Análisis de datos en pymes: por dónde empezar sin contratar científico de datos.
Cómo montar análisis de datos útil en una pyme española en 2026 sin perfiles técnicos caros. Los cinco cuadros de mando que importan, qué herramientas funcionan a precio razonable y los errores que tiran proyectos.
Actualizado mayo 2026
Data-driven no es Big Data. Es decidir con datos que ya tienes.
En 2026 la mayoría de pymes españolas tienen datos suficientes para tomar decisiones bastante mejores que las actuales. Datos de ventas en el CRM, datos de tráfico web en GA4, datos de campañas en Ads, datos operativos en ERP, datos de RRHH en gestor. El problema no es la falta de datos: es que están dispersos, sin cruzar y sin convertir en información útil.
La trampa habitual es pensar que "análisis de datos" significa contratar a un data scientist con doctorado por 55.000-75.000 €/año, montar un data warehouse en Snowflake y entrenar modelos de machine learning. Eso es lo que necesita una empresa de 500 personas con problemas concretos de predicción. Una pyme de 15-150 personas necesita algo mucho más simple: cuadros de mando claros que respondan a 5-8 preguntas críticas del negocio.
Con 2.500-6.000 € de setup inicial y 100-300 €/mes de mantenimiento, una pyme puede tener un sistema de análisis de datos útil en 4-8 semanas. Sin contratar perfil nuevo, usando herramientas que aprende cualquier persona con criterio analítico (no necesariamente técnico). Ver categoría Análisis de Datos en Kit Consulting.
Cómo empezar sin liarla.
Identificar las preguntas, no las herramientas
Antes de elegir nada técnico, lista 5-8 preguntas que la dirección o áreas clave hacen recurrentemente y que hoy se responden con instinto o Excel. Ejemplo: "¿Qué canal genera leads que más cierran?", "¿Qué tipo de cliente repite?", "¿Cuánto tiempo medio pasa desde lead a cierre?". Esas preguntas guían todo lo demás.
Mapear dónde están los datos hoy
Para cada pregunta, identifica dónde vive el dato. CRM (HubSpot, Pipedrive, Folk), web (GA4), Ads (Google Ads, LinkedIn Ads), ERP (Holded, Sage, Odoo), email marketing (Mailchimp, Brevo), gestor financiero. Excel local cuenta también. Cuántos sistemas hay que cruzar determina la complejidad técnica.
Elegir herramienta de visualización
Para pyme: Google Looker Studio (gratis), Metabase (gratis self-hosted o 85 $/mes cloud), Power BI (10 $/usuario), Tableau (75 $/usuario). Looker Studio cubre el 70% de casos pyme gratis. Metabase es el siguiente paso si necesitas más control. Power BI/Tableau solo si ya vives en ecosistema Microsoft o tienes 30+ usuarios.
Conectar fuentes (con o sin ETL ligero)
Si tu CRM tiene conector nativo con Looker Studio (HubSpot, Pipedrive), conectas directo. Si no, usa Airbyte (15-100 €/mes según volumen) o un flujo n8n para mover datos a una BD intermedia (Supabase o PostgreSQL gestionado por 20-50 €/mes). No necesitas data warehouse pago como Snowflake en pyme normal.
Montar 5 cuadros de mando que se usen
Mejor 5 dashboards útiles revisados semanalmente que 25 que nadie mira. Cuadro comercial (pipeline, conversión, ciclo), cuadro marketing (CPL por canal, atribución), cuadro operativo (KPI del proceso clave del negocio), cuadro financiero (ingresos, margen, caja) y cuadro de equipo (productividad o NPS interno). En 6-8 semanas funcionando.
Stack realista para una pyme en 2026
Sin overkill ni licencias de 800 $/usuario que no aprovecharás.
Google Looker Studio · Gratis
Visualización gratis con conectores nativos a GA4, Google Ads, Sheets, BigQuery. Conectores externos (HubSpot, Salesforce) via Supermetrics o Coupler (50-100 €/mes). Para pyme con 70% de datos en Google y el resto en CRM popular, suficiente.
Metabase · 0-85 €/mes
Open source potente. Self-hosted gratis en VPS (5-15 €/mes infra). Cloud 85 $/mes. Permite SQL custom, modelos de datos reutilizables, alertas automáticas. Para pyme que ya conecta a una BD propia y necesita más control que Looker Studio.
