Las 21 mejores preguntas y respuestas de la entrevista sobre ingeniería de datos

Preguntas generales de la entrevista a un ingeniero de datos

En la ronda de entrevistas generales de ingeniería de datos, el responsable de RR. HH. te interrogará sobre tu experiencia laboral y el valor que aportas a la empresa. 

¿Qué te convierte en el mejor candidato para este puesto?

Si el responsable de contratación te selecciona para una entrevista telefónica, habrá visto algo que le haya gustado en tu perfil. Por tanto, puedes tener confianza en esta pregunta y hablar de tu experiencia y crecimiento profesional. 

Es importante revisar el perfil de la empresa y la descripción del puesto antes de sentarse a una entrevista. Hacerlo te ayudará resolver tus dudas sobre lo que busca el responsable de contratación. Si buscan a una persona que pueda diseñar y gestionar canalizaciones de datos, asegúrate de hablar específicamente de ello. 

En general, puedes pensar en tus habilidades, experiencia y conocimientos, y en cómo estos factores te hacen destacar entre la multitud.

¿Cuáles son, según tú, las responsabilidades diarias de un ingeniero de datos?

Aquí no hay una respuesta absoluta, pero puedes compartir la experiencia de tu último trabajo y tus responsabilidades como ingeniero. La descripción del puesto también es un buen lugar para buscar esta información.  

Sin embargo, en general, las responsabilidades diarias de los ingenieros de datos incluyen: 

• Desarrollo, comprobación y mantenimiento de bases de datos
• Desarrollo de soluciones de datos basadas en los requisitos empresariales
• Adquisición de datos
• Desarrollo, validación y mantenimiento de canalizaciones de datos para ETL, y modelado, transformación y servicio de datos.
• En algunos casos, implementación de modelos estadísticos. 
• Mantenimiento de la calidad de los datos a través de la limpieza, la validación y la supervisión del flujo de datos.
• Mejora de la fiabilidad, el rendimiento y la calidad del sistema.
• Seguimiento de las directrices de gobernanza y seguridad de datos para realizar cada tarea. 

¿Qué es lo más difícil para ti de ser ingeniero de datos?

Aunque esto dependerá de cada persona, hay algunos puntos comunes en las entrevistas a los ingenieros de datos. Al igual que los científicos de datos y los ingenieros DevOps, la parte más difícil de ser ingeniero de datos puede ser aprender y dominar diversas tecnologías. Necesitas seguir integrando nuevas herramientas que puedan mejorar el rendimiento, la seguridad, la fiabilidad y el ROI de los sistemas de datos. 

Asegurarte de que conoces la gestión de catástrofes, la gobernanza de datos, los protocolos de seguridad, los requisitos empresariales y la predicción de la demanda de datos también puede ser difícil de comprender. Es un trabajo duro en el que eres responsable de muchos aspectos.

¿Con qué herramientas o marcos de datos tienes experiencia? ¿Hay alguna que prefieras sobre otras?

De nuevo, esta respuesta a la entrevista de ingeniero de datos se basará en tus experiencias. Si estás en sintonía con las herramientas modernas y la integración de terceros, no tendrás problemas para responder a esta pregunta. 

Puedes hablar de las herramientas de gestión de bases de datos, almacenamiento de datos, orquestación de datos, canalización de datos, gestión en la nube, limpieza de datos, modelado y transformación, y procesamiento por lotes y en tiempo real.

Recuerda que no hay una respuesta incorrecta a esta pregunta. El entrevistador está evaluando tus capacidades y experiencia.  

Estas preguntas son para personas con experiencia. Si eres principiante y quieres iniciar una carrera en ingeniería de datos, completa el programa de carrera de Ingeniero de datos con Python . Consta de 19 cursos que te enseñarán conceptos modernos de ingeniería de datos, lenguaje de programación, herramientas y marcos de trabajo. 

Preguntas de la entrevista al ingeniero de procesos de datos

Tras rondas generales de entrevistas, normalmente pasarás a una fase técnica que consiste en retos de codificación, resolución de problemas, diseño de sistemas de bases de datos en una pizarra, un examen para llevar a casa y preguntas analíticas. 

