Resumen ejecutivo

• Las entrevistas de analista de datos junior combinan SQL, caso de negocio, storytelling y un portfolio mínimo de 2–3 proyectos.

• Prepará un banco de preguntas técnicas (joins, window functions, KPIs) y de negocio (caídas de métricas, stakeholders).

• Los take-homes se ganan con SQL correcto, juicio analítico y una recomendación clara — no solo con un dashboard bonito.

• La semana previa: simular live SQL, repasar proyectos en voz alta y checklist de herramientas del JD.

Si apuntás a tu primer rol de analista de datos, la entrevista no es un examen de memorización: es una prueba de que podés convertir datos en decisiones. El ángulo de este artículo es práctico — preguntas típicas, casos take-home, portfolio mínimo y checklist de la semana previa — para que llegues con evidencia y estructura. ¿Por qué ahora? Porque los perfiles junior siguen compitiendo en un mercado donde las empresas priorizan skills demostrables: guías como la de preguntas de entrevista para data analysts de Coursera y el prep de Exponent para data analyst interviews coinciden en tres bloques (técnico, caso, behavioral). En LATAM eso se traduce en: SQL sólido + portfolio corto + capacidad de explicar el “so what”.

Qué suelen evaluar (y en qué orden)

1. Pantalla técnica: SQL (joins, CTEs, agregaciones, window functions básicas), a veces Excel/Sheets y nociones de estadística descriptiva.

2. Caso o take-home: dataset + pregunta de negocio; entregás queries, un hallazgo y una recomendación.

3. Behavioral / fit: cómo comunicás hallazgos, manejás ambigüedad y priorizás con stakeholders.

Si todavía estás armando el piso conceptual del rol, repasá qué es y qué hace un data analyst y alineá tu discurso a eso.

Banco de preguntas técnicas (junior)

SQL (las que más aparecen)

• Diferencia entre INNER, LEFT y FULL JOIN con un ejemplo de negocio (pedidos vs clientes).

• Encontrar duplicados; clientes que compraron en un mes y no en el siguiente.

• Top N por categoría con ROW_NUMBER / RANK / DENSE_RANK.

• CTE vs subquery: cuándo usás cada una para legibilidad.

• Calcular MoM o WoW de una métrica con window functions o self-join.

Practicá en voz alta: no solo el resultado, sino cómo validás (conteos, nulls, grain de la tabla).

Negocio y producto

• “La conversión bajó 12% la semana pasada: ¿cómo investigás?”

• “¿Qué KPI mirarías para un ecommerce / SaaS / marketplace?”

• “Un stakeholder quiere un dashboard ‘con todo’: ¿cómo priorizás?”

• “Contame un insight que cambió una decisión (aunque sea de un proyecto de curso).”

Estructura útil: contexto → hipótesis → datos/queries → hallazgo → recomendación → riesgo/limitación.

Behavioral (STAR con datos)

• Presentaste un análisis y te contradijeron: ¿qué hiciste?

• Datos sucios o incompletos: ¿cómo seguiste?

• Explicaste algo técnico a no técnicos: ¿qué simplificaste sin mentir?

Casos take-home típicos

Un take-home junior suele pedir, en 2–4 horas:

• SQL que calcule cohortes, CAC, retenidos o revenue por canal.

• Un dashboard liviano (Looker Studio, Power BI, Metabase o incluso Sheets bien armado).

• Un párrafo de recomendación para un rol de negocio (CMO, Head of Ops, PM).

Rubrica mental del evaluador: corrección SQL, juicio analítico, claridad visual y comunicación. Detectar un bug de calidad de datos (nulls, fechas rotas, doble conteo) suma puntos. Entregar solo gráficos sin pregunta de negocio resta.

Portfolio mínimo: 2–3 proyectos (no diez)

1. Proyecto de negocio con SQL + dashboard: ecommerce, churn, marketing o finanzas ops. Contá la métrica que moviste o la decisión que habilitaste.

