Preguntas de la entrevista para Data Scientist
Las preguntas de la entrevista para científicos de datos cubren una amplia gama de temas multidisciplinarios. Eso significa que nunca puede estar seguro de los desafíos que el entrevistador o los entrevistadores podrían enviarle. Dicho esto, estar familiarizado con el tipo de preguntas que puede encontrar es un aspecto importante de su proceso de preparación. A continuación, encontrará ejemplos de preguntas y respuestas de la vida real. Revisarlos debería ayudarlo a evaluar las áreas en las que confía y en las que sus PREGUNTAS DE LA ENTREVISTA CON CIENTÍFICOS DE DATOS deben invertir esfuerzos adicionales para mejorar.

1. Háblame de ti.

Esta será probablemente la primera pregunta de la entrevista. Una pregunta muy genérica, que es más difícil de lo que parece. Debe evitar contar la historia de su vida, pero tampoco debe hacer una pausa después de tres oraciones. Dado que es la pregunta inicial de la entrevista, su respuesta se vuelve aún más importante, ya que marca el tono para el resto de la conversación. El gerente de contratación está interesado en ver si estructurará fuertemente la respuesta a una pregunta muy amplia. El secreto para responder bien a esta pregunta es escribir un guión y practicar antes de cada entrevista. ¿Qué debe incluir en su respuesta? • Dígale al entrevistador solo los hechos que desea que sepa • Da una pista sobre tu vida personal con una o dos frases («Nací y crecí en el Reino Unido», «Me mudé a Nueva York porque es una ciudad vibrante y me gusta el entorno dinámico»). • Demuestre que encaja perfectamente con el trabajo que se está considerando, que tiene la educación adecuada y que sus experiencias laborales anteriores serán un activo valioso para la empresa; • Concluya explicando por qué está entusiasmado con esta posibilidad y cómo sus fortalezas coinciden con el perfil que la empresa está buscando. Prepare un guión que aborde cada uno de los puntos anteriores y practique respondiendo la pregunta «Hábleme de usted», ya que sabe que se le presentará una vez que comience la entrevista.

2. ¿Qué experiencia laboral relevante tiene?

Una pregunta sencilla, que deja poco espacio para maniobrar. Asegúrese de estar bien preparado antes de la entrevista. Estudie cuidadosamente la descripción del trabajo e identifique cómo su experiencia laboral será útil para manejar las responsabilidades en este nuevo puesto. Trate de ser específico y señale cuáles son las actividades que aprendió a hacer en sus trabajos anteriores y cómo le permitirían desempeñarse bien en este nuevo puesto.

3. ¿Dónde te ves dentro de 5 años?

empresa, o tal vez crea que uno o dos años en este trabajo le permitirían buscar oportunidades mucho más interesantes con otras empresas. Es por eso que debe estar preparado y tener una buena respuesta en mente. En lugar de responder dónde estará en 5 años, lo cual es un poco peligroso por las razones mencionadas anteriormente, puede hablar exactamente sobre lo que le gustaría aprender en los próximos cinco años. Puede decir que quiere llegar a ser muy bueno en lo que hace, adquirir experiencia práctica en la gestión de personas y que siempre quiso convertirse en un experto técnico en el campo para el que está entrevistando. Como declaración final, puede agregar que está entusiasmado con esta oportunidad porque cree que es un paso en la dirección correcta y que le permitirá alcanzar sus metas. Al girar la pregunta en esta dirección, puede lograr tres cosas. Primero, se protege de responder una pregunta potencialmente peligrosa. En segundo lugar, podrá enfatizar que el principal motor de su carrera es el crecimiento profesional y la superación personal. Y tercero, puede afirmar que está entusiasmado con la oportunidad de trabajo. Suena bien, ¿verdad? Versiones similares de esta pregunta son «¿Qué quieres lograr en tu carrera?», «Describe tu trabajo ideal», «¿Cuáles son tus objetivos profesionales a largo plazo?» La misma lógica se aplica también a todas estas preguntas.

4. ¿Cómo utilizan las estadísticas los científicos de datos?

Según Iliya, cofundador de 365 Data Science, «Una respuesta como» Los científicos de datos usan estadísticas en casi todo lo que hacen «sería lo suficientemente buena para mí si lo estuviera entrevistando. Sin embargo, tenga en cuenta que esta es una pregunta muy complicada. No porque sea difícil de responder, al contrario. Pero a veces la pregunta no se hace por la respuesta en sí, sino por la forma en que estructura su proceso de pensamiento y expresa una idea. Por lo tanto, suponiendo que te hayan hecho esta pregunta, deberías mantener la compostura y estructurar una respuesta que suene agradable. Una de las mejores formas de lograrlo es enmarcar la pregunta dentro de un marco. Aquí hay una posible respuesta. Ciertamente, puede trabajar en la creación de una versión más pequeña, ya que tampoco quiere aburrir a su entrevistador. ‘Si pensamos en la ciencia de datos como un campo, podemos identificar varios pilares sobre los que se basa: matemáticas, probabilidad, estadística, economía, programación, visualización de datos, aprendizaje automático y modelado en general, etc. Ahora, podríamos simplificar este marco ignorando las Matemáticas como un pilar, ya que es la base de toda ciencia. Entonces podríamos asumir que la probabilidad es una parte integral de la estadística y continuar simplificando aún más hasta llegar a tres campos bastante independientes: Estadística, Economía y Programación. La programación es solo una herramienta para materializar ideas en soluciones. La economía, por otro lado, tiene más que ver con el «pensamiento empresarial» sobre un problema. Por lo tanto, todo el trabajo de un científico de datos se reduce a estadísticas. Se podría argumentar que el aprendizaje automático es un campo separado, pero en realidad es una aplicación de estadísticas iterativa y programáticamente eficiente. Los modelos como la regresión lineal, la regresión logística, los árboles de decisión, etc., son desarrollados por estadísticos. Sus predicciones no son más que inferencias estadísticas basadas en las distribuciones originales de los datos y haciendo suposiciones sobre la distribución de los valores futuros. ¿Aprendizaje profundo? Bueno, uno de los métodos más comunes de retropropagación se llama: «Descenso de gradiente estocástico» y la palabra «estocástico» es un término probabilístico, por lo tanto, cae dentro del campo de la estadística. Las visualizaciones de datos también podrían caer bajo el paraguas de la estadística descriptiva. Después de todo, una visualización generalmente tiene como objetivo describir la distribución de una variable o la interconexión de varias variables diferentes. Una excepción notable es el preprocesamiento de datos. Se trata de una actividad que se relaciona principalmente con la programación y, a menudo, no requiere conocimientos estadísticos. Por eso existen ingenieros y arquitectos de datos. No es necesario que dominen las estadísticas; ese es el trabajo del científico de datos. Por último, existe una excepción a la excepción: el preprocesamiento de datos estadísticos. Aquí tenemos la creación de variables ficticias, escalado de funciones, regularización, etc. Al preprocesar las tareas en su ejecución, requieren un conocimiento estadístico sólido «.

5. ¿Cuál es la diferencia entre la programación SAS, R y Python?

SAS es una de las herramientas de análisis más populares que utilizan algunas de las empresas más grandes del mundo. Tiene excelentes funciones estadísticas e interfaz gráfica de usuario. Sin embargo, es demasiado caro para ser adoptado con entusiasmo por empresas o individuos más pequeños. R, por otro lado, es una herramienta robusta para el cálculo estadístico, la representación gráfica y la generación de informes. La mejor parte de R es que es una herramienta de código abierto. Como tal, tanto la academia como la comunidad de investigación lo usan generosamente y lo actualizan con las últimas funciones para que todos las usen. En comparación, Python es un poderoso lenguaje de programación de código abierto. Es intuitivo de aprender y funciona bien con la mayoría de las otras herramientas y tecnologías. Python tiene una gran cantidad de bibliotecas y módulos creados por la comunidad. Sus funciones incluyen operación estadística, construcción de modelos y muchas más. La mejor característica de Python es que es un lenguaje de programación de propósito general, por lo que no está limitado de ninguna manera.

6. ¿Cuál es la diferencia entre la cláusula WHERE y HAVING en SQL?

Agregar una cláusula WHERE a una consulta le permite establecer una condición que puede usar para especificar qué parte de los datos desea recuperar de la base de datos. HAVING es una cláusula que se implementa con frecuencia con GROUP BY porque refina la salida de los registros que no cumplen una determinada condición. HAVING debe insertarse entre las cláusulas GROUP BY y ORDER BY. En cierto modo, HAVING es como WHERE pero aplicado al bloque GROUP BY. En algunas ocasiones, se podría obtener un resultado idéntico implementando la misma condición, ya sea con la cláusula WHERE o HAVING. La principal distinción entre las dos cláusulas es que HAVING puede aplicarse a subconjuntos de grupos agregados, mientras que en el bloque WHERE está prohibido. En otras palabras, después de TENER, puede tener una condición con una función agregada, mientras que DONDE no puede usar funciones agregadas dentro de sus condiciones.

7. ¿Qué es una distribución normal?

Una distribución es una función que muestra los posibles valores de una variable y la frecuencia con la que ocurren. Para responder a esta pregunta, es probable que primero deba definir qué es una distribución. Entonces, en estadística, cuando usamos el término distribución, usualmente nos referimos a una distribución de probabilidad. Aquí hay una definición del término: Una distribución normal, también conocida como distribución gaussiana, o la curva de campana, es probablemente la distribución más común. Hay varias razones importantes: • Se aproxima a una amplia variedad de variables aleatorias. • Las distribuciones de medias muestrales con tamaños de muestra suficientemente grandes podrían aproximarse a Normal, siguiendo el Teorema del límite central Todas las estadísticas computables son elegantes (¡realmente lo son!) • Las decisiones basadas en conocimientos de distribución normal tienen un buen historial. Lo que es muy importante es que la distribución Normal es simétrica alrededor de su media, con una concentración de observaciones alrededor de la media. Además, su media, mediana y moda son las mismas. Finalmente, debería obtener un punto extra si menciona que el 95% de los puntos de datos de una distribución Normal se encuentran dentro de 2 desviaciones estándar de la media, y el 99,7% de los puntos de datos se encuentran dentro de 3 desviaciones estándar de la media. Ahora, también se puede esperar que dé un ejemplo. Dado que muchos fenómenos biológicos se distribuyen normalmente, será más fácil recurrir a un ejemplo biológico. Intente mostrar todos los hechos que acaba de mencionar sobre una distribución normal. Centrémonos en la altura de las personas. Conoces a algunas personas que son muy bajas y a algunas personas que son muy altas. También conoces un poco más de personas que son bajas pero no demasiado bajas, y aproximadamente una cantidad igual de altas, pero no demasiado altas. La mayoría de sus conocidos, aunque tienen una altura muy similar, se centran alrededor de la altura media de todas las personas en su área o país. Hay algunas diferencias que son principalmente geográficas, pero el patrón general es tal.

8. ¿Cómo están los valores perdidos y valores imposibles representados en R?

Uno de los principales problemas al trabajar con datos reales es el manejo de los valores perdidos. Estos están representados por NA en R. Los valores imposibles (división por 0, por ejemplo) están representados por NAN (no un número).

9. ¿Cuál es un ejemplo de un conjunto de datos con un distribución no gaussiana?

Primero, puede tener sentido investigar qué es una distribución gaussiana. De hecho, también se conoce como «distribución normal» o «la curva de campana». Para obtener más información, consulte la pregunta «¿Qué es la distribución normal?» Una vez que esté seguro de saber qué es una distribución gaussiana, podemos pasar a la pregunta que nos ocupa. Establecimos que para que una distribución no sea gaussiana, no debe seguir la distribución normal. Una de las principales características de la distribución normal es que es simétrica alrededor de la media, la mediana y la moda, que caen todas en un punto. Por tanto, todo lo que tenemos que hacer es seleccionar una distribución, que no sea simétrica, y tendremos nuestro contraejemplo Uno de los casos populares no gaussianos es la distribución del ingreso familiar en los EE. UU. Puede ver dónde está la línea del 50 por ciento, pero no es allí donde está la media. Si bien el gráfico es de 2014, este patrón de desigualdad aún persiste e incluso se profundiza en Estados Unidos. Como tal, el ingreso familiar en los EE. UU. Es una de las distribuciones no gaussianas más comúnmente cotizadas en el mundo.

10. R tiene varios paquetes para resolver un problema en particular.

¿Cómo decide cuál es mejor utilizar?

R tiene una extensa documentación en línea. Por lo general, existe una guía completa para el uso de paquetes populares en R, que incluye el análisis de conjuntos de datos concretos. Estos pueden ser útiles para descubrir qué enfoque es el más adecuado para resolver el problema en cuestión. Al igual que con cualquier otro lenguaje de escritura, es responsabilidad del científico de datos elegir el mejor enfoque para resolver el problema en cuestión. La elección generalmente depende del problema en sí o de la naturaleza específica de los datos (es decir, el tamaño del conjunto de datos, el tipo de valores, etc.). Algo a considerar es la compensación entre la cantidad de trabajo que le ahorra el paquete y la cantidad de funcionalidad que está sacrificando. También vale la pena mencionar que debido a que los paquetes vienen con limitaciones, además de beneficios, si está trabajando en equipo y compartiendo su código, sería prudente asimilarse a una cultura de paquetes compartidos.

11. ¿Qué son la interpolación y la extrapolación?

A veces, se le puede hacer una pregunta que contenga términos matemáticos. Esto le muestra la importancia de conocer las matemáticas cuando se adentra en la ciencia de datos. Ahora bien, la interpolación y la extrapolación son dos conceptos muy similares. Ambos se refieren a predecir o determinar nuevos valores basados en información de muestra. Sin embargo, hay una diferencia sutil. Digamos que el rango de valores que tenemos está en el intervalo (a, b). Si los valores que estamos prediciendo están dentro del intervalo (a, b), estamos hablando de interpolación (inter = between). Si los valores que estamos prediciendo están fuera del intervalo (a, b), estamos hablando de extrapolación (extra = fuera). He aquí un ejemplo. Imagina que tienes la secuencia numérica: 2, 4, _, 8, 10, 12. ¿Cuál es el número en el espacio en blanco? Obviamente, es 6. Al resolver este problema, interpoló el valor. Ahora, con este conocimiento, sabrá que la secuencia es 2, 4, 6, 8, 10, 12. ¿Cuál es el siguiente valor en la línea? 14, ¿verdad? Bueno, extrapolamos el siguiente número de la secuencia. Finalmente, debemos conectar un poco más esta pregunta con la ciencia de datos. Si te hacen esta pregunta, probablemente te estén buscando para que desarrolles eso. Siempre que hagamos un modelo predictivo, intentará predecir valores, eso no es ninguna sorpresa. Los valores interpolados generalmente se consideran confiables, mientras que los extrapolados, menos confiables o, a veces, inválidos. Por ejemplo, en la secuencia anterior: 2, 4, 6, 8, 10, 12, es posible que desee extrapolar un número antes del 2. Normalmente, optaría por «0». Sin embargo, el dominio natural de su problema pueden ser números positivos. En ese caso, 0 sería una respuesta inadmisible. De hecho, a menudo nos enfrentamos a problemas en los que la extrapolación puede no estar permitida porque el patrón no se mantiene fuera del rango observado, o el dominio del evento es … el dominio observado. Es extremadamente raro encontrar casos en los que la interpolación sea problemática. ¡Tenga en cuenta lo último y no olvide mencionarlo en la entrevista!

12. ¿Cuál es la diferencia entre población y muestra en los datos?

Una población es la colección de todos los elementos de interés para nuestro estudio y generalmente se denota con una N mayúscula. Los números que obtuvimos al usar una población se denominan parámetros. Una muestra es un subconjunto de la población y se denota con una n minúscula, y los números que obtuvimos al trabajar con una muestra se denominan estadísticas. Eso es más o menos lo que se espera que diga. Además, puede dedicar un tiempo a explorar las peculiaridades de observar una población. Por el contrario, es probable que se le pida que profundice en por qué en las estadísticas trabajamos con muestras y qué tipos de muestras existen. En general, las muestras son mucho más eficientes y menos costosas de trabajar. Con las pruebas estadísticas adecuadas, 30 observaciones de muestra pueden ser suficientes para tomar una decisión basada en datos. Finalmente, las muestras tienen dos propiedades: aleatoriedad y representatividad. Una muestra puede ser uno de esos, ambos o ninguno. Para realizar pruebas estadísticas, cuyos resultados puede utilizar más adelante, su muestra debe ser aleatoria y representativa. Considere esta situación simplificada. Supongamos que trabaja en una empresa con 4 departamentos: TI, marketing, recursos humanos y ventas. Hay 1000 personas en cada departamento, es decir, un total de 4000 personas. Desea evaluar la actitud general hacia la decisión de mudarse a una nueva oficina, que es mucho mejor por dentro pero está ubicada al otro lado de la ciudad. Decide que realmente no quiere preguntarle a 4000 personas, pero 100 es una buena muestra. Ahora, sabemos que los 4 grupos son exactamente iguales. Entonces, esperamos que de esas 100 personas, tengamos 25 de cada departamento. 1) Elegimos 100 personas (de las 4000) al azar y nos damos cuenta de que tenemos 30 de TI, 30 de Marketing, 30 de RR.HH. y 10 de Ventas. Evidentemente, la opinión del departamento de Ventas está infrarrepresentada. Tenemos una muestra, que es aleatoria pero no representativa. 2) He estado trabajando en esta empresa durante bastante tiempo, así que tengo muchos amigos por todas partes. Decido pedir la opinión de mis amigos de cada departamento porque quiero que se sientan cómodos en el lugar de trabajo. Elijo a 25 personas de cada departamento. La muestra es representativa pero no aleatoria. En el primer caso, hemos subrepresentado a algún grupo de personas. En el segundo caso, tomamos una decisión basada en un círculo específico de personas y no en el «público» en general. Si quiero que sea aleatorio y representativo, elegiré 25 personas de TI al azar, luego 25 personas de Marketing al azar, lo mismo para RR.HH. y Ventas. De esta forma, todos los grupos estarán representados y la muestra será aleatoria. Puede decidir omitir esa explicación detallada, o mejor, preguntarles si quieren que profundice en el tema y luego impresionarlos con su comprensión detallada.

13. ¿Cuáles son los pasos para hacer un árbol de decisiones?

