Guía de entrevista para Analista de Datos: SQL y lógica

Llegaste a la entrevista para Analista de Datos. Tu SQL está listo, conoces pandas y sabes hablar de métricas de negocio. Pero lo que separa a los candidatos que pasan del resto es un detalle concreto: la capacidad de razonar en voz alta mientras resolvés el problema.

Los entrevistadores en roles analíticos no solo evalúan si llegas al resultado correcto — evalúan si puedes estructurar el problema, comunicar cada decisión y ajustar tu enfoque cuando aparecen restricciones. Eso es exactamente lo que mide el framework que presentamos en esta guía.

Framework mental de 6 pasos para cualquier pregunta

Aplicá este proceso en voz alta para cada pregunta técnica o de negocio. Es el eje central de la evaluación:

• Entender el negocio y el objetivo real: antes de escribir una línea de código, reformulá el problema con tus palabras. Preguntá si tu interpretación es correcta.
• Definir qué medís y cuál es el resultado deseado: una métrica vaga ("ventas bajas") tiene que traducirse en algo concreto ("porcentaje de caída mes a mes en los últimos 90 días").
• Identificar datos disponibles y posibles fuentes: ¿hay una tabla de transacciones? ¿un CRM? ¿necesitás hacer JOINs entre tablas? Nombrá las tablas que usarías.
• Seleccionar la técnica o enfoque adecuado: GROUP BY, window function, subconsulta, merge en pandas. Explicá por qué elegís esa técnica sobre las alternativas.
• Explicar el razonamiento y el plan de acción: antes de ejecutar, decí qué vas a hacer y por qué. Esto es lo que realmente evalúa el entrevistador.
• Validar resultados y plantear escenarios alternativos: ¿el resultado tiene sentido de negocio? ¿qué pasa si falta un mes de datos? ¿qué harías diferente con más información?

SQL: las 3 consultas más frecuentes en entrevistas de datos

Según el Stack Overflow Developer Survey, SQL sigue siendo la habilidad más usada por los data analysts a nivel global. Estas son las consultas tipo que aparecen en la mayoría de los procesos de selección:

Consulta 1: ventas por período (GROUP BY + ORDER BY)

SELECT EXTRACT(YEAR FROM fecha) AS anio, EXTRACT(MONTH FROM fecha) AS mes, SUM(importe) AS ventas_totales FROM ventas GROUP BY EXTRACT(YEAR FROM fecha), EXTRACT(MONTH FROM fecha) ORDER BY anio, mes

Razonamiento: el objetivo es observar la evolución temporal de las ventas. Agrupar por año y mes permite sumar el total por período; el ORDER BY facilita la lectura en dashboards. Antes de ejecutar, vale preguntar: ¿el campo fecha incluye hora o solo fecha? Eso puede afectar el GROUP BY.

Consulta 2: ranking por canal (JOIN + GROUP BY + LIMIT)

SELECT c.canal_id, SUM(v.importe) AS ventas_totales FROM ventas v JOIN canales c ON v.canal_id = c.id GROUP BY c.canal_id ORDER BY ventas_totales DESC LIMIT 5

Razonamiento: identificar qué canales generan mayor valor permite priorizar inversiones de marketing. El JOIN conecta transacciones con la dimensión canal para obtener nombres legibles. Una pregunta de follow-up válida: ¿querés el top 5 por volumen o por margen?

Consulta 3: tendencia rolling de 7 días (Window Function)

SELECT fecha, producto_id, SUM(importe) AS ventas_diarias, SUM(SUM(importe)) OVER (PARTITION BY producto_id ORDER BY fecha ROWS BETWEEN 6 PRECEDING AND CURRENT ROW) AS ventas_semana FROM ventas_detalle GROUP BY fecha, producto_id ORDER BY fecha, producto_id

Razonamiento: las window functions son el diferenciador clave en entrevistas de nivel semisenior. La cláusula ROWS BETWEEN 6 PRECEDING AND CURRENT ROW calcula el acumulado de los últimos 7 días por producto, suavizando la variabilidad diaria. Mencioná que el doble SUM (SUM(SUM(...))) es necesario cuando querés aplicar la ventana sobre el agregado del mismo GROUP BY.

Para un enfoque más avanzado con casos reales, lee también nuestra guía completa de entrevista técnica para Data Analyst.

Python y limpieza de datos: lo que debes practicar

• Lectura de fuentes comunes: pd.read_csv(), pd.read_sql(), APIs con requests. Saber de dónde vienen los datos y cómo cargarlos es el punto de partida.
• Limpieza básica: manejo de NaN (dropna(), fillna()), duplicados (drop_duplicates()), formato de fechas (pd.to_datetime()).
• Transformaciones simples: columnas derivadas (df['nueva'] = df['a'] * df['b']), normalización, merges (pd.merge()).
• Validación: checks de consistencia entre tablas (conteo de nulos, rangos de valores, distribuciones). El entrevistador puede pedirte que describas cómo verificarías la calidad de un dataset antes de analizarlo.
• Ejemplo aplicado: limpiar una columna de fechas inconsistentes y calcular una métrica nueva a partir de varias columnas — es el ejercicio más común en entrevistas con toma de muestra.

