Competencias para un CV de datos

Un CV de datos se lee en dos tiempos: primero las herramientas (SQL, Python, la solución de BI o el cloud del equipo), después lo que sacaste de ellas. Un análisis vale por la decisión que ayudó a tomar: eso es lo que quien selecciona busca en tu experiencia.

Elige el enfoque según el puesto: un data analyst destaca la BI y la presentación de resultados, un data engineer los pipelines y la calidad del dato, un data scientist el modelado y la puesta en producción. Escribe cada herramienta tal como la escriben las ofertas, para que la persona que selecciona y el software de selección hagan la conexión.

Competencias técnicas

Lenguajes y tratamiento de datos

• SQL La competencia común a todos los perfiles de datos: joins, agregaciones, funciones de ventana.
• Python El lenguaje del análisis y del machine learning: indica las librerías que usaste.
• Pandas La librería de referencia para preparar y explorar datos en Python.
• NumPy El cálculo numérico en Python, citado a menudo junto a Pandas.
• R Sigue muy presente en estadística, investigación y el sector sanitario.
• Excel Todavía se pide a los data analysts: tablas dinámicas, Power Query.

Visualización y BI

• Power BI Herramienta de BI muy presente en las ofertas: nombra los cuadros de mando que entregaste.
• Tableau Frecuente en grandes grupos: indica quién usaba tus cuadros de mando.
• Looker Habitual en empresas que trabajan con Google Cloud, a menudo con BigQuery.
• Visualización de datos Elegir el gráfico adecuado para cada mensaje: demuéstralo con un informe usado en comité.
• Google Analytics Para puestos de analítica web y marketing: GA4 es la versión actual.

Ingeniería de datos

• ETL Extraer, transformar, cargar: describe el flujo, su volumen y su frecuencia.
• Airflow Orquestador de pipelines muy extendido.
• dbt Transformaciones SQL versionadas y probadas: el centro del trabajo de un analytics engineer.
• Spark El procesamiento de grandes volúmenes; PySpark es su forma en Python.
• Kafka Flujos de datos en tiempo real: indica el caso de uso.
• Snowflake Data warehouse en la nube muy extendido.
• BigQuery El data warehouse de Google Cloud.
• Modelado de datos Esquema en estrella, tablas de hechos y dimensiones: lo que hace que todos puedan usar los datos.

Estadística y machine learning

• Estadística Contrastes de hipótesis, regresión, intervalos de confianza: la base que separa el análisis de la simple descripción.
• Machine learning Di qué problema resolvía el modelo y cómo lo evaluaste.
• scikit-learn La librería de machine learning clásico en Python.
• Deep learning Resérvalo para proyectos reales con redes neuronales, con TensorFlow o PyTorch.
• PyTorch Framework de deep learning muy usado en investigación y en empresa.
• NLP El procesamiento del lenguaje natural: clasificación de textos, extracción de información.
• A/B testing Diseñar e interpretar un experimento controlado: muy valorado en producto y marketing.

Cloud, herramientas y marco legal

• Git Versionar tus consultas y notebooks: una señal de madurez en un perfil de datos.
• Docker Útil en cuanto un modelo o un pipeline pasa a producción.
• AWS Nombra los servicios (S3, Redshift, Glue) en tu experiencia.
• Azure Frecuente con Power BI y el ecosistema Microsoft (Data Factory, Fabric).
• Calidad del dato Controles, pruebas, documentación: la competencia que evita malas decisiones.
• RGPD y LOPDGDD Saber qué se puede hacer con datos personales: se espera en cuanto manejas datos de clientes.

Competencias transversales

Las habilidades blandas se demuestran con hechos: cada una, abajo, con la forma de mostrarla.