Primero, un árbol de decisiones es un diagrama de flujo. Es extremadamente fácil de leer, comprender y aplicar a muchos problemas diferentes. Hay 4 pasos que son importantes al crear un árbol de decisiones. 1) Inicie el árbol. En otras palabras, busque el estado inicial, tal vez una pregunta o idea, según su contexto. 2) Agregue ramas. Una vez que tenga una pregunta o una idea, se ramifica en 1, 2 o en muchas ramas diferentes. 3) Agrega las hojas. Cada rama termina con una hoja, la hoja es el estado al que llegarás una vez que hayas seguido una rama. 4) Repetir 2 y 3. A continuación, repetimos los pasos 2 y 3, donde los puntos de partida son las hojas, hasta rematar el árbol. En otras palabras, deben incluirse todas las preguntas y posibles resultados. Dependiendo del contexto, se puede esperar que agregue pasos adicionales como: completar el árbol, terminar una rama, verificar con su equipo, codificarlo, implementarlo, etc. Sin embargo, estos 4 pasos son los principales para crear un árbol de decisiones. La inclusión de estos pasos adicionales realmente depende del puesto al que se postule. Si está postulando para algún puesto de gestión de proyectos de ciencia de datos, se puede esperar que diga: «Valide con todas las partes interesadas para garantizar la calidad del árbol de decisiones». Si está solicitando un puesto de científico de datos, es posible que deba explicar un poco más sobre el lenguaje de programación y la biblioteca que pretende utilizar. Esto también incluye el motivo por el que elegiría esa biblioteca.

14. ¿Cómo se implementa el aprendizaje automático en el mundo real?

Esta pregunta es un poco complicada. La implementación del modelo es parte de un trabajo de ciencia de datos, pero de hecho, la implementación eficiente del modelo se relaciona más a menudo con la ingeniería, el desarrollo de software, la computación en la nube, etc. En otras palabras, para asegurarse de que todo esté bien, es mejor que recurra a su departamento de TI o contrate a un informático en su equipo. Ahora, hay 3 pasos importantes: 1) Una vez que entrena un modelo, debe guardarlo, o mejor, almacenarlo en un archivo. Hay diferentes formas de lograrlo. Las formas «Pythonic» generales son a través de pickle o joblib. Sin embargo, las bibliotecas como TensorFlow se ocupan de objetos de modelo mucho más complicados y, por lo tanto, ofrecen funciones ad-hoc para la implementación. A menudo se ven así: .save («nombre de archivo»). Esta parte del proceso siempre la realiza el científico de datos, el ingeniero de ML o quien esté a cargo del entrenamiento del modelo. 2) instancia informática. AWS y Microsoft Azure ofrecen instancias informáticas o entornos basados en la nube que pueden ejecutar el modelo que acaba de crear. Seguramente, puede compartir el archivo con sus colegas a través del correo electrónico o Messenger, pero más a menudo, habrá alguna nube que se encargue de la implementación. La instancia informática debe configurarse para comunicarse con todos los demás sistemas que alimentan las entradas y / o requieren las salidas del modelo. 3) Programador de trabajos. Teniendo un modelo y un lugar para ejecutarlo, puede especificar cuándo y cómo ejecutarlo. Eso podría ser una vez a la semana, una vez al día o cada vez que ocurra un evento (por ejemplo, una transacción, registro de un nuevo usuario, etc.). En el momento deseado, se tomarán, cargarán, limpiarán, preprocesarán, se enviarán al modelo, etc. nuevos datos hasta que se alcance el resultado deseado. Habiendo completado estos 3 pasos, prácticamente ha terminado. Tendrá un modelo que se ejecutará en alguna nube en horarios preprogramados. Una vez que tenga un resultado, puede devolverlo a un cuaderno de Python, o mejor conectarlo a otro sistema más (que podría considerarse parte de 2.). Dependiendo de sus necesidades, podría ser una aplicación web (por ejemplo, un sistema de recomendación brinda información sobre un cliente en particular y le muestra resultados relevantes), o algún tipo de software de visualización como Tableau o PowerBI que analizaría sus datos en tiempo real. No hace falta enfatizar, 2. y 3. rara vez serían el trabajo principal de un científico de datos. Aún así, en un equipo más pequeño, ¡eso también puede recaer sobre ellos!

15. ¿Qué es la agrupación de K-means? ¿Cómo puede seleccionar K para K-means?

El objetivo principal de la agrupación es agrupar las observaciones individuales para que las observaciones de un grupo sean muy similares entre sí. Además, nos gustaría que fueran muy diferentes de las observaciones de otros grupos. Hay dos tipos principales de agrupamiento: plano y jerárquico. El agrupamiento jerárquico es mucho más espectacular debido a los dendrogramas que podemos crear, pero las técnicas de agrupamiento plano son mucho más eficientes computacionalmente. Por eso, solemos optar por lo último. El agrupamiento de K-medias es el ejemplo más destacado de agrupamiento plano. Consiste en encontrar K conglomerados, dada su distancia media a los centros de los conglomerados. K representa el número de conglomerados que intentamos identificar. Este es un valor, seleccionado antes de la agrupación. Ahora bien, el número óptimo de clústeres es obviamente lo que nos interesa habitualmente. Hay varias formas de abordar eso, pero la más común se llama: «El método del codo». Allí, resolvemos el problema de la agrupación con 1, 2, 3, 4, 5, 6 y así sucesivamente. Luego los trazamos en un gráfico donde en el eje x tenemos el número de grupos, mientras que en el eje y, el WCSS (dentro de la suma de cuadrados del grupo). La imagen resultante se asemeja a un codo humano. El lugar donde está el problema significa la solución de agrupamiento óptima. ¡Y así es como eliges la «K» en K-medias!

16. ¿Cuáles son las desventajas de un modelo lineal?

