Data Analyst

Conexión clara entre análisis y decisión: pregunta de negocio explícita, método de análisis adecuado, comunicación a stakeholders, decisión efectivamente tomada y resultado medido a posteriori. Bonus: la persona candidata cita el plazo entre la entrega del análisis y la decisión, y reconoce si la decisión final difirió de su recomendación. Quienes describen un dashboard bonito sin decisión asociada revelan postura de reporting más que de analítica.

Humildad técnica y rigor de verificación. Bonus: la persona candidata describe el proceso de comunicación del error a stakeholders (rápido, transparente, con corrección documentada) y la mejora de proceso que instaló después (revisión cruzada, tests de datos, documentación de supuestos). Quienes afirman no haber cometido nunca un error de análisis mienten o no han trabajado el tiempo suficiente con datos reales.

Independencia analítica: capacidad de mantener el rigor frente a la presión, comunicar resultados que contradigan la hipótesis inicial, proponer alternativas en lugar de fabricar el resultado esperado. Quienes describen haber buscado el ángulo que confirmara la hipótesis muestran una debilidad crítica de integridad analítica que envenena la confianza en datos a medio plazo.

Postura constructiva: documentar las dos definiciones, validar cuál refleja la intención de negocio actual con la persona PM o de dirección, alinear los dashboards y comunicar el cambio de forma transparente al equipo. Quienes corrigen en silencio o critican abiertamente el trabajo previo muestran debilidad en la gestión de la deuda de datos heredada.

Clarificación de la necesidad antes de prometer: ¿qué decisión depende del análisis?, ¿qué nivel de confianza es suficiente? Propuesta de opciones: análisis exploratorio rápido con limitaciones explícitas en 24 horas frente a análisis sólido con instrumentación adicional en 1 semana. Quienes prometen lo imposible (un análisis sólido en 24 horas sobre datos sucios) o se niegan en bloque muestran falta de pragmatismo y de comunicación con producto.

Capacidad de unificar antes de fragmentar: entrevista corta con cada stakeholder para entender la decisión que cada indicador alimenta, identificación de la métrica madre frente a las métricas derivadas, propuesta de un dashboard consolidado con vistas filtrables en lugar de tres dashboards paralelos. Quienes ejecutan los tres encargos por separado revelan postura ejecutante sin postura editorial sobre los datos.

Método estructurado: (1) verificar primero la instrumentación y la calidad del dato (causa frecuente: pipeline roto, evento renombrado, cambio de schema), (2) segmentar (cohorte nueva frente a antigua, por dispositivo, por canal de adquisición, por geografía), (3) ordenar hipótesis (cambio en marketing aguas arriba, caída de un tercero, estacionalidad, bug silencioso de tracking). Bonus: la persona candidata menciona la importancia de comunicar resultados parciales en lugar de esperar al análisis completo. Quienes saltan a una conclusión sin investigar (seguro es marketing) revelan sesgo.

Capacidad de proponer una pirámide de métricas: indicador adelantado (completar paso 1, paso 2, paso 3 del onboarding) e indicador retardado (retención a 7, 30, 90 días, activación de la feature clave). Distinción entre métrica funcional (completion rate) y métrica de valor (uso recurrente posterior). Bonus: la persona candidata propone un instrumento de medición concreto (evento tracking, encuesta in-app, NPS post-onboarding) y reconoce las trampas (vanity metrics, sesgo de supervivencia). Quienes proponen solo conversion rate sin matiz se quedan en superficie.

Estructura piramidal: (1) titular en una frase con cifra y dirección clara, (2) las 2-3 causas principales identificadas con peso relativo, (3) recomendación accionable con plazo y propietario·a. Bonus: la persona candidata anticipa la pregunta más probable de la dirección (¿cuál es el impacto en ARR a 12 meses?) y prepara la respuesta. Quienes empiezan con metodología o con un gráfico complejo pierden a la audiencia ejecutiva.

Comprensión sólida de los joins: INNER JOIN devuelve solo las filas con coincidencia en ambas tablas; LEFT JOIN preserva todas las filas de la tabla izquierda añadiendo NULL cuando no hay coincidencia; FULL OUTER JOIN preserva todas las filas de ambas tablas. Bonus: la persona candidata menciona el caso clásico del falso INNER JOIN que descarta usuarios·as sin pedidos en un análisis de retención. Quienes confunden los tres mecanismos producirán análisis sesgados sin darse cuenta.

Las window functions calculan agregaciones sobre una partición de filas conservando cada fila individual (a diferencia de GROUP BY, que colapsa las filas). Casos típicos: ranking (ROW_NUMBER, RANK, DENSE_RANK), running totals (SUM OVER), comparaciones intra-partición (LAG, LEAD), percentiles (NTILE, PERCENT_RANK). Bonus: la persona candidata cita un caso concreto donde una window function evita un self-join costoso. Quienes desconocen las window functions o nunca las han usado en producción están limitados al análisis básico.

Práctica de tests de datos (dbt tests, Great Expectations, Soda o equivalente): tests de unicidad, no-nulidad, integridad referencial, rangos de valores plausibles. Documentación de supuestos. Monitoring de freshness y volumen. Bonus: la persona candidata cita un caso real donde un test de calidad evitó una decisión basada en datos erróneos. Quienes responden hago controles visuales en Excel sin matizar revelan postura artesanal frente al rigor de pipeline.

Postura de partenariado, no de oposición: capacidad de escuchar la objeción (¿qué información tiene la otra persona que yo no tengo?), revisar el análisis si procede, defenderlo con rigor si la objeción es injustificada. Bonus: la persona candidata cita una vez en que el rechazo le hizo descubrir un sesgo en su propio análisis. Quienes describen haber bajado la cabeza para evitar el conflicto revelan debilidad de coraje analítico.

Postura activa de pedagogía: documentación accesible de métricas clave, formación informal a PMs y dirección sobre lectura de dashboards, simplificación del vocabulario técnico, ayuda a personas no técnicas a formular preguntas de datos accionables. Quienes responden ayudo cuando me lo piden sin más concreción muestran postura pasiva. En pyme con equipo de data reducido (1-3 personas), la pedagogía es clave para escalar el impacto del equipo.

Reconocimiento de las evoluciones: subida de la analytics engineering (dbt, modern data stack), separación creciente entre data analyst y data engineer, llegada de la IA generativa para acelerar tareas de SQL y exploración, presión creciente sobre el impacto de negocio frente a la entrega de dashboards. Quien responde solo con herramientas o buzzwords sin reflexión sobre el oficio señala una postura superficial; quien habla de tensión entre rigor y velocidad, de la deuda de datos en pyme y de la disciplina de instrumentación está al día.