• Capacidad analítica Partir de una pregunta de negocio y traducirla en consultas e indicadores.
• Divulgación Explicar un resultado a un comité sin jerga: a menudo marca la diferencia en la entrevista.
• Rigor Comprobar tus cifras antes de presentarlas: cuenta un error de datos que detectaste.
• Visión de negocio Entender la facturación, el margen o el recorrido del cliente detrás de los datos.
• Pensamiento crítico Dudar de una correlación, de una muestra, de una fuente: el reflejo que protege las decisiones.
• Comunicación con negocio Recoger una necesidad difusa y convertirla en un cuadro de mando que se usa.
• Curiosidad Nuevas herramientas, nuevos métodos: un campo que cambia rápido.

Añadir estas competencias a mi CV

Haz clic en las que tienes de verdad: se suman al CV que el creador de CV guarda en este navegador, sin IA ni envío. Si no tienes CV, el primer clic lo crea.

Certificaciones y titulaciones reconocidas

En la sección Formación o Certificaciones de tu CV, con el año, solo si las tienes.

• Microsoft Certified: Power BI Data Analyst Associate Certificación de Microsoft sobre Power BI (examen PL-300).
• Microsoft Certified: Fabric Analytics Engineer Associate Certificación de Microsoft sobre su plataforma de datos Fabric.
• Google Cloud Professional Data Engineer Certificación de Google Cloud sobre el diseño de sistemas de datos.
• AWS Certified Data Engineer – Associate Certificación de Amazon Web Services sobre pipelines de datos.
• Databricks Certified Data Engineer Associate Certificación de Databricks sobre Spark y su plataforma.
• SnowPro Core Certification La certificación básica de Snowflake.

Dónde ponerlas en el CV

Mantén una sección Competencias agrupada (lenguajes, BI, ingeniería, estadística) y retoma cada herramienta en la experiencia donde la usaste: «Cuadro de mando de ventas en Power BI, alimentado por modelos dbt sobre Snowflake, consultado cada semana por…».

Para un data scientist, un proyecto bien descrito vale más que una lista de algoritmos: el problema, los datos, el modelo, cómo mediste su calidad y qué cambió. Para un primer empleo, tus proyectos de formación cumplen ese papel (consulta la guía CV sin experiencia).

Adapta la parte superior del CV a cada oferta: un puesto de data analyst y uno de data engineer no buscan las mismas palabras. La guía para adaptar tu CV a una oferta detalla el método, y el comparador CV / oferta muestra lo que falta.

Ejemplos de viñetas para tus experiencias

Ejemplos ficticios, escritos con la fórmula XYZ: sustitúyelos por tus propios resultados, sin inventarte nunca la medida.

• Antes Creación de cuadros de mando.

  Después Sustituí doce Excel semanales por un cuadro de mando de ventas en Power BI, consultado por los veinte responsables de oficina, y liberé media jornada de reporting a la semana.

• Antes Mantenimiento de los pipelines de datos.

  Después Pasé la actualización de los datos de ventas de D+1 a menos de una hora migrando los procesos nocturnos a Airflow y dbt.

• Antes Modelo de predicción de bajas (churn).

  Después Centré la campaña de retención en los clientes con más riesgo gracias a un modelo de scikit-learn, con una subida de la tasa de renovación medida con un A/B testing.

• Antes Análisis puntuales para marketing.

  Después Demostré que la mitad del presupuesto de captación iba a un canal poco rentable, cruzando en SQL datos de campañas y de pedidos, y conseguí que se reasignara.

Errores frecuentes

• Enumerar algoritmos sin proyecto. «Random forest, XGBoost, redes neuronales» no dice lo que sabes hacer. Un proyecto descrito con su resultado, sí.
• Olvidar el efecto del análisis. Un análisis se juzga por la decisión que permitió: di quién lo usó y qué cambió.
• El mismo CV para analyst, engineer y scientist. Los tres perfiles no se contratan por las mismas herramientas: sube las del puesto al que optas.
• Cifras confidenciales o inventadas. Da órdenes de magnitud o variaciones relativas si los importes son confidenciales, pero nunca una medida que no podrías justificar.
• Descuidar la comunicación. Las ofertas de datos piden a menudo saber presentar resultados: muestra una presentación, un comité, una documentación.

Preguntas frecuentes