Científico de datos (Data Scientist): 21 preguntas de entrevista

Científico de datos (Data Scientist), Tecnología y software. 21 preguntas.

Actualizado el 11 de octubre de 2026

La respuesta corta

Las entrevistas para científico de datos ponen a prueba si eliges el método adecuado para un problema de negocio y demuestras que funcionó. Espera preguntas sobre pruebas A/B, evaluación de modelos, data leakage, variables, despliegue y cómo explicar modelos. Parte de la decisión que el modelo respalda y reporta el impacto en términos de negocio, no solo la exactitud.

Puntos clave

Empieza toda respuesta de modelado por la decisión de negocio y por lo que cuesta equivocarse.
Aprende a diseñar, dimensionar y leer una prueba A/B, y a reconocer cuándo no hay que confiar en el resultado.
Prepárate para nombrar la métrica de evaluación que usarías y para explicar por qué la exactitud (accuracy) suele ser la equivocada.
Habla de lo que pasó después del despliegue: monitoreo, drift y reentrenamiento.
Muestra que puedes explicarle la salida de un modelo a quien va a actuar con ella.

Qué buscan los entrevistadores

Un planteamiento del problema que liga el modelo a una decisión y a un costo del error
Un diseño de experimentos sólido: hipótesis, tamaño de muestra, métricas de control (guardrail) y reglas de detención
Métricas de evaluación elegidas según el desbalance de clases y los costos de negocio
Conciencia del leakage, el sesgo y el drift, con ejemplos de haberlos detectado
Pragmatismo: un baseline sencillo antes de un modelo complejo
Explicaciones claras de la incertidumbre para colegas no técnicos

Señales de alerta

Reportar la exactitud de un modelo sin baseline ni contexto de negocio
Elegir primero un modelo complejo sin probar uno sencillo
Mirar antes de tiempo los resultados de una prueba A/B y detenerla cuando se ven bien
No tener ninguna historia sobre lo que pasó después de que el modelo salió a producción
Descartar las preguntas sobre equidad o sesgo como 'no es mi área'
No poder explicar la predicción de un modelo en lenguaje sencillo

Cifras que conviene llevar

Mejora (lift) sobre el baseline en la métrica que importa (precision at k, recall, AUC)
Ingresos incrementales o costos ahorrados, medidos con un grupo de control (holdout) o con un experimento
Ritmo de experimentación: pruebas diseñadas y leídas por trimestre
Latencia del modelo y costo de servirlo en producción
Drift detectado y tiempo hasta el reentrenamiento
Proporción de las predicciones con las que el equipo de negocio actuó

Las preguntas

Técnica

1
¿Cómo diseñarías una prueba A/B para un nuevo widget de recomendaciones?
Consejo: Incluye la hipótesis, la métrica principal y las de control (guardrail), la unidad de aleatorización, el tamaño de muestra y la duración.
2
Tu modelo de churn tiene un 95% de exactitud. ¿Por qué eso podría ser engañoso?
Consejo: Explica el desbalance de clases y por qué aquí importan la precisión, el recall o las métricas ponderadas por costo.
3
¿Qué es el data leakage y cómo lo has detectado?
Consejo: Da un ejemplo concreto, como una variable registrada después del resultado, y cuenta cómo lo notaste.
4
¿Cómo le explicarías la predicción de un modelo a un oficial de crédito o a un médico?
Consejo: Explica en términos sencillos cuánto aporta cada variable y no escondas la incertidumbre.
5
¿Cómo eliges entre precisión y recall en un modelo de detección de fraude?
Consejo: Relaciónalo con el costo de un fraude que se escapa frente al de bloquear a un cliente legítimo.
6
¿Cómo revisarías si un modelo da resultados injustos entre grupos de usuarios?
Consejo: Menciona comparar las tasas de error por grupo, los datos que explican las diferencias y quién decide qué se sacrifica.
7
¿Cómo decides cuánto tiempo debe correr un experimento?
Consejo: Habla del análisis de potencia, de la estacionalidad semanal y de comprometerte con la duración por adelantado.
8
¿Cómo documentas y compartes tu trabajo para que otros puedan reproducirlo?
Consejo: Menciona el control de versiones, las semillas aleatorias fijas, los snapshots de datos y un resumen breve por escrito.

