Ejemplo de CV

Ejemplo de CV de Analista de Business Intelligence

Este ejemplo corresponde a un perfil con seis años de experiencia en España: dos en una consultora TIC y cuatro en una compañía de seguros de tamaño medio, donde asumió la propiedad del data warehouse y de la capa semántica. Fíjese en que casi ninguna línea habla de un análisis concreto y casi todas hablan de un sistema: cuántos orígenes, cuántos modelos, qué granularidad, cuánto tardaba antes y cuánto después. Ese es el tono que distingue una candidatura de Business Intelligence de una de Analista de Datos. Sustituya las cifras por las suyas y reescriba las frases con sus propias palabras: quien selecciona identifica de inmediato las plantillas copiadas literalmente.

Written & reviewed by the CVWon Editorial Team · Updated julio 2026

Cree su CV
Ejemplo vs. plantilla: Este es un CV real de Analista de Business Intelligence, completo y comentado, para aprender sección por sección. ¿Listo para escribir el tuyo? Usar la plantilla de CV de Analista de Business Intelligence →

Ejemplo de CV completo

Analista de Business Intelligence

Perfil profesional

Analista de Business Intelligence con 6 años de experiencia en seguros y consultoría TIC. Responsable del data warehouse corporativo en Snowflake (3 tablas de hechos, 18 dimensiones, 240 millones de filas) y de la capa semántica en Power BI que utiliza toda la compañía. Trabajo con dbt sobre SQL avanzado, modelado dimensional Kimball y DAX, y me ocupo tanto de la tubería como de la definición de las métricas: diccionario corporativo, propietario por indicador, certificación y retirada de informes. Sustituí 26 conjuntos de datos duplicados por 4 modelos certificados con seguridad a nivel de fila, reduje la ventana de refresco diaria de 3 h 40 min a 22 min y bajé un 38 % el coste de cómputo. Inglés C1 y trabajo habitual con equipos de Madrid, Barcelona y Lisboa. Busco un puesto con responsabilidad de extremo a extremo sobre la plataforma analítica y contacto directo con las direcciones de negocio.

Logros destacados

Rediseñé el data warehouse de siniestros y pólizas en Snowflake siguiendo metodología Kimball: 3 tablas de hechos y 18 dimensiones, granularidad declarada a nivel de siniestro y de recibo, claves subrogadas e historificación SCD tipo 2 en cliente, póliza y mediador; el histórico dejó de reescribirse y por fin fue posible comparar carteras entre ejercicios.
Migré 240 transformaciones heredadas de SSIS a dbt (380 modelos, 1.100 tests, documentación y linaje generados automáticamente): los incidentes de datos en producción bajaron de 11 a 2 al mes y el despliegue de un cambio pasó de dos semanas a un día.
Sustituí 26 conjuntos de datos duplicados de Power BI por 4 modelos semánticos certificados con seguridad a nivel de fila por dirección territorial; las reuniones del comité dejaron de empezar comparando cifras y desaparecieron las tres versiones distintas de «prima devengada».
Implanté refresco incremental y particionado por fecha de efecto en el modelo principal: la ventana de carga diaria pasó de 3 h 40 min a 22 min y el informe de dirección quedó disponible a las 7:30 en lugar de a las 11:00.
Reduje un 38 % el coste mensual de cómputo de Snowflake, de 6.400 € a 3.900 €, redimensionando almacenes virtuales, materializando de forma incremental los 20 modelos más pesados y suspendiendo entornos de desarrollo fuera de horario.
Publiqué el diccionario corporativo de 120 métricas con fórmula, origen, propietario de negocio y fecha de última revisión; el comité de datos certificó 34 informes y retiró 61 duplicados u obsoletos en dos trimestres.
Habilité el autoservicio: formé a 60 personas de siniestros, negocio y actuarial en el uso del modelo certificado y publiqué una guía de estilo de informes; los informes creados por las áreas pasaron de 3 a 47 en un año y las peticiones ad hoc al equipo de datos cayeron un 45 %.
Monté el circuito de entrega con Git y Azure DevOps para dbt y pipelines de despliegue de Power BI en tres entornos: cada cambio pasa por revisión y pruebas, y una vuelta atrás que antes costaba una jornada se resuelve ahora en minutos.
Documenté el linaje campo a campo entre el core asegurador, el data warehouse y los informes remitidos al regulador; la auditoría interna cerró sin observaciones el apartado de trazabilidad, que el año anterior había recibido dos.
Como consultor, implanté desde cero la plataforma de BI de una empresa de distribución con 90 puntos de venta: Azure Data Factory, SQL Server y modelo tabular, con 12 usuarios de negocio autónomos a los cuatro meses del arranque.