Esta es una de las preguntas más extrañas que te pueden hacer. Es como si te preguntaran: «¿Cuáles son las desventajas de jugar al tenis descalzo?» No necesitas zapatos para jugar al tenis, pero es mucho mejor si lo haces. Ahora, los modelos lineales más comunes son el modelo de regresión lineal y el modelo de series de tiempo lineal. Por lo tanto, respondamos la pregunta en ese contexto. La mayor ventaja de un modelo lineal es que es simple. A partir de ahí, existen principalmente desventajas y limitaciones. Por lo tanto, centrémonos en las 3 principales desventajas de utilizar un modelo lineal. 1) El modelo lineal implica relaciones lineales. Un modelo lineal asume que las variables independientes explican las dependientes de una manera lineal, p. Ej. a = bx + c. No se permiten potencias, exponentes, logaritmos, etc. Obviamente, esta es una gran simplificación: el mundo real no es lineal. El uso de un modelo lineal ignoraría algunos patrones o nos obligaría a ejecutar transformaciones complicadas para alcanzar una representación lineal. 2) Los datos deben ser independientes. En el caso general, eso no siempre es cierto, pero en más del 95% de los modelos lineales llevados a cabo en la práctica, lo es. La mayoría de los modelos lineales asumen que las variables del modelo no son colineales. Alternativamente, observamos la multicolinealidad o las matemáticas detrás de los «frenos» de estimación del modelo. Suponer que las variables son independientes es obviamente una afirmación muy valiente, especialmente porque estamos limitados a una relación lineal (si tuviéramos exponentes y logaritmos, la probabilidad de que sean colineales se reduciría drásticamente). 3) Los valores atípicos son un gran problema. Dado que los modelos lineales asumen linealidad, tener valores demasiado grandes o demasiado pequeños con respecto a cualquier característica puede ser devastador para el modelo. Se espera que todos los puntos estén cerca de alguna línea, lo que, como puede imaginar, es poco realista. Para lidiar con eso, a menudo complicamos el modelo lineal de maneras que prácticamente hacen que se comporte como uno no lineal.

17. Describe un momento en el que estuviste bajo presión.

¿Conoce el dicho «Cuando las cosas se ponen difíciles, los duros se ponen en marcha»? Cada gerente de contratación quiere asegurarse de que pueda manejar la presión del trabajo. ¿Es usted alguien que probablemente abandonará el barco cuando las cosas se pongan un poco difíciles? Toda empresa necesita personas confiables. Todos los trabajos implican un cierto elemento de presión; algunos más que otros, obviamente. Tu tarea aquí es dar un ejemplo de una situación estresante y mostrar cómo la enfrentaste. A continuación, se muestra un ejemplo de una situación de este tipo: Estaba bajo una presión significativa antes de tomar mi examen GMAT. Necesitaba una calificación realmente buena para poder ser admitido en la escuela de posgrado de la que ahora me estoy graduando. Unas semanas antes del examen, noté que me estaba poniendo nervioso. Dos cosas me ayudaron a manejar la presión mucho mejor; Empecé a dormir durante al menos 7 horas (irme a la cama más temprano en la noche) y dediqué al menos una hora al día a actividades deportivas. Esto tuvo un impacto enormemente positivo en mi concentración y nivel de estrés.

18. ¿Cómo agregaría valor a nuestra empresa?

¿Viste «El lobo de Wall Street»? ¿Recuerda la famosa cita de Jordan Belfort «véndeme este bolígrafo»? El mismo principio se aplica a esta pregunta también, aunque en lugar de vender un bolígrafo, debe vender la idea de conseguir el trabajo. Esto es lo que le pide el reclutador. Debe convencerlo de que agregará valor a la empresa. Pero, ¿cómo vas a saber cómo aportarías valor a la empresa antes de haber trabajado para la empresa? La mayoría de los candidatos comenzarán enumerando sus calificaciones, experiencia laboral, rasgos personales, logros y esperarán presionar el botón correcto en algún lugar del camino. De manera similar, cuando se enfrenta a la tarea de «venderme este bolígrafo», la mayoría de las personas comienzan a describir los atributos del bolígrafo; es un bolígrafo estupendo, escribe muy bien, es muy brillante y suave, etc. Es natural concentrarse en sus cualidades y calificaciones cuando se le pregunta cómo va a agregar valor a la empresa. Sin embargo, esta es una trampa. La mayoría de la gente haría

PREGUNTAS ENTREVISTA TÉCNICA – CIENTÍFICO DE DATOS

Estadísticas, programación, aprendizaje automático: todo eso seguramente surgirá en un cierto punto del proceso de entrevista al científico de datos. A continuación, se muestra una lista de preguntas técnicas que puede utilizar para practicar.

19. ¿Cómo se explica Random Forrest a un persona no técnica?

Random Forest es un algoritmo de clasificación. Su propósito principal es hacer coincidir una observación específica con su resultado observado. Una característica definitoria importante de un bosque aleatorio es que es simplemente una colección de árboles de decisión. Hay muchos términos involucrados, pero de hecho, el concepto es bastante simple y podría ilustrarse fácilmente con un ejemplo. Supongamos que desea crear una reunión. Un árbol de decisiones para esa reunión puede ser: lunes – No – Sí 13:00 a 14:00 – No – Sí Sala 160 – No – Sí 15:00 a 16:00 – No – Sí Sala 155 – No – Sí Y así.. Con base en este árbol, normalmente estimaríamos las probabilidades de tener la reunión en un lugar u otro. El problema principal es que este es un clasificador muy malo. Sin embargo, combinando muchos de estos árboles llegamos a un bosque aleatorio. La suposición subyacente es que muchos clasificadores malos equivalen a un buen clasificador. Cada árbol hace una predicción (qué observación poner en qué clase) y luego la clase con más «votos» en todos los árboles será nuestra predicción aleatoria del bosque.

20. ¿Qué hay de malo en entrenar y probar un modelo de aprendizaje automático con los mismos datos?

Ésta es una de las preguntas más comunes. Cuando entrenamos un modelo, lo exponemos a los «datos de entrenamiento». Esto significa que está aprendiendo los patrones de él. Al final del entrenamiento, se vuelve muy bueno para predecir este conjunto de datos en particular. Sin embargo, a veces podemos sobreajustarnos. Esta es una situación en la que seguimos mejorando la precisión, pero no porque el modelo sea bueno, sino simplemente porque ha aprendido cada pequeño detalle sobre los datos que se le dan. Si probamos esos datos, verificaremos la precisión del entrenamiento. Ésta no es una prueba en sí misma. Eso es simplemente una «verificación de precisión del tren». Nuestro modelo parecerá ser muy preciso y funcionar correctamente, pero eso se debe a que lo entrenamos con esos mismos datos. Básicamente, le estamos pidiendo al modelo que prediga lo que ya se predijo, lo cual no es una tarea difícil. Para probar realmente un modelo, debemos exponerlo a datos que nunca antes había visto. Esto revelará si aprendió los patrones de la población o simplemente el ruido en los datos de entrenamiento.

