Analista de Datos: Convertí los datos en las decisiones que la dirección de verdad toma. Y volvete el analista que nombran primero cuando se habla de ascensos y aumentos.

Description

SQL: Volvete el revisor que la IA no puede reemplazar, el que detecta el SQL que corre limpio pero devuelve la respuesta equivocada

Este libro te entrena para ser el revisor de SQL vibe-codeado, no para memorizar la sintaxis. Arranca desde una premisa distinta a la de cualquier otro libro de SQL: el agente escribe las queries, y tu palanca es entender qué hace en realidad la base de datos para poder revisarlo con el criterio que el motor no tiene. Vas a aprender por qué una tabla relacional es un conjunto y por qué pensar en conjuntos es todo el juego, el orden en que el motor evalúa de verdad una query, cómo se ejecutan realmente los joins y los índices y cuándo un índice es inútil, la lógica de tres valores que hace del NULL el bug de resultado-silenciosamente-incorrecto más común en SQL, cómo leer un plan de ejecución como la verdad de fondo que la query esconde, y cómo se comportan las transacciones, el aislamiento y las migraciones bajo concurrencia y escala reales, y vas a aprender todo eso como lo necesita un revisor: leyendo queries reales que el agente generaría y decidiendo qué está bien, qué es plausible pero peligroso y qué hay que devolver. La progresión va de revisar una sola query y un solo índice, a revisar un esquema y sus restricciones, a revisar cómo se comporta toda la carga de trabajo bajo presión y dónde se va a romper. Acá casi no hay ejercicios de sintaxis y sí mucho sobre el modelo relacional, la ejecución de queries, la integridad de los datos y las formas específicas en que el SQL de un agente sale mal. Para ingenieros que van a vibe-codear SQL de todas formas y quieren ser los que cazan lo que se le escapó al modelo.

ANALISTA DE DATOS CON IA: SQL, estadística y decisiones basadas en datos, en plena era de la IA

Este libro te entrena para ser el revisor y el que decide sobre los datos, no para memorizar otra herramienta. Arranca desde una premisa distinta a la de cualquier otro libro de analítica: el agente escribe las queries, el pandas y el primer borrador del gráfico, y tu valor es el criterio que la herramienta no tiene. Vas a aprender a encontrar la pregunta detrás de la pregunta que el stakeholder realmente hizo, a interrogar si se puede confiar en los datos antes de citarlos, a seguir un número hacia atrás por el pipeline y el warehouse hasta donde se pudo romper, a definir una métrica para que signifique lo que vos creés, y a usar solo la estadística que un analista de verdad necesita. Vas a aprender a diseñar un experimento que se pueda creer, a leer un p-value por lo que sí y lo que no te permite afirmar, a cazar el sesgo, el confounding y la paradoja de Simpson que dan vuelta un resultado, y a bajarle el verbo a una correlación hasta la afirmación que su diseño realmente sostiene. Después vas a aprender a elegir el gráfico que dice la verdad en lugar del que la maquilla, a convertir un hallazgo en una decisión que un ejecutivo ocupado va a tomar, y a manejar datos de usuarios dentro de la ley de privacidad y sin dejar que un modelo sesgado lave un daño viejo y lo meta en una decisión nueva. La progresión va de revisar un solo número, a revisar un experimento y una inferencia, a revisar cómo toda la historia llega a una decisión y si esa decisión es justa. Acá casi no hay sintaxis de herramientas y sí mucho sobre preguntas, confianza, inferencia, comunicación y las formas específicas en que el análisis de un agente sale mal. Para el analista que va a vibe-analizar de todas formas y quiere ser el que caza lo que se le escapó al modelo.

