Comencé mi primer trabajo de tiempo completo como analista de datos senior en una compañía líder de seguros de salud justo después de terminar mis estudios de posgrado, lo que me trajo una base sólida en análisis y negocios.
Cinco años después, he trabajado en una variedad de habilidades analíticas, que incluyen informes, visualización de datos, gestión de partes interesadas, debates sobre estrategias comerciales y, más recientemente, desarrollo asistido por IA. Estos cinco años me han enseñado lecciones que tienen poco que ver con herramientas específicas pero mucho con la comprensión de las personas, las decisiones y los resultados.
Mi viaje en datos y análisis comenzó hace siete años, cuando comencé la escuela de posgrado para estudiar análisis y negocios. Paralelamente a mis estudios, primero hice una pasantía como pasante de I+D trabajando con fuentes de datos y creando soluciones de BI. Luego vino mi pasantía en ciencia de datos, donde el código se volvió más complejo, los datos se volvieron más confusos y los paneles debían cumplir con los estándares ejecutivos. Esa experiencia se convirtió en la piedra angular de mi éxito actual.
Me di cuenta de que ser alguien que codifica en Python o hace cálculos numéricos no es suficiente. Tengo que ser un solucionador de problemas estratégico.
Al reflexionar sobre media década en el campo, de analista de datos a consultor senior de análisis, he sido testigo de tres cambios importantes:
Los análisis se han vuelto más impulsados por los negocios que los técnicos. La narración es más valiosa que los informes. La IA está cambiando lo que significan las “habilidades técnicas”.
Al recordar mi época como consultor de análisis, quiero compartir cinco lecciones que transformaron la forma en que abordo mi trabajo y que pueden ayudar a cualquiera que trabaje en análisis.
1. Contar historias con datos es más importante que los datos en sí
A medida que crece en su carrera, se encuentra con más frecuencia en salas donde se toman decisiones y rápidamente se da cuenta de que los datos por sí solos rara vez generan impacto. La forma en que se comunican y consumen esos datos es lo que realmente influye en los resultados.
Según mi experiencia trabajando con partes interesadas con distintos niveles de experiencia técnica, es posible que una parte interesada no recuerde el modelo de regresión que usted creó o no comprenda la precisión del modelo, pero seguramente recuerda la historia que le ayudó a tomar una decisión. El valor de los datos no reside en su mera existencia, sino en su capacidad para comprenderlos, confiar en ellos y actuar en consecuencia.
En una reunión hace unos años, un orador compartió que las narrativas hacen que los datos sean mucho más memorables que los números por sí solos, y eso se me quedó grabado. Desde entonces, he abordado la mayoría de mis análisis con tres preguntas simples:
¿Qué pasó? ¿Por qué importa? ¿Qué debería pasar a continuación?
En mi rol como consultor de análisis, mi trabajo no termina con entregar la información correcta; Mi trabajo es reducir la incertidumbre para que mis partes interesadas puedan actuar con confianza.
Los datos permiten ese proceso, pero la narración lo completa.
Dicho esto, a medida que la IA se convierte en el “primer analista” incluso antes de tocar los datos, he aquí mi advertencia: contar historias no significa dar forma a la realidad para que se ajuste a una narrativa. La IA puede generar historias convincentes mucho mejor que una hoja de cálculo, pero también puede introducir suposiciones o números que no existen.
La narración de historias puede ser más poderosa que los datos en sí, pero su fuerza depende completamente de la integridad de los datos que hay detrás de ella.
2. La parte más difícil de la analítica no es el análisis. Está haciendo mejores preguntas.
En la escuela de posgrado me enseñaron que, como analista, deberíamos ser personas curiosas. Porque la curiosidad nos ayuda a encontrar patrones y dar sentido a los datos. Pero con el tiempo, me di cuenta de que no es sólo la curiosidad o los datos en sí los que nos brindan grandes conocimientos. Son las preguntas que hacemos al respecto.
Puede tener los conjuntos de datos más limpios y las herramientas más avanzadas, pero sin las preguntas adecuadas, su análisis se desviará sin rumbo fijo.
Para mi equipo de consultores empresariales, recientemente realicé un bootcamp sobre análisis para enseñarles los fundamentos de los datos y el análisis. En la segunda semana de sesiones, me preguntaron: “Puedo aprender las herramientas, pero ¿cómo puedo saber qué preguntas hacer como analista?” Esa era una pregunta muy identificable porque cuando comencé, no tenía un manual. Constantemente no estaba seguro de qué preguntar a las partes interesadas, qué métodos utilizar o cómo saber cuándo había encontrado algo significativo. Mi objetivo con el bootcamp era responder exactamente esa pregunta.
Con el tiempo, aprendí que mejores preguntas surgen al colaborar estrechamente con expertos en la materia (PYME) y analizar el planteamiento del problema con ellos. Estas conversaciones sacan a la luz suposiciones y le indican dónde profundizar más, lo que también refuerza el valor de construir una red sólida para cuando una PYME no esté disponible.
Su conclusión en una sola línea: comience con la curiosidad y luego aplique el pensamiento crítico. No salte directamente a los datos.
Haga una pausa y pregunte qué está pasando realmente, luego superponga su pensamiento con el por qué, el qué, el quién y el cuándo.
3. Saber cuándo seguir investigando y cuándo parar
Durante los primeros años, realmente creí que si quería ser un buen analista, no debía detenerme en la primera respuesta. Debería reunir más, filtrar más, preguntar más. Ese instinto me sirvió bien, hasta que dejó de serlo.
