20 preguntas frecuentes de entrevista para Data Scientist. Data Science es un área muy demandada que convierte datos de producto, clientes y negocio en decisiones, experimentos, modelos e insights medibles. Las preguntas cubren distintos niveles, y puedes practicar respondiéndolas en voz alta en nuestro simulador de entrevistas.
1¿En qué se distinguen covarianza y correlación al comparar dos variables numéricas?
La covarianza E[(X − E[X])(Y − E[Y])], o su análogo muestral, indica si las desviaciones de ambas medias suelen tener el mismo signo. Su magnitud depende de las unidades, por ejemplo metros o centímetros. Pearson divide por el producto de las desviaciones estándar: si ambas varianzas son positivas queda entre −1 y 1, sin unidades. Un reescalado lineal positivo no cambia la correlación y cambiar el signo de una variable invierte el signo. Ninguna prueba causalidad. Un valor cero tampoco implica independencia: una relación no lineal puede dar asociación lineal cero. Examino el diagrama de dispersión, valores atípicos y subgrupos. Para asociación monótona considero correlación por rangos.
2¿Cuál es la diferencia conceptual entre las uniones inner, left, right y full outer, y cómo influye cada opción en la población analítica y en el tratamiento de valores NULL en el cálculo posterior de métricas?
Los joins inner, left, right y full outer definen qué registros se conservan al combinar tablas en función de claves coincidentes:
- Inner Join: Conserva únicamente los registros donde la clave de unión coincide en ambas tablas.
- Left (Outer) Join: Conserva todos los registros de la tabla izquierda y rellena las columnas de la tabla derecha con NULL cuando no hay coincidencia.
- Right (Outer) Join: Conserva todos los registros de la tabla derecha, rellenando con NULL las columnas no coincidentes de la tabla izquierda.
- Full Outer Join: Conserva todos los registros de ambas tablas, rellenando con NULL en cualquiera de los lados cuando no exista coincidencia.
Impacto en la población analítica y en el cálculo posterior de métricas:
La elección del tipo de join controla directamente la cohorte analítica y los denominadores utilizados en el cálculo de métricas. Un inner join involuntario entre una base de usuarios y una tabla de actividad o transacciones descarta a los usuarios inactivos, reduciendo el denominador únicamente a usuarios activos e inflando de forma artificial las tasas de conversión o retención. Por el contrario, los outer joins conservan la población base completa, pero introducen valores NULL para las filas sin coincidencia. Los cálculos posteriores deben gestionar estos valores: las funciones de agregación estándar de SQL como SUM() o AVG() ignoran los valores NULL, COUNT(columna) cuenta las entradas que no son NULL mientras que COUNT(*) cuenta todas las filas, y las operaciones aritméticas sobre valores NULL que no se hayan sustituido por otro valor, por ejemplo mediante COALESCE devuelven NULL.
-- Inner join silently shrinks denominator to purchasers only
SELECT COUNT(o.order_id) * 1.0 / COUNT(u.user_id) AS inner_conv_rate
FROM users u
INNER JOIN orders o ON u.user_id = o.user_id;
-- Left join preserves full user base for accurate metric computation
SELECT COUNT(o.order_id) * 1.0 / COUNT(u.user_id) AS true_conv_rate
FROM users u
LEFT JOIN orders o ON u.user_id = o.user_id;
3En la experimentación de producto, ¿qué consigue la aleatorización que una comparación simple de antes y después normalmente no puede conseguir, y cómo explicarías la afirmación causal principal que pretende respaldar una prueba A/B?
En la experimentación de producto, una comparación simple de antes y después compara métricas de períodos distintos, por lo que mezcla el efecto de un cambio de funcionalidad con factores temporales externos, como la estacionalidad, los patrones por día de la semana, las campañas de marketing simultáneas, las tendencias macroeconómicas y la evolución natural de los usuarios. La aleatorización asigna simultáneamente las unidades elegibles a grupos de tratamiento y control, equilibrando en promedio los factores de confusión observados y no observados entre los grupos. Esto establece la validez interna. La afirmación causal principal que respalda una prueba A/B se basa en el razonamiento contrafactual: como el grupo de control está sometido a las mismas condiciones externas durante exactamente el mismo período, proporciona una estimación empírica del contrafactual, es decir, de lo que habría ocurrido al grupo de tratamiento si no hubiera recibido la funcionalidad. Por tanto, cualquier diferencia estadísticamente significativa en los resultados puede atribuirse causalmente a la intervención del tratamiento.
