Cómo usar este documento

Este plan está organizado en 6 módulos + una etapa de preparación inicial, cada una con una estructura clara y repetible:

• Objetivos — lo que deberías dominar al terminar el módulo.
• Temario con checkboxes — marcá cada tema a medida que lo completes. Tu progreso se guarda automáticamente en el navegador.
• Proyecto de cierre Obligatorio — no avances al siguiente módulo sin completarlo.
• Videos recomendados Opcional — material en español para acompañar tu aprendizaje.
• Documentación oficial Lectura Opcional — las fuentes primarias de cada tecnología.

Los temas no tienen todos la misma complejidad. Excel y SQL se absorben relativamente rápido; Python con Pandas y las visualizaciones requieren más práctica y repetición.

¿Cómo trabaja un Data Analyst hoy?

Antes de arrancar, es importante que entiendas para qué estás aprendiendo cada herramienta. Este es el flujo real de trabajo:

Resumen General

Objetivo

Tener tu entorno de desarrollo completamente listo para que cuando empieces el Módulo 1, solo tengas que enfocarte en aprender.

Python 3.13+

• Descargar e instalar Python 3.13+ desde https://www.python.org/downloads/
• Marcar "Add Python to PATH" durante la instalación
• Verificar en terminal: python --version y pip --version

Visual Studio Code + Extensiones

• Descargar e instalar VS Code: https://code.visualstudio.com
• Python (Microsoft) — soporte completo para Python
• Jupyter (Microsoft) — ejecutar notebooks dentro de VS Code
• SQLTools + SQLTools PostgreSQL — ejecutar queries SQL desde VS Code
• Excel Viewer — visualizar archivos CSV y Excel
• Error Lens — muestra errores directamente en la línea de código

Jupyter Notebook

• Instalar Jupyter Notebook: pip install notebook
• Instalar JupyterLab: pip install jupyterlab
• Verificar que funciona: jupyter lab en terminal

PostgreSQL + pgAdmin

• Descargar e instalar PostgreSQL 16+ desde https://www.postgresql.org/download/
• Instalar pgAdmin 4 (viene incluido en el instalador de PostgreSQL)
• Crear una base de datos de prueba y verificar conexión

Power BI / Alternativa

• Windows: Descargar Power BI Desktop desde https://powerbi.microsoft.com/es-es/desktop/
• Mac/Linux: Usá Looker Studio (web, gratuito): https://lookerstudio.google.com

Git y GitHub

• Descargar e instalar Git: https://git-scm.com
• Crear cuenta en GitHub: https://github.com
• Configurar Git: git config --global user.name "Tu Nombre" y git config --global user.email "tu@email.com"

Carpeta de trabajo

• Crear carpeta data-analyst-2026/ con subcarpetas: datasets/, notebooks/, sql/, dashboards/
• Instalar librerías base: pip install pandas numpy matplotlib seaborn plotly openpyxl

Objetivos del Módulo

Entender estadística fundamental y dominar Excel/Google Sheets como herramienta de análisis. La estadística es el cimiento de todo lo que viene después — sin ella, los datos no significan nada.

Día 1-2: Estadística Descriptiva

• Tipos de datos: cualitativos (nominales, ordinales) vs cuantitativos (discretos, continuos)
• Medidas de tendencia central: media, mediana, moda
• Medidas de dispersión: rango, varianza, desviación estándar
• Distribución normal y distribuciones sesgadas
• Percentiles, cuartiles y boxplots
• Outliers: detección con IQR (rango intercuartílico)
• Correlación vs causalidad — que dos variables se muevan juntas NO significa que una cause la otra

Día 3-5: Excel/Google Sheets para Análisis

• Funciones esenciales: BUSCARV, SI, CONTAR.SI, SUMAR.SI, PROMEDIO.SI
• Funciones de texto: CONCATENAR, IZQUIERDA, DERECHA, LARGO
• Tablas dinámicas (Pivot Tables): crear, filtrar, agrupar
• Gráficos: barras, líneas, dispersión, histogramas, circular
• Formato condicional y reglas personalizadas
• Validación de datos y listas desplegables
• Importar datos: CSV, web scraping con IMPORTDATA (Google Sheets)
• Funciones de fecha: HOY, AÑO, MES, DIAS

Día 6-7: Proyecto de Cierre

Objetivos del Módulo

Dominar SQL como herramienta principal de extracción y análisis de datos. SQL es el idioma universal de los datos — si no sabés SQL, no sos data analyst.

