2. Entorno de trabajo

Resumen

Uno de los puntos de fricción más habituales para quien comienza con análisis de datos es la abrumadora cantidad de herramientas y entornos de trabajo disponibles. Incluso habiéndose decidido, suele no ser tarea sencilla su configuración y la curva de aprendizaje es lenta, particularmente para el caso de aquellas personas sin un background en programación. Sin embargo, junto con el claro entendimiento de la teoría y práctica, el buen uso de las herramientas es un factor clave en el éxito profesional.

Por lo tanto, antes de comenzar a realizar tareas propias de un/a analista de datos, se hace necesario transitar el panorama de plataformas destacadas, en cada una de las distintas cuestiones relacionadas a un correcto desarrollo/trabajo.

Comenzando con las planillas de cálculo, estas son las herramientas con más trayectoria dentro del ámbito. Más allá de que hoy hay un sinfín de tareas complejas y volumen de datos que no pueden manejar, suele ser en el tramo final de un proyecto (la disponibilización de resultados para usuarios finales) donde están presentes, tanto por su sencillez así como también porque los mismos usuarios están acostumbrados a su uso.

Luego están las notebooks, generalmente asociadas a Jupyter, que son esencialmente documentos con la capacidad de volcar texto y código (Python, R, etc.), con una dinámica de ejecución por celdas, haciendo de las mismas la herramienta por excelencia para los/as científicos/as de datos. Su uso actualmente se ha ido extendiendo y prácticamente cualquier rol involucrado con datos comprende su uso y características, considerándose algo así como un estándar. Mediante la implementación de diferentes kernels, las notebooks integran varios lenguajes, aunque su uso suele estar más asociado a Python. Para aquellos que programan en R, el uso de Posit (ex RStudio) resulta más cómodo, aunque ahora se está volviendo una plataforma con soporte para más lenguajes y puede llegar a ser una excelente opción como entorno de trabajo.

También hay otras herramientas que copian la misma dinámica de las notebooks y/o la extienden con nuevas funcionalidades. En ese sentido, el abanico de opciones es bastante amplio, destacándose principalmente Colab, por ser gratuita y con una capacidad de procesamiento generosa; o JupyterLab, que es una IDE que permite la gestión de notebooks, instalación de plugins y más funcionalidades. Esta última de hecho es adoptada por varias empresas para montar sobre la misma servicios mucho más potentes y on-cloud como GCP, AWS y Azure, conformando suites de analítica de datos, en constante adopción por las empresas y organizaciones de hoy.

A lo anterior deben sumarse las herramientas exclusivamente pensadas para visualización de datos, que comienzan actualmente a integrar capacidades de consulta (antes solo atribuibles a un cliente de bases de datos) y transformación de datos (más allá de las herramientas de ETL propiamente dichas) dentro del mismo entorno.

Como se habrá podido concluir, este primer vistazo ya trajo consigo bastantes cosas nuevas para investigar y comprender. Lo importante, a fin de cuentas, es tener suficiente flexibilidad para adoptar sobre la marcha las herramientas que se dispongan en el trabajo o proyectos particulares. No se debe dejar pasar que habrá ciertas funcionalidades comunes a todas aquellas así como también ciertas propiedades deseables (no solo para las herramientas, sino para cualquier análisis de datos en sí): transparencia, replicabilidad, interoperabilidad y escalabilidad.

Teniendo en cuenta ello, entran en juego otra batería de herramientas importantes. Se destacan principalmente: Git para la transparencia (versionado y experimentación) y Docker / Anaconda para la replicabilidad (definición y gestión de dependencias). Considerar que no vale de nada un desarrollo que no pueda ser replicado o utilizado correctamente por otros colaboradores o incluso usuarios finales: en la era del trabajo colaborativo estas herramientas son prácticamente mandatorias.

Actualización 2026 Entornos reproducibles

Desde la primera edición, la forma habitual de garantizar la replicabilidad cambió de eje. El primer recurso ya no suele ser un contenedor ni una distribución completa de paquetes, sino un archivo de dependencias bloqueadas (en inglés, lockfile): un registro, generado automáticamente, de la versión exacta de cada librería que usa el proyecto (incluidas las dependencias de las dependencias), que permite reconstruir el mismo entorno en otra máquina con un único comando. En Python, herramientas como uv (que trabaja a partir del archivo pyproject.toml) o pixi (sobre los paquetes comunitarios de conda-forge) cumplen esa función; en R, lo hace renv.

