Última actualización: 2026-10-16

Contenido de esta página

• ¿Cómo aprender ciencia de datos desde cero?
• Los 6 roles en ciencia de datos: qué hace cada uno
• Tabla: los 6 roles comparados por herramienta, matemática y tiempo
• El orden de aprendizaje común: los 7 tramos
• ¿Cuánta matemática necesita cada ruta?
• Los errores de ruta más caros
• Qué NO hace falta para empezar
• Lo que deja la hoja de vida de un matemático

El 18 de febrero de 2015, la Casa Blanca presentó al primer jefe científico de datos del Gobierno de Estados Unidos [1]. El elegido fue DJ Patil. El anuncio oficial dice que llegaba tras una carrera como científico de datos, «un término que él ayudó a acuñar» [1].

Su formación venía de otro lado. Tenía un pregrado en matemáticas de la Universidad de California en San Diego y un doctorado en matemática aplicada de la Universidad de Maryland [1]. Allí, como estudiante de doctorado y como profesor, usó datos abiertos de la NOAA, la agencia estadounidense que estudia el océano y la atmósfera. Con ellos mejoró el pronóstico numérico del tiempo [1].

Antes de pasar al sector privado trabajó en el Departamento de Defensa de su país [1]. En las empresas pasó, entre otras, por eBay, PayPal, Skype y LinkedIn [1].

Leo esa hoja de vida como una pista para quien empieza. Lo que define a un científico de datos no es un diploma con ese nombre, sino lo que sabe hacer con los datos. Y eso cambia según el puesto.

Por eso esta guía no responde con una sola ruta. La pregunta de cómo aprender ciencia de datos tiene seis respuestas, una por rol, y un tramo inicial que comparten todas.

¿Cómo aprender ciencia de datos desde cero?

Para aprender ciencia de datos desde cero, elija primero el rol al que quiere llegar. Luego recorra siete tramos en orden: fundamentos de datos, hoja de cálculo, SQL (el lenguaje para consultar bases de datos), visualización, programación, estadística y una especialización. Los primeros tramos sirven para cualquier rol. Las rutas se separan al final, cuando cada puesto pide herramientas y matemática distintas.

Qué es la ciencia de datos como disciplina, y cómo es su ciclo de trabajo, lo explica la guía de ciencia de datos. Aquí la pregunta es otra: por dónde empezar y hacia dónde ir.

¿Por qué el rol primero? Porque los oficios de datos no son el mismo oficio con distinto nombre. La Comisión Europea mantiene ESCO, la clasificación europea de ocupaciones y habilidades, que describe qué hace cada oficio [2]. Allí el analista de datos y el científico de datos son dos ocupaciones distintas, cada una con su propia descripción [2][3].

Lo interesante está en las habilidades que la clasificación marca como esenciales. Las dos ocupaciones comparten varias, entre ellas la estadística, los lenguajes de consulta y las técnicas de presentación visual [2][3]. Un lenguaje de consulta es el que se usa para pedirle datos a una base de datos, como SQL.

Ese solape es el tronco común de esta guía. Lo que no se solapa es la especialización, y ahí cada rol toma su camino.

Los 6 roles en ciencia de datos: qué hace cada uno

Los roles en ciencia de datos son seis puestos con entregables distintos. El analista de datos responde preguntas con datos. El analista de BI, o de inteligencia de negocios, mantiene los reportes recurrentes de la empresa. El científico de datos construye modelos que explican o predicen. El ingeniero de datos mueve y ordena los datos. El de machine learning, la rama de los programas que aprenden de ejemplos, pone modelos a funcionar, y el de IA (inteligencia artificial) construye aplicaciones con ellos.

Para describirlos uso dos tipos de documento. Uno es la clasificación ESCO. El otro son las descripciones de puesto que publican Google y Microsoft para sus certificaciones, porque nombran con precisión las tareas. Citarlas no es recomendar que se certifique: es la forma más directa que encontré de mostrar qué pide cada puesto.

Cada rol tendrá su guía propia, en preparación, con su ruta paso a paso. Aquí va lo justo para decidir.

1. Analista de datos. Responde preguntas concretas del negocio con datos. ESCO lo define así: «Los analistas de datos importan, inspeccionan, limpian, validan, modelan o interpretan recopilaciones de datos con respecto a los objetivos empresariales de la empresa» [2]. La misma ficha añade que pueden presentar sus resultados como gráficos y paneles de control [2]. Me parece la puerta natural para quien llega desde la economía, la administración o la contabilidad.

