Preguntas de entrevista data analyst: guía con frameworks

Si estás preparando una entrevista, estas preguntas entrevista data analyst no se resuelven memorizando respuestas: se ganan entendiendo qué habilidad te están evaluando. En este deep-dive vas a ver preguntas típicas (SQL, producto/negocio y comportamiento), la intención detrás de cada una y ejemplos de respuestas excelentes para que puedas demostrar criterio analítico, no solo técnica.

Además, al final encontrarás una ficha de práctica rápida y las preguntas frecuentes antes de la entrevista.PDF descargable 'Ficha de Práctica para Entrevista de Data Analyst' con 15 preguntas y un framework de respuesta por tipo.

> Tip práctico: si quieres entrenar en condiciones reales, prueba el simulador de entrevistas de Alcaparra desde /entrevistas. Te hace 5 preguntas y puedes practicar por voz.

Cómo usar esta guía (y que te rinda de verdad)

En una entrevista para analista de datos suelen buscar tres cosas:

• Fundamentos de SQL y manipulación de datos: extraer, limpiar, unir, agrupar, validar.
• Pensamiento de producto y métricas: traducir un objetivo en métricas, detectar trade-offs, proponer experimentos.
• Habilidades de comunicación y colaboración: explicar hallazgos, manejar ambigüedad, alinear con stakeholders.

Usa este método:

1) Leé la intención detrás de la pregunta. 2) Elegí el framework sugerido. 3) Prepará un ejemplo real con números o resultados (sin inventar). 4) Ensayá en voz alta y ajustá a 60-90 segundos.

Preguntas entrevista data analyst (SQL): qué evalúan y cómo responder

1) 'Escribe una query para obtener X'

Intención: evaluar si dominás lo básico: joins, agregaciones, filtros, ventanas, CTEs y lógica.

• Qué esperan ver:
• Supuestos claros (rango de fechas, definición de 'activo', etc.).
• Query legible (CTE, alias consistentes).
• Cuidado con duplicados y joins que inflan conteos.

Framework: Clarificar → Diseñar pasos → Escribir query → Validar con checks.

• Ejemplo de respuesta (estructura):
• 'Primero confirmo definiciones: ¿'usuario activo' es al menos 1 evento en 30 días?'
• 'Después armo una CTE con eventos filtrados, hago join con users, agrupo por día y calculo DAU.'
• 'Valido con un sanity check: el DAU no puede exceder usuarios totales y reviso outliers.'

2) '¿Cuál es la diferencia entre INNER JOIN, LEFT JOIN y FULL OUTER JOIN?'

Intención: fundamentos y capacidad de anticipar impactos en el dataset.

• Respuesta excelente (clara y corta):
• INNER: solo intersección.
• LEFT: todo lo de la izquierda + matches.
• FULL: unión de ambos lados + nulls donde no hay match.

Plus que te hace destacar: mencionar riesgos: 'Con LEFT JOIN + agregaciones puedo duplicar filas si la tabla derecha no es única por clave; antes valido unicidad o agrego primero'.

3) '¿Cómo detectarías duplicados o problemas de calidad de datos?'

Intención: mentalidad de calidad y confiabilidad.

Framework: Definir clave primaria esperada → tests → métricas de calidad → monitoreo.

• Puntos concretos:
• Duplicados por clave (COUNT(*) vs COUNT(DISTINCT)).
• Nulos en columnas críticas.
• Valores fuera de rango.
• Integridad referencial (keys sin match).

4) 'Explicá window functions y un caso de uso'

Intención: nivel intermedio/avanzado en SQL.

• Respuesta excelente:
• 'Las window functions calculan métricas sobre una ventana de filas sin colapsar el detalle. Ejemplo: rankear compras por usuario con ROW_NUMBER() o calcular moving average con AVG() OVER (PARTITION BY user ORDER BY date ROWS BETWEEN 6 PRECEDING AND CURRENT ROW).'

5) '¿Cómo optimizarías una query lenta?'

Intención: pensamiento de performance (sin ser data engineer).

• Checklist rápida:
• Limitar columnas (SELECT solo lo necesario).
• Filtrar temprano.
• Evitar funciones sobre columnas indexadas en WHERE.
• Revisar cardinalidad y orden de joins.
• Pre-agregar antes de joinear.
• Ver explain plan si aplica.

