La entrevista de científico de datos se ha convertido, sin hacer ruido, en una de las pruebas más amplias del sector tecnológico. Puedes ser un modelador brillante y aun así hundirte con una función de ventana de SQL, o clavar la parte de código y venirte abajo en cuanto un entrevistador te pregunta por qué el resultado de tu A/B test podría ser un falso positivo. En 2026, el listón está menos en memorizar algoritmos y más en demostrar que sabes razonar desde una pregunta de negocio desordenada hasta un número defendible.
Qué evalúan realmente las entrevistas de científico de datos en 2026
Los responsables de contratación no buscan a alguien que recite la fórmula del descenso de gradiente. Quieren a alguien a quien puedan darle una pregunta ambigua ("¿esta funcionalidad movió la retención?") y confiar en que sabrá acotarla, sacar los datos, elegir un método sólido, cuantificar la incertidumbre y explicar el resultado sin jerga.
El rol se ha bifurcado. Algunos puestos de "científico de datos" son en realidad roles de analítica, con mucho SQL, inferencia causal y comunicación con stakeholders. Otros están más cerca del machine learning aplicado, con mucho modelado y producción. Lee la descripción del puesto con lupa, porque las dos vías reparten el peso de sus rondas de forma distinta. Ambas comparten el énfasis en el diseño de experimentos (el A/B testing ya es lo mínimo), la soltura con las limitaciones de los grandes modelos de lenguaje y el instinto de comprobar la coherencia de un resultado antes de fiarte de él.
El proceso de entrevistas
La mayoría de los procesos de entrevistas de ciencia de datos tienen entre cuatro y seis etapas, con una consistencia notable entre empresas de distintos tamaños.
- Filtro con el reclutador. Logística, rango salarial y un par de "háblame de un proyecto". Poco en juego, pero comprueban que sabes describir trabajo técnico en lenguaje sencillo.
- Filtro técnico (SQL y/o código). Normalmente en un editor compartido. Espera SQL de nivel intermedio a avanzado (joins, funciones de ventana, agregación) y a menudo una pregunta de Python con pandas o algoritmos básicos. Algunos equipos usan una prueba para casa en su lugar.
- Ronda de estadística y machine learning. Profundidad conceptual en probabilidad, inferencia, A/B testing y la compensación sesgo-varianza, más decisiones prácticas de modelado. Aquí el conocimiento superficial queda al descubierto rápido.
- Ronda de caso práctico o de producto. Un problema de negocio abierto ("¿cómo medirías el éxito de esta funcionalidad?"). Quieren tu estructura, tus métricas y tus supuestos, no una única respuesta correcta.
- Ronda conductual y con stakeholders. A menudo con alguien de otro equipo, para sondear tu colaboración, cómo manejas la ambigüedad y cómo comunicas hallazgos a personas no técnicas.
Los procesos para senior y staff añaden diseño de sistemas o de ML ("diseña un pipeline de recomendación") y un foco mayor en la influencia y la priorización.
Las preguntas
Preguntas reales a las que se enfrentan los científicos de datos, agrupadas por ronda, cada una con una nota breve sobre cómo abordarla.
SQL y código
1. Encuentra el segundo salario más alto de cada departamento.
Cómo abordarla: tira de una función de ventana (DENSE_RANK() particionada por departamento), no de una subconsulta anidada torpe. Di por qué elegiste DENSE_RANK frente a RANK o ROW_NUMBER, porque los empates son la trampa.
2. Calcula un total acumulado de ingresos diarios, más una media móvil de 7 días.
Cómo abordarla: SUM() OVER (ORDER BY date) y AVG() OVER (... ROWS BETWEEN 6 PRECEDING AND CURRENT ROW). Explica en voz alta la cláusula de frame, porque la mayoría de los candidatos se equivoca con los límites de la ventana.
3. Dada una tabla de eventos de usuario, calcula la retención a día 1 y a día 7. Cómo abordarla: un self-join o una diferencia de fechas contra la primera fecha en la que se vio a cada usuario. Aclara primero la definición: "volvió exactamente el día 7" y "volvió a más tardar el día 7" son consultas distintas.
Estadística y experimentación
4. Explica el p-value a un stakeholder no técnico. Cómo abordarla: sáltate la definición de manual. Prueba con "si la funcionalidad de verdad no hizo nada, el p-value es la probabilidad de que viéramos un resultado así de fuerte solo por suerte". Luego añade lo que no significa (no es la probabilidad de que la hipótesis sea cierta).