Esta fase puede ser bastante intensa, por lo que conocer algunas de las preguntas y respuestas habituales de las entrevistas de ingeniería de datos puede ayudarte a superar la entrevista. 

Cuéntame un proyecto en el que hayas trabajado de principio a fin.

Esta respuesta debería resultar natural si has trabajado anteriormente en un proyecto de ingeniería de datos como estudiante o como profesional. Dicho esto, prepararse con antelación siempre es útil. 

Asegúrate de explicar cómo empezó y qué problema empresarial estabas resolviendo. Además, explica cada paso desde el acceso a los datos brutos y su conversión en datos de estructura depurada. 

A veces estás trabajando en varios proyectos y te quedas paralizado ante esta pregunta. Para evitar que esto ocurra, es una buena práctica revisar los últimos cinco proyectos en los que has trabajado. Puedes leer la documentación del proyecto y comprender el planteamiento del problema. 

Mira el siguiente ejemplo: 

Imagen de DataTalksClub/data-engineering-zoomcamp

En el proyecto anterior, estamos ingiriendo datos del Registro de viajes TLC, procesándolos, transformándolos y sirviéndolos mediante flujos Kafka y Spark. 

En el proyecto:

• Se utiliza GCP, Terraform y Docker para el entorno en la nube
• GCP, Airflow y Postgres se utilizan para la ingestión de datos
• BigQuery y Airflow para el almacenamiento de datos
• dbt, BigQuery, Postgres, Google Studio y Metabase para ingeniería analítica
• Spark para procesamiento por lotes
• Spark y Kafka para el flujo de datos

Preguntas de la entrevista a un ingeniero de datos junior

Las entrevistas para ingenieros junior se centran más en las herramientas, la codificación y las consultas SQL. Incluye preguntas sobre gestión de bases de datos, ETL, retos de codificación y realización de exámenes en casa. 

Cuando las empresas contratan a recién licenciados, quieren asegurarse de que eres capaz de manejar sus datos y sistemas. 

¿Puedes explicar los esquemas de diseño relevantes para el modelado de datos?

Existen tres esquemas de diseño de modelado de datos: Star, Snowflake y Galaxy. 

El esquema estrella contiene varias tablas de dimensiones que están conectadas a esa tabla de hechos del centro. 

Imagen de guru99

Snowflake es la extensión del esquema estrella. Consta de una tabla de hechos y tablas de dimensiones con capas en forma de copo de nieve (snowflake). 

Imagen de guru99

El esquema Galaxy contiene dos tablas de hechos y comparte tablas de dimensiones entre ellas. 

Imagen de guru99

¿Con qué herramientas ETL has trabajado? ¿Cuál es tu favorita y por qué?

Aquí debes mencionar la lista de herramientas que dominas y explicar por qué has seleccionado determinadas herramientas para determinados proyectos. 

El responsable de contratación está evaluando tu experiencia y conocimientos de varias herramientas ETL, así que explica tus razones para seleccionar herramientas en términos de pros y contras. 

También puedes mencionar herramientas populares de código abierto como dbt, Spark, Kafka y Airbyte. Puedes refrescar tus conocimientos sobre ETL haciendo un curso de Introducción a la ingeniería de datos.

Preguntas de la entrevista al director de ingeniería de datos

Para los puestos de director de ingeniería, las preguntas están relacionadas con la toma de decisiones, la comprensión del negocio, la conservación y el mantenimiento de conjuntos de datos, el cumplimiento y las políticas de seguridad. 

¿Cuál es la diferencia entre un almacén de datos y una base de datos operativa?

Un almacén de datos sirve datos históricos para tareas de análisis de datos y toma de decisiones. Admite el procesamiento analítico de gran volumen, como OLAP. Los almacenes de datos están diseñados para cargar consultas elevadas y complejas que acceden a varias filas. El sistema admite unos pocos usuarios simultáneos, y está diseñado para recuperar rápidamente grandes volúmenes de datos.

Los Sistemas de Gestión de Bases de Datos Operativas se utilizan para gestionar conjuntos de datos dinámicos en tiempo real. Soportan el procesamiento de transacciones de gran volumen para miles de clientes simultáneos. Normalmente, los datos consisten en información cotidiana sobre las operaciones de la empresa.

¿Por qué crees que toda empresa que utilice sistemas de datos necesita un plan de recuperación ante desastres? 