En la práctica, conviene pensar la reproducibilidad como una escalera, donde cada escalón se agrega solo si hace falta:

  • Archivo del proyecto y lockfile, versionados con Git junto al código. Es el escalón mínimo y alcanza en la mayoría de los análisis.
  • Contenedor (Docker, o los dev containers, que habitualmente lo usan por detrás) cuando también hay que fijar el sistema operativo y sus librerías, o cuando el análisis se despliega como un servicio. Docker sigue siendo valioso, pero como segundo paso y no como condición de entrada.
  • Datos de entrada identificados: fecha de corte, versión o hash de cada archivo o tabla. El mismo código ejecutado sobre datos distintos produce otros números, y ningún entorno bloqueado lo evita. Herramientas como DVC, ya mencionada, resuelven esta parte.

Cabe señalar también una cuestión que no es técnica. Desde 2020, los términos de servicio de Anaconda exigen una licencia paga para usar sus repositorios de paquetes (el canal defaults) en organizaciones con fines de lucro de más de 200 personas. conda como herramienta y el canal comunitario conda-forge siguen siendo de uso libre. Recomendar "Anaconda" sin más puede generar, entonces, un problema de licencias en una empresa; conviene saber qué canal se está usando.

El criterio para saber si un análisis es reproducible es simple y verificable: otra persona clona el repositorio, ejecuta un comando y obtiene los mismos resultados. La prueba más barata es hacerlo uno mismo en un entorno limpio, o automatizarla para que corra con cada cambio.

Por último, los asistentes de IA (ver De copiloto a colega) escriben con facilidad código que importa librerías, y pueden suponer versiones o funciones distintas de las instaladas. Un entorno declarado y bloqueado hace que esas discrepancias aparezcan al ejecutar, de manera explícita, y no como un resultado silenciosamente distinto; además, le da al asistente un contexto preciso sobre qué versiones usa el proyecto.

Actualización 2026 Del notebook al flujo de datos del equipo

Los notebooks siguen siendo la herramienta por excelencia para explorar: probar ideas, mirar datos, iterar sobre un gráfico. Lo que cambió es el lugar que ocupan en un equipo. Como registro definitivo de un análisis tienen limitaciones conocidas: el estado oculto (las celdas pueden ejecutarse fuera de orden y el resultado visible no corresponder al código visible), las salidas embebidas en el archivo, que vuelven casi ilegibles las diferencias entre versiones en Git, y la dificultad para testear y reutilizar lo que contienen.

En muchas organizaciones, la fuente de verdad del análisis se trasladó a un almacén de datos (data warehouse) o a un lakehouse en la nube, con transformaciones escritas en SQL y versionadas en Git. El esquema habitual es cargar los datos en crudo y transformarlos dentro del almacén (lo que se conoce como ELT), mediante modelos SQL con tests y documentación; dbt es la herramienta más difundida para esa tarea. Los datos se guardan cada vez más en formatos columnares abiertos, como Parquet, y en formatos de tabla como Apache Iceberg, que distintos motores pueden leer sin copiarlos. Para trabajar en una computadora personal, DuckDB permite ejecutar SQL directamente sobre archivos Parquet o CSV, sin instalar un servidor.

El recorrido de los datos en un equipo suele verse así:

  • Ingesta desde las fuentes (sistemas transaccionales, eventos, archivos, APIs).
  • Almacenamiento en el warehouse o lakehouse.
  • Transformación en SQL versionado y testeado (ver la actualización de Manipulación de datos).
  • Capa semántica y herramientas de BI, donde se definen las métricas una sola vez (ver Preguntarle a los datos en lenguaje natural).
  • Notebook o reporte, para explorar, modelar y comunicar sobre datos ya confiables.

Dentro de ese esquema, algunas prácticas mejoran mucho el uso de notebooks: reiniciar y ejecutar de punta a punta antes de compartir; mover a módulos o modelos SQL la lógica que se reutiliza; y considerar formatos basados en texto que se versionan bien, como los notebooks emparejados con scripts de Jupytext, los de marimo (que se guardan como archivos de Python) o los documentos de Quarto.

Las propiedades enumeradas en este capítulo (transparencia, replicabilidad, interoperabilidad y escalabilidad) son justamente las que persigue este esquema. Y los asistentes de IA, que hoy escriben buena parte de las consultas SQL (ver De copiloto a colega), rinden mejor cuando las tablas y las métricas están definidas, versionadas y documentadas en un único lugar.

Para profundizar

Planillas de cálculo

Jupyter Notebooks y otras plataformas similares

Herramientas de visualización y consulta de datos

Suites de analítica de datos

Versionado

Gestores de ambientes

Contenerización

Actualización 2026