Data · 2026
CV Formato Harvard para Analistas de Datos
De analista junior a senior — qué revisan en 8 segundos los equipos de data, producto y analytics engineering.
¿Cómo se hace un CV de Analistas de Datos en formato Harvard?
El reclutamiento de analistas de datos lo manejan líderes de analytics, data leads y equipos de producto en empresas como MercadoLibre, Rappi, Nubank, bancos y e-commerce en expansión. En el primer scan buscan tres cosas: profundidad en SQL, la herramienta de BI en la que vives (Tableau, Looker, Power BI) y si tus dashboards cambiaron una decisión. El formato Harvard de una página te obliga a liderar con impacto de negocio cuantificado en vez de una lista de herramientas — que es justo como un líder de analytics distingue a quien arma reportes de quien mueve el número.
Qué buscan los recruiters
- Dominio de SQL dicho de forma concreta (window functions, CTEs, optimización de queries) — no solo "manejo de SQL"
- Herramienta de BI principal nombrada con profundidad (Tableau, Looker/LookML, Power BI, Metabase) y dashboards adoptados por equipos reales
- Lectura de tests A/B y experimentos: significancia, segmentación, detectar confounders (el analista lee tests, no necesariamente modela)
- Resultados de negocio atados a tu análisis: ingresos movidos, churn reducido, horas ahorradas, decisiones cambiadas
- Señales de stack moderno: dbt, Snowflake/BigQuery/Redshift, Airflow, Git — muestra que trabajas en un warehouse, no solo en planillas
- Alcance con stakeholders: cuántos equipos o ejecutivos consumieron tu reporting y qué decidieron gracias a él
Secciones requeridas, en este orden
Sección Skills — lidera con el stack, agrupado
- Agrupa por categoría: Lenguajes (SQL, Python, R) · BI (Tableau, Looker, Power BI) · Warehouse (Snowflake, BigQuery, dbt) · Estadística (tests A/B, regresión, análisis de cohortes)
- Lista profundidad, no amplitud: 'SQL (window functions, optimización de queries)' gana sobre 'SQL, MySQL, PostgreSQL' listados planos
- Los analistas pueden poner Skills antes de Experiencia si son junior; nivel medio y senior mantienen Experiencia primero
- Saca Excel/Google Sheets como skill destacada — se asume; menciónalo solo dentro de un bullet si el trabajo fue avanzado (tablas dinámicas/VBA/automatización con Apps Script)
Bullets de Experiencia — la decisión por sobre el entregable
- Lidera cada bullet con la decisión o métrica que influiste, no con el dashboard que armaste
- Nombra la herramienta y la escala de datos: filas consultadas, usuarios activos analizados, $ de GMV que cubría el reporte
- Une el análisis con la acción que disparó (un cambio de precio, una intervención de churn, una reasignación de presupuesto)
- Incluye un bullet por rol que muestre impacto self-serve: un dashboard o modelo de datos que otros ya usan sin ti
Educación y Proyectos — dónde demostrar rigor
- Educación primero; lista cursos cuantitativos solo si eres recién egresado (Estadística, Econometría, Diseño de Experimentos, Estructuras de Datos)
- Agrega una sección Proyectos para quienes cambian de carrera y juniors: 2-3 análisis end-to-end con link (GitHub, un dashboard público, un notebook de Kaggle)
- Cada proyecto: la pregunta, el tamaño del dataset, el método y el insight — no solo 'analicé un dataset'
- Certificaciones (Google Data Analytics, Tableau Desktop Specialist, dbt Analytics Engineering) van como una línea dentro de Skills, no como sección propia salvo que tengas 3+
Ejemplo en formato Harvard
Bullets fuertes vs débiles
Construí dashboards en Tableau para hacer seguimiento de métricas clave del negocio
Construí un dashboard self-serve en Tableau sobre 40M+ filas de órdenes (Snowflake) midiendo retención, ticket promedio y LTV por cohorte; adoptado por 6 equipos de marketing y finanzas, reemplazando 4 reportes manuales semanales y bajando el tiempo de reporte de 3 días a menos de 1 hora
Nombra la herramienta, la escala de datos (40M filas), el warehouse (Snowflake), las métricas, la adopción (6 equipos) y el tiempo ahorrado. El líder infiere que construyes analítica productiva de la que los equipos dependen — no gráficos de una vez.
