Data science con IA en 2026: ruta práctica para empezar desde cero

"Data scientist" lleva más de una década en las listas de profesiones con futuro, y en 2026 la IA generativa ha añadido una pregunta incómoda: ¿merece la pena aprender ciencia de datos si ChatGPT ya escribe el código? La respuesta corta es que sí, pero cambia qué se aprende y cómo. Las empresas valoran cada vez menos a quien sabe la sintaxis de memoria y cada vez más a quien sabe formular la pregunta correcta, limpiar datos reales, detectar resultados absurdos y explicar conclusiones a gente que no sabe estadística.

En esta guía te damos una ruta ordenada para empezar desde cero, con recursos gratuitos, el papel real que debe tener la IA en tu aprendizaje y los proyectos que necesitas para buscar trabajo.

Hemos revisado los planes de estudio de cursos gratuitos de referencia (Kaggle Learn, la documentación oficial de pandas y scikit-learn, cursos universitarios abiertos), datos de empleo publicados y ofertas de trabajo habituales en España. No incluimos enlaces de afiliado ni recomendamos cursos de pago concretos.

La ciencia de datos consiste en extraer conclusiones útiles de los datos para tomar decisiones. En la práctica, el trabajo se reparte así:

• Entender el problema: qué quiere saber el negocio y cómo se mide.
• Obtener y limpiar datos: la parte que más tiempo consume, a menudo más de la mitad.
• Explorar y visualizar: buscar patrones, errores y relaciones.
• Modelar: aplicar estadística o machine learning cuando aporta.
• Comunicar: explicar resultados con gráficos y lenguaje claro.

No es lo mismo que ingeniería de datos (construir y mantener las tuberías de datos) ni que ingeniería de machine learning (llevar modelos a producción), aunque se solapan. Tampoco es lo mismo que análisis de datos, que suele centrarse en informes y métricas de negocio y es, de hecho, la puerta de entrada más habitual.

Usar un asistente de IA puede acelerar mucho tu aprendizaje o arruinarlo. La diferencia está en cómo lo usas.

• Para explicarte un concepto con otro ejemplo cuando el curso no lo deja claro.
• Para interpretar un error: pega el mensaje y pide que te explique la causa, no solo la solución.
• Para revisar tu código: "¿Qué harías distinto en este análisis y por qué?".
• Para generarte ejercicios: "Dame cinco ejercicios de pandas de dificultad creciente sobre agrupaciones".

• Si copias el código sin entenderlo, no aprenderás a depurar, que es lo que más se hace en el trabajo.
• La IA se equivoca con estadística con bastante seguridad: puede proponer pruebas incorrectas o interpretar mal un p-valor.
• En una entrevista técnica no tendrás asistente, o tendrás que explicar cada línea.

Una regla útil: intenta resolver tú primero durante 15–20 minutos y después pide ayuda a la IA.

• "Explícame qué es una regresión lineal como si tuviera conocimientos de bachillerato, con un ejemplo de precios de pisos en Madrid."
• "Este es mi código y este es el error. No me des la solución todavía: dame una pista."
• "Tengo este conjunto de datos [describe columnas]. Propón cinco preguntas de negocio interesantes que pueda responder."
• "Revisa este análisis como si fueras un científico de datos senior. Señala errores de razonamiento estadístico."

Esta ruta asume unas 8–10 horas semanales. Si dedicas más, irás más rápido; si dedicas menos, alarga los plazos, pero no te saltes pasos.

• Variables, tipos, listas, diccionarios, bucles, funciones.
• Trabaja en Google Colab para no tener que instalar nada.
• Recursos: curso de Python de Kaggle Learn y el tutorial oficial de Python.
• Objetivo: escribir un script que lea un archivo y calcule algo sencillo.

• Leer CSV y Excel, filtrar, agrupar, unir tablas, tratar valores nulos.
• Es lo que más vas a usar en el trabajo.
• Recursos: curso de pandas de Kaggle Learn y la guía "10 minutes to pandas" de la documentación oficial.
• Objetivo: limpiar un conjunto de datos real y desordenado, por ejemplo de datos.gob.es.

• SELECT, WHERE, GROUP BY, JOIN, subconsultas y funciones de ventana.
• En muchas ofertas de analista, SQL pesa más que Python.
• Recursos: cursos de SQL de Kaggle Learn y SQLBolt.
• Objetivo: responder diez preguntas de negocio sobre una base de datos de ejemplo.

• Media, mediana, dispersión, distribuciones, correlación frente a causalidad, intervalos de confianza, pruebas A/B.
• Visualización con matplotlib y seaborn; nociones de Power BI o Looker Studio.
• Recursos: Khan Academy para estadística y la galería de ejemplos de seaborn.
• Objetivo: un análisis exploratorio completo con conclusiones escritas.

• Regresión, clasificación, árboles, validación cruzada, sobreajuste, métricas.
• Biblioteca: scikit-learn, con una documentación excelente.
• Recursos: cursos de machine learning de Kaggle Learn y la guía de usuario de scikit-learn.
• Objetivo: un modelo que prediga algo, bien evaluado y explicado.

