Una entrevista de analista de datos rara vez se pierde por una sintaxis de JOIN que falta. Se pierde cuando sacas un número limpio pero no sabes explicar qué debería hacer el negocio con él. En 2026, los equipos de contratación han dejado de premiar a quien sabe escribir una consulta y han empezado a premiar a quien sabe convertir una pregunta desordenada en una respuesta defendible, que es justo donde se tambalea la mayoría de los candidatos.
Qué miden de verdad las entrevistas de analista de datos en 2026
El listón se ha movido. La soltura con SQL ahora se da por hecha, no se celebra, porque casi todos los candidatos pasan un filtro básico de consultas y las herramientas de IA han vuelto trivial el código repetitivo. Lo que separa una oferta de un rechazo es el criterio: encuadrar una petición ambigua, elegir la métrica correcta, detectar cuándo los datos te están mintiendo y comunicar un hallazgo a alguien que nunca ha abierto una base de datos.
En concreto, los entrevistadores miden cuatro cosas. Primera, ejecución técnica (SQL, algo de Python o R, profundidad con hojas de cálculo y una herramienta de BI como Tableau, Power BI o Looker). Segunda, alfabetización estadística, o sea, saber la diferencia entre correlación y causalidad y cuándo un resultado es solo ruido. Tercera, sentido de negocio, la capacidad de atar un número a ingresos, retención o coste. Cuarta, comunicación, porque un hallazgo sobre el que nadie actúa no vale nada. Las rondas más duras mezclan las cuatro en un solo enunciado abierto y miran cómo razonas en voz alta.
El proceso de entrevistas: las rondas reales
La forma varía según el tamaño de la empresa, pero el proceso moderno de analista de datos es bastante predecible.
- Filtro con el reclutador (20 a 30 minutos). Logística, tu trayectoria, por qué este equipo. Espera una o dos preguntas técnicas suaves ("¿cómo de cómodo estás con SQL, del uno al diez?") que fijan la dificultad de las rondas siguientes. No te vendas de más aquí.
- Filtro técnico (45 a 60 minutos). Normalmente SQL en vivo en un editor compartido (HackerRank, CoderPad o un dataset para hacer en casa). También pueden caer algunas preguntas de estadística o de cómo limpiarías una tabla concreta. Algunas empresas añaden una sección corta de Python o pandas.
- Caso práctico o ejercicio de analítica. O bien un ejercicio para casa con un dataset real y un plazo de dos a cuatro días, o bien un caso de producto en vivo de 45 minutos. Es la ronda que decide la mayoría de los procesos. Te puntúan por el encuadre, el método y la claridad de tu recomendación, no solo por la respuesta.
- Ronda conductual y con stakeholders. Un responsable de contratación o un compañero de otra función comprueba si sabes manejar una petición vaga, discutir una métrica mala y explicar resultados a gente no técnica.
- Ronda final o de panel. A menudo una presentación de tu ejercicio para casa, o una mezcla de lo anterior con la dirección. Aquí pesan mucho la cultura y la comunicación.
Las preguntas
SQL y ejecución técnica
Escribe una consulta para encontrar el segundo salario más alto de una tabla.
Un calentamiento clásico. Demuestra que conoces más de un enfoque: una subconsulta con MAX, o una función de ventana usando DENSE_RANK(). Menciona cómo tratarías los empates y los nulos, porque esa distinción es lo que están midiendo de verdad.
¿Cómo encontrarías filas duplicadas en una tabla y cómo las eliminarías?
Explica GROUP BY con HAVING COUNT(*) > 1 para encontrarlas, y después explica un borrado seguro con una CTE y ROW_NUMBER(). Insiste en que lo confirmarías con los stakeholders antes de borrar nada en producción.
Explica la diferencia entre un LEFT JOIN y un INNER JOIN, y cuándo un JOIN puede inflar tu número de filas sin que te enteres. Define los dos rápido y ve a la trampa de verdad: unir por una clave no única provoca un fan-out que multiplica filas y rompe en silencio todos los agregados que vienen después. Decir que compruebas el número de filas antes y después de un join señala experiencia.
¿Cuál es la diferencia entre WHERE y HAVING?
WHERE filtra filas antes de la agregación, HAVING filtra grupos después. Un buen remate es mencionar que filtrar pronto en WHERE suele salir más barato que filtrar tarde.
Necesitas un total acumulado de ingresos por día. ¿Cómo lo escribes?