PYTHON: Volvete el revisor que la IA no puede reemplazar, el que caza los bugs que corren pero están mal y firma lo que va a producción

Este libro te entrena para ser el revisor de Python vibe-codeado, no para memorizar el lenguaje. Arranca desde una premisa distinta a la de cualquier otro libro de Python: el agente escribe el código, y tu palanca es entender qué hace ese código en realidad para poder revisarlo con el criterio que el intérprete no tiene. Vas a aprender a qué se liga en realidad un nombre y por qué el aliasing y la mutabilidad causan los bugs que causan, qué verifica y qué no verifica un type hint, qué está haciendo en realidad el event loop detrás de async y await, por qué el global interpreter lock hace que tus threads no sean el paralelismo que creés, qué hacen realmente un ORM y un pool de conexiones, y cómo las piezas se integran en un servicio que corre, y vas a aprender todo eso como lo necesita un revisor: leyendo código real que el agente generaría y decidiendo qué está bien, qué es plausible pero peligroso y qué hay que devolver. La progresión va de revisar un solo objeto y un solo nombre, a revisar un componente como la capa de datos o el pipeline de requests, a revisar cómo encaja todo el sistema y dónde se va a romper bajo carga real. Acá casi no hay ejercicios de sintaxis y sí mucho sobre el modelo de objetos, concurrencia, fallas y las formas específicas en que el Python de un agente sale mal. Para ingenieros que van a vibe-codear en Python de todas formas y quieren ser los que cazan lo que se le escapó al modelo.

VISUALIZATION: Aprendé a visualizar datos: elegí el gráfico correcto y armá dashboards que la gente de verdad lee y usa para decidir

Esta guía te muestra cómo convertir datos en una imagen que deja su punto en segundos, para que tu análisis de verdad cambie una decisión en vez de que lo asientan con la cabeza y lo ignoren. Arranca desde la idea de que cada gráfico es un argumento y construye el criterio para ganarlo: cómo elegir el gráfico correcto para la pregunta (comparación, tendencia, distribución, parte-todo, correlación) en vez de caer siempre en el gráfico de barras, cómo usar la posición, la longitud y el color como funciona de verdad la percepción, cómo despojar al gráfico hasta su mensaje cortando la basura que lo esconde, cómo usar el color con intención y mantenerlo legible para todos, y cómo evitar las distorsiones (ejes truncados, ejes dobles, áreas engañosas) que hacen que un gráfico mienta sin querer. Después construye: diseñar un dashboard con una jerarquía que la gente pueda escanear, contar una historia con una secuencia de gráficos, y la línea honesta entre una simplificación clara y una engañosa. El libro es agnóstico de herramienta a propósito, con ejemplos que aplicás en cualquier librería o herramienta de BI. Te enseña a hacer el gráfico correcto, sacar lo que no sirve al mensaje, y diseñar para quien lee con poco tiempo, para que a tus datos les crean y actúen sobre ellos. Para analistas e ingenieros que quieren que sus gráficos convenzan, no solo que existan.

ETL: Construí pipelines de datos que funcionan: extraé, transformá, cargá, orquestá con Airflow y confiá en lo que sale

Esta guía te muestra cómo construir pipelines de datos en los que un negocio puede confiar, los que corren cada noche, sobreviven a un origen roto y dejan el warehouse correcto en vez de a medio actualizar. Arranca desde la forma del problema (extraer de algún lado, reformatear, cargar en algo consultable) y construye las prácticas que separan una pila de scripts de cron de un pipeline real: cómo extraer de forma incremental en vez de recargar todo, cómo transformar de una manera que puedas testear y que falle fuerte ante datos malos, la elección entre ELT y ETL y cuándo empujar el trabajo al warehouse, idempotencia y backfills para que un rerun sea seguro y un hueco se pueda rellenar, orquestación con Airflow (DAGs, schedules, reintentos, dependencias y sus trampas), chequeos de calidad de datos que atrapan la carga rota antes que el dashboard, y el monitoreo que te avisa que un pipeline paró en silencio. El libro no recorre cada herramienta. Te enseña a diseñar un pipeline incremental, idempotente, testeado y observable, para que los números aguas abajo sean confiables y una falla a las 2 de la mañana sea un reintento, no una caída. Para ingenieros y analistas que mueven datos y quieren que lleguen correctos, a tiempo, todas las veces.