Formación académica

En España se llega a este puesto por dos vías igual de válidas, y ambas se valoran si el CV demuestra criterio de modelado. La universitaria: Grado en Ingeniería Informática, Estadística, Matemáticas, ADE o Economía, con frecuencia completado por un Máster en Business Analytics, Big Data o Ingeniería de Datos (UPM, UPC, UC3M, UOC o escuelas de negocio). La de Formación Profesional: FP de Grado Superior en Desarrollo de Aplicaciones Multiplataforma (DAM) o en Administración de Sistemas Informáticos en Red (ASIR), a la que cada vez se suma el Curso de Especialización en Inteligencia Artificial y Big Data; es un itinerario muy habitual entre quienes empiezan como técnicos de bases de datos o de reporting y evolucionan hacia BI. Indique titulación, centro y año de finalización. Si terminó hace más de diez años, resuélvalo en una línea y dedique el espacio a las certificaciones recientes y a la arquitectura que domina. Merece la pena mencionar el Trabajo de Fin de Grado o de Máster solo si trató sobre almacenes de datos, modelado o integración, y siempre resumido en un resultado.

Certificaciones

PL-300: Microsoft Power BI Data Analyst Associate
DP-600: Microsoft Fabric Analytics Engineer Associate
DP-700: Microsoft Fabric Data Engineer Associate
DP-203: Azure Data Engineer Associate
dbt Analytics Engineering Certification
SnowPro Core Certification (Snowflake)
Google Cloud Professional Data Engineer
Databricks Certified Data Engineer Associate
SAP Certified Application Associate – SAP BW/4HANA
Qlik Sense Data Architect
MicroStrategy Certified Developer
Curso de Especialización de FP en Inteligencia Artificial y Big Data
Cambridge C1 Advanced (inglés C1 del MCER)

Competencias

¿Qué competencias debe destacar un CV de Analista de Business Intelligence?

Técnica

Modelado dimensional Kimball: esquema en estrella, granularidad, tablas de hechos y dimensiones, claves subrogadas, SCD tipo 2 Diseño y explotación de data warehouse en la nube: Snowflake y BigQuery, particionado, clustering y control de coste de cómputo ELT con dbt: modelos incrementales, tests, sources, snapshots, exposures, macros y documentación con linaje ETL clásico para entornos heredados: SSIS, Talend, Pentaho e Informatica PowerCenter, con cargas idempotentes y reprocesos controlados Capa semántica: modelos de Power BI y SSAS tabular, DAX avanzado (contexto de filtro, grupos de cálculo, agregaciones), Power Query en lenguaje M SQL avanzado: CTE, funciones de ventana, resolución de duplicados y optimización de consultas sobre grandes volúmenes Seguridad y cumplimiento: seguridad a nivel de fila y de objeto, seudonimización y anonimización conforme al RGPD y la LOPDGDD Ingeniería de entrega: Git, ramas por entorno, revisión de código, CI/CD con Azure DevOps y despliegue por espacios de trabajo Orquestación y monitorización: Airflow y Azure Data Factory, alertas de carga fallida y compromisos de disponibilidad horaria