# Naive Before-After Comparison:
# Effect_estimate = Metric_t1 (Holiday Launch) - Metric_t0 (Pre-Holiday Baseline)
# Problem: Lift is confounded by holiday shopping surge and marketing spend.
# Randomized A/B Test:
# Effect_estimate = E[Metric_Holiday | Treatment] - E[Metric_Holiday | Control]
# Solution: Both arms experience the exact same external shocks simultaneously.
4¿Qué busca lograr habitualmente el análisis exploratorio de datos antes del modelado formal o la experimentación, y cómo se distingue el EDA (análisis exploratorio de datos) del análisis confirmatorio?
El EDA (análisis exploratorio de datos) es un proceso abierto cuyo objetivo es comprender la estructura subyacente de un conjunto de datos, descubrir patrones, identificar anomalías o problemas de calidad en los datos, evaluar supuestos de distribución y generar hipótesis antes de construir modelos estadísticos formales o realizar experimentos. La diferencia fundamental entre el EDA y el análisis confirmatorio radica en su propósito y metodología: el EDA está orientado a generar hipótesis, es flexible y exploratorio, empleando resúmenes descriptivos, correlaciones y visualizaciones para explorar lo que sugieren los datos sin compromisos previos estrictos. Por el contrario, el análisis confirmatorio (como las pruebas de hipótesis o la evaluación de pruebas A/B) está orientado a contrastar hipótesis, es estructurado e inferencial, diseñado para evaluar rigurosamente hipótesis falsables predefinidas mientras se controlan las tasas de error estadístico (por ejemplo, el error de Tipo I). Tratar los hallazgos descubiertos durante el EDA como conclusiones confirmadas sobre el mismo conjunto de datos puede provocar búsqueda selectiva de resultados significativos en los datos (p-hacking) y sobreajuste.
import numpy as np
import pandas as pd
# 1. EDA Phase: Open-ended discovery and hypothesis generation
df = pd.DataFrame({'engagement_score': np.random.normal(50, 10, 1000)})
summary = df['engagement_score'].describe()
# 2. Confirmatory Phase: Testing pre-registered hypothesis on fresh test/experiment data
# (e.g., two-sample t-test with fixed significance level alpha = 0.05)
5¿Qué es la fuga de información del objetivo (target leakage) en un entorno de aprendizaje supervisado y en qué se diferencia de una correlación fuerte legítima entre una característica y la etiqueta?
La fuga de información del objetivo (target leakage) ocurre cuando una característica incluida en el entrenamiento del modelo contiene información sobre la etiqueta objetivo que no estaría legítimamente disponible en el momento de la inferencia cuando el modelo realiza predicciones en el mundo real. Esto ocurre con frecuencia cuando una característica se recopila cronológicamente después del evento de interés o es una consecuencia directa o posterior del resultado objetivo (como usar una marca de tiempo de cancelación de cuenta o un identificador de reembolso para predecir la pérdida de clientes). Por el contrario, una correlación fuerte legítima refleja una relación predictiva o causal genuina y preexistente que se conoce completamente y está disponible antes del momento de la predicción (como la frecuencia de inicio de sesión de un cliente durante los últimos 30 días). Aunque ambos mostrarán una alta importancia de las características o métricas de evaluación sólidas, un modelo con fuga de información del objetivo obtendrá puntuaciones de validación fuera de producción irrealmente altas, pero fallará en producción porque la característica con fuga no se puede conocer en el momento de la inferencia.
