Scorecard de entrevista para Científico de Datos
Un scorecard estructurado para entrevistar a un Científico de Datos: seis competencias con pesos, qué es realmente un 1 y qué es un 5, y preguntas que sacan evidencia en vez de opiniones. Imprimilo o copialo a tu ATS.
El scorecard para Científico de Datos
| Competencia | Peso | Puntaje 1 — cómo se ve | Puntaje 5 — cómo se ve |
|---|---|---|---|
| Traducir un problema a una tarea de modelado Si puede convertir un pedido de negocio difuso en una variable objetivo, una unidad de análisis y una decisión que consuma la salida del modelo. | 18% | Arranca por el algoritmo y no por la decisión, y no puede decir cuál era la etiqueta, qué representaba una fila ni quién iba a usar el resultado. | Empieza por la decisión, y recién ahí define el target, la unidad de análisis y los casos que excluyó a propósito, explicando por qué cada corte acotó el problema. |
| Diseño experimental y razonamiento causal Si puede diseñar un test que responda la pregunta que se hizo, porque casi todos los pedidos que llegan al rol son causales y la correlación engaña. | 20% | Reporta resultados de un A/B test como un número de lift, sin unidad de aleatorización, sin razonar el tamaño de muestra ni qué verificó antes de darlo por bueno. | Nombra la unidad de aleatorización, la métrica fijada de antemano, la duración y el poder estadístico, y un confounder que detectó y trató en un test concreto. |
| Oficio de modelado y validación Si sus resultados offline sobreviven al contacto con producción, algo que depende de detectar leakage, comparar contra baselines y partir los datos como en el deploy. | 20% | Reporta accuracy sobre un split aleatorio sin comparar contra ningún baseline, y no sabe decir si alguna feature usaba información no disponible al momento de predecir. | Describe un leakage o un drift que detectó, cuánto se movió la métrica al corregirlo, y el baseline que justificaba poner el modelo en producción. |
| Razonamiento estadístico bajo incertidumbre Si conoce los límites de sus propios números, que es lo que define si alguien toma una decisión sobre un resultado que en realidad es ruido. | 16% | Presenta estimaciones puntuales sin intervalos y trata un umbral de p-value como si fuera una decisión, sin considerar cuántas comparaciones corrió. | Cuantifica la incertidumbre como un rango con el supuesto explícito, y puede nombrar un resultado que se negó a reportar porque la muestra no lo sostenía. |
| Puesta en producción y monitoreo Si los modelos que construye siguen funcionando después del handoff, porque un modelo que nunca se deploya o nunca se monitorea no entrega nada. | 14% | Su trabajo termina en el notebook, describe el camino a producción como tarea de otro equipo y no sabe cómo se comportó el modelo después. | Describe cómo se sirvió el modelo, qué se monitoreó después del lanzamiento, y el reentrenamiento o rollback que disparó una degradación concreta. |
| Comunicar incertidumbre a quien decide Si las personas no técnicas se quedan con una idea correcta de lo que el análisis puede y no puede sostener antes de comprometerse con una decisión. | 12% | Presenta metodología en lugar de implicancias, o reduce el resultado a un número único que esconde la salvedad que habría cambiado la decisión. | Recuerda un caso en que le dijo a un stakeholder que los datos no podían responder esa pregunta, y qué propuso medir en su lugar. |
Los pesos suman 100. Acordalos antes de la primera entrevista, no después: ajustar pesos cuando ya hay puntajes es la forma en que un panel justifica a su favorito.
Preguntas que sacan evidencia
Cada una pide algo que ya pasó, con suficiente detalle como para verificarlo. Las hipotéticas premian el ensayo, no la trayectoria.
- ¿Qué experimento diseñaste de punta a punta? ¿Cuál era la unidad de aleatorización, cómo definiste el tamaño de muestra y qué verificaste antes de confiar en el resultado?
- ¿Qué modelo tuvo buenas métricas offline y se comportó distinto en producción? ¿Qué era diferente y cómo te enteraste?
- ¿Cuándo tuviste que decirle a un stakeholder que los datos no podían responder su pregunta? ¿Qué propusiste medir en su lugar y qué terminó haciendo?
- ¿Qué resultado decidiste no reportar o no accionar? ¿Qué te hizo desconfiar y qué hiciste después?
- ¿Cómo armaste las features de un modelo que llegó a producción? ¿Cuál pesó más, cómo verificaste que estuviera disponible al predecir y cuáles descartaste?
Señales de alarma
- No puede nombrar el baseline de ninguno de sus modelos, solo la métrica final.
- Cuenta cada proyecto como un éxito de modelado, sin ninguna hipótesis fallida ni enfoque descartado.
- Usa lenguaje causal para resultados observacionales sin nombrar un solo supuesto ni confounder.
- No sabe decir quién usó el resultado de su trabajo ni qué decisión cambió.
Cómo usar este scorecard
- Acordá los pesos con el panel antes de que alguien entreviste, y dejalos por escrito.
- Cada entrevistador puntúa todas las competencias por separado, con una nota que cite lo que el candidato dijo textualmente.
- Comparen los puntajes antes de discutirlos. Discutir primero ancla al panel en quien habla más fuerte.
Armar un scorecard a medida → · Cadena booleana para buscar Científico de Datos →
Preguntas frecuentes
¿Cuál es la diferencia entre un científico de datos y un analista de datos al contratar?
Un científico de datos se contrata para preguntas que requieren modelado o diseño experimental: estimaciones causales, predicciones, A/B tests. Un analista se contrata para que los datos existentes respondan preguntas de negocio de forma confiable y repetible. Usar la misma rúbrica para los dos termina puntuando mal al menos a uno.
¿Qué debería incluir una entrevista técnica de ciencia de datos?
Un problema de diseño experimental, un problema de modelado con una trampa de validación adentro, y un caso donde la respuesta honesta es que los datos no alcanzan para concluir. Conviene sumar el recorrido de un proyecto pasado en la misma sesión para contrastar el método declarado con la práctica real.
¿Cómo comparo candidatos de ciencia de datos si sus proyectos son todos distintos?
Se puntúa el razonamiento y no el dominio: encuadre, validación, incertidumbre y handoff aplican a cualquier proyecto. Los pesos se fijan antes de la primera entrevista y la evidencia se anota junto a cada puntaje. Verdict aplica la misma disciplina al CV, atando cada dimensión a una cita textual para que los candidatos sigan siendo comparables.
Cuando lo que está en juego es una contratación real, usá evidencia
Estas herramientas son heurísticas rápidas. Verdict lee el CV contra tu descripción de puesto y puntúa seis dimensiones con citas textuales como evidencia — un documento de contratación que podés defender.