CV de analista de datos para roles de data scientist

Postular a puestos de data scientist cuando tu título actual dice “analista de datos” no es un salto imposible. Es un problema de presentación y de brechas concretas que puedes cerrar. Los reclutadores no leen tu historial completo en la primera revisión — estudios del sector sugieren que el tiempo promedio de escaneo inicial ronda los 6 a 7 segundos — así que cada línea de tu CV tiene que trabajar a tu favor desde el primer vistazo.

Este artículo te muestra cómo mapear lo que ya sabes, cómo presentar proyectos de machine learning autodidactas y cómo estructurar un CV que cruce el filtro ATS de una oferta de data scientist.

Mapea tus habilidades de analista a los requisitos de data scientist

La diferencia entre un analista de datos y un data scientist no siempre es de conocimiento; con frecuencia es de vocabulario. Compara estas equivalencias:

• “Construí dashboards en Tableau” → “Desarrollé pipelines de visualización para comunicar insights a stakeholders”
• “Limpié y transformé datos en Python/pandas” → “Preprocesé datasets de alta dimensionalidad para modelado predictivo”
• “Realicé análisis estadístico en Excel o SQL” → “Apliqué métodos estadísticos inferenciales para validar hipótesis de negocio”

No estás mintiendo; estás usando el lenguaje del rol al que aspiras. El truco es que las responsabilidades reales respalden esa redacción. Si usaste regresión lineal para proyecciones de ventas, eso es modelado predictivo. Nómbralo así.

Revisa al menos cinco descripciones de trabajo de data scientist en tu mercado objetivo. Anota los términos que aparecen repetidamente: “feature engineering”, “model deployment”, “A/B testing”, “cross-validation”, “scikit-learn”, “MLflow”. Compara esa lista con tu CV actual. Las palabras que faltan son tu brecha de keywords. Herramientas como las que ofrece TailorMyJob pueden automatizar ese análisis de brecha entre tu CV y una JD específica, ahorrándote tiempo en cada postulación.

Para profundizar en cómo adaptar tu CV a cada oferta de trabajo, revisa la guía sobre cómo personalizar tu CV para cada descripción de trabajo.

Cómo presentar proyectos de ML autodidactas

No tener un máster en estadística o ciencias de la computación no te descalifica si tienes proyectos demostrables. Lo que importa es que el proyecto tenga un problema real, un dataset no trivial y un resultado medible.

Usa este formato para cada proyecto:

Nombre del proyecto | Herramientas: Python, scikit-learn, XGBoost | [GitHub]

• Problema: predecir churn de clientes en dataset de 200 000 registros
• Método: clasificación con gradient boosting, optimización de hiperparámetros con GridSearchCV
• Resultado: AUC-ROC de 0.87 en conjunto de prueba; reducción simulada de churn del 12 %

Ese formato responde las tres preguntas que tiene un hiring manager: ¿qué resolviste?, ¿cómo lo resolviste?, ¿qué tan bien funcionó? Si el proyecto fue un Kaggle competition, incluye tu percentil o ranking. Si fue un proyecto personal, menciona el dataset público que usaste (Kaggle, UCI ML Repository, datos abiertos gubernamentales).

Evita proyectos de tutorial donde solo seguiste un notebook paso a paso. Si tu único proyecto de clasificación es el Titanic de Kaggle sin ninguna modificación propia, no lo incluyas como evidencia de habilidad independiente.

GitHub y portafolio en el CV

Un enlace a GitHub sin contexto no ayuda. Un enlace a un repositorio limpio, con README claro y código comentado, sí.

En la sección de encabezado de tu CV incluye:

github.com/tu-usuario | tu-portafolio.com (si aplica)

Antes de postular, revisa que cada repositorio que vayas a mencionar tenga:

• README con descripción del problema, metodología y conclusiones
• Código organizado en carpetas lógicas (data/, notebooks/, src/)
• Dependencias documentadas en un archivo requirements.txt o environment.yml
• Al menos un notebook de análisis exploratorio separado del notebook de modelado

Si tienes un blog técnico en Medium o Towards Data Science con artículos sobre tus proyectos, inclúyelo. Ese tipo de contenido demuestra capacidad de comunicación técnica, una habilidad que muchos JDs de data scientist mencionan explícitamente.