La gestión de catástrofes es la parte más crucial del trabajo de un gestor de ingeniería de datos. El gestor de ingeniería de datos planifica y prepara la recuperación en caso de catástrofe de varios sistemas de almacenamiento de datos. 

Esta tarea implica la copia de seguridad en tiempo real de archivos y soportes. El almacenamiento de copia de seguridad se utilizará para restaurar los archivos en caso de ciberataque o fallo del equipo. Los protocolos de seguridad se colocan para controlar, rastrear y restringir el tráfico entrante y saliente.

Preguntas de la entrevista técnica para ingenieros de datos

Preguntas frecuentes sobre ingeniería de datos

Preguntas frecuentes sobre ingeniería de datos

Imagen del autor

¿Qué es la orquestación de datos y qué herramientas puedes utilizar para llevarla a cabo?

La orquestación de datos es un proceso automatizado para acceder a datos brutos de múltiples fuentes, realizar técnicas de limpieza, transformación y modelado de datos, y servirlos para tareas analíticas. Las herramientas más populares son Apache Airflow, Prefect, Dagster y AWS Glue. 

¿Qué herramientas utilizas para la ingeniería analítica?

La ingeniería analítica es un proceso en el que accedemos a los datos procesados, los transformamos, aplicamos modelos estadísticos y los visualizamos en forma de informes y cuadros de mando. Las herramientas más populares son dbt (data build tool), BigQuery, Postgres, Metabase, Google Data Studio y Tableau. 

Preguntas de la entrevista de Python para ingenieros de datos

¿Qué bibliotecas de Python son más eficaces para el tratamiento de datos?

Las bibliotecas más populares para el tratamiento de datos son pandas y Numpy. Para el procesamiento paralelo de grandes conjuntos de datos, utilizamos Dask, Pyspark, Datatable y Rapids. Todos tienen pros y contras, y debemos entender la aplicación en función de los requisitos de los datos. 

¿Cómo se realiza el raspado web en Python?

1. Accede a la página web utilizando la biblioteca de peticiones y la URL
2. Extraer tablas e información utilizando BeautifulSoup
3. Conviértelo en la estructura para utilizar Pandas
4. Límpialo utilizando Pandas y Numpy
5. Guarda los datos en forma de archivo CSV

En algunos casos, pandas.read_html hace maravillas. Extrae, procesa y convierte datos en un formato estructurado. 

Nota: es una buena práctica aceptar retos de codificación en sitios como HackerRank, Codewars y LeetCode. Perfecciona tus conocimientos de Python participando en los 5 desafíos Python de DataCamp.

Preguntas de la entrevista SQL para ingenieros de datos

La fase de codificación SQL es una parte importante del proceso de contratación de ingeniería de datos. Puedes practicar varios guiones sencillos y complejos. El entrevistador puede pedirte que escribas una consulta de análisis de datos, expresiones comunes de tablas, clasificación, adición de subtotales y funciones temporales.

¿Qué son las expresiones comunes de tabla en SQL?

Se utilizan para simplificar uniones complejas y ejecutar subconsultas. 

En el siguiente script SQL, estamos ejecutando una subconsulta sencilla para mostrar todos los alumnos con especialización en Science y calificación A. 

SELECT *
FROM class
WHERE id in
  (SELECT DISTINCT id
  FROM id
  WHERE grade= "A"
  AND major= "Science"
  )

Si vamos a utilizar esta subconsulta varias veces, podemos crear una tabla temporal "temp" y llamarla en nuestra consulta utilizando el comando SELECT como se muestra a continuación. 

WITH temp as (
  SELECT id as id
  FROM id
  WHERE grade= "A"
  AND major= "Science"
)


SELECT *
FROM class
WHERE id in (SELECT id from temp)

Puedes trasladar este ejemplo incluso a problemas complejos. 

¿Cómo clasificar los datos en SQL?

Los ingenieros de datos suelen clasificar los valores en función de parámetros como las ventas y los beneficios. 

La consulta siguiente ordena los datos en función de las ventas. También puedes utilizar DENSE_RANK(), que no omite los rangos siguientes si los valores son iguales. 

