Una entrevista de Data Analyst se gana con preparación específica: saber qué tipo de preguntas de SQL, Python y estadística van a hacerte, cómo son los ejercicios prácticos y qué errores descartan candidatos aun con buen perfil técnico. Esta guía te ordena las tres etapas típicas del proceso y te muestra cómo responder en cada una.

Los puestos de datos son de los más buscados por perfiles que recién arrancan, y eso hace los procesos competitivos; el panorama laboral de los roles de datos que releva el Bureau of Labor Statistics proyecta un crecimiento sostenido de la demanda. La buena noticia es que las entrevistas de Data Analyst son bastante predecibles: casi siempre giran alrededor del mismo núcleo de habilidades.

Las tres etapas de un proceso típico

• Screening técnico: preguntas conceptuales y un test corto de SQL. Filtran quién domina lo básico.

• Ejercicio práctico: un caso con datos reales o un dataset para analizar y presentar. Es la etapa que más decide.

• Entrevista de negocio: cómo pensás, cómo comunicás resultados y cómo conectás datos con decisiones.

SQL: la habilidad que no falla en ningún proceso

El SQL aparece siempre; si necesitás repasar desde cero, recursos como el tutorial de SQL de Mode son un buen complemento. Las preguntas más comunes cubren:

• JOINs: diferencia entre INNER, LEFT y la lógica de cada uno con un caso concreto.

• Agregaciones: GROUP BY, HAVING y cuándo usar cada uno.

• Funciones de ventana: ROW_NUMBER, RANK, running totals. Distinguen al candidato intermedio del básico.

• Subqueries y CTEs: resolver un problema por pasos con WITH.

El error más frecuente no es la sintaxis: es no explicar en voz alta cómo pensás la query. Los entrevistadores evalúan tu razonamiento tanto como el resultado. Si querés repasar los fundamentos del rol antes de las preguntas técnicas, revisá qué hace un Data Analyst en el día a día.

Python y estadística: el segundo pilar

En Python esperá preguntas sobre pandas: filtrar, agrupar, manejar valores nulos, hacer merges. No suelen pedir algoritmos complejos, sino manipulación de datos limpia y legible.

En estadística, los clásicos son: diferencia entre media y mediana y cuándo usar cada una, qué es una distribución, correlación vs. causalidad, y cómo interpretar un p-valor sin sobreinterpretarlo. Responder con un ejemplo de negocio suma muchísimo.

El ejercicio práctico: cómo abordarlo

Cuando te dan un dataset, el patrón ganador es: entender la pregunta de negocio, explorar los datos, limpiar, analizar y —clave— cerrar con una recomendación accionable. Muchos candidatos técnicos entregan gráficos correctos pero no responden "¿y esto qué significa para el negocio?". Ahí se pierden procesos.

Errores que descartan candidatos

1. Resolver en silencio, sin explicar el razonamiento.

2. Tirar código o queries sin verificar el resultado.

3. Presentar análisis sin una conclusión de negocio.

4. No hacer preguntas cuando el enunciado es ambiguo (un buen analista siempre aclara supuestos).

5. Exagerar el nivel en tecnologías del CV que no dominás.

La preparación general para entrevistas también cuenta: repasá estos tips para destacarte en una entrevista laboral para la parte no técnica del proceso.

Cursos recomendados de Coderhouse

Para llegar sólido a la parte técnica, el Curso de SQL te prepara justo en la habilidad que aparece en todos los procesos. Para el análisis y la visualización completos, el Curso de Data Analytics cubre SQL, Python y dashboards. Y si buscás una formación orientada a conseguir empleo, la Carrera de Data Analytics incluye práctica con casos reales y programa de empleabilidad.

Preguntas frecuentes

¿Qué nivel de SQL piden para un puesto junior?

JOINs, agregaciones y subqueries sólidas son el mínimo. Manejar funciones de ventana te posiciona por encima de la media de los candidatos junior.

¿Necesito saber machine learning para ser Data Analyst?

No para la mayoría de los puestos de analista. Se valora entender los conceptos, pero el foco está en SQL, análisis y comunicación. El machine learning es más propio del rol de Data Scientist.

¿Cómo respondo un ejercicio si me trabo con los datos?

Explicá en voz alta tu plan, indicá qué supuestos asumís y avanzá con lo que sí podés resolver. Mostrar el proceso de pensamiento pesa más que llegar a un resultado perfecto.

¿Qué preguntan en la parte de negocio?

Suelen dar un escenario ("las ventas cayeron un 10%, ¿cómo lo investigás?") para ver cómo estructurás el análisis y cómo traducís datos en decisiones. Respondé con un método claro, paso a paso.