Día 1-2: SQL Fundamentos

• SELECT, FROM, WHERE
• Operadores: =, <>, >, <, BETWEEN, IN, LIKE, NOT
• ORDER BY, LIMIT, OFFSET
• Funciones de agregación: COUNT, SUM, AVG, MIN, MAX
• GROUP BY y HAVING
• NULL: IS NULL, IS NOT NULL, COALESCE
• DISTINCT
• Alias: AS

Día 3-4: SQL Intermedio

• JOINs: INNER, LEFT, RIGHT, FULL OUTER
• Subqueries en WHERE y FROM
• CTEs: WITH ... AS — queries legibles y reutilizables
• CASE WHEN ... THEN ... ELSE ... END
• UNION, UNION ALL, INTERSECT, EXCEPT
• Funciones de fecha: EXTRACT, DATE_TRUNC, AGE, NOW()
• Funciones de texto: UPPER, LOWER, TRIM, SUBSTRING, CONCAT
• CAST y conversión de tipos

Día 5: SQL Avanzado para Análisis

• Window functions: ROW_NUMBER(), RANK(), DENSE_RANK()
• LAG(), LEAD() — comparar filas anteriores/siguientes
• SUM() OVER, AVG() OVER — acumulados y promedios móviles
• PARTITION BY
• CREATE VIEW para reportes recurrentes

Día 6-7: Proyecto de Cierre

Objetivos del Módulo

Aprender Python orientado al manejo de datos y dominar Jupyter Notebooks. No necesitás ser un experto en programación — necesitás saber lo suficiente para manipular datos con confianza.

Día 1-2: Python Crash Course

• Variables, tipos de datos, f-strings, operadores
• Listas, diccionarios, tuplas, sets
• Comprehensions: list comprehension, dict comprehension
• Funciones: def, *args, **kwargs, lambda
• Control de flujo: if/elif/else, for, while
• Manejo de archivos: open, read, write (CSV, JSON)
• Módulos: import, pip install, virtual environments (venv)
• Type hints básicos

Día 3: Jupyter Notebooks + NumPy

• Jupyter: celdas de código vs markdown, shortcuts (Shift+Enter, Tab)
• Markdown en Jupyter: títulos, listas, fórmulas LaTeX
• NumPy: crear arrays, operaciones vectorizadas
• Indexing, slicing, boolean indexing
• Funciones estadísticas: mean, std, median, percentile
• Broadcasting y reshape

Día 4-5: Pandas Fundamentos

• Series y DataFrames: crear desde diccionarios, listas, CSV
• Leer datos: read_csv, read_excel, read_json, read_sql
• Exploración: shape, dtypes, info(), describe(), head(), tail()
• Selección: loc, iloc, filtrado booleano
• value_counts(), unique(), nunique()
• Manejo de NaN: isna(), fillna(), dropna()
• Tipos de datos: astype(), to_datetime(), pd.Categorical
• Ordenar: sort_values(), sort_index()
• Rename columns, drop columns

Día 6-7: Proyecto de Cierre

Objetivos del Módulo

Dominar transformaciones avanzadas en Pandas y crear visualizaciones profesionales. Este módulo es donde pasás de "saber usar Pandas" a "pensar en datos".

Día 1-2: Pandas Avanzado

• GroupBy avanzado: agg(), transform(), apply()
• Merge: merge(), join() — left, right, inner, outer
• Concatenar: concat() — axis=0 vs axis=1
• Pivot tables: pivot_table() y crosstab()
• Manejo de fechas: to_datetime, dt accessor (.year, .month, .dayofweek)
• String methods: str accessor (.contains, .replace, .split, .strip)
• Datos categóricos: pd.Categorical, cat.codes
• Renombrar y reindexar
• Apply con funciones custom

Día 3-4: Visualización con Python

• Matplotlib: figure, axes, subplots
• Tipos de gráficos: bar, barh, line, scatter, hist, box, pie
• Personalización: títulos, labels, colores, leyendas, grid
• Seaborn: set_theme, histplot, boxplot, scatterplot, heatmap
• Seaborn avanzado: pairplot, catplot, FacetGrid
• Plotly: gráficos interactivos (px.bar, px.scatter, px.line)
• Plotly: hover info, animaciones, mapas
• Buenas prácticas: elegir el gráfico correcto según el tipo de dato, no mentir con datos

Día 5-7: Proyecto de Cierre — EDA Completo

Objetivos del Módulo

Crear dashboards interactivos profesionales y aprender a comunicar insights con datos. El dashboard NO es el entregable — el insight es el entregable.