Habilidades interpersonales

Negociación de definiciones de métrica entre direcciones que llevan años calculándolas de forma distinta Traducción entre el lenguaje de negocio y el modelo de datos, en ambos sentidos y sin jerga innecesaria Pedagogía: formar a personas de negocio para que construyan sus propios informes sobre un modelo gobernado Criterio para decir que no a un informe más y proponer en su lugar la métrica que faltaba Rigor documental y comunicación clara ante un fallo de carga, antes de que lo descubra la dirección

Herramientas

Power BI y Microsoft Fabric SSAS tabular y Azure Analysis Services dbt Core y dbt Cloud Snowflake BigQuery SQL Server y SSIS Azure Data Factory Airflow SAP BW y SAP BusinessObjects MicroStrategy Qlik Sense Tableau y Looker Studio Git, Azure DevOps, Jira y Confluence Excel avanzado con Power Query
Categoría Competencias
Técnica Modelado dimensional Kimball: esquema en estrella, granularidad, tablas de hechos y dimensiones, claves subrogadas, SCD tipo 2, Diseño y explotación de data warehouse en la nube: Snowflake y BigQuery, particionado, clustering y control de coste de cómputo, ELT con dbt: modelos incrementales, tests, sources, snapshots, exposures, macros y documentación con linaje, ETL clásico para entornos heredados: SSIS, Talend, Pentaho e Informatica PowerCenter, con cargas idempotentes y reprocesos controlados, Capa semántica: modelos de Power BI y SSAS tabular, DAX avanzado (contexto de filtro, grupos de cálculo, agregaciones), Power Query en lenguaje M, SQL avanzado: CTE, funciones de ventana, resolución de duplicados y optimización de consultas sobre grandes volúmenes, Seguridad y cumplimiento: seguridad a nivel de fila y de objeto, seudonimización y anonimización conforme al RGPD y la LOPDGDD, Ingeniería de entrega: Git, ramas por entorno, revisión de código, CI/CD con Azure DevOps y despliegue por espacios de trabajo, Orquestación y monitorización: Airflow y Azure Data Factory, alertas de carga fallida y compromisos de disponibilidad horaria
Herramientas Power BI y Microsoft Fabric, SSAS tabular y Azure Analysis Services, dbt Core y dbt Cloud, Snowflake, BigQuery, SQL Server y SSIS, Azure Data Factory, Airflow, SAP BW y SAP BusinessObjects, MicroStrategy, Qlik Sense, Tableau y Looker Studio, Git, Azure DevOps, Jira y Confluence, Excel avanzado con Power Query
Habilidades interpersonales Negociación de definiciones de métrica entre direcciones que llevan años calculándolas de forma distinta, Traducción entre el lenguaje de negocio y el modelo de datos, en ambos sentidos y sin jerga innecesaria, Pedagogía: formar a personas de negocio para que construyan sus propios informes sobre un modelo gobernado, Criterio para decir que no a un informe más y proponer en su lugar la métrica que faltaba, Rigor documental y comunicación clara ante un fallo de carga, antes de que lo descubra la dirección

Nota sectorial

En España este perfil se concentra en cinco entornos y conviene ajustar el CV a cada uno. Seguros y banca: mandan la trazabilidad y el cumplimiento, así que explicite el linaje campo a campo, la historificación del dato, el tratamiento de datos personales bajo el RGPD y la LOPDGDD y su papel en los informes remitidos al supervisor; es también el terreno donde MicroStrategy y SAP BW siguen muy presentes junto a proyectos nuevos de Fabric o Snowflake. Retail y gran consumo: volumen, estacionalidad, surtido y margen por tienda; hable de millones de filas, número de puntos de venta y frecuencia de refresco. Turismo, hostelería y transporte: modelos con fuerte componente de calendario y de canal de venta, picos de temporada y datos de terceros poco fiables que hay que conciliar. Industria y energía: convivencia de SAP BW con plataformas cloud, mucho dato de planta y proyectos de migración de largo recorrido. Consultoras TIC: se valoran la variedad de plataformas, la rapidez de arranque y el trato con cliente, pero tenga presente que la relación laboral se rige por el convenio colectivo estatal de empresas de consultoría y tecnologías de la información, con bandas por debajo de las de la empresa usuaria; si opta a un cliente final con contrato indefinido, subraye la continuidad, la propiedad del modelo y el hecho de haberse quedado a sostener lo que construyó. En todos los casos, el teletrabajo de dos o tres días por semana es hoy el estándar en Madrid y Barcelona y se negocia por escrito en el contrato o en el acuerdo de trabajo a distancia.