SELECT
  id,
  sales,
  RANK() OVER (ORDER BY sales desc)
FROM bill

¿Puedes crear una simple Función Temporal y utilizarla en una consulta SQL?

Al igual que en Python, puedes crear una función en SQL y utilizarla en tu consulta. Tiene un aspecto elegante, y puedes evitar escribir enormes sentencias case: Programar mejor. 

En el siguiente script, hemos creado una sencilla función temporal "get_gender". Utiliza CASE para cambiar el Type de "M/F" a la forma completa "male/female". Después, podemos invocarla proporcionando un nombre de columna a la función get_gender.   

CREATE TEMPORARY FUNCTION get_gender(type varchar) AS (
  CASE WHEN type = "M" THEN "male"
        WHEN type = "F" THEN "female"
        ELSE "n/a"
  END
)
SELECT
  name,
  get_gender(Type) as gender
FROM class

Resolver ejercicios de codificación SQL es la mejor manera de practicar y repasar conceptos olvidados. Accederás a tus conocimientos de SQL realizando el test de evaluación de DataCamp Análisis de datos en SQL (necesitarás una cuenta de DataCamp para acceder a esta evaluación).

Pregunta sobre el ingeniero de datos de las FAANG

En esta sección, exploramos las preguntas más frecuentes de las entrevistas de ingeniería de datos en Facebook, Amazon y Google y de los responsables de RR. HH. para un puesto de ingeniería de datos. 

Preguntas de la entrevista a un ingeniero de datos de Facebook

¿Por qué utilizamos clusters en Kafka y cuáles son sus ventajas?

El clúster Kafka consta de varios brokers para distribuir datos en varias instancias. Es escalable sin tiempos de inactividad. Los clusters de Apache Kafka se utilizan para evitar retrasos. Si el clúster primario se cae, se utilizarán otros clústeres de Kafka para prestar los mismos servicios. 

La arquitectura del clúster Kafka consta de Temas, Broker, ZooKeeper, Productores y Consumidores. Maneja flujos de datos para big data, que se utilizan para crear aplicaciones basadas en datos.

¿Qué problemas resuelve Apache Airflow?

Apache Airflow te permite gestionar y programar pipelines para el flujo de trabajo analítico, la gestión del almacén de datos y la transformación y modelado de datos bajo un mismo techo. 

Puedes supervisar los registros de ejecución en un solo lugar, y se pueden utilizar retrollamadas para enviar alertas de fallo a Slack y Discord. Por último, es fácil de usar, ofrece una interfaz de usuario útil e integraciones sólidas, y su uso es gratuito. 

Preguntas de la entrevista al ingeniero de datos de Amazon

Se te da una dirección IP como entrada en forma de cadena. ¿Cómo puedes saber si es una dirección IP válida o no?

Es la pregunta más frecuente en las entrevistas de codificación, y la respuesta es sencilla. Vas a dividir la cadena en "." y crear varias comprobaciones para determinar la validez de la dirección IP.  

def is_valid(ip):

    ip = ip.split(".")
   
    for i in ip:
        if (len(i) > 3 or int(i) < 0 or
                          int(i) > 255):
            return False
        if len(i) > 1 and int(i) == 0:
            return False
        if (len(i) > 1 and int(i) != 0 and
            i[0] == '0'):
            return False
           
    return True


A = "255.255.11.135"
B = "255.050.11.5345"

La IP A es válida y devuelve True, mientras que la B devuelve False porque tiene 4 dígitos después del punto. 

print(is_valid(A))
>>> True
print(is_valid(B))
>>> False

¿Cuáles son los distintos modos en Hadoop?

Hadoop funciona principalmente en 3 modos:

• Modo autónomo: se utiliza para depurar cuando no utilizas HDFS. Utiliza un sistema de archivos local para la entrada y la salida. 
• Modo pseudodistribuido: consiste en un clúster de un solo nodo en el que NameNode y Data node residen en el mismo lugar. Se utiliza principalmente para realizar pruebas.
• Modo totalmente distribuido: es un modo listo para la producción en el que se ejecutan varios clusters. Los datos se distribuyen entre varios nodos. Tiene nodos separados para los daemons master y slave

Preguntas de la entrevista al ingeniero de datos de Google

¿Cómo tratarías los puntos de datos duplicados en una consulta SQL?