Tira de una función de ventana: SUM(revenue) OVER (ORDER BY date ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW). Manejar con soltura los marcos de ventana separa a los candidatos de nivel medio de los junior.
En Python o pandas, ¿cómo tratarías los valores faltantes de un dataset? No digas simplemente "los elimino". Empieza por el diagnóstico (cuánto falta, si es aleatorio o sistemático) y luego las opciones: eliminar, imputar con la media o la mediana, rellenar hacia delante en series temporales, o marcar con una columna indicadora. El criterio es lo que importa.
Estadística y razonamiento analítico
¿Cuál es la diferencia entre correlación y causalidad, y cómo se la explicarías a un product manager? Da una definición precisa y después un ejemplo concreto (las ventas de helados y los ahogamientos suben los dos en verano). El entrevistador quiere verte traducir, no dar una clase.
Un test A/B ha devuelto un p-valor de 0.04. ¿Qué significa en realidad y qué comprobarías antes de lanzar? Defínelo bien (la probabilidad de ver un resultado así de extremo si la hipótesis nula fuera cierta) y luego resiste la trampa de tratar el 0.05 como palabra sagrada. Menciona el tamaño de muestra, la duración del test, el problema de las comparaciones múltiples y la significancia práctica frente a la estadística.
¿Cómo detectarías y tratarías los valores atípicos? Cubre la detección (método del rango intercuartílico, puntuaciones z, inspección visual con un diagrama de caja) y luego la mitad difícil: decidir si un valor atípico es un error de datos que hay que arreglar o una señal real que hay que investigar. Eliminar señal real es un error de novato.
Explica qué te dice un intervalo de confianza. Mucha gente lo explica mal. Un intervalo de confianza del 95% significa que si repitieras el muestreo muchas veces, el 95% de los intervalos contendría el parámetro verdadero. Plantéalo bien y destacas al instante.
Casos prácticos y sentido de negocio
Los usuarios activos diarios han caído un 8% de una semana a otra. ¿Cómo lo investigas? La estructura le gana a la velocidad. Confirma que el dato es real (no un fallo de registro) y luego segmenta por plataforma, geografía, usuarios nuevos frente a recurrentes y canal de adquisición. Formula una hipótesis, compruébala y di qué recomendarías. Pensar en voz alta es el ejercicio entero.
Un stakeholder pide "un dashboard con todo". ¿Cómo respondes? La respuesta correcta acota el alcance. Pregunta qué decisión apoya el dashboard, quién es la audiencia y qué acción dispararía un número. Demostrar que discutes las peticiones vagas es justo lo que quieren ver.
¿Cómo medirías el éxito del lanzamiento de una funcionalidad nueva? Define una métrica principal atada al objetivo de la funcionalidad y luego métricas de guardarraíl para pillar daños no buscados (¿el uso de una funcionalidad canibaliza otra?). Menciona una línea base y una ventana de tiempo. Nombrar una única métrica estrella demuestra madurez.
Nuestra tasa de abandono de clientes está subiendo. ¿Qué datos sacarías y qué mirarías primero? Define primero el abandono con precisión (es un término ambiguo, así que fíjalo). Después segmenta por cohorte, antigüedad, plan y uso, y busca los indicadores adelantados que preceden al abandono en lugar de limitarte a describir a quien ya se ha ido.
Comunicación y conducta
Háblame de una vez en la que encontraste un hallazgo que cambió una decisión. Usa un formato estructurado: la pregunta, tu método, el hallazgo y la acción que provocó. Lo que marca el punto son la acción y su impacto medible, así que ve hacia ellos.
Describe una vez en la que tu análisis estaba mal o tus datos tenían fallos. ¿Qué pasó? Están midiendo honestidad y rigor. Elige un ejemplo real, asume el error y explica la salvaguarda que montaste después (una comprobación de validación, un paso de revisión por pares). Ponerte a la defensiva aquí es una señal de alarma para los entrevistadores.
Errores habituales que hunden a los candidatos a analista de datos
- Lanzarte directo a SQL en un caso práctico. Los entrevistadores quieren oír primero tu encuadre. El silencio mientras tecleas se lee como que estás adivinando.
- Confundir la significancia estadística con la relevancia de negocio. Una mejora del 0.1% puede ser estadísticamente significativa y comercialmente inútil. Conecta siempre con el impacto.
