Data Analyst en España: mercado, salarios y ruta 2026
Una lectura útil del mercado separa tres cosas que suelen mezclarse: estadísticas laborales oficiales, muestras de ofertas publicadas y rangos salariales declarados por consultoras.
El mercado no cabe en un número de LinkedIn.
El informe estatal del SEPE confirma una mejora general del empleo y un aumento gradual del peso de las ocupaciones cualificadas. También identifica ingeniería, software y análisis de datos entre las áreas técnicas con perspectivas favorables.
Estas cifras describen el mercado laboral español completo. No equivalen al número de vacantes de Data Analyst ni permiten calcular por sí solas el salario de ese puesto.
| Tipo de evidencia | Qué responde | Qué no demuestra |
|---|---|---|
| SEPE / INE | Empleo, contratación, ocupaciones y contexto nacional. | Vacantes exactas con un título concreto. |
| Portales de empleo | Demanda visible, skills repetidas y ubicaciones en una fecha. | Todo el empleo ni ofertas únicas sin deduplicar. |
| Guías salariales | Bandas orientativas por experiencia y ciudad. | Una tarifa garantizada para cada candidato. |
La combinación que abre más puertas.
Frecuencia orientativa obtenida de la muestra consolidada del informe anterior. Debe leerse como señal de priorización, no como estadística oficial de todas las ofertas españolas.
SQL y Excel siguen siendo filtros de entrada; Python y Power BI amplían la autonomía. Inglés, comunicación y comprensión de negocio son multiplicadores, no “extras blandos”.
Bandas orientativas, no una promesa.
Selecciona una referencia geográfica. Los rangos sintetizan guías salariales y portales consultados; cambian con sector, idioma, stack, tamaño de empresa y responsabilidad real.
Para negociar, compara funciones y alcance antes que el título: un “Data Analyst” puede ir desde reporting operativo hasta modelado, experimentación o ownership de producto.
Aprende en el orden en que se toman decisiones.
No necesitas dominar todas las herramientas a la vez. Cada etapa debe terminar con una evidencia que puedas enseñar.
“Data Analyst” no describe un único trabajo.
Empieza por las decisiones
Un analista comercial estudia conversión, margen y clientes; uno de producto observa activación y retención; uno financiero trabaja con presupuesto y previsiones; uno de operaciones analiza capacidad, tiempos y calidad. El título importa menos que la decisión que la empresa espera mejorar.
Al leer una oferta, subraya los verbos. “Extraer”, “limpiar” y “automatizar” indican una carga técnica distinta de “presentar”, “recomendar” o “coordinar”. Identifica después la fuente de datos, el público del análisis y la frecuencia. Así sabrás si el puesto es realmente junior o si el título oculta responsabilidades de ingeniería o consultoría.
Las habilidades forman una cadena
Excel permite exploración rápida y modelos revisables; SQL consulta datos de forma reproducible; BI convierte definiciones comunes en informes; Python o R añaden transformación y automatización; la estadística evita confundir ruido con evidencia; y la comunicación conecta el hallazgo con una decisión.
No estudies cada herramienta como un curso aislado. Construye un proyecto de extremo a extremo: pregunta, consulta, calidad, análisis, visualización y recomendación. Eso demuestra integración, no una colección de certificados.
Qué cambia con la experiencia
En un puesto inicial se valora ejecutar análisis definidos, detectar problemas y comunicar sin exagerar. En un nivel intermedio se espera autonomía para traducir preguntas ambiguas y mantener procesos. En niveles senior aumenta el peso de negociar definiciones, priorizar y ayudar a que otros equipos usen bien los datos.
Salarios sin falsas promesas
Las cifras cambian por territorio, sector, responsabilidad, modalidad y composición de la remuneración. Una media nacional de todas las ocupaciones no equivale al sueldo de un Data Analyst, y un portal puede mezclar títulos y niveles. Compara fijo, variable, beneficios, jornada, remoto, aprendizaje y alcance real.
Un portfolio que sí demuestra criterio
Analiza el embudo de una tienda ficticia: sesiones, carrito, compra y devolución. Define cada tasa, escribe consultas SQL, crea un dashboard con tres vistas y termina con una nota ejecutiva que recomiende una acción y explique limitaciones. Dos proyectos completos comunican más que diez notebooks sin contexto.
Ruta de 90 días
Días 1–30: hojas de cálculo y SQL. Practica filtros, uniones, agregaciones y calidad. Días 31–60: proyecto con datos públicos o simulados, diccionario y análisis exploratorio. Días 61–90: dashboard y presentación de cinco minutos; pide a otra persona que intente entenderlos sin tu ayuda.
Dudas antes de entrar al sector.
¿Necesito una carrera técnica?
No siempre, pero debes demostrar razonamiento cuantitativo, herramientas y comunicación. La experiencia de negocio puede ser una ventaja si la conviertes en métricas.
¿Python es obligatorio?
Depende. SQL, hojas de cálculo y BI suelen ser la base del análisis empresarial. Python gana peso cuando hay automatización, volumen o métodos avanzados.
¿Sirven los certificados?
Ordenan el aprendizaje, pero no prueban autonomía. Acompáñalos con trabajo reproducible que otra persona pueda revisar.
Demuestra cómo piensas.
Ante un caso, aclara objetivo, unidad, periodo y definición antes de calcular. Explica controles de calidad, elige una comparación y comunica límites. Si no conoces una herramienta, conecta el problema con un concepto que sí dominas y describe cómo validarías la solución.
Prepara historias sobre un error detectado, una definición negociada y una recomendación que cambió. El entrevistador necesita observar juicio, colaboración y capacidad para corregir, no memoria de sintaxis.