2. Analista de BI. La inteligencia de negocios son los reportes y tableros que una empresa consulta cada semana para decidir. Microsoft describe a su analista de datos de Power BI, su herramienta de tableros, como alguien que trabaja con las áreas de la empresa para identificar lo que necesitan [5]. Usa Power BI para preparar, modelar y visualizar datos [5]. Debe dominar Power Query, para preparar los datos, y DAX, el lenguaje de fórmulas de Power BI [5].

3. Científico de datos. Construye modelos que explican o predicen. Según ESCO, los científicos de datos «se basan en modelos matemáticos que utilizan datos» [3]. También comunican sus conclusiones a especialistas y, si hace falta, a un público no especializado [3]. Es el rol que más estadística pide.

4. Ingeniero de datos. Construye los conductos por donde viajan los datos. Google describe a su ingeniero de datos profesional como quien recopila, transforma, almacena y entrega datos para distintas aplicaciones [4]. También diseña y crea la infraestructura de datos, cuidando el rendimiento y la seguridad [4].

5. Ingeniero de machine learning. Este ingeniero toma esos modelos y los pone a funcionar dentro de sistemas reales. Google dice que crea, evalúa, produce y optimiza soluciones de inteligencia artificial, y que escribe código repetible y reutilizable [6].

6. Ingeniero de IA. Construye aplicaciones con modelos de inteligencia artificial. Lo que a mi modo de ver lo distingue es que suele trabajar con modelos que otros ya entrenaron, en lugar de entrenar los propios. Microsoft describe a su ingeniero de IA como quien crea, administra e implementa agentes y soluciones de IA [7]. Un agente es un programa que usa un modelo de IA para cumplir tareas de varios pasos. Para esa certificación, Microsoft pide experiencia desarrollando aplicaciones con Python, un lenguaje de programación [7].

La diferencia entre los tres roles que más se confunden, analista, científico e ingeniero de datos, tendrá una comparación propia, en preparación.

Tabla: los 6 roles comparados por herramienta, matemática y tiempo

La tabla resume la decisión. La herramienta núcleo es la que más horas ocupa en el día. La matemática exigida es el nivel que hace falta para trabajar sin tropezar, no para investigar; es mi lectura, apoyada en los programas de curso que cito más abajo. El tiempo es mi estimación, no un dato de una fuente, y la puerta de entrada es mi lectura del medio colombiano.

Rol	Herramienta núcleo	Matemática exigida	Tiempo estimado (mi estimación, a 10 horas por semana)	Puerta de entrada típica en Colombia (mi lectura)
Analista de datos	Hoja de cálculo, SQL y una herramienta de tableros; Python después	Aritmética, porcentajes y estadística descriptiva (resumir datos con promedios y gráficos)	6 a 9 meses	Cargos de reportes en finanzas, mercadeo, planeación o entidades públicas
Analista de BI	Power BI con DAX [5], y SQL	La misma del analista, más la lógica de las fórmulas	6 a 9 meses	Contabilidad, finanzas o planeación, donde ya se arman informes en hoja de cálculo
Científico de datos	Python y librerías de estadística y modelos	Probabilidad, estadística inferencial (sacar conclusiones sobre muchos casos a partir de unos pocos) y álgebra lineal básica	12 a 18 meses	Desde un puesto de analista o desde un posgrado con investigación cuantitativa
Ingeniero de datos	Servicios de datos en la nube [4], SQL y Python	Lógica y estructuras de datos; poca estadística	12 a 18 meses desde cero	Desarrollo de software, administración de bases de datos o un analista con SQL fuerte
Ingeniero de machine learning	Python, librerías de modelos y servicios en la nube [6]	Probabilidad, cálculo de varias variables (derivadas de funciones con varias entradas) y álgebra lineal [9]	18 a 24 meses, casi siempre después de otro rol	Desde científico de datos o desde la ingeniería de software
Ingeniero de IA	Python y los servicios que dan acceso a modelos ya entrenados [7]	Probabilidad básica y nociones para evaluar modelos	6 a 12 meses si ya programa; bastante más desde cero	Desarrollo de software web o de servidores

Los tiempos parten de un supuesto: unas 10 horas de estudio por semana, que a ese ritmo suman unas 43 horas al mes. Tomé esa cifra de un programa público colombiano. Talento Tech, del Ministerio de Tecnologías de la Información y las Comunicaciones (MinTIC), pide disponibilidad de hasta 10 horas semanales [11]. Cada uno de sus bootcamps, cursos intensivos y cortos, dura 159 horas [11]. A 10 horas por semana, eso es casi cuatro meses.

Con ese patrón, seis meses de estudio son unas 260 horas. Un año son unas 520. Los rangos sirven para tener las bases del rol, no para dominarlo, y nadie puede prometer un empleo al final de ellos.

Dos filas merecen una advertencia. Google recomienda más de tres años de experiencia en la industria antes de presentar sus certificaciones profesionales de ingeniero de datos y de machine learning [4][6]. Leo ahí una señal honesta: esos puestos rara vez son un primer empleo.

El orden de aprendizaje común: los 7 tramos

El orden de aprendizaje común a todos los roles tiene siete tramos, y cada uno prepara el siguiente. Se empieza por entender qué es un dato y se termina eligiendo una especialización. Ninguno se estudia aquí a fondo: cada tramo tiene su propia guía, y esta solo explica por qué va en ese lugar.

1. Fundamentos de datos. Qué es un dato, una tabla, una fila y una columna, y dónde se guardan. Sin ese vocabulario, todo lo demás se aprende de memoria. Las guías de análisis de datos y de bases de datos son el punto de partida.
2. Hoja de cálculo. Es la herramienta que muchas personas ya usan en su trabajo. Ahí se aprenden filtros, fórmulas y tablas dinámicas con datos propios. Está en la guía de Excel para análisis de datos.
3. SQL. SQL es el idioma para pedirle datos a una base de datos. ESCO lo cuenta, como lenguaje de consulta, entre las habilidades esenciales del analista [2], y por eso va antes que la programación. Está en la guía de SQL.
4. Visualización. Un resultado que nadie entiende no sirve. Este tramo enseña a elegir el gráfico y a armar un tablero, y se practica sin programar. Está en la guía de visualización de datos.
5. Programación. Con Python se automatiza lo que en la hoja de cálculo se hacía a mano. La ruta del lenguaje está en la guía de Python para análisis de datos. Quien vaya hacia la ingeniería sumará las estructuras de datos y los algoritmos.
6. Estadística. Dice cuánto confiar en un resultado. La descriptiva aparece desde la hoja de cálculo; la inferencial se practica mejor cuando ya se programa. Está en la guía de estadística para ciencia de datos.
7. Especialización. Aquí se separan las rutas. Machine learning es para científicos e ingenieros de modelos, y ingeniería de datos y big data, para quienes mueven datos. El gobierno de datos es para quienes cuidan su calidad y su uso.

El orden no es un dogma. Un analista de BI puede pasar del tramo 4 directo al 6 y dejar Python para después. Lo que no conviene es adelantarse: llegar al tramo 7 sin el 3 ni el 6.

Hay una razón de fondo para que la estadística vaya antes que los modelos. La inferencia estadística es sacar conclusiones sobre muchos casos a partir de unos pocos. Un curso de posgrado de machine learning del MIT la toma como punto de partida. Así lo dice el programa del curso de posgrado que dictó el profesor Tommi Jaakkola, con su equipo, en el MIT (el Instituto Tecnológico de Massachusetts) en 2006. Según ese programa, «el tema de fondo del curso es la inferencia estadística, pues proporciona la base de la mayoría de los métodos» que estudia [8].

¿Cuánta matemática necesita cada ruta?

La matemática que pide la ciencia de datos depende del rol. Para analista de datos o de BI basta, al comienzo, la matemática del colegio: porcentajes, promedios y algo de estadística descriptiva. La exigencia sube con los modelos. El ingeniero de machine learning necesita probabilidad, cálculo de varias variables y álgebra lineal, que es la matemática de las tablas de números.

Hay dos pistas públicas de esos extremos. OpenIntro, un proyecto de libros abiertos, publica gratis en PDF un libro de estadística pensado para estudiantes de colegio [10]. En el otro extremo está el curso de machine learning de la Universidad de Stanford, CS229. Pide saber programar en Python, conocer teoría de probabilidad y estar familiarizado con el cálculo de varias variables y el álgebra lineal [9].

De esas dos pistas saco una conclusión sencilla. Quien le teme a la matemática no tiene que renunciar a los datos: tiene que escoger bien el rol de llegada, y estudiar la matemática cuando el tramo la pida. Aprender cálculo por si acaso antes de abrir una hoja de cálculo es una de las formas más caras de perder el impulso.

