Bonus Track:
Prompt pardo de ChatGpt
Que opciones de dedicarse a data science tiene un licenciado en geografia y cual seria su posicion de entrada teniendo unos 35 años y que no ha tocado matematicas y estadistica desde secundaria.Sabe lo basico de python y controla excel....
Buena pregunta, y además
muy realista . Spoiler:
sí tiene opciones, y más de las que parece.
Voy por partes y con los pies en la tierra.
1. ¿Tiene sentido data science para alguien de Geografía?
Sí, pero
no entrando directamente como “Data Scientist puro” (al menos al principio).
Un/a licenciado/a en Geografía trae cosas
muy valiosas para el mundo data:
- Pensamiento espacial y análisis territorial
- Manejo de datos reales, sucios y grandes
- Interpretación de fenómenos complejos (no solo números)
- Experiencia con SIG, capas, mapas, patrones
En data science eso encaja especialmente bien en
datos geoespaciales, urbanismo, medio ambiente, logística, movilidad, retail, clima, smart cities, etc.
2. El elefante en la habitación: matemáticas y estadística
Vamos a ser claros y tranquilos a la vez:
- ❌ No recordar mates desde secundaria no te bloquea
- ❌ Pero sí te impide entrar directamente a roles de data scientist clásico (modelos avanzados, ML pesado)
La buena noticia:
No necesitas estadística avanzada para empezar, solo reaprender lo esencial y aplicado.
Lo que se necesita al inicio:
- Media, mediana, desviación
- Correlación
- Distribuciones básicas
- Regresión simple (entenderla, no derivarla)
Nada de cálculo diferencial ni demostraciones.
3. Con 35 años: ¿es tarde?
Respuesta corta:
no.
Respuesta honesta:
no, pero hay que jugar bien las cartas.
A los 35:
- Las empresas no esperan un junior de 22
- Sí valoran:
- Perfil híbrido (negocio + datos)
- Capacidad de análisis
- Comunicación
- Experiencia previa “real”
Por eso
la entrada correcta importa mucho.
4. Posiciones de entrada REALISTAS (las mejores para tu perfil)
1. Data Analyst (junior o semi-junior)
La puerta más común y lógica
Requisitos típicos:
- Excel sólido ✅ (ya lo tienes)
- Python básico (pandas, numpy) ✅
- SQL (esto habría que aprenderlo)
- Estadística básica (aplicable)
Qué harías:
- Limpiar datos
- Analizar tendencias
- Dashboards
- Informes para negocio
Desde aquí luego se puede saltar a data science.
2. GIS Data Analyst / Spatial Data Analyst
MUY buena opción para geografía
Aquí juegas con ventaja frente a ingenieros “puros”.
Stack típico:
- Python + geopandas
- QGIS / ArcGIS
- Bases de datos espaciales
- Análisis territorial
Mucho menos enfoque en ML pesado y más en:
- Patrones espaciales
- Decisiones reales
- Visualización
3. Business Intelligence Analyst
Perfil muy demandado y menos matemático.
- Excel / Power BI / Tableau
- SQL
- Python básico
- Lógica de negocio
Es un rol muy
adult-friendly (experiencia > edad).
4. Data Engineer →
- Mucha ingeniería
- Poco análisis
- Curva dura
5. Data Scientist puro →
- Requiere estadística + ML
- Se puede llegar después, no empezar ahí
5. Ruta recomendada (paso a paso)
Etapa 1 – 3 a 6 meses
Enfocarse en:
- Python para análisis (pandas, matplotlib)
- Estadística básica aplicada
- SQL
- Proyectos pequeños (datos reales)
Objetivo:
Data Analyst junior
Etapa 2 – 6 a 12 meses
- Proyectos más grandes
- Algo de machine learning sencillo
- Especialización (geo, medio ambiente, urbanismo, logística)
Objetivo:
Data Analyst sólido / GIS Data Analyst
Etapa 3 – Opcional
Si te gusta y te da la cabeza:
- Modelos predictivos
- Más estadística
- Transición a Data Scientist aplicado
6. Expectativas realistas de entrada
No te vendo humo:
- Primer puesto: junior o semi
- Sueldo inicial: medio, no top
- Curva de aprendizaje fuerte el primer año
Pero:
- Alta empleabilidad
- Pogre rápida
- Mucho mejor que empezar desde cero en otra cosa
7. Resumen claro
✔ Geografía
sí encaja en data
✔ 35 años
no es un problema
✔ Python + Excel ya es una base real
✔ Entrada lógica:
Data Analyst / GIS Analyst
✔ Data Scientist viene
después, si quieres
TE DA EXACTAMENTE EL MISMO CONSEJO QUE YO.
TU CASO ES MUY EVIDENTE.