Conductual

9
Háblame de un modelo que construiste y que llegó a producción. ¿Cuál fue el impacto en el negocio?
Consejo: Di qué decisión respaldaba, cuál era el baseline y qué impacto tuvo, medido con un grupo de control (holdout) si es posible.
10
Describe una ocasión en la que un modelo sencillo le ganó a uno complejo.
Consejo: Muestra que valoras la interpretabilidad, la velocidad y el mantenimiento, y no solo una pequeña mejora en la métrica.
11
Háblame de una ocasión en la que tu análisis o tu modelo estuvo equivocado.
Consejo: Asume el error, explica la causa de fondo y el paso de validación que agregaste.
12
Describe cómo trabajaste con ingenieros para desplegar un modelo.
Consejo: Muestra que pensaste en la latencia, el monitoreo y el traspaso, y no solo en el notebook.
13
Háblame de una ocasión en la que convenciste a los stakeholders de cambiar de rumbo con base en datos.
Consejo: Muestra la evidencia, cómo la planteaste en función de sus objetivos y qué decidieron.

Situacional

14
Un experimento muestra una mejora significativa, pero el gerente de producto lo duda. ¿Cómo respondes?
Consejo: Antes de defender el resultado, revisa si hay sample ratio mismatch, efecto novedad y consistencia entre segmentos.
15
El desempeño de tu modelo cae tres meses después del lanzamiento. ¿Qué investigas?
Consejo: Revisa cambios en los datos de entrada, cambios en las etiquetas, errores en el pipeline y si cambió el comportamiento de los usuarios.
16
La dirección quiere una solución de machine learning para un problema que una regla podría resolver. ¿Qué dices?
Consejo: Propón la regla como baseline y define cuándo un modelo valdría el costo adicional.
17
Tienes dos semanas para mostrar valor con un conjunto de datos nuevo. ¿Cómo planeas el trabajo?
Consejo: Delimita una pregunta acotada, arma un baseline rápido y comparte pronto los hallazgos intermedios.
18
¿Qué harías si los datos que necesita un proyecto todavía no existen?
Consejo: Propón instrumentación, una métrica proxy o un pequeño esfuerzo de etiquetado manual, y di qué se gana y qué se pierde con cada opción.

Motivación

19
¿Por qué te interesa la ciencia de datos en nuestra empresa en particular?
Consejo: Señala un problema que sus datos vuelven interesante y una habilidad que quieres aplicarle.
20
¿Qué tipo de problema de datos te entusiasma más?
Consejo: Elige un área, como la experimentación o los pronósticos, y da un ejemplo reciente.
21
¿Te ves avanzando hacia la investigación, la ingeniería o el liderazgo?
Consejo: Di con franqueza hacia dónde quieres ir y qué estás haciendo ahora para acercarte.

Pega una oferta de empleo de este puesto en la herramienta gratis de preguntas según la oferta y mira qué preguntas sugiere

Las preguntas de entrevista para científico de datos (Data Scientist) ponen a prueba si eliges el método adecuado para un problema de negocio, lo evalúas con honestidad y demuestras que marcó una diferencia. Espera preguntas sobre diseño de experimentos, evaluación de modelos, leakage (fuga de datos), despliegue y comunicación, y en cada respuesta empieza por la decisión que ese trabajo respalda.

¿Qué miden las entrevistas para científico de datos?

La Oficina de Estadísticas Laborales de Estados Unidos (BLS) define a los científicos de datos como personas que “usan herramientas y técnicas analíticas para extraer información valiosa de los datos” (traducimos del inglés, el idioma de la fuente) y proyecta para ese país un crecimiento del empleo del 35% entre 2025 y 2035, mucho más rápido que el promedio. En las entrevistas, cuenta con que el foco esté en el criterio más que en el dominio de las herramientas.

En las rondas habladas suelen explorar:

Planteamiento. ¿Qué decisión respalda este modelo o esta prueba, y cuánto cuesta un error?
Cuidado estadístico. Tamaños de muestra, significancia, comparaciones múltiples, mirar los resultados antes de tiempo (peeking).
Evaluación. Elegir métricas acordes con el costo para el negocio y comparar contra una línea base (baseline).
Mentalidad de producción. Monitoreo, drift, latencia y quién queda a cargo del modelo después del lanzamiento.
Comunicación. Explicar la incertidumbre a personas que necesitan un sí o un no.