# Scenario: Predicting whether a user will cancel their subscription (is_churned)
# LEAKY FEATURE:
# 'cancellation_survey_submitted' -> Occurs after the decision to churn has executed.
# LEGITIMATE FEATURE:
# 'login_count_last_30_days' -> Observed strictly before the prediction cut-off date.
6¿Cuál es el propósito de particionar los datos en conjuntos de entrenamiento, validación y prueba, y cómo debe guiar cada partición el desarrollo iterativo del modelo?
Particionar los datos en conjuntos de entrenamiento, validación y prueba aísla el ajuste del modelo, la optimización de hiperparámetros y la evaluación final para garantizar la generalización a datos no vistos.
- Conjunto de entrenamiento: se utiliza para ajustar los parámetros internos del modelo (por ejemplo, pesos y sesgos en redes neuronales o umbrales de división en árboles).
- Conjunto de validación: se utiliza durante el desarrollo iterativo para la selección de modelos, el ajuste de hiperparámetros, la selección de características y la detección de sobreajuste. Guía las decisiones sobre qué arquitectura o configuración de modelo funciona mejor sin tocar los datos de evaluación final.
- Conjunto de prueba: sirve como una muestra estrictamente reservada para representar datos de producción no vistos. Se evalúa solo una vez al final del proyecto para proporcionar una estimación imparcial del error de generalización. Reajustar modelos basándose en los resultados del conjunto de prueba invalida su objetividad e introduce un sesgo optimista.
from sklearn.model_selection import train_test_split
from sklearn.datasets import make_classification
X, y = make_classification(n_samples=1000, n_features=10, random_state=42)
# Step 1: Split off final test set (20%)
X_dev, X_test, y_dev, y_test = train_test_split(
X, y, test_size=0.20, random_state=42, stratify=y
)
# Step 2: Split remaining development data into train (75% of dev = 60% total) and validation (25% of dev = 20% total)
X_train, X_val, y_train, y_val = train_test_split(
X_dev, y_dev, test_size=0.25, random_state=42, stratify=y_dev
)
print(f"Train size: {len(X_train)}, Val size: {len(X_val)}, Test size: {len(X_test)}")
7¿Cuál es la diferencia entre el aprendizaje supervisado y el no supervisado, y cómo determinan la disponibilidad de etiquetas y los objetivos de negocio qué paradigma elegir?
Los algoritmos de aprendizaje supervisado aprenden un mapeo matemático desde las características de entrada (X) hacia etiquetas objetivo conocidas (y) utilizando datos históricos etiquetados para predecir resultados en observaciones no vistas. El aprendizaje no supervisado analiza conjuntos de datos que solo contienen características (X) para descubrir estructuras intrínsecas, agrupaciones naturales (clustering) o representaciones reducidas sin etiquetas objetivo predefinidas. La elección entre ambos paradigmas está determinada por la disponibilidad de etiquetas y los objetivos del negocio: si existen etiquetas de referencia verificadas (ground truth) o es viable recopilarlas, y el objetivo de negocio es la predicción dirigida (por ejemplo, detección de fraude, predicción de abandono de clientes o pronóstico de precios), el aprendizaje supervisado es el adecuado. Si no existen etiquetas de referencia, su obtención es excesivamente costosa o el objetivo es la exploración abierta (por ejemplo, segmentación de clientes o detección de anomalías sin etiquetas conocidas), se elige el aprendizaje no supervisado.
import numpy as np
from sklearn.linear_model import LogisticRegression
from sklearn.cluster import KMeans
X = np.array([[10, 2], [12, 3], [1, 8], [2, 9]])
y = np.array([0, 0, 1, 1])
# Supervised: Learns mapping X -> y
clf = LogisticRegression().fit(X, y)
# Unsupervised: Discovers clusters directly from X
kmeans = KMeans(n_clusters=2, random_state=42, n_init=10).fit(X)
8¿Qué es una métrica guía o North Star Metric y cómo se distingue una North Star efectiva de una métrica de vanidad al evaluar la salud de un producto?
Una métrica guía o North Star Metric (NSM) es la métrica principal que mejor captura el valor esencial que un producto ofrece a sus clientes, impulsando al mismo tiempo resultados de negocio sostenibles (por ejemplo, 'Noches reservadas' para Airbnb o 'Horas semanales activas de streaming' para una plataforma de música). Alinea a los equipos de producto en torno al valor para el cliente a largo plazo en lugar del crecimiento superficial.
