Un CV dice lo que sabes. Un portfolio muestra lo que sabes hacer. En Data Science, tener 3-5 proyectos bien presentados vale más que 20 certificados.
Esta guía es lo que yo habría necesitado cuando empecé a armar el mio.
Por qué necesitas un portfolio
- Los recruiters quieren ver trabajo real, no solo listados de cursos
- Te diferencia de otros candidatos que solo tienen certificados
- Demuestra qué puedes ir de pregunta a respuesta con datos
- Te obliga a completar proyectos (y eso es lo que más te enseña)
Cuántos proyectos necesitas
Entre 3 y 5 proyectos bien hechos. Es mejor tener 3 proyectos completos y bien documentados que 15 a medias. Cada proyecto debe mostrar una habilidad diferente.
Los 4 tipos de proyecto que deberías incluir
1. Un EDA completo
Demuestra que sabes explorar y entender un dataset. Incluye:
- Limpieza de datos (nulos, duplicados, tipos)
- Estadísticas descriptivas
- Visualizaciones que cuenten algo
- Conclusiones claras
Ejemplo: "Análisis exploratorio de las ventas de un e-commerce en 2025"
2. Un dashboard interactivo
Muestra que sabes comunicar datos visualmente. Puede ser en Tableau Public, Power BI o Looker Studio.
Ejemplo: "Dashboard de tendencias del mercado laboral tech en España"
3. Un proyecto con SQL
Demuestra que sabes extraer y transformar datos. Queries complejas, JOINs, CTEs, funciones de ventana.
Ejemplo: "Análisis de retorno de clientes usando SQL sobre una base de datos de retail"
4. Un proyecto end-to-end
Desde la pregunta hasta la respuesta. Esto es lo que más impresiona: defines un problema, consigues los datos, los limpias, los analizas y presentas conclusiones.
Ejemplo: "Predicción de precios de alquiler en Madrid con datos de Idealista"
Cómo presentar cada proyecto en GitHub
Cada proyecto debe tener un README.md con:
- Título claro (no "Proyecto_1_final_v2")
- Objetivo: qué pregunta intentas responder
- Dataset: de dónde vienen los datos, cuántas filas, qué variables
- Herramientas: Python, Pandas, Tableau, etc.
- Proceso: pasos que seguiste (con imágenes de los gráficos)
- Conclusiones: qué descubriste, qué recomendarías
- Cómo reproducirlo: instrucciones para ejecutar el código
Dónde encontrar datasets
- Kaggle: miles de datasets con notebooks de ejemplo
- datos.gob.es: datos abiertos del gobierno español
- Google Dataset Search: buscador de datasets
- Tus propios datos: Spotify Wrapped, gastos bancarios, notas académicas
Dónde publicar tu portfolio
- GitHub: imprescindible. Cada proyecto en su propio repositorio
- GitHub Pages: puedes montar una web gratis con tus proyectos
- Tableau Public: para dashboards interactivos
- LinkedIn: comparte cada proyecto como publicación con capturas
- Notion: alternativa rápida si no quieres hacer una web
Errores comunes
- Proyectos sin documentar: un notebook sin contexto no dice nada
- Todos los proyectos iguales: varia las herramientas y los tipos de análisis
- Usar solo datasets de Kaggle: buscar tus propios datos demuestra más iniciativa
- Esperar a estar "preparado": empieza con algo simple y mejoralo después
Tu portfolio no tiene que ser perfecto desde el día uno. Tiene que existir. Cada proyecto que publiques es una versión mejor de tu perfil profesional.