Visualización y comunicación con el negocio

• Elegir el gráfico correcto: líneas para tendencia, barras para comparación, scatter para correlación. Cada gráfico debe tener un título claro y fuente de datos.
• Alinear con KPIs del negocio: crecimiento MoM, retención, margen, CAC/LTV. Un gráfico que no responde una pregunta concreta no agrega valor.
• Preparar recomendaciones accionables: no dejes solo los números. Traducí los hallazgos en acciones: "el canal X genera el 60% del margen — aumentaría la inversión ahí".

Lógica de negocio: dos problemas resueltos

Los problemas de lógica miden tu capacidad de razonar bajo presión y articular cada paso. La clave no es la solución final, sino el proceso — por eso tenés que verbalizarlo todo.

Problema 1: asignación de equipos a días

Enunciado: los equipos A, B y C deben asignarse a los días 1, 2 y 3. Restricciones: A no puede estar en el día 3; B no puede estar en el día 1; el equipo del día 2 no puede ser el mismo que el del día 3. ¿Qué asignaciones son válidas?

• Paso 1: A no puede ir al día 3 → día 3 es B o C.
• Paso 2: B no puede ir al día 1 → día 1 es A o C.
• Caso 1 (día 3=B): día 2 no puede ser B. Soluciones válidas: (día 1=C, día 2=A, día 3=B) y (día 1=A, día 2=C, día 3=B).
• Caso 2 (día 3=C): día 2 no puede ser C. Si día 2=B, día 1=A (válido). Si día 2=A, día 1 debe ser B pero B no puede estar en día 1 (inválido). Solución: (día 1=A, día 2=B, día 3=C).
• Conclusión: hay tres asignaciones válidas. Verbalizar los subcasos en voz alta demuestra razonamiento sistemático — eso es lo que evalúa el entrevistador.

Problema 2: cajones y pelotas de colores

Enunciado: los cajones A, B y C contienen pelotas rojo, verde y azul (sin repetir). Pistas: 1) la roja no está en A; 2) la verde no está en C; 3) la azul está en el cajón que no contiene la roja. ¿Dónde está cada color?

• Paso 1: roja no en A → roja en B o C.
• Paso 2: verde no en C → verde en A o B.
• Si roja está en B: azul no puede estar en B (pista 3) → azul en A o C. Verde no puede estar en C → verde en A → azul en C. Solución: roja=B, verde=A, azul=C.
• Si roja está en C: azul no puede estar en C → azul en A o B. Subcasos válidos: (roja=C, azul=A, verde=B) y (roja=C, azul=B, verde=A).
• Conclusión: hay varias soluciones posibles cuando la información es incompleta. Lo importante es identificar y enumerar los casos válidos — no solo dar una respuesta.

Checklist de preparación

• Reforzar fundamentos de SQL: SELECT, JOIN, GROUP BY, subconsultas y window functions.
• Practicar al menos 3 consultas tipo con variantes por contexto de negocio.
• Repasar Python para limpieza: pandas con manejo de NaN, duplicados y merges.
• Estudiar visualización: cuándo usar qué gráfico y cómo explicarlo a un equipo no técnico.
• Preparar 2 proyectos propios con impacto de negocio cuantificado (resultados numéricos, no solo descripción de tareas).
• Practicar el framework de 6 pasos en voz alta con algún colega o grabándote.
• Preparar preguntas para hacerle al entrevistador sobre el stack de datos, el tamaño de los datasets y los procesos de calidad.
• Revisar las métricas clave del negocio de la empresa donde aplicás (LTV, churn, GMV según el sector).
• Practicar la explicación breve de hallazgos y las recomendaciones accionables — terminar con una sugerencia, no solo con un número.

Caso aplicado: análisis de ventas para e-commerce

Objetivo de negocio: entender qué regiones y productos generan mayor valor y proponer acciones para incrementar las ventas. Datos necesarios: ventas por región, detalle por producto, fechas y canales de venta.

Consulta 1: ventas por región

SELECT region, SUM(importe) AS ventas_totales FROM ventas GROUP BY region ORDER BY ventas_totales DESC

Uso: identifica la región líder para focalizar inversiones y promociones.

Consulta 2: top 5 productos por margen

SELECT producto_id, SUM(importe - costo) AS margen_total FROM ventas_detalle GROUP BY producto_id ORDER BY margen_total DESC LIMIT 5

Uso: prioriza los productos que maximizan la ganancia en la cartera.

Consulta 3: tendencia de ventas recientes

SELECT fecha, SUM(importe) AS ventas_diarias FROM ventas GROUP BY fecha ORDER BY fecha DESC LIMIT 7

Uso: observa el comportamiento reciente y detecta picos o caídas. Complementá con el rolling de 7 días si necesitás suavizar la volatilidad.

Si tu CV aún no está optimizado para roles de datos, el análisis ATS gratuito de Alcaparra te muestra cómo ajustarlo para que pase los filtros automáticos. Y si querés practicar las preguntas de la entrevista, usá el simulador de entrevistas con IA para practicar respuestas en voz alta antes del proceso real.

Para comparar salarios de data analyst en LATAM y tendencias del mercado, el LinkedIn Workforce Report es una buena referencia actualizada.