Para distinguir una North Star efectiva de una métrica de vanidad:
1. **Alineación con el valor:** Una North Star efectiva refleja la utilidad real para el usuario y su interacción activa, mientras que una métrica de vanidad mide un volumen superficial (como el total de usuarios registrados, descargas acumuladas de la aplicación o páginas vistas en bruto) que puede crecer incluso cuando los usuarios abandonan el producto de inmediato.
2. **Capacidad de acción y correlación:** Una North Star efectiva se correlaciona con la retención de usuarios, la salud del producto y la monetización, y responde directamente a las mejoras en la calidad del producto. Las métricas de vanidad a menudo no se pueden vincular a una retención genuina ni a la salud del negocio, y son propensas a la inflación superficial.
Platform: Vacation Rental App
Vanity Metric: Cumulative app downloads (increases continuously even if 95% of users uninstall immediately).
North Star Metric: Nights booked per active user (reflects actual value exchange between guests and hosts).
9¿Cuál es la diferencia práctica entre la desviación de datos (data drift) y la desviación de concepto (concept drift), y por qué categorizarlas correctamente es esencial para el mantenimiento del modelo tras el lanzamiento?
La desviación de datos de entrada significa que la distribución de características P(X) cambia. El desplazamiento de covariables puro asume además que P(Y|X) no cambia; observar únicamente la desviación de entrada no permite establecer ese supuesto. Por el contrario, la desviación de concepto ocurre cuando cambia la relación subyacente entre las entradas y el objetivo P(Y|X), lo que significa que valores de características idénticos ahora corresponden a diferentes comportamientos o resultados objetivo. Categorizarlas correctamente es vital para el mantenimiento posterior al lanzamiento porque la desviación de datos y la desviación de concepto pueden coexistir y requerir respuestas diferentes. Bajo un desplazamiento de covariables puro, las relaciones condicionales históricas siguen siendo válidas donde existe soporte; el mantenimiento se centra en ampliar la cobertura de entrenamiento en nuevas regiones de características, actualizar el preprocesamiento o aplicar una reponderación de muestras. Con la desviación de concepto, algunas relaciones históricas pueden volverse menos relevantes. Evalúe los datos etiquetados recientes y los segmentos afectados, y luego decida si reponderar los ejemplos antiguos, reentrenar, rediseñar o cambiar la política de decisión; la desviación no implica automáticamente una pérdida material de rendimiento.
# Data Drift (Covariate Shift):
# User demographics or devices change (P(X) shifts),
# but genuine vs fraudulent transaction patterns remain identical (P(Y|X) unchanged).
# Concept Drift:
# Fraudsters adapt tactics to mimic normal shopping patterns;
# identical feature inputs now have a higher probability of fraud (P(Y|X) shifts).
10¿Cuál es la diferencia entre un parámetro poblacional y un estadístico muestral, y cómo influye la variabilidad muestral en la interpretación de métricas?
Un parámetro poblacional es una característica numérica fija y normalmente desconocida de una población completa (como la verdadera media poblacional μ o la proporción p). Un estadístico muestral es un resumen numérico calculado a partir de datos muestrales observados (como la media muestral x̄ o la proporción muestral p̂), que se utiliza para estimar el parámetro desconocido. La variabilidad muestral se refiere a la variación natural de los estadísticos muestrales entre diferentes muestras aleatorias extraídas de la misma población. Debido a la variabilidad muestral, cualquier métrica muestral individual está sujeta a error aleatorio y rara vez coincide con exactitud con el verdadero parámetro poblacional. Al interpretar métricas, no tener en cuenta esta variabilidad lleva a confundir el ruido con cambios reales. Los analistas deben cuantificar la incertidumbre de la estimación utilizando errores estándar, intervalos de confianza o pruebas de hipótesis antes de concluir que una diferencia observada es genuina.
import numpy as np
# True population parameter (mean = 50, standard deviation = 10)
pop_mean = 50.0
pop_std = 10.0
# Draw multiple independent samples of size n=30
np.random.seed(42)
sample_means = [np.mean(np.random.normal(pop_mean, pop_std, size=30)) for _ in range(5)]
for i, sm in enumerate(sample_means, 1):
print(f"Sample {i} Mean (Statistic): {sm:.2f} | Error: {sm - pop_mean:+.2f}")
11¿Qué es un estimador puntual y cómo afectan el sesgo y la varianza a su exactitud?