21. Cómo asegurarse de no sobreajustar mientras entrenando un modelo?

Primero, necesitamos aclarar qué es exactamente el sobreajuste. Por lo general, el sobreajuste ocurre cuando su modelo se ajusta tan bien a los datos de entrenamiento que pierde el sentido. En otras palabras, no busca los patrones generales, sino el ruido en los datos proporcionados. Si eso sucede, cuando se le proporcionan nuevos datos, el modelo se comporta desastrosamente en un entorno de la vida real. Regularización: en el contexto del aprendizaje automático, se refiere al proceso de modificación de un algoritmo de aprendizaje para simplificarlo a menudo para evitar el sobreajuste o para resolver un problema mal planteado. • Interrupción anticipada: la interrupción anticipada es el tipo más común de regularización. Está diseñado precisamente para evitar el sobreajuste. Consiste en técnicas que interrumpen el proceso de entrenamiento, una vez que el modelo comienza a sobreajustarse. * Aquí se puede esperar que diga «validación» o «validación cruzada». De hecho, los métodos de detención anticipada siempre utilizan los resultados de la validación para determinar si se debe detener el proceso de capacitación. • Selección de funciones: para algunos modelos, tener funciones de entrada inútiles conduce a un rendimiento mucho peor. Por lo tanto, debe asegurarse de elegir solo las características más relevantes para su problema, de lo contrario, esto puede afectar (entre otras cosas) al sobreajuste. • Ensamblaje. Los conjuntos son métodos para combinar varios modelos base con el fin de producir un modelo predictivo óptimo. Un buen ejemplo del método de conjunto es Random Forest (una colección de árboles de decisión). Es muy importante darse cuenta de que el sobreajuste es un tema extremadamente importante. Todos los modelos se ajustarán en exceso si no se han implementado técnicas preventivas. Por lo tanto, siempre debe apuntar a aplicar una o más de estas técnicas en sus esfuerzos de construcción de modelos.

22. ¿Qué es la validación cruzada? ¿Cómo hacerlo bien?

La validación cruzada se refiere a muchas técnicas de validación de modelos que utilizan el mismo conjunto de datos tanto para el entrenamiento como para la validación. Por lo general, es de forma rotativa para que las observaciones no estén sobreexpuestas al proceso de entrenamiento y, por lo tanto, puedan servir como una mejor validación. Se utiliza principalmente en entornos donde el objetivo es la predicción y se desea estimar la precisión con la que un modelo predictivo funcionará en la práctica. ¿Por qué necesitamos validar? Bueno, cuando usa datos de muestra (por lo tanto, la mayoría de las veces), debe asegurarse de que su modelo no se ajuste demasiado a los parámetros. Entonces, ¿cómo validamos? Sacamos como el 10% de los datos para su uso posterior y entrenamos con el 90% restante. Una vez que terminamos, validamos el 10% que reservamos al principio. Esta es una práctica bastante común, pero tiene un gran inconveniente: algunos de los datos (este 10% precisamente) no se utilizan realmente en el proceso de capacitación. Ahí es donde entra la validación cruzada. La validación cruzada hace lo mismo que la validación simple, pero primero divide el proceso de entrenamiento. Ahí es donde entra la validación cruzada. La validación cruzada hace lo mismo que la validación simple, pero primero divide el conjunto de datos en partes iguales (5, 10, 20 según el tamaño de los datos). Para la validación cruzada, aparta la primera parte y entrena las partes restantes. Luego aparta la 2ª parte y entrena las restantes (esta vez, incluida la primera parte). Continuamos de esa manera, utilizando un subconjunto diferente para cada validación. De esa manera, el modelo queda expuesto a todos los datos en contraste con la validación convencional.

23. ¿Cómo se crea una tabla en R sin utilizar externos? archivos?

Este es un conocimiento práctico que se puede probar con una tarea de codificación, pero es posible que se le haga esta pregunta de forma independiente. En ese caso, puede preguntar sobre el caso de uso de los números que está generando. Primero, si necesita una tabla de datos para tener datos para probar, puede usar uno de los conjuntos de datos precargados de R. Puede acceder a la lista llamando a data (). Si aún desea crear una tabla desde cero, puede usar cualquiera de las funciones del generador aleatorio en R para generar números aleatorios de acuerdo con una distribución y almacenarlos en una matriz o un marco de datos. Las funciones son: • runif () • rnorm () • rbinom () • rexp () También puede utilizar el muestreo con o sin reemplazo. para generar sus datos y completar una tabla. Si necesita completar una tabla vacía más tarde, puede iniciar vectores vacíos y crear su marco de datos. Por último, puede utilizar un método interactivo para una solución rápida a un problema a pequeña escala. Crear un marco de datos vacío y editarlo con edit (df) alternará una vista de hoja de cálculo interactiva que puede rellenar manualmente.

24. Explique el significado de Transpose en R.

Transponer es una de las formas más sencillas de cambiar la forma de una estructura de datos en R. Si transpone un marco de datos o una matriz, esencialmente rotará los datos, por lo que las filas se convertirán en columnas y viceversa. En términos de casos de uso, a veces se necesita la transposición para ordenar los datos para el análisis. Si el formato sin procesar tiene observaciones registradas como columnas, la transposición de la estructura de datos garantizaría que los datos se ajusten a la convención mediante la cual se organizan las observaciones. en filas y las variables están representadas por columnas. La transposición también es necesaria para la multiplicación de matrices que se usa ampliamente en el aprendizaje automático, el aprendizaje profundo, etc. La función t () es la forma predeterminada de transponer en R. Si esta función simple se ajusta a sus necesidades, no necesita nada más. Si los datos que intenta remodelar son más desordenados, {dplyr} y {tidyr} pueden proporcionar una buen conjunto de funciones para manejarlo: agrupación, mutación, pivotación …

25. ¿Por qué utilizaría un valor nulo como valor de datos?