La sección de educación cuando no tienes un máster

Sin un MS en Data Science, Statistics o Computer Science, tu sección de educación necesita apoyo. Estas son las opciones más efectivas:

Certificaciones relevantes — Colócalas justo debajo de tu licenciatura. Las más reconocidas en el mercado latinoamericano e internacional incluyen:

• Google Professional Data Analytics Certificate
• IBM Data Science Professional Certificate (Coursera)
• DeepLearning.AI Machine Learning Specialization (Andrew Ng)
• AWS Certified Machine Learning – Specialty

No listes cada curso individual de Coursera que tomaste. Agrupa por especialización o certifica solo las que completaste al 100 % y tienen examen final.

Formato sugerido para la sección:

Educación
Licenciatura en Ingeniería Industrial — Universidad Nacional, 2019

Certificaciones
Machine Learning Specialization — DeepLearning.AI / Coursera, 2023
Google Data Analytics Certificate — Google, 2022

Si tu licenciatura es en un campo no técnico (administración, economía), no la ocultes. Complementa con las certificaciones y deja que los proyectos hablen por ti.

Análisis de brecha de keywords entre JDs de analista y de data scientist

Las descripciones de trabajo de data scientist contienen términos que raramente aparecen en JDs de analista. Algunos de los más frecuentes:

Término en JD de DS	Equivalente o habilidad de analista
Feature engineering	Transformación y selección de variables
Model deployment / MLOps	Automatización de reportes, APIs básicas
Experiment design / A/B testing	Análisis comparativo, pruebas de hipótesis
Deep learning (PyTorch/TensorFlow)	Posiblemente brecha real — requiere estudio
Statistical modeling	Regresión, series de tiempo, clustering
Data pipelines	ETL, automatización con Python o Airflow

Si el término es una brecha real (como deep learning), no lo pongas en tu CV si no tienes experiencia. Pero sí puedes agregar un proyecto en curso: “Actualmente desarrollando proyecto de clasificación de imágenes con PyTorch”.

Para asegurarte de que tu CV pase los filtros automáticos con los keywords correctos, consulta la guía de optimización ATS y el checklist de resume ATS-friendly.

Estructura recomendada del CV

Para este escenario específico, el orden que funciona mejor es:

1. Encabezado — Nombre, contacto, LinkedIn, GitHub
2. Resumen profesional (3-4 líneas) — Usa el título “Data Scientist” o “Analista de Datos | Aspirante a Data Scientist” si aún no tienes el rol
3. Habilidades técnicas — Python, SQL, scikit-learn, pandas, Tableau/Power BI, estadística, herramientas de ML
4. Experiencia laboral — Redactada con lenguaje de DS donde sea honesto
5. Proyectos — Sección separada con los proyectos de ML
6. Educación y certificaciones

Este orden pone tus habilidades técnicas y proyectos antes de la educación, lo que compensa la ausencia de un máster. Si tu experiencia laboral es escasa, los proyectos pueden ir antes de la experiencia.

Si estás haciendo este cambio desde cero y necesitas orientación más amplia sobre transiciones de carrera, la guía de CV para cambio de carrera tiene contexto adicional útil.

El resumen profesional

Evita frases genéricas como “profesional apasionado por los datos”. Usa el resumen para declarar tu dirección y tus herramientas principales:

Analista de datos con 4 años de experiencia en Python, SQL y modelado estadístico, en transición hacia roles de data scientist. Proyectos independientes en clasificación supervisada y análisis de series de tiempo con scikit-learn y XGBoost. Experiencia en comunicar hallazgos técnicos a equipos de negocio.

Eso dice quién eres, qué sabes hacer y hacia dónde vas — sin adjetivos vacíos.

Antes de enviar

Cada postulación a un puesto de data scientist merece una versión ajustada de tu CV. Revisa los keywords de esa JD específica, asegúrate de que tu sección de proyectos mencione las herramientas que piden y verifica que los enlaces de GitHub funcionen. Un CV genérico enviado a veinte empresas rinde menos que cinco CVs bien calibrados.

Para entender mejor cómo funcionan los sistemas ATS que filtran tu CV antes de que llegue a un humano, lee qué es un ATS y cómo funciona.