Un estimador puntual obtiene de los datos muestrales una sola estimación de un parámetro poblacional. Entre posibles muestras, el sesgo es el error esperado y la varianza mide cuánto fluctúan las estimaciones. Con pérdida cuadrática, el error cuadrático medio (ECM) es la varianza más el cuadrado del sesgo, si existen los momentos. Un sesgo pequeño puede compensar si reduce la varianza lo suficiente.
12¿Cómo reducirías la amplitud de un intervalo de confianza para una media poblacional?
Con un nivel de confianza fijo, aumenta el número de observaciones independientes o reduce la varianza de la medición con un diseño válido. En un intervalo estándar para la media, el error estándar se estima como s dividido por la raíz cuadrada de n. Bajar el nivel de confianza también estrecha el intervalo, pero cambia la cobertura objetivo. Un intervalo estrecho puede seguir centrado en una estimación sesgada.
13¿Cómo devuelves el primer título reproducido por cada usuario en cada día natural?
Obtén la fecha de cada sesión en la zona horaria del informe. Numera las filas con ROW_NUMBER(), particionando por user_id y esa fecha y ordenando por hora de inicio y un identificador de reproducción único y estable. Conserva la fila de rango uno y busca el título. Define si los inicios simultáneos se desempatan para devolver uno, como se pide, o si otra regla debe devolverlos todos.
14¿Cómo diseñaría los desgloses por cohortes para una investigación de activación o retención con el fin de garantizar que las comparaciones no se vean distorsionadas por cambios en la composición de la muestra o por ventanas de observación aún incompletas?
Para diseñar desgloses por cohortes que eviten distorsiones por cambios en la composición de la muestra y por ventanas de observación aún incompletas: 1. **Estandarizar las ventanas de antigüedad (tenure)**: Alinear las cohortes por antigüedad relativa (por ejemplo, Día 0, Día 7, Día 30 tras el registro o activación) en lugar de por fechas del calendario, garantizando comparaciones homogéneas a lo largo del ciclo de vida. 2. **Gestionar las ventanas de observación aún incompletas (censura por la derecha)**: Evaluar únicamente aquellas cohortes que hayan madurado por completo dentro de la ventana de observación. Excluir o marcar explícitamente las cohortes recientes que no hayan tenido la duración completa para alcanzar el hito. 3. **Mitigar los cambios en la composición (mix shifts)**: Segmentar las cohortes según dimensiones de confusión relevantes (como canal de adquisición, plataforma, país o intención del usuario). Si se presenta una métrica agregada, aplicar ponderaciones por estandarización o postestratificación para que los cambios en la mezcla de fuentes de adquisición no distorsionen la tendencia de retención percibida.
WITH user_cohorts AS (
SELECT
user_id,
DATE_TRUNC('week', signup_time) AS cohort_week,
signup_time,
acquisition_channel
FROM users
-- Exclude cohorts that have not reached 7 full days of maturity
WHERE signup_time <= CURRENT_DATE - INTERVAL '7 days'
),
user_activity AS (
SELECT DISTINCT
c.user_id,
c.cohort_week,
c.acquisition_channel,
1 AS retained_d7
FROM user_cohorts c
JOIN events e ON c.user_id = e.user_id
WHERE e.event_time >= c.signup_time + INTERVAL '7 days'
AND e.event_time < c.signup_time + INTERVAL '8 days'
)
SELECT
c.cohort_week,
c.acquisition_channel,
COUNT(c.user_id) AS cohort_size,
COUNT(a.user_id) AS d7_active_users,
ROUND(100.0 * COUNT(a.user_id) / COUNT(c.user_id), 2) AS d7_retention_pct
FROM user_cohorts c
LEFT JOIN user_activity a ON c.user_id = a.user_id
GROUP BY 1, 2
ORDER BY 1 DESC, 2;
15Durante la evaluación, tu modelo alcanza una métrica inusualmente alta, como un AUC (área bajo la curva) de 0.99, pero el rendimiento cae drásticamente en pruebas en paralelo sin influir en las decisiones reales. ¿Cómo aíslas y verificas de forma sistemática la fuga de la variable objetivo (target leakage)?