VIBE CODING: Volvete el programador que la IA multiplica en vez de reemplazar, el que aporta el juicio que a la máquina todavía le falta

Esta guía revela el secreto que separa al programador que la IA reemplaza del que vuelve imprescindible: el vibe coding no es una colección de prompts, es ingeniería de software con la IA adentro del loop. Sobre esa premisa, el libro dedica un capítulo a cada una de las ocho disciplinas que tenés que traer a la mesa (fundamentos sólidos, programación asistida por IA, visión de diseño de sistemas, profundidad para depurar, disciplina de testing, criterio de code review, entendimiento del producto y responsabilidad sobre los resultados) y muestra, en cada una, dónde la IA falla sola y qué aporta tu juicio para que no falle. No es teoría: cada disciplina baja a tierra con escenarios concretos, y al final tenés un kit operativo (los errores más caros con su versión corregida, plantillas de prompts, checklists para antes de promptear y antes de mergear, casos reales de antes y después, y un manual de una página) para tener al lado mientras trabajás. Para ingenieros que están empezando y quieren que la IA les multiplique el valor en lugar de volverlos prescindibles.

TABLEAU: Convertí una pila de tablas en el dashboard que la dirección abre cada mañana, con números que coinciden exacto con la fuente de verdad, y volvete el analista al que el equipo mira cuando hay que decidir

Este libro te lleva de alguien que sabe hacer un gráfico en Tableau al analista al que la dirección le abre los dashboards todas las mañanas para decidir. Arranca donde arranca el miedo, con el dashboard que estaba mal en la reunión, y construye lo que evita que vuelva a pasar: números que podés rastrear, un modelo que no miente, y una vista que un director puede usar sin vos parado atrás. Vas a construir un solo set de dashboards a lo largo de todo el libro, uno real para una empresa SaaS que se llama Lumen, y lo vas a llevar de una pila de tablas exportadas a la fuente de verdad contra la que planifica el equipo de dirección. Vas a conectarte a los datos y a decidir, con razones, cuándo hacer un extract y cuándo consultar en vivo, y a armar el data model para que las órdenes nunca se multipliquen ni inflen los totales. Vas a aprender a elegir la marca que responde la pregunta en lugar de girar la ruleta del selector de gráficos, y a armar un dashboard que responde, con filtros, actions y drill-down, para que el director encuentre su propia respuesta en vez de escribirte. Vas a escribir cálculos y expresiones level-of-detail que cierran con la fuente de verdad al centavo, así la reunión donde dos dashboards no coinciden deja de pasar. Y lo vas a publicar en Server o Cloud, hacerlo lo bastante rápido como para que nadie lo abandone, y ponerlo delante de la gente que decide, con subscriptions que les dejan el número en la casilla antes de que lo pidan. Para el final el dashboard es confiable, los números cierran, carga antes de que alguien se rinda, y cuando hay que decidir el equipo mira tu vista. Para el analista que tiene que construir los dashboards con los que se maneja la empresa, y quiere ser el motivo por el que puede manejarse con ellos.

LOOKER: Definí cada métrica una sola vez en una capa modelada, así toda la empresa consulta los mismos números, dejá que cada uno arme sus dashboards sin romper los totales, y volvete la persona con la que nadie discute qué significa la facturación

Este libro te lleva de la persona que escribe cada reporte a la persona dueña de la única definición que todos los demás usan. Arranca donde arranca el dolor, en la reunión donde dos dashboards no coinciden, y construye la idea sobre la que gira todo el libro: una métrica se define una sola vez, en una capa modelada, y se calcula igual en todos lados donde aparece. Vas a construir un modelo real a lo largo del libro, para una empresa de una app de fitness online que se llama Cadence, y lo vas a llevar de un montón de queries que se contradicen a una capa gobernada de la que toda la empresa se sirve sola. Vas a definir dimensiones y measures una sola vez en LookML para que ‘usuario activo’ y ‘revenue mensual’ signifiquen exactamente una cosa, vas a cablear los joins para que un explore le deje a un colega no técnico hacer su propia pregunta sin escribir SQL, y vas a armar dashboards y reportes que la gente corre sola en vez de hacer cola detrás tuyo. Vas a ver por qué una métrica gobernada le gana al número propio de cada uno, y cómo mantener la capa honesta a medida que las definiciones cambian. Después la vas a hacer llegar más lejos con Looker Studio, la herramienta gratis que convierte una fuente modelada o una tabla cruda en un dashboard para compartir en minutos, con los controles de sharing, embedding y permisos que deciden quién ve qué. Para el final, una métrica significa una cosa, la gente responde sus propias preguntas, y cuando alguien pregunta por qué el revenue es el que es, la respuesta está en el modelo y no en tu cabeza. Para el analista que quiere que la empresa entera confíe en un solo conjunto de números, y quiere ser el motivo por el que puede.

ESTADÍSTICA: Convertí los números que sacás en números que podés defender: que el promedio deje de mentirle a la reunión, que el A/B test se sostenga, y que te vuelvas el analista al que la dirección le cree cuando hay que decidir

Este libro te lleva de un analista que sabe producir un número a uno que puede bancárselo en la sala donde se toma la decisión. Arranca donde arranca el dolor, con un número dicho con seguridad que resultó ser mentira para la decisión, y construye los seis juicios que evitan que te pase a vos. Vas a trabajar sobre una empresa a lo largo de todo el libro, Lumen, un negocio de cajas por suscripción, y a responder las preguntas sobre las que su dirección de verdad discute: cuánto vale en serio un usuario de Lumen, si el flujo de onboarding nuevo movió algo, por qué saltó el churn, y cómo pinta el trimestre que viene. Vas a aprender a describir los datos con honestidad, para saber cuándo el promedio dice la verdad y cuándo la mediana o la forma entera es la única respuesta honesta. Vas a aprender que un número sacado de una muestra es en realidad un rango, y cómo decir qué tan ancho es ese rango en vez de tirar una sola cifra con una seguridad falsa. Vas a aprender a distinguir una diferencia real de la suerte sin ahogar a la sala en jerga, qué afirma de verdad un p-value y qué no, y cómo diseñar un A/B test que pueda responder la pregunta antes de gastar seis semanas corriendo uno que no puede. Vas a aprender la trampa que quema a más analistas que ninguna otra, llamar causa a una correlación y habilitar una decisión que los datos nunca sostuvieron, y cómo detectarla en tus propios gráficos antes de que la detecte otro. Y vas a aprender a construir un modelo que a la vez explique qué empuja el churn y pronostique lo que viene, con honestidad, con su incertidumbre pegada en vez de escondida. Para el final no vas a tener solo el número. Vas a saber cuánto confiar en él, cómo decirlo en voz alta, y cómo ser la persona en la sala a la que los números le aguantan después de que la reunión termina. Para el analista cansado de rezar para que nadie haga la repregunta, y que quiere ser el que ya tiene la respuesta.

METABASE: Convertí una base de datos que solo vos sabés leer en dashboards que toda la empresa abre sola, dejá de ser el que todos buscan para que corra otra vez el mismo reporte, y volvete esa persona cuyos números el negocio usa de verdad para decidir

Este libro te lleva de alguien que sabe armar un gráfico a alguien que construye los dashboards que una empresa entera usa sola y en los que confía. Arranca donde arranca la frustración, con el dashboard que nadie usó y el reporte que te seguían pidiendo re-correr, y le pone nombre a lo que ningún tutorial de Metabase nombra: la parte difícil nunca fueron los gráficos, fue lograr que la gente no técnica pudiera responder sus propias preguntas y creer la respuesta. Vas a construir un Metabase real a lo largo del libro, para un retailer de artículos para el hogar que se llama Fernwood, y lo vas a llevar de una base cruda que solo vos sabés leer a un conjunto de dashboards que el equipo de ventas, el de operaciones y la CEO abren solos cada mañana. Vas a conectar la base de Fernwood y modelar una capa semántica encima, para que la gente haga clic en nombres amigables y columnas limpias en vez de adivinar sobre tablas crudas, y aprender dónde el query builder es la herramienta correcta y dónde bajás a SQL. Vas a armar preguntas y convertirlas en dashboards con filtros y drill-through que respondan lo que alguien de verdad vino a preguntar, así ‘mostrame el mes pasado’ o ‘por qué bajó este número’ es un clic, no un mensaje de Slack para vos. Vas a definir métricas una sola vez, para que revenue signifique una sola cosa en toda la empresa, y armar subscriptions y alerts para que el dashboard vaya hacia la gente en vez de esperar a que la visiten. Y lo vas a hacer autoservicio y confiable: permisos para que la gente correcta vea los datos correctos, embedding para que un dashboard viva adentro de otra herramienta, y el trabajo de performance que mantiene un dashboard compartido rápido cuando cincuenta personas lo cargan a las nueve de la mañana. Para el final nadie te escribe para que vuelvas a correr un reporte, los números cierran, y los dashboards son eso que la gente usa para decidir. Para el analista o ingeniero que tiene que hacer que una empresa se sirva sola, y quiere ser el motivo por el que puede.

DBT: Convertí las tablas crudas del warehouse en números que la gente se cree. Escribí tus transformaciones como modelos SQL versionados, ordená el staging en marts, testeá los datos antes de que salgan y desplegá todo en CI como software de verdad

Este libro te muestra cómo convertir un warehouse lleno de tablas crudas en un conjunto de números que una empresa decide con confianza. Arranca desde el quilombo en el que vive la mayoría de la analítica: SQL correcto desparramado en scripts y notebooks, sin orden, sin tests, y sin forma de reproducirlo. Después construye la disciplina que separa esa pila de un codebase de analítica de verdad. Vas a aprender a escribir cada transformación como un model, un SELECT de SQL plano que dbt convierte en una tabla o una vista, y dejar que la herramienta arme el grafo de dependencias para que tus models siempre corran en el orden correcto. Vas a ordenar las fuentes crudas en models de staging finitos que limpian y renombran, y de ahí en marts que guardan las definiciones de negocio que comparte toda la empresa, así “revenue” y “usuario activo” significan una cosa en un solo lugar. Vas a escribir tests que rompen el build cuando una clave no es única o un valor se va a null, y a declarar contracts para que una columna que cambia de forma arriba rompa el pipeline en vez del dashboard. Vas a tener lineage y documentación gratis desde el mismo código, y a hacer incrementales los models pesados para que una corrida nocturna cueste minutos en vez de un rebuild entero. Cierra con cómo entregar esto como software: control de versiones, un pull request, una corrida de CI que buildea y testea cada model sobre una muestra antes de que llegue a producción, y el rol de analytics engineering que es dueño de la costura entre los datos crudos y el número en el que la gente confía. El libro no hace un tour por cada feature de dbt. Te enseña a construir una capa de transformación ordenada, testeada, documentada y desplegada, así la cifra del dashboard es reproducible y defendible en vez de una query que alguien corrió una vez y rezó que estuviera bien. Para el analista o ingeniero que quiere dejar de ser la persona de la que depende el número y volverse la que construyó el sistema del que sale.