Supabase + Looker/Metabase · 25-70 €/mes
Combinación: Supabase como BD central donde aterrizan datos de varios sistemas (vía n8n o Airbyte), Looker Studio o Metabase para visualizar. Permite cruces complejos que las herramientas SaaS no soportan. Setup de 4-8 semanas, coste muy contenido.
Lo que debería tener cualquier pyme
Comercial · Pipeline y conversión
Leads/mes por fuente, tasa de conversión por fase, ciclo medio de venta, motivos de "perdido". Revisión semanal con equipo comercial. Permite detectar dónde se atascan los leads.
Marketing · CPL y atribución
CPL por canal, leads cualificados (SQL) por canal, coste de adquisición de cliente (CAC) total. Permite saber qué canales rentan y cuáles no. Sin esto, decidir presupuesto es a ciegas.
Operativo · KPI del proceso clave
Depende del negocio. Para un ecommerce: pedidos/día, ticket medio, devolucione. Para una clínica: ocupación de agenda, no-shows, presupuestos pendientes. Para una asesoría: declaraciones procesadas, tiempo medio por cliente.
Financiero · Ingresos, margen, caja
Ingresos mes a mes, comparativa interanual, margen bruto, posición de caja. Mensual mínimo. Esto suele estar pero descoordinado del resto: clave conectarlo al sistema para tener visión integral.
Lo que tira proyectos de datos en pymes
Empezar por la tecnología, no por las preguntas
Comprar Tableau o Power BI sin tener claro qué preguntas quieres responder. Resultado: dashboards "que se ven bonitos" pero nadie usa. Primero las preguntas, después la herramienta.
Querer cuadros perfectos antes de empezar a usarlos
Pasar 4 meses puliendo dashboards antes del piloto con usuarios reales. Mejor: dashboard versión 1 imperfecto en 4 semanas + iteración con quienes lo usan. Las preguntas reales aparecen cuando alguien usa los datos.
Datos sucios sin limpieza inicial
Si el CRM tiene fichas duplicadas, fases inconsistentes y campos sin estandarizar, los dashboards mentirán. Antes de cualquier proyecto de datos: limpieza inicial (1-3 semanas según volumen). Decisiones basadas en datos sucios son peores que decisiones por instinto.
Sin responsable claro de cada cuadro
Cada dashboard necesita un "dueño" que lo revise semanalmente y reaccione a las señales. Sin dueño, el dashboard se queda obsoleto y nadie confía en él. Asignar dueños desde día 1 es tan importante como el dashboard en sí.
Sobre-ingeniería técnica para pyme
Montar Snowflake + dbt + Airflow + Looker para una pyme con 2 millones de filas totales en 4 sistemas es como comprar un Ferrari para hacer la compra. Funciona pero el coste de mantenimiento mata el proyecto. Usa stack proporcional al tamaño real del problema.
Las señales claras de que necesitas data scientist o analista propio.
Volumen de datos pasa de 50-100 millones de filas y la consulta sencilla en herramientas SaaS empieza a tardar minutos. Llega a ecommerce con 5+ años de histórico transaccional, fintech, marketplaces con muchos usuarios. No es el caso de la pyme media.
Necesitas predicción o segmentación con machine learning: predecir churn de cliente, recomendar productos en tiempo real, scoring de leads con modelo entrenado en datos propios. Las herramientas no-code llegan limitadas; aquí sí necesitas perfil técnico (interno o externo).
Modelos a medida basados en tu propiedad intelectual: pyme con base de datos única en su sector que da ventaja competitiva real al explotarla bien. Justifica equipo dedicado.
Mientras tanto, una pyme normal con 8-150 personas y volumen de datos típico cubre sus necesidades con consultor externo de datos a tiempo parcial (3-6 horas/semana, 600-1.200 €/mes) o con persona interna existente con afinidad analítica formada en herramientas tipo Looker/Metabase.
Dudas que nos hacéis llegar
¿Quieres empezar análisis de datos en tu pyme?
Reunión 45 min: identificamos las 5-8 preguntas críticas, mapeamos fuentes existentes, recomendamos stack proporcional a tu tamaño y damos plan de acción a 8 semanas. Sin compromiso.