• Elige un problema real que te interese.
• Publica el código en GitHub con un README claro.
• Escribe un resumen de una página para alguien no técnico.

Los reclutadores ven cientos de proyectos con el conjunto de datos del Titanic. Diferénciate con datos reales y cercanos:

1. Análisis del precio de la vivienda o del alquiler en tu ciudad con datos abiertos del INE o de tu ayuntamiento. 2. Panel de calidad del aire o del tráfico con datos de los portales de datos abiertos municipales. 3. Modelo de predicción sobre un problema de negocio simulado: abandono de clientes, demanda de un producto o detección de anomalías.

En cada proyecto, explica la pregunta, cómo limpiaste los datos, qué decisiones tomaste, qué limitaciones tiene y qué harías con más tiempo.

Revisando ofertas de analista y científico de datos júnior en portales españoles, se repite un patrón:

• SQL aparece casi siempre.
• Python con pandas, muy a menudo.
• Una herramienta de visualización (Power BI destaca en España).
• Inglés de nivel intermedio o alto.
• Capacidad de comunicar resultados.
• Cada vez más, experiencia usando IA generativa y nociones de cómo integrarla (por ejemplo, llamar a una API de un modelo de lenguaje).

Un título universitario en matemáticas, estadística, informática o ingenierías ayuda, pero no es imprescindible para puestos de analista si tienes un portfolio sólido.

• Autodidacta con recursos gratuitos: suficiente para los primeros seis meses y para saber si te gusta. Requiere disciplina.
• Bootcamp: aporta estructura y comunidad, pero los precios son altos. Pide datos verificables de empleabilidad antes de pagar.
• Máster universitario: útil si buscas puestos de científico de datos en grandes empresas o investigación. Más caro y largo.

Nuestra recomendación: empieza gratis. Si después de tres meses te sigue gustando, valora si necesitas estructura de pago.

• Empezar por deep learning. Primero datos, SQL y estadística.
• Coleccionar cursos sin hacer proyectos.
• No aprender Git.
• Ignorar la comunicación: un análisis que nadie entiende no sirve.
• Delegar todo en la IA y no saber explicar tu propio código.

Una vez que domines lo básico, la IA se convierte en parte de tu caja de herramientas profesional. Estas son las formas más habituales de usarla en 2026 en equipos de datos:

• Generar consultas SQL a partir de una pregunta en lenguaje natural, que luego revisas y optimizas.
• Documentar código y cuadernos de forma automática.
• Clasificar o etiquetar textos (reseñas, incidencias, correos) llamando a la API de un modelo de lenguaje, algo que antes exigía entrenar un modelo propio.
• Resumir resultados para informes ejecutivos.
• Crear datos sintéticos para pruebas, sin exponer datos personales reales.

Aprender a llamar a una API de un modelo de lenguaje desde Python, y a evaluar si sus respuestas son fiables, es hoy un valor añadido claro en un currículum de datos. Pero sigue el mismo principio que al aprender: nunca des por bueno un resultado que no puedas comprobar.

Imagina que trabajas en una cadena de tiendas y te piden saber por qué han bajado las ventas en una región:

1. Hablas con el equipo comercial para concretar la pregunta: ¿bajan todas las tiendas o solo algunas? ¿Desde cuándo? 2. Sacas los datos con SQL de la base de ventas y los cruzas con el calendario de promociones. 3. Limpias en pandas: tiendas que cerraron, días con errores de caja, cambios de código de producto. 4. Visualizas la evolución por tienda y categoría. 5. Descubres que la caída se concentra en dos tiendas con obras en la calle durante tres meses. 6. Lo explicas en una diapositiva con un gráfico y una recomendación.

No hubo machine learning, y aun así fue trabajo de datos valioso. La mayor parte del día a día se parece más a esto que a entrenar redes neuronales.

Para empezar, no. Con estadística básica y álgebra de bachillerato puedes hacer análisis útiles. Para puestos de investigación o modelos complejos, sí necesitarás más.

Python. R sigue siendo muy bueno para estadística y está presente en investigación y salud, pero Python domina en la industria y tiene más ofertas.

Está automatizando partes del trabajo, como escribir código repetitivo o generar gráficos. Lo que no automatiza bien es entender el negocio, juzgar la calidad de los datos y decidir qué análisis tiene sentido. Esas son las habilidades que más se valoran.

Depende de tu punto de partida y del mercado. Con seis meses de estudio constante y un buen portfolio puedes optar a puestos júnior de analista; el primer empleo suele ser la parte más difícil.

La ciencia de datos sigue mereciendo la pena en 2026, pero ya no basta con saber escribir código. Aprende en orden (Python, pandas, SQL, estadística, machine learning), usa la IA como tutor exigente y no como chuleta, y construye tres proyectos con datos reales. Todo lo que necesitas para empezar es gratuito.