Entrevista técnica de Data Analyst: guía completa

Qué evalúan realmente en una entrevista técnica de Data Analyst

Las entrevistas técnicas en roles de datos ya no se tratan solo de recordar sintaxis de SQL o saber de memoria las librerías de Python. Lo que los entrevistadores buscan hoy es tu capacidad de razonar bajo presión, estructurar soluciones ante problemas ambiguos y — sobre todo — traducir datos en decisiones de negocio concretas.

Esta guía está pensada para candidatos que ya tienen experiencia y quieren ir más allá de las preguntas básicas. Si estás también trabajando en tu CV para roles de datos, te recomendamos revisar nuestra guía de CV para cambio de carrera y el análisis ATS gratuito de Alcaparra.

Cómo se estructura una entrevista técnica típica en datos

Aunque cada empresa tiene su propio proceso, la mayoría sigue una estructura similar que conviene conocer para prepararte mejor:

• Apertura y contexto del negocio: el entrevistador explora tu dominio y si entiendes el impacto de tu trabajo
• Ejercicio en SQL: unir tablas, agregar datos y trabajar con criterios complejos de filtrado
• Ejercicio en Python: manipulación de dataframes, limpieza de datos y visualización básica
• Caso de negocio: convertir requerimientos en métricas, hipótesis y plan de validación
• Preguntas de diseño y escalabilidad: cómo piensas de extremo a extremo, desde los datos hasta el producto
• Cierre y preguntas para el entrevistador: una oportunidad para mostrar curiosidad y cultura de aprendizaje

SQL avanzado: lo que realmente te preguntan

El SQL de entrevistas no suele ser básico. Los entrevistadores quieren ver que sabes manejar ventanas, subconsultas y transformaciones complejas. Según el Mode Analytics SQL Tutorial, las funciones de ventana son uno de los temas más frecuentes en entrevistas técnicas de datos.

Ejemplo aplicado — Calcular crecimiento interanual de ventas por región:

SELECT region, EXTRACT(YEAR FROM fecha) AS anio, SUM(ventas) AS total_ventas, LAG(SUM(ventas)) OVER (PARTITION BY region ORDER BY EXTRACT(YEAR FROM fecha)) AS ventas_año_anterior FROM ventas GROUP BY region, anio ORDER BY region, anio;

Funciones clave que debes dominar: SELECT, GROUP BY, HAVING, JOIN (INNER, LEFT, RIGHT), UNION, CASE, Window functions (OVER, PARTITION BY, ROW_NUMBER, LAG, LEAD), subconsultas y manejo de nulos.

Python para análisis de datos: lo que se espera que hagas

En Python, la entrevista típicamente gira en torno a pandas para limpieza y transformación de datos, matplotlib o seaborn para visualización, y en roles más avanzados, scikit-learn para modelado básico. Lo más importante no es memorizar funciones sino poder justificar por qué usas una herramienta sobre otra.

Ejemplo aplicado — Calcular crecimiento YoY con pandas:

import pandas as pd df = pd.read_csv('ventas.csv') df['fecha'] = pd.to_datetime(df['fecha']) resumen = df.groupby(['region', df['fecha'].dt.year])['ventas'].sum().reset_index(name='total_ventas') resumen['crecimiento_yoy'] = resumen.groupby('region')['total_ventas'].pct_change()

Casos de negocio: cómo presentar resultados a stakeholders no técnicos

Esta parte suele ser la más diferenciadora. Los candidatos que destacan no son necesariamente los que escriben el código más elegante, sino los que saben contar la historia detrás de los datos. La fórmula que funciona: empieza con el problema de negocio, describe la aproximación técnica brevemente, presenta las métricas de impacto y cierra con acciones recomendadas.

Consejos prácticos para presentar resultados:

• Usa lenguaje claro para no técnicos y evita jerga innecesaria
• Incluye visualizaciones simples que cuenten la historia de los datos
• Conecta siempre los números con acciones concretas y métricas de negocio
• Explica tus supuestos y limitaciones de los datos — esto demuestra madurez analítica

Checklist de preparación técnica para tu próxima entrevista

Este checklist está pensado para repasarlo en una sola sesión de preparación la semana antes de tu entrevista:

• Revisa tu experiencia relevante y asocia el impacto en negocio a cada proyecto
• Practica al menos 2 ejercicios de SQL con joins, window functions y filtros complejos
• Practica 2 ejercicios en Python: limpieza de datos, transformación y visualización básica
• Prepara una historia completa de un proyecto: problema, solución técnica, impacto y métricas
• Prepara respuestas sobre calidad de datos, gobernanza y cómo manejas datos incompletos
• Graba tus explicaciones y revisa claridad, tono y estructura
• Prepara 3 preguntas para hacerle al entrevistador sobre el equipo, los datos y los procesos
• Verifica la logística: conectividad, entorno de trabajo limpio y pantalla bien compartida

Preguntas de diseño y arquitectura que aparecen en roles senior

Para posiciones más senior, es común encontrar preguntas de diseño que evalúan tu pensamiento sistémico:

• ¿Cómo diseñarías un pipeline de ETL para datos en streaming de alta frecuencia? ¿Qué fallos anticipas?
• ¿Cómo priorizarías iniciativas analíticas cuando el equipo carece de datos limpios?
• ¿Qué métricas usarías para monitorear la salud de un modelo de recomendación en producción?

Cómo practicar de forma efectiva — sin gastar semanas

• Practica con límite de tiempo realista para simular la presión de la entrevista
• Usa plataformas como LeetCode Database o Kaggle para practicar con datasets reales
• Pide feedback a colegas técnicos y no técnicos para balancear tu discurso
• Enfócate en el razonamiento, no solo en el resultado técnico correcto

La preparación marca la diferencia — empieza con lo que ya sabes

No tienes que ser experto en todo. Lo que los entrevistadores quieren ver es que piensas con claridad, que entiendes el impacto de tu trabajo y que puedes comunicar resultados de forma efectiva. Empieza con los ejercicios que ya manejas bien y amplía desde ahí.

¿Tienes una entrevista próxima? El simulador de entrevistas de Alcaparra te permite practicar con preguntas reales y recibir feedback detallado. Más guías sobre entrevistas en el blog de Alcaparra.