Si el puesto que buscas está más cerca de los reportes y los tableros (dashboards), te convienen más las preguntas de entrevista para analista de datos. Los dos puestos forman parte de nuestra guía del sector tecnología.

¿Cómo responder las preguntas de modelado?

Una respuesta confiable en cinco pasos:

Decisión y costo. “El equipo de retención llama a los clientes en riesgo; un falso positivo cuesta una llamada y un caso que se escapa cuesta un cliente”.
Baseline. “Una regla basada en el último inicio de sesión ya detecta a algunos”.
Enfoque. El modelo más sencillo que podría superar el baseline y las variables (features) que probarías.
Evaluación. La métrica, la partición de validación y cómo evitarías el leakage.
Después del lanzamiento. Cómo medirías el impacto real y vigilarías el drift.

Decir “empezaría con una regresión logística como baseline” no es una respuesta débil. Indica que sabes dónde la complejidad vale la pena.

Ejemplo STAR: una prueba A/B que se veía demasiado bien

Respuesta de ejemplo de una científica de datos de nivel intermedio. Pregunta: “Háblame de una ocasión en la que convenciste a los stakeholders de cambiar de rumbo con base en datos”.

Situación
Un nuevo flujo de onboarding mostró una mejora grande en la retención de la primera semana después de cuatro días de prueba, y el equipo de producto quería lanzarlo a todos los usuarios de inmediato.
Tarea
Como científica de datos del experimento, tenía que confirmar si el resultado era confiable antes de la decisión de lanzamiento.
Acción
Revisé la división del tráfico y encontré un sample ratio mismatch: el flujo nuevo había recibido menos usuarios de lo planeado por un error que dejaba fuera a algunos dispositivos más lentos. Le expliqué al equipo, con un gráfico sencillo, que a la variante le faltaban justamente los usuarios con más probabilidad de abandonar. Propuse corregir el error y volver a correr la prueba durante las dos semanas completas que habíamos planeado.
Resultado
La nueva corrida mostró una mejora menor, pero real, de unos dos puntos, y el flujo se lanzó con una corrección para los dispositivos más lentos. El equipo adoptó una verificación automática de la proporción de la muestra en el tablero de cada experimento.

Lo que la hace sólida: muestra cuidado estadístico, una explicación clara para quienes no son expertos y una mejora de proceso que dura más que el proyecto.

¿Qué preguntas conductuales te van a tocar?

Cuenta con el repertorio de siempre, con un toque de datos. Prepara historias para persuadir a alguien, una vez que fracasaste y explicar algo complejo. El método STAR las mantiene concisas.

Preguntas que vale la pena hacerle al entrevistador

“¿Cómo pasan aquí los modelos de un notebook a producción y quién los mantiene?”
“¿Qué plataforma de experimentación usan y quién revisa los diseños de las pruebas?”
“¿Qué decisiones del negocio dependen hoy de modelos?”
“¿Cómo se prioriza el trabajo de ciencia de datos frente a las solicitudes de producto?”
“¿Cómo se vería el éxito en este puesto después de seis meses?”

Más ideas: preguntas para hacer al entrevistador.

¿Cómo practicar las respuestas?

Elige un proyecto y explícalo tres veces: a otro científico de datos, a un gerente de producto y a un ejecutivo, cada vez en menos de dos minutos. Si la versión para el ejecutivo todavía menciona hiperparámetros, recorta más. Practicar en voz alta, en lugar de releer tus notas, te muestra dónde se cae tu explicación.

Otras preguntas frecuentes

¿En qué se diferencia una entrevista para científico de datos de una para analista de datos?

Las dos evalúan el planteamiento y la comunicación. Los procesos para científico de datos agregan preguntas de experimentación, estadística, evaluación de modelos y despliegue, y esperan que razones con más profundidad sobre la incertidumbre y sobre lo que se gana y se pierde con cada opción.

¿Necesito tener un modelo publicado en producción para aprobar?

Ayuda, pero un experimento bien llevado o un proyecto en el que estuviste a cargo de la evaluación y explicaste los resultados con claridad puede pesar lo mismo. Deja claro qué hiciste tú.

Fuentes

Data Scientists: Occupational Outlook Handbook, U.S. Bureau of Labor Statistics

Escrito porKen Garry, Fundador

Ken Garry es el fundador y desarrollador de esta app. Crea el producto de simulacros de entrevista con IA y escribe sus guías de preparación para entrevistas.

Cómo escribimos