El portafolio es el filtro más poderoso en el mercado de ciencia de datos: determina si un contratante o cliente te llama o pasa al siguiente candidato. Un portafolio mediocre con buenas habilidades técnicas pierde contra un portafolio bien presentado con habilidades equivalentes. Esta guía te muestra cómo construir uno que funcione.
Qué busca realmente quien revisa tu portafolio
Los contratantes de datos revisan portafolios en promedio 2-3 minutos antes de decidir si siguen o no. En ese tiempo buscan:
- ¿Puede resolver problemas de negocio reales (no solo técnicos)?
- ¿Su código es limpio y legible por otros?
- ¿Puede comunicar insights a no-técnicos?
- ¿Tiene experiencia en la industria o tipo de datos relevante para nosotros?
La mayoría de portafolios fallan en el punto 1 y 3. Resuelven ejercicios técnicos brillantemente sin contar la historia del problema de negocio.
Cuántos proyectos necesitas
La regla práctica: calidad sobre cantidad. Tres proyectos bien documentados superan a diez ejercicios de Kaggle sin contexto.
| Objetivo | Proyectos mínimos | Tipo recomendado |
|---|---|---|
| Primer empleo junior | 3-4 | 1 análisis exploratorio + 1 modelo predictivo + 1 dashboard |
| Freelance inicial | 3-5 | Variados por industria + 1 con narrativa de negocio fuerte |
| Cambio a rol senior | 5-7 | Incluir 2-3 con impacto de negocio cuantificado |
Los 4 tipos de proyectos que abren puertas
Tipo 1: Análisis exploratorio con historia de negocio
Toma un dataset público de una industria concreta y cuenta una historia: qué encontraste y qué decisión debería tomar una empresa basándose en eso.
Ejemplo: Datos del INEGI de comercio minorista → “Dónde están las oportunidades de expansión retail en México 2026” → mapa interactivo + 5 insights accionables.
El diferenciador: no solo dices “las ventas crecieron en Q3”, dices “las ventas crecieron en Q3 principalmente en categoría X en ciudades Y y Z, lo que sugiere que una empresa con capacidad de distribución en esas ciudades debería priorizar ese segmento en 2026”.
Tipo 2: Modelo predictivo con aplicación práctica
Construye un modelo de clasificación o regresión para un problema real:
- Predicción de churn de clientes (clasificación)
- Predicción de precio de inmuebles (regresión)
- Detección de fraude en transacciones (clasificación desbalanceada)
- Forecast de demanda de producto (series de tiempo)
Lo importante no es la precisión del modelo. Es que expliques:
- Por qué elegiste ese modelo
- Cuáles son sus limitaciones
- Cómo lo usaría una empresa en la práctica
- Qué impacto de negocio tendría si funciona bien
Tipo 3: Dashboard interactivo publicado
Un dashboard que cualquiera puede ver en vivo es más poderoso que código estático. Herramientas para hacerlo:
- Streamlit (Python): convierte tu notebook en app web con pocas líneas de código. Deploy gratis en Streamlit Cloud.
- Looker Studio: dashboard interactivo con URL pública. Conecta a Google Sheets con datos públicos.
- Tableau Public: visualizaciones avanzadas publicadas en su sitio público.
Un dashboard funcional que alguien puede explorar en vivo dice más sobre tus habilidades que cualquier README.
Tipo 4: End-to-end pipeline de datos
Muestra el flujo completo: ingesta de datos → limpieza → transformación → almacenamiento → análisis → visualización. Demuestra que entiendes cómo funciona el dato en el mundo real, no solo en un CSV limpio.
Cómo estructurar cada proyecto en GitHub
El README es tu carta de presentación. Estructura mínima:
# Nombre del Proyecto
## Problema de negocio
[1-2 párrafos: qué empresa hipotética o real enfrenta este problema, por qué importa]
## Metodología
[Cómo abordaste el problema, qué herramientas usaste y por qué]
## Hallazgos principales
[3-5 bullets con los insights más relevantes, en lenguaje de negocio, no técnico]
## Próximos pasos
[Qué haría con más tiempo/datos]
## Tecnologías
Python | pandas | scikit-learn | Looker StudioEl código dentro del notebook también debe estar documentado. No cada línea, pero sí las decisiones no obvias: por qué elegiste ese tipo de normalización, por qué descartaste ese grupo de registros.
Errores comunes en portafolios de datos
Error 1: Solo proyectos del Titanic y del Iris dataset. Son los datasets default de todos los tutoriales. Si son tus únicos proyectos, señala que seguiste cursos pero no exploraste por tu cuenta.
Error 2: GitHub con un solo README vacío. Si el repositorio no tiene código visible, el contratante pasa al siguiente.
Error 3: Resultados sin contexto de negocio. “El modelo alcanzó 87% de precisión” no dice nada. “El modelo identifica correctamente el 87% de los clientes que van a cancelar, lo que permitiría a una empresa intervenir proactivamente antes de perderlos” dice todo.
Error 4: Visualizaciones sin diseño. Una gráfica con colores por default de matplotlib inspira menos confianza que una limpia con colores coherentes y labels claros. Aprende las bases de diseño visual de datos.
Dónde publicar y cómo hacerlo visible
GitHub: obligatorio. Perfil con foto, bio con keywords relevantes, repositorios con README y descripción corta.
Portfolio personal (opcional pero recomendado): una sola página HTML o con Notion, con links a tus 3 mejores proyectos, una bio y cómo contactarte. No necesitas ser desarrollador para esto.
Kaggle: perfil público con competencias y notebooks. El ranking de Kaggle no importa tanto como mostrar que usaste sus datasets de forma creativa.
LinkedIn: sección de proyectos en tu perfil con screenshots de dashboards y links a GitHub.
El portafolio mínimo para empezar a buscar trabajo
Si llevas 4-6 meses aprendiendo y tienes:
- 3 proyectos en GitHub con README bien escrito
- 1 dashboard publicado en vivo (Streamlit o Looker Studio)
- Un perfil de LinkedIn con estos links
Ya tienes suficiente para empezar a aplicar. La mejora del portafolio puede ocurrir en paralelo a la búsqueda activa.
¿Quieres feedback sobre tu portafolio antes de mandarlo a empleadores o clientes? En el foro de Nomadaz Digitalez hay data scientists revisando perfiles con retroalimentación honesta. Comparte el link y recibe opiniones reales.