Día 1-2: Power BI Fundamentos

• Windows: descargar Power BI Desktop (gratis). Mac/Linux: usar Looker Studio (https://lookerstudio.google.com) — gratuito y basado en web
• Interfaz: Report view, Data view, Model view
• Importar datos: CSV, Excel, PostgreSQL
• Power Query Editor: transformaciones ETL básicas
• Renombrar columnas, cambiar tipos, filtrar filas
• Modelo de datos: relaciones entre tablas (1:N, N:M)
• Tipos de visualizaciones: tabla, matriz, gráfico de barras, líneas, circular, mapa, KPI

Día 3-4: DAX y Dashboards

• DAX básico: SUM, AVERAGE, COUNT, COUNTROWS
• CALCULATE: cambiar contexto de filtro
• Medidas vs columnas calculadas — cuándo usar cada una
• Funciones de tiempo: TOTALYTD, SAMEPERIODLASTYEAR, DATEADD
• Filtros y slicers interactivos
• Diseño de dashboards: layout, colores, tipografía
• Interactividad: drill-down, tooltips, bookmarks, botones
• Formateo condicional en visualizaciones

Día 5: Data Storytelling

• Estructura narrativa: contexto → problema → análisis → insight → acción
• Principios de diseño: contraste, alineación, repetición, proximidad (CARP)
• Elegir visualización según el mensaje que querés transmitir
• De datos crudos a insights accionables
• Presentar para diferentes audiencias (técnica vs ejecutiva)

Día 6-7: Proyecto de Cierre

Objetivos del Módulo

Integrar TODAS las herramientas en un análisis end-to-end profesional. Este proyecto es tu carta de presentación — lo que mostrás en entrevistas y en tu portfolio.

Día 1: Planificación

• Dataset: Siniestros Viales de Buenos Aires — https://data.buenosaires.gob.ar/dataset/victimas-siniestros-viales
• Definir mín. 5 preguntas de análisis: tendencias temporales, zonas peligrosas, tipos de vehículos, víctimas por edad, horarios críticos
• Planificar pipeline: fuente → limpieza → análisis → visualización → presentación
• Documentar alcance y limitaciones del análisis
• Crear repo en GitHub con README inicial

Día 2-3: Extracción y Limpieza

• SQL: crear esquema en PostgreSQL, importar datos
• Queries de exploración inicial en SQL
• Python/Pandas: limpieza profunda en Jupyter
• Documentar cada decisión de limpieza (por qué eliminaste nulos, cómo trataste outliers)
• Exportar dataset limpio

Día 4-5: Análisis y Visualización

• EDA en Jupyter con estadísticas y visualizaciones
• Responder las preguntas de negocio con evidencia
• Dashboard interactivo en Power BI
• Al menos 1 insight no obvio que descubriste en el análisis

Día 6-7: Presentación y Portfolio

• Notebook final documentado con narrativa completa
• Dashboard publicado/exportado
• README profesional con screenshots y descripción del análisis
• Presentación de 10 minutos: contexto, metodología, hallazgos, recomendaciones
• Video corto recorriendo el dashboard
• Subir todo a GitHub

REFERENCIAS Y RECOMENDACIONES FINALES

Metodología Sugerida

• Regla 80/20: 20% teoría + 80% práctica.
• No avances sin entender: usá los checkboxes para identificar puntos débiles.
• Trabajá con datos reales desde el día 1.
• Git desde el día 1: commiteá todo, notebooks incluidos.
• La documentación oficial es tu mejor amiga — los videos son complemento.
• Kaggle es tu mejor aliado: datasets gratuitos, notebooks de ejemplo, competencias para practicar.

Creadores de Contenido Recomendados

Tech Stack Completo