5. Lanzamos un A/B test, alcanzó significancia a los 3 días, ¿podemos publicarlo? Cómo abordarla: es una trampa de peeking y de efecto novedad. Señala que parar antes de tiempo infla la tasa de falsos positivos, que el tamaño de muestra se fija de antemano y que los primeros usuarios se comportan distinto que la población en estado estable.
6. ¿Qué es la compensación sesgo-varianza y cómo aparece en la práctica? Cómo abordarla: define las dos partes y luego aterrízalo. Un árbol profundo sobreajusta (varianza alta), un modelo lineal sobre datos no lineales subajusta (sesgo alto). Conéctalo con una solución como la regularización o la validación cruzada.
7. ¿Cómo detectarías y manejarías una paradoja de Simpson en tus resultados? Cómo abordarla: explica que una tendencia agregada puede invertirse dentro de los subgrupos, y luego di que segmentarías por la variable de confusión y comprobarías si la relación se mantiene.
8. El AUC offline de tu modelo es excelente, pero la conversión online no se movió. ¿Qué pasó? Cómo abordarla: repasa los sospechosos habituales: desajuste entre entrenamiento y servicio, una variable con fuga, una métrica offline mal alineada o una superficie de producto que ignora el score. Premia la depuración estructurada por encima de una sola corazonada.
Machine learning y modelado
9. ¿Cómo manejas un problema de clasificación gravemente desbalanceado (1% de positivos)? Cómo abordarla: resiste la tentación de saltar a SMOTE. Empieza por la métrica (precision-recall, no accuracy), luego pesos de clase y ajuste del umbral, y solo entonces remuestreo. El coste de negocio de un falso negativo frente a un falso positivo es lo que debe guiar la decisión.
10. ¿Cómo elegirías entre una regresión logística y un árbol con gradient boosting para un modelo de churn? Cómo abordarla: plantéalo como interpretabilidad y necesidades de los stakeholders frente a rendimiento puro, más el tamaño de los datos y las interacciones entre variables. Las respuestas fuertes establecen primero una línea base con el modelo más simple.
11. ¿Cómo evitas las fugas de datos en un pipeline? Cómo abordarla: nombra fugas concretas (ajustar un scaler antes de dividir los datos, usar información del futuro, fuga del target desde una variable posterior al resultado). Di que ajustas las transformaciones dentro de los folds de validación cruzada.
12. ¿Cuándo usarías un LLM en un flujo de trabajo de ciencia de datos y cuáles son los riesgos? Cómo abordarla: un clásico de 2026. Buenos usos: extracción, clasificación de texto, redactar borradores. Riesgos: alucinaciones, coste, latencia y la tentación de usar uno donde bastaría un clasificador barato. Demuestra criterio, no hype.
Caso práctico y producto
13. ¿Cómo medirías si una nueva funcionalidad de "guardar para después" tiene éxito? Cómo abordarla: aclara el objetivo, propón una métrica principal y métricas de control (sube el engagement, pero ¿afecta a la compra o al churn?), y esboza un experimento. La estructura gana a la brillantez.
14. Los usuarios activos diarios cayeron un 8% la semana pasada. ¿Cómo lo investigas? Cómo abordarla: segmenta de forma sistemática (plataforma, geografía, nuevos frente a existentes, una fecha de release) y separa una caída real de un fallo de logging. Verbaliza tu lógica de ramificación; están puntuando tu proceso de diagnóstico.
Conductuales
15. Háblame de una vez en que tu análisis cambió una decisión de producto. Cómo abordarla: usa una estructura cerrada de situación, acción y resultado, cuantifica el impacto y destaca cómo lo comunicaste para conseguir apoyo.
16. Describe un proyecto en el que los datos estaban más sucios de lo esperado. Cómo abordarla: demuestra criterio ante la ambigüedad: qué limpiaste, qué descartaste y cómo comunicaste las limitaciones con honestidad.
Errores comunes que hunden a los candidatos a científico de datos
- Saltar a un modelo antes de aclarar la pregunta. La señal más fuerte en una ronda de caso práctico es saber acotar. Los candidatos que preguntan "¿qué significa el éxito aquí?" rinden mejor que los que proponen XGBoost de inmediato.
