Preguntas de entrevista para Data Scientist (2026)
Las entrevistas de data scientist abarcan un espectro amplio: probabilidad y estadística, fundamentos de machine learning, SQL y manipulación de datos, un caso de producto/analítica, y preguntas de comportamiento. La mezcla exacta depende de si el puesto se orienta más a analítica, ingeniería de ML o investigación, así que aclarar el enfoque del rol pronto ya es una buena señal.
En las preguntas a continuación, a los entrevistadores les importa el rigor y la comunicación. ¿Puedes razonar con precisión sobre un concepto estadístico, elegir el modelo correcto para un problema y justificarlo, escribir SQL correcto, y traducir una pregunta de negocio ambigua en un análisis medible? Declarar supuestos y explicar compensaciones importa tanto como el número final.
Practica explicando conceptos técnicos de forma sencilla, como si fuera para alguien sin formación técnica. Buena parte del trabajo —y de la entrevista— consiste en hacer legible un análisis sólido para quienes actuarán sobre él.
Preguntas de entrevista para Data Scientist y cómo responderlas
1. Explica el trade-off entre bias y varianza.
Enfoque: Define ambas fuentes de error, y conéctalas con la complejidad del modelo: los modelos simples tienen underfitting (alto bias), los complejos tienen overfitting (alta varianza). Vincúlalo a palancas concretas —regularización, más datos, validación cruzada— y a la descomposición del error total.
2. ¿Qué es el p-value, y qué no te dice?
Enfoque: Defínelo como P(datos tan extremos | hipótesis nula verdadera). El 'no' es la clave: no es la probabilidad de que la hipótesis sea cierta, y la significancia no es lo mismo que la importancia práctica. Mencionar los malentendidos comunes es la señal.
3. ¿Cómo manejarías un dataset de clasificación desbalanceado?
Enfoque: Empieza por la métrica (la accuracy engaña; usa precision/recall, F1, AUC-PR). Luego las técnicas: resampling (SMOTE, undersampling), pesos de clase, ajuste de umbral. Insiste en evaluar sobre la distribución real.
4. ¿Cuándo usarías random forest frente a gradient boosting?
Enfoque: Contrasta bagging (en paralelo, reduce varianza, robusto al overfitting) con boosting (secuencial, reduce bias, más preciso pero más sensible al tuning). Menciona el costo de entrenamiento y las compensaciones de interpretabilidad.
5. Escribe una consulta SQL para encontrar el segundo salario más alto por departamento.
Enfoque: Usa una función de ventana: DENSE_RANK() OVER (PARTITION BY dept ORDER BY salary DESC), filtrando rank = 2. Explica la diferencia en el manejo de empates entre RANK, DENSE_RANK y ROW_NUMBER.
6. ¿Cómo detectas y manejas los outliers?
Enfoque: Distingue errores de datos de valores extremos genuinos. Métodos: IQR, z-score, umbrales del dominio, visualización. La decisión clave a verbalizar: eliminar señal real puede sesgar el modelo; investiga antes de borrar.
7. Diseña un test A/B para un nuevo algoritmo de recomendación.
Enfoque: Define la hipótesis, la métrica principal y los guardrails. Calcula el tamaño de muestra a partir del MDE y la potencia. Aborda la unidad de aleatorización, los efectos de novedad, y cuándo detener el test. Pre-registra el criterio de éxito.
8. Explica cómo evaluarías un modelo que funciona bien offline pero mal en producción.
Enfoque: Investiga el distribution shift, el train/serve skew, el leakage en los datos offline, y los bucles de retroalimentación. Propón monitoreo y un despliegue en modo shadow. Lo que se evalúa es el razonamiento de sistemas.
9. ¿Cuál es la diferencia entre la regularización L1 y L2?
Enfoque: L1 (Lasso) induce dispersión y hace selección de variables; L2 (Ridge) reduce los coeficientes suavemente. Explica geométricamente por qué las esquinas de L1 anulan pesos, y cuándo preferir cada una.
10. Cuéntame sobre una vez que tu análisis cambió una decisión de negocio.
Enfoque: Usa STAR. Muestra la pregunta, tu método y, crucialmente, la comunicación que impulsó la acción. Cuantifica el resultado. A los data scientists que no logran influir en decisiones no se les contrata.
Obtén ayuda en tiempo real en tu entrevista de data scientist
Durante una entrevista de ciencia de datos en vivo, Natively transcribe la pregunta y puede mostrar la definición, fórmula o patrón SQL que necesitas en tiempo real, en tu dispositivo — útil cuando los nervios hacen que un concepto familiar se te escape momentáneamente.
