Data Analytics

La carrera de Data Analytics es la carrera profesional orientada a perfiles de análisis de datos e inteligencia de negocio. A diferencia de Data Engineering, centrada en la construcción de plataformas y pipelines, Data Analytics se posiciona en la capa analítica de la pirámide de datos: exploración, modelado de métricas, visualización avanzada y generación de informes orientados a decisiones de negocio. A lo largo de varios cursos certificados con un enfoque práctico, adquirirás las competencias de un analista de datos moderno que combina dominio de SQL y Python con las herramientas de visualización más utilizadas en entornos corporativos.

La carrera parte de Python y SQL como lenguajes fundamentales del analista, incorpora NumPy y pandas como herramientas de referencia para el análisis numérico y tabular, y avanza hacia la visualización con Power BI (estándar corporativo en España), Plotly para gráficos interactivos, y Matplotlib y Seaborn para análisis exploratorio riguroso. Completa el perfil con dbt para transformaciones analíticas modernas, Databricks para escenarios de datos a escala y Streamlit para publicar rápidamente aplicaciones analíticas internas.

Esta carrera está diseñada para:

• Analistas de negocio y consultores de banca, seguros, retail, energía y telecomunicaciones que trabajan con datos y reporting corporativo.
• Responsables de BI y Business Intelligence que quieren modernizar su perfil con Python, dbt y Databricks además del clásico Power BI.
• Controllers financieros, analistas comerciales y de marketing que necesitan autonomía técnica para explorar datos y generar sus propios informes.
• Recién titulados que buscan entrar al mercado laboral con un perfil de Data Analyst competitivo y orientado a demanda real.
• Perfiles de negocio que quieren dar el salto hacia roles data-driven sin especializarse en ingeniería de datos.

La carrera se organiza con un enfoque analítico orientado a negocio:

1. Python: lenguaje de referencia para análisis de datos, automatización y manipulación programática.
2. SQL: consultas avanzadas, uniones, funciones de ventana, CTEs y modelado de datos analíticos.
3. NumPy: cálculo numérico eficiente y base matemática para pandas y visualización.
4. pandas: análisis de datos tabulares, limpieza, transformación y agregación de datasets reales.
5. Power BI: diseño de dashboards corporativos, DAX, modelado dimensional y publicación de informes.
6. Matplotlib: visualización estática para análisis exploratorio y documentación técnica.
7. Seaborn: visualización estadística de alto nivel sobre Matplotlib, gráficos analíticos avanzados.
8. Plotly: gráficos interactivos de calidad para notebooks y aplicaciones web analíticas.
9. dbt: transformaciones analíticas modernas basadas en SQL, pruebas de datos y versionado de modelos.
10. Databricks: procesamiento de datasets a escala y notebooks colaborativos para equipos de analítica.
11. Streamlit: creación rápida de aplicaciones analíticas internas en Python para compartir resultados.

Al completar esta carrera, serás capaz de:

• Escribir SQL avanzado para exploración, modelado y creación de vistas analíticas.
• Analizar datasets tabulares con pandas y NumPy aplicando técnicas de limpieza, transformación y agregación.
• Diseñar dashboards profesionales en Power BI con modelos dimensionales y medidas DAX.
• Visualizar datos con rigor estadístico usando Matplotlib y Seaborn para análisis exploratorio.
• Construir gráficos interactivos con Plotly para informes dinámicos y aplicaciones web.
• Transformar datos con dbt aplicando buenas prácticas de versionado, pruebas y documentación.
• Trabajar en Databricks con datasets de gran tamaño y cuadernos colaborativos.
• Publicar aplicaciones analíticas internas con Streamlit para compartir resultados con negocio.
• Traducir preguntas de negocio en análisis reproducibles, KPIs y visualizaciones accionables.

• Python 3.13 con pandas 2.2, Polars 1.x, NumPy 2.x.
• SQL sobre PostgreSQL 16, BigQuery, Snowflake, Redshift, Databricks SQL.
• Power BI (con DAX, Power Query, modelado dimensional, deployment pipelines).
• Visualización: Matplotlib 3.9, Seaborn 0.13, Plotly 5.
• dbt 1.9 para transformaciones analíticas.
• Databricks con Unity Catalog para datasets a escala.
• Streamlit 1.40 para apps analíticas.
• Tooling: Jupyter 4, VS Code, GitHub.