Cuando un modelo alcanza una métrica offline poco realista (como un AUC de 0.99) que se desploma en pruebas en la sombra (shadow testing) en producción, la fuga de la variable objetivo (target leakage) es la principal sospechosa. Un flujo de trabajo sistemático de aislamiento y verificación incluye: 1. Importancia y atribución de características: calcular valores SHAP (explicaciones aditivas basadas en valores de Shapley), importancia basada en la ganancia o importancia por permutación para identificar características candidatas con un poder predictivo dominante. 2. Modelos de una sola característica y estudios de ablación: entrenar modelos simples de una sola característica (por ejemplo, árboles de decisión poco profundos o regresión logística) en variables sospechosas individuales. Si una única característica logra una clasificación casi perfecta, es muy probable que esté filtrando la variable objetivo. Eliminar secuencialmente las características sospechosas y medir la caída del rendimiento offline. 3. Auditoría de linaje temporal y marcas de tiempo: verificar las marcas de tiempo exactas de creación y actualización de las características candidatas con respecto a la marca de tiempo de corte de la predicción. Comprobar si el valor de la característica solo se podía conocer después de que ocurriera el evento objetivo (por ejemplo, `cancellation_reason` o `refund_status` completados tras la baja o el contracargo). 4. Verificación del linaje de datos y de ingeniería: revisar la canalización de datos de etapas previas y la lógica de mutación de tablas (por ejemplo, tablas mutables actualizadas in situ frente a registros inmutables de solo anexión) para verificar cuándo se pueblan los campos.
from sklearn.metrics import roc_auc_score
from sklearn.tree import DecisionTreeClassifier
leakage_candidates = {}
for col in X_train.columns:
clf = DecisionTreeClassifier(max_depth=2)
clf.fit(X_train[[col]], y_train)
preds = clf.predict_proba(X_test[[col]])[:, 1]
auc = roc_auc_score(y_test, preds)
if auc > 0.85:
leakage_candidates[col] = auc
print("Candidate Leaky Features:", leakage_candidates)
16¿Cómo decide entre la validación cruzada K-Fold estándar, Stratified K-Fold y Group K-Fold al evaluar datos estructurados del mundo real?
La elección entre K-Fold estándar, Stratified K-Fold y Group K-Fold depende de la distribución del objetivo y de la independencia de las filas: 1. K-Fold estándar: Divide los datos en K pliegues aproximadamente iguales; KFold en scikit-learn no mezcla (shuffle) de forma predeterminada, por lo que la aleatorización debe habilitarse explícitamente cuando sea apropiado. Asume que las observaciones son IID (independientes e idénticamente distribuidas) y se utiliza normalmente para objetivos de regresión continua o conjuntos de datos bien equilibrados. 2. Stratified K-Fold: Asegura que cada pliegue conserve el mismo porcentaje de etiquetas de clase objetivo que el conjunto de datos completo. Es útil para tareas de clasificación, especialmente con desequilibrio de clases, para evitar pliegues que contengan muy pocas o ninguna muestra de la clase minoritaria. 3. Group K-Fold: Garantiza que grupos o entidades distintas (p. ej., `user_id`, `patient_id`, `device_id`) no aparezcan en los pliegues de entrenamiento y validación de forma simultánea. Cuando múltiples observaciones provienen de la misma entidad, la división aleatoria por filas puede arrojar una estimación excesivamente optimista para el despliegue con entidades no vistas, porque el modelo memoriza rasgos específicos de la entidad en lugar de aprender señales generalizables. Group K-Fold evalúa entidades no vistas. Para observaciones futuras de entidades conocidas, utilice una división consciente de la cronología que coincida con esa tarea; combine restricciones de grupo y temporales cuando ambas apliquen.