Puedes evitar los duplicados utilizando DISTINCT. 

La consulta siguiente devolverá puntos de datos únicos de la tabla CUSTOMERS.

SELECT DISTINCT Name, ADDRESS FROM CUSTOMERS
ORDER BY Name;

O borra las filas duplicadas utilizando rowid con el comando Max o Min. 

La consulta SQL está eliminando rowid donde rowid es un MAX, agrupado por nombre de empleado y dirección. Agrupará la tabla en Name y ADDRESS y elegirá el identificador de fila más alto y descartará los demás. Cada registro de la tabla tiene un rowid único que apunta a una ubicación física en el disco. 

DELETE FROM Employee
WHERE rowid NOT IN (
  SELECT MAX(rowid)
  FROM Employee
 GROUP BY Name, ADDRESS
);

Dada una lista de n-1 enteros, y estos enteros están en el intervalo de 1 a n. No hay duplicados en la lista. Falta uno de los números enteros en la lista. ¿Puedes escribir un código eficiente para encontrar el número entero que falta? 

Este es uno de los retos más comunes de las entrevistas de codificación. El entrevistador busca un código eficiente con razonamiento. 

Crearemos la función search_missing_number:

1. Comprueba si la lista está vacía y devuelve 1, o si no falta ningún valor, devolverá la longitud de la lista +1
2. Si supera todas las comprobaciones, calculará la suma de los N primeros números naturales n*(n+1)/2 -> total 
3. Halla la suma de todos los elementos de la lista -> sum_of_L
4. Devuelve la diferencia entre la suma de los primeros números naturales y la suma de todos los elementos. 

def search_missing_number(list_num):
    n = len(list_num)
    # checks
    if(list_num[0] != 1):
        return 1
    if(list_num[n-1] != (n+1)):
        return n+1

    total = (n + 1)*(n + 2)/2
    sum_of_L = sum(list_num)
    return total - sum_of_L

Validación:

num_list = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 13]
print("The missing number is", search_missing_number(num_list))

>>> The missing number is 12.0

prepárate para la entrevista de ingeniería de datos

Antes de presentarte a una entrevista, debes repasar todos los conceptos y términos estándar utilizados en la ingeniería de datos. Además, debes prepararte para una entrevista técnica. 

• Domina el SQL: debes practicar la creación, modificación y gestión de bases de datos. Además, debes dominar el análisis, el modelado y la transformación de datos.
• Resuelve retos de codificación: resuelve retos de codificación en Python, Scala o C++. La mayoría de las empresas evalúan las habilidades de programación mediante exámenes para realizar en casa y retos de codificación en directo. 
• Diseñar una canalización ETL: práctica para crear canalizaciones de datos, ETL o de entrega. Necesitas comprender cómo probar, validar, escalar y mantener canalizaciones de datos. 
• Ingeniería analítica: práctica de carga, transformación y análisis de datos. Aprende a crear un cuadro de mando para la calidad de los datos y el rendimiento del sistema. 
• Revisa las posibles preguntas: prepárate para la entrevista revisando ejemplos de preguntas simuladas. Accede a cientos de preguntas con una simple búsqueda en Google. 
• Conoce las herramientas modernas de ingeniería de datos: aunque no tengas experiencia con las herramientas modernas de ingeniería de datos, debes saber cómo funcionan y cómo se integran con otras herramientas. Las empresas siempre están buscando mejores herramientas que puedan mejorar el rendimiento a un coste menor.
• Aprende procesamiento por lotes y streaming: Apache Spark se utiliza para el procesamiento por lotes, y Apache Kafka para el streaming de datos. Estas herramientas están muy solicitadas, y te ayudarán a conseguir trabajo en las mejores empresas.
• Entorno: en algunos casos, el entrevistador preguntará sobre computación en la nube (GCP, AWS, Azure), Docker, scripting, Terraform y Kubernetes. Puedes utilizar estas herramientas para configurar recursos informáticos y de almacenamiento en la nube o in situ. Comprender estas tecnologías e integrarlas en los proyectos del portafolio es una buena práctica. 

Aprende cómo convertirte en ingeniero de datos para impulsar tu carrera y conseguir un empleo en la carrera más demandada de la ciencia de datos.