Un analista de datos convierte preguntas de negocio en respuestas defendibles. No hace informes: decide qué hay que medir, comprueba que el dato es fiable, lo cruza y explica qué implica. Los informes son el subproducto, y la parte que menos tiempo debería llevarle.
Te cuento en qué se le va el día de verdad, qué herramientas usa y cómo saber si el tuyo está haciendo el trabajo o solo exportando tablas.
Qué es Data Analytics
Data Analytics es el proceso de examinar datos para encontrar patrones y sacar conclusiones que sirvan para decidir. La palabra clave es decidir: si el análisis no cambia ninguna decisión, no era análisis, era decoración.
Se distingue de la ciencia de datos en el horizonte: analytics explica lo que ha pasado y por qué; data science estima lo que va a pasar. El analista trabaja con hechos; el científico de datos, con probabilidades.
En qué se le va el día
La imagen de alguien mirando dashboards todo el día es bastante falsa. El reparto real se parece más a esto:
Traducir la pregunta (10% del tiempo, 50% del valor)
«Necesito un informe de la campaña» no es una pregunta. Puede significar cuánto hemos gastado, si ha traído clientes buenos, o si repetimos el mes que viene. Cada una lleva a un análisis distinto.
El trabajo aquí es preguntar qué decisión hay detrás. Un analista que no pregunta eso entrega informes que nadie usa.
Comprobar que el dato es fiable (30%)
Antes de analizar nada hay que saber si los números son de fiar. Si el evento de compra se dispara dos veces, todo lo que venga detrás está mal.
Es la parte invisible y la que separa a un analista de alguien que exporta datos. Va desde revisar la implementación hasta hacer una auditoría completa de GA4 cuando hereda una propiedad.
Preparar y cruzar (40%)
La respuesta casi nunca está en una sola herramienta. Está en cruzar GA4 con el CRM, o con el coste de las campañas, o con las devoluciones. Limpiar, unificar criterios y juntar es donde se va el grueso del tiempo.
Analizar y contar (20%)
Lo que todo el mundo imagina que es el trabajo entero. Encontrar el patrón y, sobre todo, contarlo de forma que alguien pueda actuar. Un hallazgo que no se entiende no existe.
Las herramientas, por capas
No hace falta dominarlas todas, pero sí saber para qué sirve cada capa.
- Recogida: Google Tag Manager para definir qué se mide y cuándo. Sin esto, analizas lo que otro decidió medir.
- Almacenamiento: GA4 para el día a día, BigQuery cuando necesitas el dato en bruto o cruzarlo con otras fuentes.
- Consulta: SQL. Es la herramienta con mejor relación entre lo que cuesta aprenderla y lo que te da.
- Visualización: Data Studio (antes Looker Studio) para informes recurrentes; una hoja de cálculo para explorar rápido.
- Comunicación: la más importante y la que nadie pone en el currículum.
Si empiezas y tienes que elegir una sola, es SQL. Te independiza de lo que la interfaz de turno te deje hacer.
Un día real: el caso de las conversiones que bajan
Problema: marketing avisa de que las conversiones han caído un 30% en dos semanas y quiere saber qué campaña ha fallado.
Lo que hace un mal analista: abrir GA4, filtrar por campaña, exportar una tabla y mandarla. Tiempo: 20 minutos. Valor: cero, porque la pregunta era otra.
Lo que hace un buen analista: primero comprueba si la caída es real. Mira si el evento de conversión se sigue disparando, si hubo un despliegue en la web, si cambió el banner de cookies. Encuentra que hace 15 días se actualizó el gestor de consentimiento y ahora un tramo de usuarios no se mide.
Resultado: las conversiones no han caído, la medición se ha roto. La acción no es tocar campañas, es arreglar el consentimiento. Ese tipo de desajuste es también el origen de la mitad de las discrepancias entre GA4 y Google Ads.
La diferencia entre las dos versiones no es técnica. Es la costumbre de dudar del dato antes de explicarlo.
Cómo saber si tu analista está aportando
Tres señales de que sí:
- Te devuelve la pregunta. Antes de ponerse, quiere saber qué vas a decidir con la respuesta.
- Te dice cuándo el dato no es fiable. Un análisis con advertencias vale más que uno con falsa seguridad.
- Sus informes se reducen con el tiempo. Empiezan con 30 métricas y acaban con 6, las que se miran.
Y dos de que no: hace exactamente lo que le pides sin preguntar nunca por qué, y sus dashboards solo crecen.
Preguntas frecuentes
¿Qué formación necesita un analista de datos?
No hay una carrera obligatoria: vienen de marketing, de estadística, de ingeniería y de economía. Lo que sí se repite es la base de estadística descriptiva, SQL y entender el negocio. Lo último no se estudia, se coge trabajando.
¿Analista de datos y analista digital son lo mismo?
El analista digital es un analista de datos especializado en el canal online: web, campañas, aplicaciones. Domina GA4 y GTM, que un analista de datos generalista no tiene por qué tocar.
¿Cuándo necesito contratar uno?
Cuando las decisiones que tomas con datos empiezan a tener consecuencias caras, o cuando nadie sabe ya si los números que se reportan son ciertos. Antes de eso, con un buen plan de medición y alguien que lo mantenga suele bastar.
¿Lo va a sustituir la IA?
La IA ya escribe consultas y resume tablas muy bien. Lo que no hace es decidir qué pregunta merece la pena ni dudar del dato, que es donde está el trabajo. Lo razonable es esperar analistas más rápidos, no menos analistas.
Conclusión
Un analista de datos no es quien hace los informes: es quien decide qué merece la pena medir, comprueba que el dato aguanta y traduce el resultado en algo accionable. La mayor parte de su tiempo se va en preparar y verificar, no en analizar.
Si solo te llegan tablas y nunca preguntas incómodas sobre la calidad del dato, probablemente tengas a alguien exportando, no analizando.
¿Te llegan tablas cada mes pero nunca una pregunta incómoda sobre la calidad del dato? Escríbeme y lo vemos juntos.