Analicé el churn de clientes y compartí los hallazgos con el equipo
Corrí análisis de cohortes y de supervivencia (SQL + Python) sobre 220K suscriptores para aislar los 3 principales drivers de churn; detecté que usuarios de plan anual abandonando en el mes 11 costaban $1.4M/año, lo que impulsó una campaña de recordatorio de renovación que subió la retención 6.2 puntos en dos trimestres
Método específico (cohortes + supervivencia), escala (220K), un problema cuantificado ($1.4M/año) y la intervención concreta con su resultado (+6.2 pts). Muestra análisis que cambió una decisión, no una lámina que quedó archivada.
Ayudé a correr tests A/B para el equipo de producto
Diseñé y leí 18 tests A/B del funnel de checkout; detecté un sample-ratio mismatch que invalidaba una variante 'ganadora' temprana, luego segmenté los resultados y encontré que el verdadero +8.4% de conversión solo se sostenía en usuarios recurrentes — evitando un rollout completo costoso y definiendo un lanzamiento solo para recurrentes
Volumen de tests (18), rigor real de experimentación (detectó un SRM, segmentó por confounders) y un ahorro de negocio. Leer bien los tests es lo que separa a un analista senior de quien solo reporta el p-value.
Creé reportes para apoyar decisiones del negocio
Modelé el funnel de marketing en dbt (12 modelos staging + 4 mart) alimentando un explore de Looker usado en revisiones ejecutivas semanales; la vista de atribución reasignó $300K de gasto trimestral fuera de un canal que tenía 70% menos ROAS del reportado
Profundidad de analytics engineering (conteo de modelos dbt), la superficie de BI (explore de Looker para ejecutivos) y una reasignación cuantificada en dólares. Muestra que trabajas en el warehouse y que tu trabajo llega a la mesa ejecutiva.
Errores comunes específicos
- Listar toda herramienta que abriste una vez (Tableau, Power BI, Qlik, Looker, Excel, SPSS, SAS). Los reclutadores valoran profundidad — 1-2 herramientas de BI que puedas defender en pantalla compartida ganan sobre un muro de logos.
- Bullets que terminan en el dashboard. 'Construí un dashboard' es un entregable; 'el dashboard reasignó $300K' es un analista. Lleva siempre el bullet hasta la decisión.
- Decir 'SQL' sin señal de profundidad. Agrega la prueba entre paréntesis (window functions, optimización de queries, CTEs) o dentro de un bullet — en la entrevista lo van a testear.
- Confundirte con un data scientist. No rellenes con 'machine learning' o 'deep learning' que no usas a diario; el analista gana con SQL, lectura de experimentos e impacto con stakeholders.
- Métricas de vanidad sin conexión al negocio. 'El dashboard tuvo 500 vistas' no dice nada; 'lo usó finanzas para fijar el forecast trimestral' lo dice todo.
Tu CV empieza aquí. Decides después si pagas.
Empezar mi CVPreguntas frecuentes
- ¿Listo SQL, Python y R, o solo SQL?
- SQL es innegociable y va primero con una pista de profundidad (window functions, optimización de queries). Lista Python si de verdad lo usas para análisis (pandas) o automatización — y respáldalo con un bullet. Lista R solo si realmente lo usas (la mayoría de roles de analista no); poner Python y R sin evidencia se lee como relleno.
- ¿Cómo muestro impacto si 'solo armo dashboards'?
- Conecta el dashboard con una decisión. Quién lo usó, con qué frecuencia y qué cambió por él — un presupuesto que se movió, una campaña de churn que se lanzó, un reporte manual que se eliminó. El número que ahorraste (horas, dólares, días de demora) es el impacto; el dashboard es solo el mecanismo.
- ¿Vale la pena listar certificaciones como Google Data Analytics o Tableau?
- Para junior y quienes cambian de carrera, sí — señalan que tienes la base (Google Data Analytics, Tableau Desktop Specialist, dbt Analytics Engineering). Ponlas como una línea dentro de Skills. Para analistas de nivel medio y senior, la experiencia real pesa más; mantenlas en una sola línea y nunca les des sección propia salvo que tengas tres o más.
- Analista de datos vs data scientist — ¿el CV debería verse distinto?
- Sí. El CV de analista lidera con profundidad en SQL, herramientas de BI, lectura de experimentos e impacto con stakeholders. El de data scientist lidera con modelado y ML. No tomes prestado el framing de DS para verte más avanzado — los líderes de analytics filtran por el perfil de analista, y las señales cruzadas te mandan al loop equivocado o al descarte.