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.

Las etiquetas "Día X-Y" en cada sección representan un ritmo sugerido de estudio, no una fecha límite. Si un tema te lleva más tiempo del estimado, está perfecto — lo importante es no saltear temas y completar cada proyecto antes de avanzar.

¿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"

Google Colab (alternativa a Jupyter local)

• Crear cuenta en Google Colab: https://colab.research.google.com — gratis, no requiere instalar nada
• Probar un notebook básico: print("Hola Data") y ejecutar con Shift+Enter

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 descriptiva e inferencial básica, 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 3-4: Estadística Inferencial Básica

• Población vs muestra — por qué casi siempre trabajamos con muestras
• Intervalos de confianza: qué significa "95% de confianza"
• Test de hipótesis: hipótesis nula (H0) vs alternativa (H1)
• P-value: qué es, cómo interpretarlo, por qué 0.05 no es mágico
• Errores tipo I y tipo II — falsos positivos vs falsos negativos

Día 5-7: 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 8-9: 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 5-6: DDL y DML Básico

• CREATE TABLE: definir tablas con tipos de datos y constraints
• PRIMARY KEY, FOREIGN KEY, NOT NULL, UNIQUE, DEFAULT
• INSERT INTO: insertar datos
• UPDATE y DELETE con WHERE
• ALTER TABLE: agregar/eliminar columnas
• Importar datos: \COPY en psql, COPY FROM en PostgreSQL

Día 7-8: 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 9-10: 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 3-4: 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 5-6: 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 7-8: 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 1-3: 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 4-5: 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 6-8: 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 3-5: 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 6: 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 7-8: 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

Ética de Datos y Privacidad

Este tema atraviesa TODO tu trabajo como Data Analyst. No es un módulo aparte — es una mentalidad que tenés que llevar a cada proyecto.

• Datos personales: nunca publiques datasets con nombres, DNI, emails u otra información identificable sin anonimizar. Incluso en proyectos de portfolio.
• Sesgo en los datos: los datos reflejan decisiones humanas. Un dataset sesgado produce conclusiones sesgadas. Siempre preguntate: ¿quién recolectó estos datos? ¿Qué grupos están sub/sobre representados?
• Correlación ≠ causalidad (de nuevo): presentar una correlación como causalidad es deshonesto. Siempre aclaralo.
• Manipulación visual: truncar ejes, usar escalas engañosas o cherry-pick de datos es mentir con gráficos. No lo hagas.
• GDPR y regulaciones: si trabajás con datos de usuarios europeos, el GDPR aplica. En Argentina, la Ley 25.326 de Protección de Datos Personales. Conocé el marco legal básico.

¿Qué sigue después?

Completar este plan te deja listo para un rol de Data Analyst Junior. Desde ahí, tenés varias direcciones para crecer: