Trabajar en análisis de datos desde una laptop en cualquier parte del mundo requiere un stack bien elegido. No necesitas todas las herramientas del mercado, necesitas las correctas para el nivel de trabajo que haces y los clientes que consigues.
Esta guía es práctica: qué herramienta, para qué sirve, cuánto cuesta y qué tan difícil es aprenderla.
El núcleo irremplazable: SQL
No importa qué tanto evolucione el mercado, SQL sigue siendo el idioma del dato. Cada empresa que maneja datos los tiene en bases relacionales o warehouses que hablan SQL.
Herramientas para practicar SQL:
- DBeaver (gratuito): cliente universal que conecta a PostgreSQL, MySQL, SQLite, Redshift, BigQuery. Perfecto para trabajar offline.
- Mode o Metabase (freemium): entornos de análisis SQL con visualización integrada. Muchas empresas ya los usan internamente.
- BigQuery sandbox (gratuito con límites): 1TB de consultas al mes sin costo. Ideal para practicar con datasets reales.
Tiempo para nivel laboral: 3-4 meses de práctica constante (1-2 horas diarias).
Python para análisis: el segundo pilar
Python domina el análisis de datos moderno. No necesitas ser desarrollador senior; necesitas dominar el ecosistema de datos.
Stack mínimo viable
| Librería | Para qué sirve | Costo |
|---|---|---|
| pandas | Manipulación y limpieza de datos | Gratis |
| numpy | Cálculos numéricos y arrays | Gratis |
| matplotlib / seaborn | Visualizaciones estáticas | Gratis |
| plotly | Gráficas interactivas | Gratis (plan básico) |
| scikit-learn | Modelos de machine learning básicos | Gratis |
| Jupyter Notebook | Entorno de trabajo y presentación | Gratis |
Dónde correrlo como nómada:
- Google Colab (gratuito): Jupyter en la nube, sin instalar nada. Suficiente para el 80% de proyectos freelance.
- JupyterLab local: más control, funciona sin internet.
- VS Code + extensión Python: para proyectos más estructurados.
Visualización: la habilidad que convierte análisis en dinero
Los clientes no compran tablas de números. Compran insights presentados de forma que puedan actuar en ellos.
Herramientas de dashboards
Tableau Public (gratuito para portafolio):
- Estándar de facto en muchas empresas grandes.
- El plan gratuito solo permite publicar visualizaciones públicas, útil para mostrar portafolio.
- Licencia profesional: $75 USD/mes (el cliente la paga, no tú).
Power BI Desktop (gratuito para desktop):
- Dominante en empresas con ecosistema Microsoft.
- El archivo .pbix lo desarrollas localmente y lo entregas al cliente.
- Costo del servicio en la nube: $10 USD/mes por usuario (el cliente).
Looker Studio (antes Data Studio, gratuito):
- Conecta directo con Google Sheets, BigQuery, Google Analytics.
- Ideal para clientes con stack Google. Cero costo.
- Limitado en personalización visual vs Tableau.
Metabase (open source):
- El cliente lo instala en su servidor; tú lo configuras.
- Versión cloud desde $500 USD/mes para empresas, pero la versión self-hosted es gratuita.
Para empezar: aprende Looker Studio (gratis, fácil, suficiente) + Power BI (porque el mercado corporativo lo pide mucho).
Almacenamiento y pipelines de datos
Cuando los proyectos escalan, los clientes necesitan más que Excel. Aquí entras con conocimiento de warehouses y pipelines.
El ecosistema moderno de datos
dbt (data build tool) — gratuito (open source):
- Transforma datos en warehouses con SQL.
- Se convirtió en estándar en equipos de datos serios.
- dbt Cloud: gratis para un desarrollador solo.
Apache Airflow — gratuito (open source):
- Orquesta pipelines automáticos.
- Curva de aprendizaje media-alta; empieza con dbt antes.
Fivetran / Airbyte — para mover datos entre fuentes:
- Fivetran: desde $0 con límites (500K registros/mes).
- Airbyte: open source, gratis si lo auto-hospedas.
Herramientas de productividad para trabajar nómada
El trabajo de datos requiere concentración en bloques. Como nómada gestionas esto en distintos contextos.
Notion ($10/mes): documentación de proyectos, bases de conocimiento para clientes, tracking de entregables.
Loom (gratuito hasta 5 min por video): grabar walkthroughs de dashboards para clientes sin reunión en vivo. Muy útil cuando hay diferencia horaria.
GitHub (gratuito): versiona tu código Python y SQL. Obligatorio para trabajo serio.
Linear o Trello (freemium): tracking de tareas por proyecto. Muchos clientes ya usan Jira o Linear y te darán acceso.
El stack recomendado por nivel
Nivel 0 → 1 (aprendiendo, buscando primer cliente)
- BigQuery sandbox o SQLite para SQL
- Google Colab para Python
- Looker Studio para visualizaciones
- Costo total: $0
Nivel 1 → 2 (primer empleo/cliente, proyectos reales)
- DBeaver + acceso a BD del cliente
- Jupyter local + pandas/matplotlib/plotly
- Power BI Desktop o Tableau Public (portafolio)
- Costo total: $0–$15/mes
Nivel 2 → 3 (analista senior, proyectos complejos)
- dbt Cloud (gratis para individual)
- Python avanzado con scikit-learn
- Tableau o Looker Studio según el cliente
- Airflow básico para pipelines
- Costo total: $0–$30/mes
El patrón es claro: las herramientas de alto nivel tienen versiones gratuitas suficientes para aprender y construir portafolio. No necesitas gastar para empezar.
Qué aprender primero: el orden importa
- SQL (fundamenta todo lo demás)
- Excel/Google Sheets avanzado (los clientes viven ahí)
- Python básico con pandas
- Visualización con Looker Studio o Power BI
- Python estadístico (numpy, matplotlib)
- dbt para proyectos de escala
No saltes al machine learning antes de dominar los primeros cuatro. El 90% del trabajo real de análisis de datos empresarial no involucra ML.
¿Tienes dudas sobre qué herramienta aprender primero según tu situación? En el foro de Nomadaz Digitalez hay analistas de distintos niveles compartiendo su ruta real. Únete y pregunta directamente.