2. Limpieza y modelado liviano: dataset sucio → tablas listas → documentación del grain y supuestos.

3. (Opcional) Automatización o notebook reproducible: pipeline simple o análisis con Python/pandas si el JD lo pide.

Para cada uno: problema, datos, método, hallazgo, limitación. Host en GitHub + link a dashboard o PDF de 1 página. Eso encaja con lo que las guías de prep recomiendan: evidencia sobre certificados sueltos.

Checklist de la semana previa a la entrevista

• Día −7: releé el JD; listá SQL / BI / Excel / Python pedidos; priorizá gaps.

• Día −5: 10 queries live (timer 15–20 min) + 2 casos de caída de métrica en voz alta.

• Día −3: ensayo de walkthrough de tus 2–3 proyectos (3 minutos cada uno).

• Día −1: preguntas para ellos (stack de datos, definición de éxito a 90 días, equipo); CV y links abiertos.

• Día 0: ambiente listo (Sheets, editor SQL, agua); no aprendas un tool nuevo esa mañana.

Para la etapa de búsqueda y el momento de la conversación, sumá los tips para la entrevista laboral y los tips para conseguir empleo.

Errores comunes que bajan tu score en la entrevista

• Tirar queries sin validar grain: sumás revenue y no aclarás si es por orden o por ítem. Siempre decí la granularidad.

• Optimizar el gráfico y olvidar la recomendación: el hiring manager quiere una decisión tentatativa, no solo un color bonito.

• Memorizar definiciones y fallar el “por qué”: saber qué es un LEFT JOIN no alcanza si no podés inventar un caso de negocio en 20 segundos.

• Hablar solo de herramientas: “sé Power BI y SQL” sin un ejemplo de impacto suena genérico frente a otro junior con un case study.

• Mentir el stack del JD: si pedís Python avanzado y solo hiciste un curso, mejor ser honesto y mostrar curva de aprendizaje.

Una forma simple de entrenar anti-errores: grabate respondiendo una pregunta SQL y un caso de caída de métrica. Escuchá si aclarás supuestos, si pedís contexto y si cerrás con next step. Ese hábito suele mejorar más que resolver veinte ejercicios en silencio.

Cómo armar tu “one-pager” de proyectos para la entrevista

Llevá (o tené abierto) un documento de una página por proyecto con este esquema:

1. Contexto del negocio en dos frases.

2. Pregunta analítica (la que respondiste).

3. Datos y limitaciones (tamaño, período, sesgos).

4. Método (SQL/BI/Python) en bullets.

5. Hallazgo principal + número.

6. Recomendación y qué medirías después.

Ese one-pager te salva cuando el entrevistador pide “contame un proyecto” y el reloj corre. También sirve para take-homes: reutilizás la estructura de comunicación.

Cursos recomendados de Coderhouse

Si necesitás fundamentos con práctica de análisis y storytelling de datos, el Curso de Data Analytics y la Carrera de Data Analytics te dan estructura y proyectos. Si tu gap es Excel/Sheets para take-homes y análisis ad hoc, sumá el Curso de Excel.

CTA: esta semana armá tu banco de 15 preguntas SQL + 5 de negocio, cerrá el README del proyecto 1 y simulá una entrevista de 45 minutos con un peer. Si querés un camino con entregables, mirá Data Analytics en Coderhouse y convertí la práctica en portfolio.

Preguntas frecuentes

¿Necesito Python para un rol junior de analista? Depende del JD. Muchos juniors entran con SQL + BI + Excel. Python ayuda, pero no reemplaza SQL ni la capacidad de explicar KPIs.

¿Qué hago si no tengo experiencia laboral con datos? Proyectos de curso, datasets públicos o un análisis para un emprendimiento real cuentan si documentás problema, método y hallazgo.

¿Cómo estudio window functions sin marearme? Empezá por ROW_NUMBER y running totals sobre un dataset chico; explicá el PARTITION BY en voz alta como “reiniciar el cálculo por grupo”.

¿El take-home tiene que ser perfecto visualmente? No. Priorizá queries correctas, un hallazgo accionable y honestidad sobre limitaciones. El polish visual es secundario al juicio.