Para responder a esta pregunta, es importante no confundir un valor NULO con el valor 0 o con una respuesta «NINGUNA». En su lugar, piense en un valor nulo como un valor perdido. 0 o «NONE» pueden ser valores asignados por el usuario, mientras que «NULL» es un valor asignado por la computadora si el usuario no ha proporcionado ningún valor para un registro dado. Considere la tabla de Clientes a continuación. Si sabe que John McKinley ha presentado 0 quejas, entonces en la columna «número de quejas» de la tabla «Clientes», puede insertar 0. Esto no significa que el valor sea nulo, ¡en absoluto! Tiene un valor de cero y la información de este campo para este primer registro no es nula. Significa que John no ha presentado quejas. Si no tenemos información sobre el número de quejas que ha presentado John, entonces el valor habría sido nulo. Siguiendo la misma lógica, imagina que hay una columna adicional, llamada «Comentarios», y que es opcional. Si los primeros tres clientes han proporcionado algún comentario, mientras que Catherine ha dicho que no quería dejar ninguno, ¿significa eso que este valor es nulo? No, porque Catherine no quiso proporcionar ningún comentario, por lo que podríamos marcar su respuesta como «NINGUNA». Si aún no ha respondido, solo entonces nuestro valor habría sido nulo.

26. ¿Qué es una clave primaria y una clave externa?

Una clave principal es una columna (o un conjunto de columnas) cuyo valor existe y es único para cada registro de una tabla. Es importante saber que cada tabla puede tener una y solo una clave principal. Por lo tanto, puede pensar en una clave principal como el campo (o grupo de campos) que identifica el contenido de una tabla de una manera única. Por esta razón, las claves primarias también se denominan identificadores únicos de una tabla. Otra característica crucial de las claves primarias es que no pueden contener valores nulos. Esto significa que, en un ejemplo con una clave primaria de una sola columna, siempre debe haber un valor insertado en las filas debajo de esta columna. No puede dejarlo en blanco. Un último comentario sobre las claves primarias: no todas las tablas con las que trabaja tendrán una clave principal, aunque casi todas las tablas de cualquier base de datos tendrán una clave principal de una sola columna o de varias columnas. Una clave externa, en cambio, es una columna (o un conjunto de columnas) que hace referencia a una columna (generalmente la clave principal) de otra tabla. Las claves externas también se pueden llamar identificadores, pero identifican las relaciones entre tablas, no las tablas en sí mismas. En la forma de representación de esquemas relacionales, las relaciones entre tablas se expresan de la siguiente manera: el nombre de la columna que designa la coincidencia lógica es una clave externa en una tabla y está conectada con una columna correspondiente de otra tabla. A menudo, la relación va de una clave externa a una clave principal, pero en circunstancias más avanzadas, este no será el caso. Para captar las relaciones sobre las que se construye una base de datos, siempre debemos buscar las claves externas, ya que nos muestran dónde están las relaciones.

27. Describe una relación padre-hijo en el contexto de una base de datos relacional.

¿Recuerda la función de una clave externa (ver arriba)? Apunta a una columna de otra tabla y, por lo tanto, vincula las dos tablas. Es un campo o colección de campos de una tabla, denominada tabla secundaria, y se refiere a una columna de otra tabla, denominada tabla principal. Por lo general, la columna o el conjunto de columnas de la tabla principal es la clave principal de esa tabla. (La tabla secundaria también se puede llamar tabla de referencia y la tabla principal se puede llamar tabla referenciada).

28. Dada una tabla con datos duplicados, ¿cómo extraerías solo filas específicas basadas en en los requisitos comerciales proporcionados?

En la mayoría de los casos, las herramientas del lenguaje de manipulación de datos (DML) le permitirán hacerlo. Por lo general, puede usar una instrucción SELECT DISTINCT para seleccionar solo filas distintas o aplicar una cláusula GROUP BY a una combinación para filtrar los datos de la manera deseada. Este tipo de preguntas se ha vuelto cada vez más importante en el proceso de contratación. La razón es que ayudan a los empleadores a evaluar si su personalidad y motivaciones lo hacen el candidato adecuado para el trabajo. La mayoría de ellos se centran en su comportamiento en situaciones laborales anteriores similares.

PREGUNTAS DE COMPORTAMIENTO

Este tipo de preguntas se ha vuelto cada vez más importante en el proceso de contratación. La razón es que ayudan a los empleadores a evaluar si su personalidad y motivaciones lo hacen el candidato adecuado para el trabajo. La mayoría de ellos se centran en su comportamiento en situaciones laborales anteriores similares.

29. ¿Qué te motiva de este puesto?

Al hacer esta pregunta, el reclutador quiere saber si está entusiasmado con la nueva oportunidad que tiene por delante. Su entusiasmo, por supuesto, está altamente correlacionado con la cantidad de esfuerzo que pondrá una vez que se le ofrezca el trabajo. Una persona motivada intentaría ser proactiva y crear un ambiente de trabajo positivo, que es precisamente lo que necesita toda empresa. La verdadera pregunta no es si debería decir que está motivado. Por supuesto que deberías. Debe pensar en una forma que demuestre mejor que está realmente interesado en el puesto que está considerando. Hay muchas cosas diferentes que pueden motivarte: • Las oportunidades de aprendizaje que tendrá en el trabajo. • Perspectivas de crecimiento futuro • Te gusta el equipo en el que te insertarán (si los has conocido) • Comparte los valores / misión de la empresa • La empresa opera en una industria dinámica y en constante cambio. • El prestigio de la empresa Por supuesto, la retribución es uno de los principales motivadores para casi todas las personas. Sin embargo, hablando de el dinero no es una buena idea en este punto del proceso de selección. En su lugar, concéntrese en algunos de los aspectos que enumeramos anteriormente y personalícelos para el puesto específico que está solicitando. Lo que diga al responder esta pregunta no es lo único importante. Su entrevistador estará ansioso por ver que todas las señales apuntan en la misma dirección. Trate de demostrar que está emocionado a través de su voz, postura y lenguaje corporal. Esta puede ser la diferencia crítica que determinará si será seleccionado o no.

