Programa completo de Data Analytics que cubre toda la cadena de valor de los datos. Desde la manipulación de datos con Google Sheets y SQL hasta la creación de dashboards interactivos con Power BI y Looker Studio, pasando por la automatización con herramientas ELT (dbt, Zapier) y el análisis predictivo con Python (Pandas, Scikit-Learn). Aprende a identificar fuentes de datos, construir funnels, analizar la retención de clientes y recomendar acciones concretas a partir de tus análisis.
Manipulación de datos con Google Sheets y fórmulas avanzadas
SQL avanzado con BigQuery: consultas analíticas, CTEs, window functions
Data modeling para equipos de marketing, ventas y producto
Herramientas ELT: dbt para transformación, Zapier para automatización
Web tracking con Google Tag Manager y planes de seguimiento
APIs y webhooks para extracción de datos
Visualización de datos con Power BI y Looker Studio (Google Data Studio)
Análisis estadístico y AB testing
Python para análisis: Pandas, Plotly, Jupyter, Google Colab
Machine Learning aplicado: predicción de churn, segmentación de clientes con Scikit-Learn
Metodología de análisis: KPIs, funnels de venta, retención, cohortes
Proyecto end-to-end: desde la identificación del problema hasta el dashboard automatizado
Los conceptos más importantes para entender esta tecnología y aprobar tus entrevistas
Google Sheets: fórmulas avanzadas (VLOOKUP, INDEX/MATCH, ARRAYFORMULA), tablas dinámicas, automatización
SQL: SELECT, JOIN, GROUP BY, HAVING, window functions (ROW_NUMBER, RANK, LAG/LEAD), CTEs, subconsultas
BigQuery: particionamiento, clustering, consultas anidadas, optimización de costos, UDFs
Data Modeling: esquemas en estrella, tablas de hechos y dimensiones, normalización, desnormalización
KPIs y métricas: CAC, LTV, MRR, ARR, churn rate, NPS, tasa de conversión, ARPU
Funnels y cohortes: análisis de conversión, retención por cohorte, análisis RFM
ELT y Data Pipeline: Extract-Load-Transform, dbt (models, tests, sources), orquestación
Zapier y automatización: triggers, actions, workflows multi-paso, webhooks
Google Tag Manager: tags, triggers, variables, dataLayer, planes de tracking
Power BI: DAX, medidas calculadas, relaciones, visualizaciones, filtros, drill-down
Looker Studio: fuentes de datos, campos calculados, filtros, parámetros, blending
Visualización: elegir el gráfico correcto, data storytelling, principios de diseño (Tufte)
AB Testing: hipótesis, tamaño de muestra, significancia estadística, p-value, prueba t de Student
Python y Pandas: DataFrames, Series, groupby, merge, pivot_table, limpieza
Plotly: gráficos interactivos, subplots, animaciones, dashboards
Scikit-Learn: regresión, clasificación, clustering (K-Means), train/test split, métricas
Metodología: planteamiento del problema, identificación de fuentes, limpieza, análisis, recomendaciones
Descubre nuestros últimos artículos y guías sobre Data Analytics
Domina los temas de SQL avanzado que aparecen en entrevistas tecnicas para analistas de datos en 2026. Subconsultas correlacionadas, pivots con agregacion condicional, planes EXPLAIN y estrategias de indexacion en PostgreSQL.
Pandas 3.0 incorpora Copy-on-Write por defecto, un dtype string respaldado por PyArrow y el nuevo constructor de expresiones pd.col(). Este análisis profundo cubre los cambios clave, patrones de migración y preguntas de entrevista que todo data engineer debe dominar.
Guia practica para dominar Matplotlib y Seaborn en Python orientada a entrevistas tecnicas de data analytics. Cubre la API orientada a objetos, subplots, graficos KDE, heatmaps de correlacion, estilos profesionales y un ejercicio completo de dashboard.