Use estas preguntas para entrevistar a candidatos a Data Scientist en {{Nombre de la empresa}}. Están agrupadas por competencia; asigne los grupos de estadística y modelado a sus entrevistadores más técnicos e indague en cada afirmación por el proyecto que hay detrás. La señal más fuerte viene de cómo el candidato razona sobre validez y fallas, no de nombrar la arquitectura de modelo más reciente.

Estadística y diseño de experimentos

• Diseñe un experimento para probar si un nuevo flujo de onboarding mejora la retención. Recorra conmigo la unidad de aleatorización, la duración y los guardarraíles.
• Su prueba muestra una mejora del tres por ciento con un valor p apenas bajo el umbral. El PM quiere lanzar hoy. ¿Qué le dice?
• Cuénteme de una vez que detectó un experimento inválido — contaminación, mirar resultados antes de tiempo, sesgo de selección. ¿Cómo lo detectó?
• ¿Cuándo un análisis observacional es suficiente para decidir sin un experimento?
• ¿Cómo mediría el efecto de algo que no puede aleatorizar, como un cambio de precio en un solo mercado?
• Explique los intervalos de confianza a un stakeholder no técnico en dos oraciones.

Cómo se ve una buena respuesta: los candidatos sólidos razonan sobre amenazas a la validez antes que sobre estadística — qué podría contaminar la prueba, si la métrica es lo bastante sensible, cuánto tardan en disiparse los efectos de novedad — y resisten la pregunta de presión con una recomendación concreta, no con una cátedra. Los candidatos débiles recitan fórmulas pero nunca han cancelado un experimento inválido en la vida real.

Machine learning y modelado

• Recorra conmigo, de principio a fin, un modelo que llevó a producción. ¿Cuál era la línea base, y la superó lo suficiente para que importara?
• ¿Cómo decidió que el enfoque más simple no era suficiente? Muéstreme la escalada de heurística a modelo.
• Cuénteme de un modelo que funcionó bien offline y falló en producción. ¿Cuál fue la brecha?
• ¿Cómo detecta y maneja el sesgo entre entrenamiento y servicio y la deriva de datos?
• ¿Qué features filtraron información en un proyecto que haya visto, y cómo se encontró la fuga?
• ¿Cómo evalúa un modelo cuando el costo de negocio de falsos positivos y falsos negativos es muy distinto?

Cómo se ve una buena respuesta: las mejores respuestas parten de la línea base y de la decisión a la que sirve el modelo — candidatos que probaron primero una heurística, que pueden nombrar sus verificaciones de fuga de datos y que monitorean el desempeño en producción contra una métrica de negocio. Desconfíe de candidatos que saltan a arquitecturas complejas y no pueden decir qué cambió el modelo para el negocio.

Código y fluidez en ingeniería de datos

• Descríbame la estructura de su último repositorio de análisis. ¿Cómo reproduciría sus resultados un colega?
• Ejercicio en vivo: limpie este dataset desordenado — tipos mezclados, llaves duplicadas, outliers sospechosos — y narre sus decisiones.
• ¿Cómo decide qué pertenece a un notebook y qué a un pipeline con pruebas?
• Describa la entrega de uno de sus modelos a ingeniería. ¿Qué se rompió, y qué estandarizó después?
• ¿Cómo es el code review en su equipo actual, y qué busca usted personalmente?

Impacto de negocio y sentido de producto

• ¿Cuál de sus proyectos creó el valor más medible? Recorra conmigo el número.
• Cuénteme de un proyecto que detuvo porque el impacto esperado no justificaba el esfuerzo.
• ¿Cómo traduce una pregunta de negocio ambigua en un problema de modelado? Dé un ejemplo real.
• Un stakeholder quiere machine learning donde bastaría una regla. ¿Cómo lo maneja?
• ¿Cuál es el análisis de mayor impacto que hizo sin nada de modelado?

Comunicación y colaboración

• Explíqueme su proyecto más complejo como si yo dirigiera el equipo de ventas. Dos minutos.
• Cuénteme de una vez que sus resultados contradijeron lo que el liderazgo quería escuchar. ¿Qué pasó?
• ¿Cómo presenta la incertidumbre y las limitaciones del modelo sin socavar la confianza en el trabajo?
• Describa el trabajo con ingenieros y PMs en una funcionalidad lanzada. ¿Cuál fue su rol en cada fase?
• Cuénteme de una vez que cambió su análisis por el cuestionamiento de un colega.