17¿Cómo elige entre regresión logística, árboles de decisión con potenciación del gradiente y arquitecturas neuronales no lineales para la clasificación tabular bajo restricciones de latencia y deriva?
Mida el rendimiento comparativo de la regresión logística, los GBDT (árboles de decisión con potenciación del gradiente) y una línea base neuronal adecuada sobre datos de validación agrupados o fuera de tiempo representativos y en hardware de producción. La LR (regresión logística) proporciona una puntuación lineal de bajo coste computacional y coeficientes transparentes, pero necesita codificaciones e interacciones adecuadas; la extrapolación aún puede ser errónea con alta confianza bajo condiciones de deriva. Los GBDT a menudo funcionan bien con datos tabulares, pero el soporte nativo para variables categóricas o valores faltantes depende de la implementación y la configuración. Los árboles ordinarios con hojas constantes extrapolan deficientemente más allá del soporte de entrenamiento; esto no constituye una garantía de seguridad. Los modelos neuronales pueden ayudar con entradas multimodales, incrustaciones (embeddings) o un volumen suficiente de datos, pero su latencia y comportamiento frente a la deriva dependen de la arquitectura y del despliegue. Compare la latencia p95/p99 de extremo a extremo, incluyendo la recuperación de características, calibración, memoria, mantenimiento, rendimiento por segmentos y robustez. Ninguna familia de modelos garantiza universalmente un SLA (acuerdo de nivel de servicio) de milisegundos ni resiliencia frente a la deriva.
decision_matrix = {
"Logistic Regression": {"Latency": "<1ms (Ultra-low)", "Drift Behavior": "Linear extrapolation", "Tabular Baseline": "Moderate (needs feature engineering)"},
"GBDT (XGB/LightGBM)": {"Latency": "1-15ms (Fast)", "Drift Behavior": "Leaf clamping (no extrapolation)", "Tabular Baseline": "State of the Art"},
"Tabular Neural Net": {"Latency": "10-50ms+ (Higher)", "Drift Behavior": "Nonlinear extrapolation", "Tabular Baseline": "Competitive / High tuning cost"}
}
for model, traits in decision_matrix.items():
print(f"{model}: Latency={traits['Latency']}, Tabular Perf={traits['Tabular Baseline']}")
18Puedes muestrear una distribución propuesta, pero necesitas una media bajo otra distribución objetivo. ¿Cómo funciona el muestreo por importancia y cuándo falla?
Con densidad objetivo normalizada p y propuesta q uso w(x) = p(x)/q(x). La media de w(Xi)f(Xi) estima E_p[f] si q cubre el soporte relevante del objetivo y la esperanza existe. Si p se conoce salvo una constante uso Σwi f(Xi)/Σwi, generalmente sesgado con muestras finitas pero consistente bajo condiciones apropiadas. Si q es cero donde p tiene masa importante, más muestras no lo corrigen. Un mal solapamiento o colas inadecuadas producen unos pocos pesos dominantes. Examino su concentración, el tamaño efectivo y la incertidumbre, y mejoro la propuesta o uso mezclas.
19¿Cómo diseñaría la arquitectura de una capa semántica centralizada en un almacén de datos empresarial para garantizar definiciones coherentes de métricas de negocio entre distintos equipos de analítica?
Diseñar la arquitectura de una capa semántica centralizada en un almacén de datos empresarial requiere establecer una capa declarativa basada en código para la definición de métricas (como MetricFlow/dbt Semantic Layer, Cube o LookML) que desacople la lógica de negocio del almacenamiento físico y de las herramientas de consumo posteriores (plataformas de BI (inteligencia de negocio), cuadernos de Python/R, API (interfaces de programación de aplicaciones)). La arquitectura central define entidades, dimensiones, medidas y métricas derivadas en repositorios con control de versiones (Git) para proporcionar una única fuente de verdad y garantizar la coherencia de las métricas entre equipos. Para admitir la multitenencia y la gobernanza entre distintas unidades de negocio, se debe utilizar un modelo de gobernanza federado: los KPI (indicadores clave de rendimiento) empresariales principales (por ejemplo, ARR o ingresos recurrentes anuales, y usuarios activos) son propiedad de un equipo central de gobernanza de datos, mientras que las métricas específicas de cada dominio son administradas por equipos de dominio descentralizados mediante modelos semánticos aislados con validación en CI/CD (integración continua y entrega o despliegue continuos). La capa semántica expone luego interfaces de consulta estandarizadas (SQL o lenguaje de consulta estructurada, GraphQL y REST o transferencia de estado representacional) con control de acceso basado en roles unificado y almacenamiento en caché/preagregación para mantener el rendimiento y la coherencia.