Los errores de ruta más caros

Los errores de ruta más caros son los que cuestan meses, no los que cuestan una tarde. Casi todos tienen la misma raíz: estudiar en un orden que no corresponde al rol que se busca. Estos son cinco, con la evidencia que los respalda cuando la hay.

1. Empezar por el modelo. Abrir un curso de machine learning sin estadística deja recetas que se aplican sin saber cuándo fallan. El programa del curso del MIT lo deja claro: la inferencia estadística es la base de la mayoría de los métodos que enseña [8].
2. Saltarse SQL para ir directo a Python. Los lenguajes de consulta figuran como habilidad esencial tanto del analista como del científico de datos en la clasificación europea [2][3]. Quien no sabe pedir los datos depende de otra persona para empezar a trabajar.
3. Elegir el rol por el nombre más llamativo. Ingeniero de machine learning o de IA suenan mejor que analista. Pero la certificación de Google para ingenieros de machine learning recomienda más de tres años de experiencia [6], y la de Microsoft para ingenieros de IA pide experiencia previa desarrollando aplicaciones [7].
4. Coleccionar certificados sin un proyecto propio. Un certificado dice que alguien estudió; un proyecto muestra que sabe resolver algo. La guía para armar un portafolio de proyectos de datos está en preparación.
5. Estudiar herramientas sin entender el negocio. La definición de ESCO amarra el trabajo del analista a los objetivos de la empresa [2]. Saber qué decisión depende de un número vale tanto como saber calcularlo.

A mi juicio, el quinto es el más subestimado. Y es donde quien llega desde otra profesión, la economía o la enfermería o la logística, ya trae ventaja.

Qué NO hace falta para empezar

Para empezar a aprender ciencia de datos no hace falta un título con ese nombre, ni un computador potente, ni dominar la matemática avanzada. Tampoco aprender tres lenguajes a la vez. Hace falta un orden, unas horas fijas por semana y un rol de llegada. Lo demás se suma cuando el tramo lo pide.

1. Un título universitario en ciencia de datos. El caso de Patil lo muestra: llegó desde las matemáticas [1]. La oferta formal en Colombia, con pregrados, especializaciones y programas del SENA (Servicio Nacional de Aprendizaje, la entidad pública de formación técnica), tendrá su guía propia, en preparación.
2. Un computador de última generación. Entre los requisitos del programa Talento Tech figura contar con equipo de cómputo o con un dispositivo con acceso a internet [11]. Para los primeros cinco tramos, calculo, alcanza un portátil modesto.
3. Toda la matemática al principio. Como se vio, la exigencia depende del rol [9][10], y en mi lectura llega tarde en la ruta.
4. Varios lenguajes de programación a la vez. Uno basta para los primeros años. La guía de Python para análisis de datos explica por qué Python domina el análisis de datos.
5. Pagar antes de probar. Hay material abierto de calidad, como el libro de OpenIntro citado arriba [10]. El catálogo de cursos gratis de ciencia de datos, con criterio para separar los buenos, está en preparación.

El inglés es un caso aparte. Ayuda mucho, porque buena parte de la documentación técnica está en ese idioma. Pero se puede aprender en paralelo: Talento Tech, por ejemplo, incluye inglés dentro de su formación [11].

Lo que deja la hoja de vida de un matemático

Vuelvo a Patil. Lo que más me dice su historia no es el cargo en la Casa Blanca, sino las paradas: matemáticas, datos del clima, defensa, empresas de internet [1]. Y el nombre del oficio, según el propio anuncio, lo ayudó a poner él [1].

Para Colombia, pienso que eso es una buena noticia. La ruta no exige una carrera nueva ni una matrícula costosa: exige orden y horas. Pero esa misma flexibilidad tiene un costo para quien estudia solo, sin nadie que le diga qué tramo sigue. Ahí, creo, se pierde buena parte del esfuerzo, y ahí es donde un programa público, una universidad regional o un grupo de estudio cambian el resultado.

La pregunta para quien empieza no es qué curso tomar mañana. Es a qué rol quiere llegar, y qué tramo de los siete le toca esta semana.

