📊 Data Analytics Project · Power BI

💻 Mercado Laboral TIC en Europa: Evolución y Estructura

Radiografía del empleo tecnológico en Europa: brecha de género, demanda de skills y evolución salarial

Proyecto de visualización en Power BI del Bootcamp de Data Analytics — Adalab
Desarrollado por Arantxa Barea y Camila López

---

📑 Índice

1. Executive Summary
2. Problema de negocio
3. Datasets
4. Enfoque analítico
5. Hallazgos clave
6. Dashboards
7. Stack tecnológico
8. Estructura del repositorio
9. Cómo ejecutar el proyecto
10. Posibles mejoras futuras
11. Estado del proyecto
12. Equipo

---

🚀 Executive Summary

El sector TIC europeo muestra un crecimiento sostenido, pero los datos revelan una estructura marcada por desigualdades y concentraciones que van más allá del simple volumen de empleo:

Métrica	Valor	Lectura
Empleo TIC medio en Europa	5,51%	Más de 1 de cada 20 empleados trabaja en TIC
Crecimiento del empleo TIC	4,59%	Expansión sostenida del sector
País líder en empleo TIC	LU (Luxemburgo)	Alta concentración en economías digitalmente avanzadas
Peso de las ofertas TIC	8,9%	El sector genera casi 1 de cada 10 vacantes online
Brecha de género	66% M vs 22% F	Dos de cada tres empleados TIC son hombres
Top skill demandada	Python (86% ofertas)	Dominio de Python prácticamente obligatorio en perfiles data

La conclusión central: el mercado TIC europeo crece de forma sostenida, pero con una estructura muy desigual — en género, en geografía y en nivel de experiencia demandado. El perfil más solicitado es senior, técnico y mayoritariamente masculino.

---

🎯 Problema de negocio

El sector tecnológico crece, pero los datos plantean tres preguntas críticas que este proyecto responde:

• ¿Qué perfil demográfico y formativo tiene el empleo TIC en Europa?
• ¿Qué skills y roles concentran la demanda real del mercado?
• ¿Cómo evolucionan los salarios por país y por rol, y dónde están las mayores oportunidades?

---

🗃️ Datasets

El proyecto trabaja con fuentes de datos complementarias de distinta naturaleza:

1 · Eurostat — Empleo TIC en Europa (ISOC)

• Indicadores estadísticos oficiales sobre el mercado laboral TIC europeo
• Desagregaciones por edad, sexo, nivel educativo, sector económico y tamaño de empresa
• Cobertura: 33 países europeos, serie temporal 2000–2023
• Múltiples tablas

2 · Kaggle — Ofertas de empleo Data Science (2025)

• 944 ofertas scrapeadas de LinkedIn
• Variables: puesto, empresa, skills requeridas, salario, ubicación, modalidad y seniority
• Representativo del mercado de perfiles data a nivel global con foco en Europa

3 · Kaggle — Datasets consolidados de salarios tech (2020–2024)

• Histórico de salarios en el sector tech procedentes de Kaggle
• Variables: año, rol, país, nivel de experiencia, modalidad de trabajo, salario en USD

⚠️ Nota metodológica: los datasets de Eurostat recogen el total del empleo TIC; los datasets de Kaggle y el propio se centran en perfiles de ciencia de datos. Ambas dimensiones son complementarias pero no directamente comparables, y esta distinción se mantiene explícita a lo largo del análisis.

---

🧠 Enfoque analítico

El análisis se estructura en tres dimensiones:

🌍 Dimensión 1 — Panorama general del empleo TIC en Europa y Estructura del empleo TIC

Evolución temporal y distribución geográfica del empleo TIC:

• Tendencia de crecimiento del peso TIC en el empleo total europeo desde 2003
• Comparativa entre países: Luxemburgo como líder destacado frente a la media europea del 5,51%
• Análisis del peso de las ofertas online TIC sobre el total del mercado laboral
• Perfil demográfico y sectorial del profesional TIC en Europa:

Variable	Distribución destacada
Sexo	66% hombres / 22% mujeres
Edad	51% en franja 35-74 / 41% en 15-34
Educación	51% educación superior / 38% media-baja
Sector	41% ICT / 25% Servicios Profesionales / 8% Industria

💼 Dimensión 2 — Ofertas y Skills y Salarios Data

Demanda concreta del mercado para perfiles data:

• 610 ofertas analizadas con Python como skill requerida en el 86% de los casos
• Stack técnico dominante: Python → Machine Learning → SQL → R → AWS
• Seniority: el nivel SE (Senior Engineer) acapara 286 de las 401 ofertas clasificadas
• Modalidad: presencial mayoritaria (57,52%) con crecimiento del híbrido (29,85%)

💰 Dimensión 3 — Salarios Data

• Evolución salarial por año, país y rol — con análisis de dónde se concentran los mayores rangos

---

💡 Hallazgos clave

┌─────────────────────────────────────────────────────────────────────────────┐
│  El empleo TIC crece, pero está concentrado: geográficamente en el norte    │
│  y oeste de Europa, demográficamente en hombres con educación superior,     │
│  y técnicamente en perfiles senior con dominio de Python y ML.              │
└─────────────────────────────────────────────────────────────────────────────┘

• Crecimiento sostenido: el empleo TIC en Europa ha crecido de forma continua desde 2010, con aceleración visible a partir de 2015
• Brecha de género persistente: la participación femenina en el sector apenas alcanza el 22%, una de las más bajas entre sectores de alta cualificación
• Python es el nuevo inglés del mercado data: presente en el 86% de las ofertas, muy por delante de Machine Learning (79%) y SQL (59%)
• El mercado pide séniors: el 70% de las ofertas se dirigen a perfiles SE o EX, dejando poco espacio a perfiles junior
• Luxemburgo y los países nórdicos lideran tanto en porcentaje de empleo TIC como en niveles salariales
• El salario crece con el tiempo y la especialización: los roles de ML Engineer y Data Scientist muestran las horquillas más altas en el mercado europeo

---

📊 Dashboards Power BI

El proyecto incluye 3 dashboards interactivos desarrollados en Power BI:

DB1 · Mercado Laboral TIC en Europa

DB2 · Ofertas y Skills en Data

DB3 · Evolución Salarial

Resumen

Dashboard	Pregunta central	Elementos clave
DB1 · Mercado Laboral TIC en Europa	¿Cómo evoluciona, se distribuye y qué perfil tiene el empleo TIC europeo?	Vista Panorama general: línea temporal · Mapa por país · Gauge vs media europea — Vista Estructura del empleo TIC: barras por sexo, edad, educación y sector · Mapa (ambas vistas conviven en el mismo dashboard con paneles que se muestran/ocultan)
DB2 · Ofertas y Skills en Data	¿Qué skills y perfiles demanda el mercado data?	KPIs · Barras de skills requeridas · Distribución por seniority · Donut modalidad de trabajo
DB3 · Evolución Salarial	¿Cómo evolucionan los salarios en el sector tech por año, país y rol?	Evolución temporal · Comparativa por país · Análisis por rol

📌 Nota: los dashboards están disponibles en el archivo .pbix dentro de reports/dashboards/. Los filtros de Año, País, Empresa, Sector, Senioridad y Skills permiten exploración interactiva cruzada entre las tres vistas.

---

🛠️ Stack tecnológico

Categoría	Herramienta	Uso
Lenguaje	Python 3.11	Pipeline de preparación de datos
Manipulación de datos	Pandas · NumPy	EDA, limpieza y transformación
Visualización exploratoria	Matplotlib · Seaborn	Análisis previo a Power BI
ETL y modelado	Power Query	Homogeneización de fuentes, relaciones y medidas DAX
Visualización ejecutiva	Power BI Desktop	3 dashboards interactivos
Fuentes de datos	Eurostat · Kaggle · Dataset propio	Empleo TIC, ofertas y salarios