FAQ

Preguntas frecuentes

No sin reescribirlo, porque el eje es distinto. Este ejemplo está construido sobre sistemas: warehouse, modelos, capa semántica, ventanas de refresco, coste y gobierno. Un CV de Analista de Datos se construye sobre preguntas respondidas: análisis que cambiaron una decisión, cuadros de mando con usuarios activos, cohortes, segmentaciones y comunicación de conclusiones. Si envía este texto a una vacante de analista, dará la impresión de que le interesa la infraestructura y no el negocio; si envía el de analista a una vacante de BI, parecerá que consume la plataforma en lugar de construirla. Cuando domine ambos terrenos, mantenga dos versiones y elija según la oferta.

Utilice magnitudes técnicas y de servicio, que no son confidenciales y transmiten la misma señal: número de orígenes integrados, modelos y tests en dbt, filas del modelo, ventana de refresco antes y después, porcentaje de reducción del coste de cómputo, informes certificados frente a informes retirados, usuarios del modelo y personas formadas. Sustituya los importes absolutos por porcentajes y plazos. Todo ello es verificable en la entrevista y no compromete ninguna cláusula de confidencialidad.

Escriba la consultora como empleador y describa el destino por sector y tamaño, no siempre por marca («proyecto para una aseguradora del sector salud, 1.200 empleados»). Añada la duración real y el alcance técnico. Así se entiende su recorrido, se evita la impresión de rotación excesiva y no incumple los acuerdos de confidencialidad habituales en los contratos de prestación de servicios.

Reescriba su experiencia en clave de sistema. Los cuadros de mando que mantenía a mano son, en realidad, un modelo de datos implícito: explique qué orígenes cruzaba, qué reglas de negocio aplicaba y qué duplicidades resolvía, y muestre después cómo lo formalizó (o cómo lo formalizaría) en un esquema en estrella con cargas programadas. Acompáñelo de una certificación reconocida, PL-300 o DP-600, y de un proyecto propio en dbt con datos abiertos. La transición desde reporting es el camino más frecuente hacia este puesto en España y no penaliza si el CV demuestra criterio de modelado.

Sí, si opta a multinacionales o a centros de servicios compartidos de Madrid y Barcelona, donde parte del proceso se desarrolla en inglés. Mantenga las dos versiones alineadas, no traduzca los nombres de las herramientas ni los términos técnicos consolidados y añada una equivalencia breve entre paréntesis para las titulaciones españolas, especialmente para la FP de Grado Superior, que no tiene traducción directa.

Detalle con logros los últimos ocho o diez años y resuma lo anterior en una línea por puesto. Un periodo sin empleo se explica con naturalidad y en una sola frase que muestre continuidad: una certificación obtenida, un proyecto propio o formación cursada. Un vacío explicado no penaliza; uno disimulado entre fechas confusas suele ser la primera pregunta incómoda de la entrevista.

¿Todo listo para crear su CV?

Empiece ahora

Relacionados

Ejemplos de CV similares

Desarrollador iOS

Tecnología

Desarrollador Android

Tecnología

Ingeniero QA

Tecnología

Ingeniero de Redes

Tecnología

Administrador de Base de Datos

Tecnología

Scrum Master

Tecnología