CLAUDE: Dejá de usar Claude Code como un chat que de paso escribe código. Manejalo como el ingeniero agéntico que es, en la terminal, tu editor, el escritorio y el CI, y va a entregarte un día de laburo en una hora sin dejarte un despelote atrás

Esta guía enseña la habilidad duradera detrás de Claude Code: no una lista de features que para el trimestre que viene ya cambiaron, sino cómo manejar una herramienta agéntica de programación para que haga trabajo real en el que podés confiar. Arranca donde está el dolor (el día que te salvó y el día que te quemó) y después recorre los siete movimientos que separan al que opera del que la herramienta pasa por arriba. Vas a configurarla en todos los entornos y saber cuándo ir a la terminal, cuándo a tu editor, cuándo al escritorio y cuándo al navegador. Vas a darle el contexto una vez (un archivo de memoria del proyecto, el repo, un plan acordado antes de que toque el código) para que deje de repreguntar y de adivinar. Vas a manejar una sola tarea como corresponde, leyendo el diff y guiando, para que un buen cambio nunca se vuelva un desparramo malo. Vas a poner los permisos para que vuele en lo seguro y frene en lo peligroso, y decidir qué autoaprobar y qué frenar. Vas a correr trabajo en paralelo (subagentes, varias sesiones, worktrees aislados) sin que las piezas choquen. Vas a extenderla con los conectores, los hooks y los comandos que la hacen encajar en tu stack. Y vas a meterla en el CI para que revise, arregle y responda issues sola mientras no la mirás. Cierra con en quién te convertís cuando todo esto es automático: el ingeniero que entrega más, confía en lo que sale y vale más porque la máquina le multiplica el criterio en vez del despelote. Para el ingeniero que quiere que Claude Code se sienta una palanca, no una tragamonedas.

COMUNICAR: El update que nadie te tiene que ir a pedir. Avisás que estás trabado antes de que cueste una semana, das una fecha que después sostenés, sacás la mala noticia mientras todavía es chica y contás tu trabajo para que lo vea la gente que decide los aumentos

Este libro trata sobre la habilidad que decide si tu buen trabajo se llega a ver alguna vez: contarle a la gente que te rodea en qué anda la cosa, seguido y con honestidad, antes de que te lo tengan que ir a pedir. Arranca desde una verdad incómoda. Dos ingenieros hacen un trabajo igual de bueno; al que lo comunica claro lo confían, lo ascienden y le pagan más, y al callado lo dejan pasar, y esto no es injusto: es una señal que el callado nunca mandó. De ahí en adelante despliega un pequeño sistema operativo de comunicación honesta que vas a poder correr el resto de tu carrera. Vas a aprender a armar el estado que nadie te tiene que perseguir, con un ritmo que hace que tu manager deje de preguntarse dónde estás. Vas a aprender a avisar que estás trabado en el momento en que te trabás, en vez de esconderlo hasta que es una crisis, y por qué el que pide ayuda temprano se ve más fuerte, no más débil. Vas a aprender a dar una fecha en la que de verdad creés y a corregirla en el instante en que se corre, así tu palabra sigue valiendo algo. Vas a aprender a sacar la mala noticia mientras todavía es chica, con la forma que hace que confíen más en vos por haberla dicho. Vas a aprender a escribir como lee un ejecutivo apurado, así lo único que importa entra en la primera línea y el pedido es imposible de pasar por alto. Y vas a aprender a hacer visible tu trabajo sin fanfarronear, contando la historia de qué cambió gracias a él, y a estar en desacuerdo de un modo que te hace respetar y quedar registrado en vez de resentido. Cada regla es un hábito, planteado para que sepas exactamente cómo se ve cuando lo estás haciendo bien. Cierra con el ingeniero en que te convertís cuando nada de esto te cuesta esfuerzo: ese al que la conducción le confía lo importante, porque siempre sabe en qué estado está. Para el ingeniero cansado de ver a peores comunicadores adelantarse, y listo para volverse ese que nadie tiene que perseguir.