Preguntas frecuentes

¿Se puede aprender ciencia de datos sin saber programar? Sí, al menos los primeros cuatro tramos de la ruta. La hoja de cálculo, SQL y una herramienta de tableros bastan para producir análisis útiles, y la programación entra en el quinto tramo. Para un analista de BI, por ejemplo, la descripción de Microsoft pide dominar Power BI, Power Query y DAX [5]. En cambio, para científico de datos o para las ingenierías, programar es parte del oficio [3][6][7].

¿Cuánto tiempo se tarda en aprender ciencia de datos desde cero? Depende del rol y del ritmo. Con diez horas por semana, mi estimación va de medio año largo para analista a cerca de dos años para ingeniero de machine learning. El detalle está en la tabla de los seis roles. Como referencia pública, un bootcamp de Talento Tech dura 159 horas [11]. Un curso de ese tamaño cubre un tramo, no una ruta completa.

¿Qué rol de datos le conviene a quien viene de economía, contabilidad o administración? Yo recomendaría analista de datos o analista de BI. Las dos rutas aprovechan lo que esa persona ya sabe: leer estados financieros, entender un indicador y saber qué decisión depende de un número. La matemática que piden de entrada está al alcance del colegio, y la estadística se profundiza después. Desde ahí, si el gusto por los modelos aparece, el paso a científico de datos es natural.

¿Qué diferencia hay entre analista, científico e ingeniero de datos? En una línea: el analista responde preguntas, el científico construye modelos y el ingeniero construye los conductos por donde viajan los datos. ESCO describe al analista y al científico como ocupaciones distintas [2][3], y Google describe al ingeniero por la infraestructura que diseña [4]. La comparación completa, con un mismo caso resuelto por los tres, tendrá su guía.

¿Las guías de cada rol incluirán salarios en Colombia? Sí, pero no esta. Cuánto gana cada rol en Colombia se tratará en guías propias, con fuente y fecha de corte declaradas. Esta página se queda con la decisión de ruta: qué rol, en qué orden y con cuánto tiempo.

Referencias

Las citas en otro idioma son traducción propia.

