Preguntas de Entrevista para Científico de Datos 2026

Convierte datos en modelos y decisiones de negocio cuantificables.

Preguntas frecuentes

1. 1. Te entregan un dataset desbalanceado para predecir churn. ¿Qué pasos sigues antes de elegir el modelo?

   Guía de respuesta: Habla de exploración (distribución de la clase positiva), partición temporal vs aleatoria, técnicas de balance (resampling, class_weight) y la métrica adecuada (recall, AUC) en lugar de accuracy.

2. 2. Describe la última vez que recibiste un code review duro. ¿Cómo lo procesaste y qué cambió en tu forma de programar?

   Guía de respuesta: Demuestra apertura al feedback. Menciona la observación específica, qué refactoraste y qué hábito incorporaste para evitar el patrón en el futuro.

3. 3. Explica un bug crítico en producción que tú resolviste. ¿Cómo lo aislaste, qué herramientas usaste y qué aprendiste del post-mortem?

   Guía de respuesta: Cuenta el flujo de detección (alertas, logs, métricas), la hipótesis que validaste primero y el control que agregaste para que no vuelva a pasar.

4. 4. Cuando tienes que decidir entre velocidad de entrega y calidad técnica, ¿cómo lo balanceas?

   Guía de respuesta: Evita la respuesta política. Da un caso real con criterios concretos: deadline de negocio, deuda técnica acumulada, riesgo del cambio y por qué decidiste ceder en uno u otro.

5. 5. ¿Por qué te interesa este rol específicamente, y no otro de seniority similar?

   Guía de respuesta: Conecta tres puntos: lo que la empresa hace, el problema técnico que te entusiasma y la habilidad que quieres profundizar en los próximos 12-18 meses.