semantic_model:
name: orders
node_relation:
alias: fct_orders
dimensions:
- name: order_date
type: time
type_params:
time_granularity: day
- name: country
type: categorical
measures:
- name: total_revenue
expr: revenue_usd
agg: sum
- name: distinct_buyers
expr: user_id
agg: count_distinct
metrics:
- name: average_order_value
description: "Governed metric for AOV across all BI tools"
type: ratio
type_params:
numerator: total_revenue
denominator: distinct_buyers
20En un mercado bilateral (como plataformas de viajes compartidos o comercio electrónico), ¿cómo diseñaría un experimento para evaluar un cambio en el algoritmo de emparejamiento teniendo en cuenta la canibalización entre oferta y demanda y la interferencia espacio-temporal?
En los mercados bilaterales, evaluar algoritmos de emparejamiento mediante pruebas A/B estándar a nivel de usuario infringe el supuesto de estabilidad del valor del tratamiento por unidad (SUTVA). Cuando las unidades de tratamiento consumen recursos compartidos escasos (como conductores o inventario), canibalizan a las unidades de control, lo que genera una degradación artificial del grupo de control y magnifica los efectos del tratamiento debido a cambios en el equilibrio del mercado. Para abordar la interferencia espacial y temporal, empleamos dos arquitecturas experimentales principales: aleatorización basada en clústeres y experimentos switchback (por bloques de tiempo). En la aleatorización por clústeres espaciales, los mercados geográficos o las subregiones aisladas (por ejemplo, áreas metropolitanas discretas o celdas espaciales hexagonales particionadas por grafos) se asignan aleatoriamente al grupo de tratamiento o de control. Esto aísla las interacciones directas entre oferta y demanda, aunque requiere métodos como controles sintéticos o diferencias en diferencias para gestionar la heterogeneidad entre mercados. En los experimentos switchback, mercados aislados enteros alternan entre los algoritmos de tratamiento y control a lo largo de ventanas de tiempo discretas (por ejemplo, alternando cada 1 o 2 horas). Los switchbacks mantienen un equilibrio común entre oferta y demanda dentro de cada ventana, pero introducen un sesgo de arrastre temporal (*carryover bias*). Para mitigar este sesgo en los switchbacks, se introducen periodos de amortiguación o lavado (*washout*) entre ventanas (descartando pedidos durante las transiciones de estado) y se seleccionan duraciones de ventana suficientemente largas para absorber el reposicionamiento de la oferta, pero lo bastante cortas para retener potencia estadística. El análisis debe tener en cuenta los errores de series temporales correlacionados serialmente agrupando los errores estándar a nivel de bloque temporal/mercado o utilizando ecuaciones de estimación generalizadas (GEE) / estimadores de varianza de Newey-West.
import pandas as pd
import numpy as np
def generate_switchback_schedule(n_days=14, window_minutes=60, washout_minutes=15):
total_windows = int((n_days * 24 * 60) / window_minutes)
np.random.seed(42)
treatments = np.random.binomial(1, 0.5, size=total_windows)
schedule = []
for i, trt in enumerate(treatments):
start_min = i * window_minutes
eval_start_min = start_min + washout_minutes
end_min = (i + 1) * window_minutes
schedule.append({
'window_id': i,
'treatment': trt,
'start_min': start_min,
'eval_start_min': eval_start_min,
'end_min': end_min
})
return pd.DataFrame(schedule)