- Sobredimensionar la respuesta. Tirar de un modelo de regresión cuando una simple media segmentada responde a la pregunta señala mal criterio, no sofisticación.
- Ignorar la calidad de los datos. No preguntar "¿me puedo fiar de estos datos?" antes de analizarlos es la razón más común por la que candidatos técnicamente fuertes pierden las rondas de caso.
- Recitar definiciones sin traducirlas. Si no sabes explicarle un p-valor a un stakeholder no técnico, la definición del libro de texto no te salva.
- Memorizar respuestas en lugar de razonar. Los procesos están diseñados para lanzarte una repregunta en cuanto suenas ensayado.
Cómo prepararte (y dónde ayuda un copiloto en vivo)
Monta un plan enfocado de cuatro semanas. Dedica la primera semana a machacar SQL hasta que las funciones de ventana, las CTE y los joins entre varias tablas te salgan solos; usa una plataforma con datasets reales en lugar de acertijos de juguete. La segunda semana, repasa estadística aplicada con énfasis en tests A/B, muestreo y el lenguaje para explicar ambos. La tercera semana, haz casos prácticos cronometrados en voz alta, idealmente con alguien que haga de stakeholder y te interrumpa. La cuarta semana, pule tus historias con una estructura clara y ensaya presentar el ejercicio para casa como si fuera ante una sala escéptica.
Las entrevistas de práctica importan más que la lectura pasiva, porque la prueba real es razonar bajo presión con alguien mirando. Ahí es también donde un copiloto en vivo se gana su sitio. GhostPilot AI escucha tu entrevista en tiempo real y saca sugerencias casi instantáneas en el panel lateral de Chrome: un recordatorio de la sintaxis óptima de una función de ventana a mitad de consulta, un encuadre estructurado para un enunciado de caso cuando te quedas en blanco, o la definición estadística exacta que recuerdas a medias. Como funciona en el panel lateral, no forma parte de la captura de una pestaña compartida, y la app de escritorio opcional para Windows es invisible a la captura de pantalla en Windows 10 (build 2004 o posterior) y Windows 11. Apoya tu razonamiento; no sustituye tu preparación. Puedes leer más en ghostpilotai.com.
FAQ
¿Qué SQL debería saber para una entrevista de analista de datos en 2026?
Joins (de todos los tipos), agregaciones con GROUP BY y HAVING, subconsultas, CTE y funciones de ventana (ROW_NUMBER, RANK, SUM OVER). Las funciones de ventana son la línea divisoria más habitual entre las ofertas junior y las de nivel medio.
¿Cómo me preparo para una entrevista de analista de datos de nivel inicial sin experiencia? Monta dos o tres proyectos de portfolio con datasets públicos, escribe para cada uno la pregunta y la recomendación, y practica explicarlos en voz alta. Los entrevistadores aceptan trabajo de proyectos en lugar de historial laboral si sabes defender tu método.
¿Las entrevistas de analista de datos exigen Python? Depende del equipo. Muchos puestos funcionan enteros con SQL y una herramienta de BI, mientras que los equipos de producto con mucho dato esperan pandas. Lee la descripción del puesto: si aparece Python, espera una sección corta de código, normalmente limpieza o agregación de datos.
¿Cuánto dura el proceso de entrevistas de analista de datos? Normalmente de dos a cuatro semanas repartidas en tres a cinco rondas. Los casos prácticos para casa suelen ser lo que más alarga el calendario, así que confirma los plazos pronto y protege ese hueco en tu agenda.
¿Cuál es la habilidad más importante que están midiendo? El criterio. ¿Sabes coger una pregunta ambigua, elegir un método sensato, comprobar que los datos tienen sentido y entregar una respuesta sobre la que alguien pueda decidir? La habilidad técnica te mete en la sala; el criterio te consigue la oferta.
Prueba GhostPilot AI
GhostPilot AI es un copiloto de entrevistas en tiempo real hecho para los momentos en los que cae una pregunta y necesitas al instante la estructura o la sintaxis correcta. Empieza con el plan gratuito, con sesiones en vivo de 10 minutos y respuestas de IA ilimitadas; cuando estés metido de lleno en un proceso, el Session Pass cuesta $29 por tres entrevistas completas de dos horas (pago único, sin suscripción), o pásate a Pro por $59/mes o $192/año ($16/mes facturado anualmente). Practica duro y luego entra a la entrevista sabiendo que tienes respaldo.