Próximamente: el track de Data Analyst está a punto de lanzarse en IT Interview Coach. Esta página ya describe a qué prepararte; las prácticas del track de DA llegarán en breve. Por ahora, en el bot están disponibles los tracks de Backend, QA, ML/Data Science y DevOps.
De qué se compone la entrevista de Data Analyst
La entrevista de un analista de datos suele abarcar cuatro bloques:
- SQL y manejo de datos. La habilidad técnica principal: consultas, agregaciones, joins, funciones de ventana. Se pregunta casi siempre y en cualquier nivel.
- Estadística y métricas. Estadística descriptiva, distribuciones, correlación y causalidad, intervalos de confianza, fundamentos de tests A/B.
- Pensamiento de producto y de negocio. Cómo elegir la métrica adecuada, cómo medir el éxito de una funcionalidad, cómo traducir una pregunta difusa de negocio en un análisis concreto.
- Práctica y experiencia. Análisis de tareas reales de tu experiencia: qué análisis hiciste, qué conclusiones sacaste, cómo se lo explicaste a los stakeholders. Para entrenar este bloque ayuda el análisis profundo de experiencia.
Temas de la entrevista de Data Analyst
SQL
Joins, agregaciones, GROUP BY y HAVING, subconsultas, funciones de ventana, totales acumulados, optimización de consultas.
Estadística
Media, mediana y distribuciones, varianza, correlación vs causalidad, intervalos de confianza, contraste de hipótesis.
Tests A/B
Diseño del experimento, p-value y potencia, duración del test, el problema del peeking, comparaciones múltiples.
Métricas de producto
Embudos, retención y análisis de cohortes, DAU/MAU, unit economics, elección de la métrica north star.
Visualización y BI
Elección del tipo de gráfico, dashboards, herramientas (Tableau, Power BI, Looker), storytelling con datos.
Python para análisis
pandas, limpieza de datos, EDA, manejo de valores nulos y outliers, automatización básica de informes.
Cómo cambian las preguntas según el nivel
Junior — «qué es y para qué»
Middle — «cómo aplicarlo en una situación real»
Senior — «estrategia y negocio»
Particularidad de la entrevista de Data Analyst: la base técnica (SQL, estadística) no basta — se evalúa el pensamiento de negocio y la comunicación: saber traducir una pregunta de negocio en un análisis y explicar el resultado a una persona no técnica. A menudo dan un caso o una prueba con datos reales, donde importa no solo la respuesta, sino el razonamiento.
Dónde fallan los candidatos
- Hay SQL, pero no hay traducción al negocio. El candidato escribe consultas complejas, pero no logra convertir una pregunta difusa como «por qué cayeron los ingresos» en un plan de análisis concreto.
- Correlación = causalidad. El error clásico: ver una relación entre dos métricas y concluir la causa sin controlar los factores de confusión.
- Gráfico bonito sin insight. Un dashboard por el dashboard: mucho visual, pero sin respuesta a «¿y qué hago con esto?».
- No comprueba la calidad de los datos. Calcula sobre datos sucios, sin mirar nulos, duplicados ni outliers — y obtiene un resultado erróneo con total seguridad.
- Una cifra sin interpretación. «Conversión del 3,2%» — y punto. Un senior añade: con qué compararla, si es buena o mala, qué hacer a continuación.
- Interpretación errónea de la significancia. Explicar el p-value como «la probabilidad de que la hipótesis sea cierta» — un error frecuente incluso en candidatos con experiencia.
Cómo estructurar la preparación
Cuando el track de DA esté disponible en el bot, la preparación podrá organizarse así:
- Diagnóstico. Varias entrevistas simuladas del track de DA mostrarán las lagunas reales — a menudo no es SQL, sino la estadística y el pensamiento de producto.
- Trabajar los temas débiles. Modo «Preparación por temas»: eliges un cluster — SQL, tests A/B, métricas de producto — y lo entrenas hasta la seguridad.
- Casos y comunicación. El análisis profundo de experiencia hace preguntas de seguimiento sobre tus proyectos de análisis: qué pregunta resolviste, qué datos, qué conclusiones, cómo explicaste el resultado.
- Para una vacante concreta. Lee los requisitos: en unas pesa más SQL y BI, en otras la analítica de producto y los A/B — enfoca las sesiones según eso.
Y mientras el track de DA está en desarrollo, puedes entrenar en tracks adyacentes: ML/Data Science se solapa en estadística y tests A/B, y SQL y bases de datos, con Backend.
Preguntas y respuestas
¿Ya está disponible el track de DA en el bot?
Todavía no — el track de Data Analyst está en desarrollo y llegará en breve. Ahora en IT Interview Coach están disponibles Backend, QA, ML/Data Science y DevOps. Esta página ya describe los temas y el formato para que puedas empezar a prepararte con antelación.
¿En qué se diferencia un Data Analyst de un Data Scientist en la entrevista?
Los límites son difusos, pero la tendencia: el analista tiene más SQL, visualización, métricas de producto y comunicación de negocio; el data scientist, más ML, modelado y estadística en profundidad. El núcleo — SQL y estadística — es común a ambos.
¿Hace falta Python para el puesto de analista?
SQL es obligatorio siempre. Python (pandas) se pregunta cada vez más, sobre todo en Middle+, pero hay puestos donde basta con SQL y una herramienta de BI. Mira el stack de la vacante: si menciona Python, refuerza pandas y la limpieza de datos.
¿Ponen una prueba técnica o un caso?
Con frecuencia. Puede ser un take-home con un dataset (calcular métricas, encontrar un insight) o un caso en vivo en la entrevista. Evalúan no solo la respuesta correcta, sino el razonamiento: cómo estructuras el problema y compruebas los datos.
¿Es realista entrar como Junior Data Analyst sin experiencia comercial?
Sí, si tienes portfolio: pet-projects con análisis de datos reales, estudios de datasets, dashboards, ejercicios de Kaggle. En el nivel Junior se valora un SQL sólido, el cuidado con los datos y saber explicar las conclusiones con palabras sencillas.
¿Cómo prepararse para las preguntas sobre métricas de producto?
Analiza productos reales: cuál es su métrica north star, cómo es el embudo, qué es la retención y la unit economics. En la entrevista importa ligar la métrica al objetivo de negocio, no enumerarlas todas. El análisis profundo de experiencia ayuda a ensayar ese razonamiento.
Ver también
El track de Data Analyst — próximamente
Ya estamos preparando el track de DA: entrevistas simuladas y preguntas de SQL, estadística, tests A/B y métricas de producto. Por ahora puedes entrenar en los tracks adyacentes — Backend, QA, ML/Data Science y DevOps — directamente en Telegram.
▶ Abrir el bot