Preguntas de producto y métricas (Product Analytics)

6) '¿Qué métricas usarías para medir el éxito de [feature]?'

Intención: traducir negocio a métricas accionables.

Framework (North Star + input metrics): 1) Objetivo del feature. 2) Métrica North Star (resultado). 3) Métricas de entrada (comportamiento que lo impulsa). 4) Guardrails (evitar efectos colaterales). 5) Segmentación (nuevos vs recurrentes, cohortes).

• Ejemplo (respuesta corta y potente):
• 'Si el feature busca mejorar retención, la North Star puede ser retención D7 o WAU/MAU. Inputs: activación del feature, frecuencia de uso, time-to-value. Guardrails: tasa de errores, latencia, tickets de soporte. Segmento por país y por canal de adquisición para evitar promedios engañosos.'

7) 'El dashboard muestra caída de conversión. ¿Qué haces?'

Intención: debugging analítico, priorización y comunicación.

Framework: Confirmar → aislar → hipótesis → profundizar → acción.

• Respuesta excelente incluye:
• Validación (tracking, cambios de definición, delay de datos).
• Segmentación (dispositivo, canal, cohortes, región).
• Funnel step-by-step.
• Correlación con releases/cambios.
• Propuesta de next steps (experimento o fix).

8) 'Diseñá un A/B test para mejorar [métrica]'

Intención: criterio experimental.

• Qué evaluar:
• Hipótesis clara.
• Unidad de randomización.
• Métrica primaria y guardrails.
• Duración (sin inventar números) y power conceptual.
• Riesgos: contaminación, novedad, estacionalidad.

Frase que suma: 'Antes de correr el test, valido que el evento se trackee consistente y defino criterios de exclusión para bots o tráfico interno'.

9) '¿Cómo priorizás qué analizar primero?'

Intención: foco y valor de negocio.

• Framework ICE (Impact, Confidence, Effort) adaptado a análisis:
• Impacto esperado.
• Confianza en que el análisis responde una decisión.
• Esfuerzo (datos disponibles, limpieza, tiempo).

Preguntas de comportamiento (behavioral) para Data Analyst

10) 'Contame de un proyecto de análisis del que estés orgulloso'

Intención: evaluar ownership, comunicación, impacto.

• Framework STAR (Situation, Task, Action, Result):
• Situation: contexto.
• Task: qué necesitaba el negocio.
• Action: qué hiciste (técnico + colaboración).
• Result: outcome medible (sin exagerar).

• Ejemplo aplicado (realista) de respuesta:
• Situation: 'En una app de e-commerce notamos caída en recompra.'
• Task: 'Identificar el segmento afectado y causas para definir acciones.'
• Action: 'Armé cohortes por primera compra, segmenté por categoría y canal. Detecté que en móvil había aumento de fallas en checkout tras un release. Lo validé con logs de errores y lo llevé a producto/engineering con evidencia.'
• Result: 'Se revirtió el cambio, la tasa de checkout volvió a su baseline y se creó una alerta de calidad de datos/eventos.'

11) 'Contame de una vez que te equivocaste con datos'

Intención: honestidad, aprendizaje, manejo de riesgo.

• Respuesta excelente:
• Explica el error (sin dramatizar).
• Cómo lo detectaste.
• Qué cambiaste (tests, validaciones, peer review).
• Qué harías distinto.

12) '¿Cómo manejas stakeholders que piden 'solo un numerito'?'

Intención: comunicación y gestión de expectativas.

• Guión útil:
• 'Te puedo dar el número, pero antes confirmo definición y decisión que se va a tomar. Si el número impulsa una acción, propongo también un intervalo/segmentación mínima para evitar decisiones erróneas.'

13) '¿Cómo explicás un hallazgo técnico a alguien no técnico?'

Intención: claridad.

• Tácticas:
• Empezar por el 'so what'.
• Un gráfico simple.
• Analogías controladas.
• Recomendación concreta.

Preguntas de herramientas (BI, Python) y criterios de nivel

14) '¿Qué preferís: SQL o Python? ¿Cuándo usar cada uno?'