- Recitar definiciones sin aplicarlas. Cualquiera puede definir un p-value. Pocos saben explicárselo a un PM y luego decir qué no significa. La segunda parte es la que marca la diferencia.
- Ignorar la calidad de los datos y las fugas. Los entrevistadores ponen trampas de datos sucios y de fugas a propósito, y no verlas se lee como falta de experiencia.
- Complicar de más la línea base. Tirar de una red neuronal cuando bastaría una regresión logística delata poco criterio. Plantea primero la línea base simple.
- Comunicar mal la incertidumbre. Una estimación puntual sin intervalo de confianza ni matices es la forma más rápida de suspender un proceso senior.
Cómo prepararte (y dónde ayuda un copiloto en vivo)
Construye una base y luego practica bajo presión. Machaca las funciones de ventana y los joins de SQL hasta que te salgan solos, porque esa ronda es pura velocidad. Vuelve a derivar la estadística fundamental (prueba de hipótesis, el teorema central del límite, la mecánica de un A/B test) para poder enseñarla, no solo recitarla. Mantén un documento vivo con tres o cuatro proyectos con resultados cuantificados para las rondas conductuales. Después haz entrevistas de práctica en voz alta con alguien que te interrumpa, porque pensar en voz alta mientras te interrumpen es la habilidad que de verdad se está evaluando.
La distancia que siente la mayoría de los candidatos está entre saberse el material con calma y recordarlo mientras un desconocido mira un cursor parpadeando. Ahí es donde un copiloto en vivo se gana su sitio. GhostPilot escucha el audio de la entrevista y saca indicaciones estructuradas en tiempo real: el patrón de función de ventana adecuado cuando cae una pregunta de SQL, o un marco limpio para un caso de producto. Funciona en el panel lateral de Chrome, así que cuando compartes una sola pestaña del navegador no forma parte de lo que se captura, 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. Bien usado, te mantiene estructurado en lugar de darte un guion para leer, porque leer de forma robótica es justo lo que nota un entrevistador afilado. Mira cómo funciona en ghostpilotai.com.
Preguntas frecuentes
¿Qué preguntas se hacen en una entrevista de científico de datos? Una mezcla de SQL (joins, funciones de ventana, consultas de retención), estadística y A/B testing, conceptos de machine learning (sesgo-varianza, datos desbalanceados, fugas), casos de producto abiertos y preguntas conductuales. El peso de cada bloque depende de si el rol tira más hacia analítica o hacia ML aplicado.
¿Cómo me preparo para una entrevista de científico de datos en 2026? Machaca SQL hasta que te salga por reflejo, vuelve a derivar la estadística fundamental para poder explicarla de forma sencilla, prepara tres o cuatro historias de proyectos con cifras y practica casos prácticos en voz alta. El diseño de experimentos y comunicar la incertidumbre con claridad son lo que más pesa este año.
¿Sigue siendo importante SQL en las entrevistas de ciencia de datos? Por completo. SQL es la habilidad que se evalúa de forma más consistente en los procesos de ciencia de datos y suele ser una ronda de eliminación temprana. Se espera SQL de nivel intermedio a avanzado, sobre todo funciones de ventana.
¿Cómo de difíciles son las entrevistas de caso práctico en ciencia de datos? Difíciles precisamente porque no hay una única respuesta correcta. Premian la estructura: aclarar el objetivo, elegir métricas sensatas y métricas de control, dejar claros los supuestos y proponer un experimento. Un razonamiento claro gana a un modelo ingenioso.
¿Ahora se pregunta a los científicos de datos sobre grandes modelos de lenguaje? Cada vez más, sí. Espera preguntas sobre cuándo un LLM es la herramienta adecuada, cómo evaluarías su salida y los riesgos (alucinaciones, coste, latencia). Un criterio medido vale más que sonar entusiasta.
Prueba GhostPilot AI
Las entrevistas de ciencia de datos se extienden por SQL, estadística, modelado y razonamiento de producto abierto, mucho que sostener bajo presión. GhostPilot te da una red en tiempo real que mantiene tus respuestas estructuradas mientras tú hablas. Empieza gratis con sesiones en vivo de 10 minutos y respuestas de IA ilimitadas, hazte con un Session Pass por $29 (tres entrevistas completas de dos horas, pago único, sin suscripción) o pásate a Pro por $59/mes o $192/año ($16/mes con facturación anual).