---

📂 Estructura del repositorio

📦 proyecto-da-promo-64-modulo-4-powerbi-team-3
│
├── 📁 data/
│   ├── raw/                              # Datasets originales sin modificar
│   └── processed/                        # Datasets limpios y preparados para Power BI
│       ├── ds_salaries_2020_2024.csv
│       ├── eu_ds_jobs_salaries.csv
│       ├── ict_employment_by_age.csv
│       ├── ict_employment_by_education.csv
│       ├── ict_employment_by_gender.csv
│       ├── ict_employment_by_sector.csv
│       ├── ict_hiring_by_company_size.csv
│       ├── ict_hiring_by_sector.csv
│       ├── ict_job_ads_share.csv
│       ├── ict_share_total_employment_eu.csv
│       ├── job_posts_ds_2025.csv
│       └── tech_jobs_by_role.csv
│
├── 📁 notebooks/
│   ├── 00-concat.ipynb                   # Concatenación y unión de fuentes
│   ├── 01_eda.ipynb                      # Análisis exploratorio
│   └── 02_data_cleaning.ipynb            # Limpieza y validación
│
├── 📁 docs/
│   ├── eda_report.md                     # Informe del análisis exploratorio
│   └── data_cleaning_report.md           # Informe de limpieza y decisiones tomadas
│
├── 📁 reports/
│   ├── dashboards/                       # Archivo .pbix de Power BI
│   └── figures/                          # Capturas y figuras exportadas
│
├── requirements.txt
├── .gitignore
└── README.md

---

▶️ Cómo ejecutar el proyecto

1 · Clonar el repositorio

git clone https://github.com/camilalopezmrt/proyecto-da-promo-64-modulo-4-powerbi-team-3.git

2 · Crear entorno virtual

python -m venv venv
source venv/bin/activate        # Mac/Linux
venv\Scripts\activate           # Windows

3 · Instalar dependencias

pip install -r requirements.txt

4 · Ejecutar los notebooks en orden

00-concat.ipynb          →  Concatenación y unión inicial de fuentes
01_eda.ipynb             →  Análisis exploratorio estructurado
02_data_cleaning.ipynb   →  Limpieza, validación y exportación a /processed

5 · Abrir el dashboard

Abre el archivo .pbix en reports/dashboards/ con Power BI Desktop.
Los datos procesados en data/processed/ ya están listos para ser cargados a través de Power Query.

---

🔮 Posibles mejoras futuras

• Publicación del informe en Power BI Service para acceso online
• Incorporación de datos más recientes de Eurostat (2024–2025) cuando estén disponibles
• Segmentación por comunidad autónoma para el mercado español
• Análisis de tendencias en la demanda de skills emergentes (LLMs, MLOps, GenAI)
• Modelo predictivo de evolución salarial por perfil y región

---

✅ Estado del proyecto

Fase	Estado
Recopilación y concatenación de fuentes	✅ Completado
EDA y limpieza de datos	✅ Completado
Modelado y transformaciones en Power Query	✅ Completado
Diseño y desarrollo de dashboards	✅ Completado

---

👩‍💻 Equipo

El proyecto fue desarrollado de forma colaborativa en todas sus fases — recopilación de datos, análisis, limpieza y visualización.

Arantxa Barea

Camila López

---

🧩 Pipeline analítico

1️⃣ Recopilación de datos  
Eurostat · Kaggle · Dataset propio  

2️⃣ Preparación de datos  
EDA estructurado · limpieza y validación en Python  

3️⃣ Modelado  
Power Query + medidas DAX  

4️⃣ Visualización  
Dashboards interactivos en Power BI  

5️⃣ Comunicación  
Análisis de insights y storytelling

---

📄 Licencia

Proyecto académico desarrollado en el marco del Bootcamp de Data Analytics de Adalab.
Uso educativo — los datasets de Eurostat son de acceso público; los de Kaggle están sujetos a sus respectivas licencias de uso.

---

💬 Conclusión

"El sector TIC europeo no solo crece: se consolida como uno de los motores del mercado laboral.
Pero su estructura revela brechas profundas — de género, de geografía y de experiencia —
que representan tanto el mayor reto del sector como su mayor oportunidad de desarrollo."

---

_{Proyecto desarrollado en el Bootcamp de Data Analytics · Adalab · 2026}