
