Una vez estuve trabajando en un esfuerzo para crear un informe de intensidad del servicio, para analizar los clientes que necesitaban más soporte, costaban más para la organización e identificar qué impulsa la intensidad del servicio. Los datos estaban incompletos e inconsistentes desde el principio. Sin embargo, en lugar de probar con presión si podría siquiera respaldar el objetivo del proyecto, seguí avanzando obteniendo más conjuntos de datos, probando más hipótesis y persiguiendo anomalías que resultaron ser ruido. Después de casi cinco semanas de intentar forzar que los datos funcionaran, finalmente le dije a mi gerente que no podíamos continuar.
Esa experiencia me enseñó una de las lecciones más importantes que ahora comparto con todos los analistas jóvenes a los que asesoro: más investigación no siempre significa más valor. En algún momento del camino, se pasa de descubrir ideas a perder el tiempo encontrando ideas que nadie pidió.
Así que ahora, antes de hundirme en la madriguera del conejo, me pregunto: si encuentro algo aquí, ¿cambiará realmente lo que hago a continuación? Si la respuesta es no, esa es mi señal para echar un segundo vistazo o detenerme, escribir lo que tengo y seguir adelante.
4. Gestionar las expectativas es la mitad del trabajo hecho
Nadie te dice esto en la escuela de posgrado, pero una gran parte de ser un consultor de análisis exitoso no tiene nada que ver con el análisis y mucho con la gestión de lo que la gente espera de ti, tus datos y tus cronogramas.
Al principio, traté cada pregunta al pie de la letra. Si una parte interesada quisiera un panel “para mañana”, perdería el sueño para lograrlo, a menudo a costa de la precisión. Me tomó un tiempo aprender que sólo porque puedo no significa que deba hacerlo. El verdadero trabajo es tener una conversación sobre la solicitud: qué es lo que realmente impulsa la solicitud, qué decisión respalda y qué es realista teniendo en cuenta los datos que tenemos.
Algunas cosas que ahora hago casi instintivamente:
Señalar las limitaciones de datos desde el principio Replantear la pregunta con mis propias palabras, para que la desalineación surja temprano Comunicar el progreso en pequeños incrementos, en lugar de oscurecer y resurgir con un producto terminado
Gestionar las expectativas no significa decir no más a menudo. He aprendido a establecer límites saludables con las partes interesadas y a ser honesto en todo momento, para que la confianza no se rompa más adelante.
5. La IA está cambiando lo que creo que significa una “habilidad técnica”
Cuando comencé, ser técnico significaba escribir SQL eficiente, crear canales de Python limpios y conocer su herramienta de BI lo suficientemente bien como para que cuente una historia. Hoy en día, la IA puede escribir esa consulta, redactar ese canal y sugerir el tipo de gráfico antes de que termine de formular la pregunta. Esas habilidades todavía importan, pero el trabajo ha cambiado silenciosamente debajo de nosotros.
Con todo el ruido en torno a lo que la IA puede y no puede hacer, la verdadera habilidad técnica ahora no reside en producir el trabajo, sino en juzgarlo. Recientemente escribí una publicación en un blog acerca de que la regulación metacognitiva es la habilidad de IA más importante de la que nadie habla: cómo necesitamos adaptar nuestro pensamiento a medida que la IA asume más trabajo.
Estoy seguro de que todos hemos captado análisis generados por IA que indican con seguridad números que no existen, o recomendaciones que suenan agudas pero que pierden el contexto que cualquier analista con seis meses de experiencia habría captado de inmediato. Ser “técnico” hoy en día ya no se limita a codificar, limpiar y transformar para crear un canal de datos o redactar resúmenes de proyectos. En primer lugar, es necesario comprender los datos lo suficientemente bien como para saber cuándo una respuesta de la IA es sutilmente incorrecta.
Desde 2025, con la llegada de la IA, dejé de medir mi crecimiento técnico según las herramientas que conozco y comencé a medirlo según lo bien que puedo evaluar lo que producen esas herramientas.
Incitar es una habilidad. Validar es una habilidad. Saber cuándo confiar en la máquina y cuándo confiar en su propio criterio: esa podría ser la habilidad más técnica de todas.
Mirando hacia atrás, mirando hacia adelante
Cinco años después, las herramientas que uso para análisis e informes han cambiado más de lo que esperaba y he mejorado más habilidades de las que nunca tuve tiempo. Sin embargo, mis preguntas para cualquier proyecto de análisis no han cambiado mucho: ¿Qué pasó? ¿Por qué importa? ¿Qué debemos hacer a continuación? ¿Puedo confiar en esto? ¿Debo seguir investigando o debo parar?
Para finalizar, si tuviera que dejar un pensamiento para cualquiera que recién comience: los datos seguirán creciendo, las herramientas seguirán volviéndose más inteligentes y la IA puede hacer mucho por usted, pero el trabajo siempre ha sido, y siempre será, ayudar a las personas a tomar mejores decisiones con más confianza.
………………
Eso es todo por mi parte en esta publicación de blog. ¡Gracias por leer! ¡Espero que te haya resultado una lectura interesante!
Rashi es un experto en datos de Chicago al que le encanta analizar datos y crear historias de datos para comunicar ideas. Es consultora sénior de análisis de atención sanitaria a tiempo completo y le gusta escribir blogs sobre datos los fines de semana con una taza de café.