Intención: criterio práctico.

• Respuesta excelente:
• 'SQL para extracción/transformación en el DW y métricas reproducibles; Python para análisis exploratorio, modelos simples, automatización y validaciones más complejas. Idealmente dejo la lógica core en SQL y versiono notebooks/scripts para lo demás.'

15) '¿Cómo construís un dashboard que la gente use?'

Intención: enfoque en usuario.

• Checklist:
• Define audiencia y decisiones.
• Pocas métricas clave (no 40).
• Definiciones visibles.
• Segmentos y filtros útiles.
• Alertas (cuando algo se sale de rango).
• Iteración con feedback.

Plantilla rápida para responder (lista imprimible)

Usa esta plantilla para casi cualquier pregunta:

• 1) Aclaro el objetivo: 'Para responder esto, necesito confirmar…'
• 2) Defino métrica/criterio: 'Voy a medir X porque…'
• 3) Explico el enfoque: 'Haré A, luego B, luego C…'
• 4) Señalo riesgos y validaciones: 'Me cuido de duplicados, sesgos, tracking…'
• 5) Cierro con decisión: 'Con este resultado recomendaría…'

Si quieres practicarla en voz alta y recibir preguntas como en una entrevista real, usa /entrevistas. Son 1 crédito gratis para el análisis ATS.

Ficha de práctica rápida (repásala antes de tu entrevista)

Repasa estas 15 preguntas con el framework de respuesta recomendado para cada tipo:

• SQL: Clarificar → Pasos → Query → Validación
• Producto/métricas: Objetivo → North Star → Inputs → Guardrails → Segmentos
• Debugging: Confirmar → Aislar → Hipótesis → Profundizar → Acción
• Conductual: STAR

Instrucción de práctica (10 minutos): 1) Elegí 3 preguntas. 2) Prepará respuesta de 60-90s. 3) Grabate (audio) y revisá: ¿dije objetivo? ¿supuestos? ¿impacto?

Cómo alinear tu CV con lo que buscan en estas entrevistas

Muchas de estas preguntas evalúan competencias que también deberían estar claras en tu CV: SQL, métricas, impacto y comunicación. Una forma rápida de verificarlo es pasar tu CV por un score ATS y ver si estás mencionando keywords y logros relevantes.

• Puedes analizar tu CV gratis en Alcaparra (1 crédito gratis para el análisis ATS) y obtener:
• Score ATS 0-100
• Match de keywords MUST/NICE
• CV optimizado en .docx

• Links útiles:
• Cómo funciona el análisis ATS: /como-funciona
• Precios (empieza gratis): /precios

FAQ: dudas comunes antes de una entrevista de Data Analyst

¿Cuánto SQL necesito para pasar una entrevista de Data Analyst?

Para la mayoría de roles junior y mid, el nivel intermedio es suficiente: SELECT con JOINs (INNER, LEFT, FULL OUTER), GROUP BY, subconsultas y funciones de ventana básicas (RANK, ROW_NUMBER, LEAD/LAG). Las preguntas de optimización avanzada aparecen más en roles senior o data engineering. Si dominas bien los JOINs y las funciones de agregación, ya estás en el top 30% de candidatos para un rol junior.

¿Cómo respondo si no sé una pregunta técnica?

Piensa en voz alta. Explica qué sí sabes del tema, cómo enfocarías el problema y qué recursos consultarías si lo tuvieras en el trabajo real. Los entrevistadores evalúan tu razonamiento y tu forma de enfrentar lo desconocido, no solo si memorizaste la respuesta. Decir 'no sé exactamente, pero lo plantearía así...' muestra más madurez que inventar.

¿Qué diferencia a un candidato promedio de uno excelente?

El candidato excelente conecta cada análisis con impacto de negocio. No dice 'la tasa de conversión cayó 3 puntos' sino 'esa caída equivale a X pedidos menos por semana'. También hace buenas preguntas antes de empezar. Sus respuestas son concretas: números reales, contexto real, aprendizaje real.

Lecturas relacionadas

• Entrevista técnica de Data Analyst: guía práctica
• Método STAR para entrevistas: ejemplos claros y plantilla