Analista de Datos - Ejemplo de Currículum

Visión general

El análisis de datos es una de las profesiones con más demanda en España, pero también una donde los candidatos tienden a escribir currículums demasiado técnicos y poco orientados al negocio. Listar todas las librerías de Python que conoces no le dice al reclutador si eres capaz de transformar un conjunto de datos en una decisión que ahorre dinero o mejore un proceso.

Este ejemplo pertenece a Lucía, una analista de datos con cuatro años de experiencia que trabaja en Mercadona Tech analizando datos de la cadena de suministro para 1.660 supermercados. Antes pasó por Grupo Eulen y por una beca en Stadler Rail Valencia. Lo que hace bien su currículum es mostrar el impacto de negocio de cada proyecto técnico.

El perfil: técnica y negocio en equilibrio

El resumen de Lucía menciona que transforma datos en bruto en insights accionables para la toma de decisiones. Eso suena genérico, pero luego lo concreta: optimización logística de 1.660 supermercados, dominio avanzado de SQL, Python y herramientas de visualización.

La combinación de una cifra de negocio (1.660 supermercados) con herramientas técnicas (SQL, Python) establece desde el primer párrafo que Lucía no es solo una técnica que escribe consultas, sino alguien que entiende para qué sirven esos datos.

Experiencia: cada viñeta conecta dato con resultado

En Mercadona Tech, sus puntos incluyen:

Desarrollé el modelo de previsión de demanda que redujo el desperdicio alimentario un 14% en la categoría de frescos

Automaticé 17 informes mensuales con Python y Airflow, ahorrando 34 horas de trabajo manual al mes

La primera viñeta conecta un modelo técnico (previsión de demanda) con un resultado de negocio tangible (14% menos de desperdicio alimentario). La segunda traduce la automatización en horas ahorradas, algo que cualquier manager entiende.

En Grupo Eulen, el enfoque es similar: modelo de clustering con scikit-learn para segmentar 840 clientes, data warehouse en BigQuery consolidando 6 fuentes, informes que generaron 180.000 euros en ahorro operativo. Cada punto tiene una herramienta y un resultado.

En Stadler Rail (la beca), la escala es menor pero la estructura se mantiene: scripts en Python para sensores IoT, dashboards en Power BI, reducción del 30% en tiempo de respuesta del equipo de calidad.

Formación: el grado en Estadística como base

Lucía tiene un Grado en Estadística por la Universitat de València. No es Ingeniería Informática ni Matemáticas, que son los grados más habituales en perfiles de datos, pero Estadística tiene una ventaja clara: la formación en métodos cuantitativos es más profunda. Su TFG sobre modelos predictivos de demanda para retail alimentario encaja directamente con su puesto actual en Mercadona Tech.

Si vienes de otro grado (ADE, Económicas, Ingeniería), no te preocupes. En análisis de datos, las certificaciones y los proyectos pesan tanto o más que el grado.

Habilidades: la lista corta que dice mucho

Diez habilidades, todas relevantes: SQL (con tres sistemas: BigQuery, PostgreSQL, Redshift), Python (con librerías específicas), herramientas de visualización (Looker, Power BI, Tableau), Airflow, GCP, Excel avanzado, dbt, estadística, Git y comunicación de datos a negocio.

Esa última habilidad ("comunicación de datos a negocio") es interesante. Muchos analistas la omiten, pero es exactamente lo que diferencia a un analista que genera valor de uno que simplemente produce informes que nadie lee.

Consejo: Organiza tus habilidades por categoría si puedes. "SQL" solo no dice mucho. "SQL (BigQuery, PostgreSQL)" dice con qué sistemas trabajas a diario.

Proyectos: profundidad técnica sin perder el hilo de negocio

El modelo de previsión de demanda se detalla en la sección de proyectos: ARIMA + XGBoost, 3 años de datos históricos, 1.660 tiendas, desplegado en Google Cloud con Vertex AI. Y el data warehouse de Eulen: 6 fuentes de datos consolidadas en BigQuery, pipeline ETL con dbt y Airflow.

Estos proyectos funcionan porque combinan la arquitectura técnica (qué herramientas se usaron) con el contexto de negocio (para qué servía y qué resultado tuvo).

Sobre la plantilla

Usa la plantilla Cobalt, que ofrece un diseño profesional y limpio. Para perfiles de datos que aplican tanto a empresas tech como a departamentos de analytics de empresas tradicionales, una plantilla equilibrada entre lo moderno y lo profesional es la mejor elección.