1. Megan Smith (Oficina de Política Científica y Tecnológica de la Casa Blanca). The White House Names Dr. DJ Patil as the First U.S. Chief Data Scientist, 18 de febrero de 2015 — Patil se incorpora como «Deputy Chief Technology Officer for Data Policy and Chief Data Scientist»; llega tras «an incredible career as a data scientist — a term he helped coin»; trabajó antes en LinkedIn, Greylock Partners, Skype, PayPal y eBay, y antes en el Department of Defense; como estudiante de doctorado y profesor en la Universidad de Maryland usó datos abiertos de la NOAA para mejorar el pronóstico numérico del tiempo; pregrado en matemáticas (UC San Diego) y doctorado en matemática aplicada (University of Maryland College Park). Casa Blanca (archivo): anuncio de DJ Patil como primer Chief Data Scientist — Consultada: 2026-10-16.
2. Comisión Europea. ESCO, clasificación europea de capacidades, competencias, cualificaciones y ocupaciones: analista de datos (código 2511.2) — descripción oficial en español: «Los analistas de datos importan, inspeccionan, limpian, validan, modelan o interpretan recopilaciones de datos con respecto a los objetivos empresariales de la empresa»; «Podrían elaborar informes en forma de visualizaciones, como gráficos, cartas y paneles de control»; habilidades esenciales, entre otras: «estadística», «lenguajes de consulta», «técnicas de presentación visual», «realizar una limpieza de datos». ESCO: analista de datos · ESCO API: ficha del analista de datos en español — Consultada: 2026-10-16.
3. Comisión Europea. ESCO: científico de datos/científica de datos (código 2511.3) — descripción oficial en español: los científicos de datos detectan e interpretan fuentes de datos, gestionan grandes cantidades de datos y crean visualizaciones; «Se basan en modelos matemáticos que utilizan datos», presentan y comunican conclusiones a especialistas y, si fuera necesario, a un público no especializado; habilidades esenciales, entre otras: «estadística», «lenguajes de consulta», «técnicas de presentación visual», «diseñar esquema de base de datos», «desarrollar aplicaciones de procesamiento de datos». ESCO: científico de datos · ESCO API: ficha del científico de datos en español — Consultada: 2026-10-16.
4. Google Cloud. Certificación de Professional Data Engineer — el Professional Data Engineer facilita las decisiones basadas en datos «a través de la recopilación, transformación, almacenamiento y entrega de datos para diversas aplicaciones»; «diseña y crea una infraestructura de datos sólida, optimizada para el rendimiento y la seguridad»; experiencia recomendada: «más de 3 años de experiencia en la industria y más de 1 año de experiencia en el diseño y la administración de soluciones con Google Cloud». Google Cloud: certificación Professional Data Engineer — Consultada: 2026-10-16.
5. Microsoft Learn. Certificación de Microsoft: Asociado Analista de Datos de Power BI (última actualización de la página: 20 de abril de 2026) — «Como analista de datos de Power BI, trabaja estrechamente con las partes interesadas de la empresa para identificar los requisitos empresariales»; usa Power BI para la preparación, el modelado, la visualización y el análisis de datos; «Debe ser experto en el uso de Power Query y expresiones de análisis de datos (DAX)». Microsoft Learn: Analista de Datos de Power BI — Consultada: 2026-10-16.
6. Google Cloud. Certificación Professional ML Engineer — «Un Professional Machine Learning Engineer crea, evalúa, produce y optimiza soluciones de IA»; «controla conjuntos de datos grandes y complejos, y crea código repetible y reutilizable»; experiencia recomendada: «más de 3 años de experiencia en la industria, incluidos uno o más años en el diseño y la administración de soluciones con Google Cloud». Google Cloud: certificación Professional Machine Learning Engineer — Consultada: 2026-10-16.
7. Microsoft Learn. Certificación de Microsoft: Desarrollador asociado de aplicaciones y agentes de IA de Azure (Azure AI Apps and Agents Developer Associate, rol: ingeniero de IA) — el candidato es un ingeniero de inteligencia artificial que «crea, administra e implementa agentes e soluciones de inteligencia artificial»; «debe tener experiencia en el desarrollo de aplicaciones mediante el uso de Python». Microsoft Learn: aplicaciones y agentes de IA de Azure — Consultada: 2026-10-16.
8. MIT OpenCourseWare. 6.867 Machine Learning, otoño de 2006, profesor Tommi Jaakkola (con Rohit Singh y Ali Mohammad), programa del curso (nivel de posgrado) — «The underlying theme in the course is statistical inference as it provides the foundation for most of the methods covered». MIT OpenCourseWare: 6.867 Machine Learning, programa — Consultada: 2026-10-16.
9. Stanford University. CS229: Machine Learning, edición de verano de 2026, requisitos previos — programar en Python/NumPy al nivel de CS106A o CS106B; «familiarity with probability theory» al nivel de CS 109 o MATH151; «familiarity with multivariable calculus and linear algebra» al nivel de MATH51 o CS205L. Stanford: CS229 Machine Learning — Consultada: 2026-10-16.
10. OpenIntro. Advanced High School Statistics — libro abierto de estadística con PDF gratuito para estudiantes de colegio («FREE — 4th Edition PDF for High School Students»); el proyecto publica «Intro textbooks for H.S. and college». OpenIntro: Advanced High School Statistics — Consultada: 2026-10-16.
11. Ministerio de Tecnologías de la Información y las Comunicaciones (MinTIC). Talento Tech, portal y preguntas frecuentes — el proyecto «formó a más de 100 mil personas en habilidades digitales» con bootcamps de análisis de datos, programación, blockchain, arquitectura en la nube, inteligencia artificial y ciberseguridad; la formación incluye «habilidades digitales avanzadas, habilidades blandas, inglés y desarrollo de proyectos»; requisitos: mayores de 18 años, prueba de habilidades digitales, «disponibilidad para el desarrollo de la formación de hasta 10 horas semanales» y «equipo de cómputo o disponibilidad de este, dispositivo móvil o electrónico con acceso a internet»; duración de los bootcamps: «159 horas»; las preinscripciones de la primera convocatoria cerraron el 18 de diciembre de 2023, para formar en 2024. MinTIC: portal Talento Tech — Consultada: 2026-10-16.

Cómo investigamos esta página

• Pregunta que responde: Cómo aprender ciencia de datos según el rol de llegada: qué hace cada rol, en qué orden se estudia y cuánto puede tardar.
• Fuentes: identificadas 21 → incluidas 11
• Criterios de inclusión: clasificación europea de ocupaciones ESCO, descripciones de puesto de Google y Microsoft, programas de curso de MIT y Stanford y el programa Talento Tech del MinTIC; nada de blogs de cursos ni portales de empleo.
• Fecha de corte de los datos: 2026-10-16