30. Dame un ejemplo de un momento en el que tuviste que hacer un esfuerzo adicional.

«La única forma de hacer un gran trabajo es amar lo que haces» Steve Jobs Hacer un esfuerzo adicional rara vez es un acto de una sola vez. Más a menudo, es un hábito arraigado. Debe explicar adecuadamente a su reclutador que le encanta la idea de trabajar en ese trabajo. Además, explique cómo quiere ser excelente en eso. Su impulso interno hacia la excelencia es lo que lo motiva a hacer un esfuerzo adicional, a hacer las cosas que no se espera que haga: • Estudiar durante los fines de semana • Quédese hasta tarde en la oficina • Luchando por la excelencia constantemente Si el trabajo para el que está entrevistando es el que eligió para su vida, entonces quiere ser excelente en él. Es importante esforzarse por lograr un rendimiento excelente. Significa que desea poner calidad en su trabajo y crear valor para la empresa. La transmisión interna es probablemente la mejor razón para hacer un esfuerzo adicional; está dispuesto a hacer lo necesario para ser bueno en lo que hace. Un ejemplo de tal situación: Durante su experiencia de pasantía anterior, hizo un gran esfuerzo adicional para demostrar que su tutor que también lo reclutó no cometió un error. Te quedaste hasta tarde y estudiaste durante el fin de semana porque querías mejorar tus habilidades y hacerlo más rápido. La impresión positiva que dejaste con tu trabajo llevó a una excelente valoración y un feedback muy positivo sobre tu disposición a aprender.

31. ¿Puede decirme un momento en el que pudo generar motivación en tus compañeros de trabajo?

Esta pregunta tiene como objetivo evaluar si es un buen líder y una influencia positiva en su lugar de trabajo. Los gerentes de contratación buscan personas que estén motivadas y sean capaces de transmitir su impulso a sus compañeros de trabajo. Una fuerte motivación produce excelentes resultados. Para poder motivar a alguien, debe comprender completamente a la persona a la que se está acercando. ¿Qué es lo que necesitan actualmente para entusiasmarse con un proyecto? Quizás necesiten: • Coaching individual • Tareas interesantes • Tareas más complicadas • Responsabilidad • Autonomía • Reconocimiento • Una perspectiva positiva Un ejemplo de tal situación: Durante su pasantía anterior en el departamento de Finanzas Corporativas de una gran empresa, se le pidió que preparara un modelo de valoración. Hubo otro pasante que fue asignado para trabajar contigo. Dado que tenía menos experiencia con el modelado financiero, solo podía ayudarlo con la entrada de datos y las comprobaciones de coherencia menores. Notaste que esto no fue particularmente estimulante para ella, ya que esto es algo que ya sabía hacer y tenía muchas ganas de aprender a crear el modelo en sí. Se dio cuenta de que ella estaría más motivada para hacer su parte si también se le diera la oportunidad de aprender. Por eso le preguntaste si le gustaría sentarse a tu lado mientras trabajas en el modelo, para que los dos puedan comentar lo que están haciendo juntos. Esto la motivó mucho y le dio algunas sugerencias valiosas cuando tuvo que preparar una presentación que resuma el modelo que preparó.

32. ¿Cómo manejas un desafío?

En primer lugar, desea dar la impresión de que es alguien que acepta un desafío. Eres una persona que está dispuesta a dejar su zona de confort y aceptar situaciones desafiantes. Aprendes más cuando te encuentras en una situación difícil. Y esto es ciertamente algo que el Gerente de Contratación espera escuchar de usted. La segunda parte de la pregunta es cómo manejas realmente un desafío. ¿Tiene un enfoque estructurado? ¿Eres una persona que elabora un plan de acción y luego se apega a él? Sería mejor si pudiera dar un ejemplo de su experiencia pasada. Una historia que muestra que: • entendiste el problema • creaste un plan de acción • ejecutó el plan de acción con éxito Un ejemplo de tal situación: Supongamos que fue admitido en una Maestría en Economía. Surgió una situación realmente desafiante porque sabía que la mayoría de las personas de la clase ya habían estudiado Finanzas y Econometría, mientras que usted se concentraba en los cursos de Liderazgo. Había una brecha significativa entre sus habilidades y las de los demás. Te diste cuenta de eso. También se dio cuenta de que la única forma de abordar el problema era comenzar con lo básico y llenar la brecha de conocimiento paso a paso; un proceso muy largo que requirió un esfuerzo significativo de su parte. Una señal alentadora fue que los resultados al final del primer semestre mostraron que se redujo significativamente la brecha y se encaminó en la dirección correcta. Al final del segundo semestre, su GPA fue un poco más alto que el promedio de la clase.

33. ¿Cuál es tu mayor debilidad?

El problema con esta pregunta es que te preguntan sobre tus deficiencias, mientras haces una entrevista y quieres causar una buena impresión. Asegúrese de no elegir algo que pueda impedirle ser excelente en el trabajo para el que está entrevistando. Por ejemplo, si está entrevistando a un controlador o un analista financiero, está bien decir que no le gusta hablar en público. Sin embargo, si está solicitando un trabajo de consultoría o banco de inversión, no debe decir eso, porque hablar en público puede ser esencial para esas profesiones. Elija una debilidad que pueda convertir en positiva. “Normalmente no soy bueno en… pero estoy haciendo un esfuerzo para mejorar eso”. Evite respuestas cliché como “Trabajo demasiado” y “Soy perfeccionista”. Nadie es perfecto; es por eso que debe indicar una debilidad cuando se le pregunta sobre una. Esto demuestra que es consciente de sí mismo y ha escuchado los comentarios. Un ejemplo de tal situación: El tutor de mi pasantía anterior me dio algunos comentarios interesantes: «No intentes hacer demasiado». Lo recordé y tuve la oportunidad de reflexionar sobre ello, una vez finalizada la pasantía. Él estaba en lo correcto; Traté de hacer demasiado. Estaba ansioso por probarme a mí mismo e implementar todo lo que aprendí en la universidad para poder desempeñarme muy bien. Intentar implementar modelos complejos y «hacer demasiado» es algo que necesito controlar en el futuro. Esta experiencia me permitió entender que la grandeza son muchas pequeñas cosas bien hechas. Por lo tanto, decidí que la próxima vez que me enfrente a una situación similar, me concentraré en mis propios deberes y me aseguraré de hacer bien todo lo que se espera de mí, en lugar de intentar inventar la próxima fórmula de la relatividad.

34. ¿Cómo maneja trabajar con números / clientes múltiples tareas / estrés?

Cada uno de estos aspectos puede ser realmente importante para un puesto dado y el Gerente de Contratación querrá asegurarse de que usted sea la persona adecuada que está buscando. Trate de averiguar las características más importantes del trabajo que está solicitando. ¿Se espera que realice varias tareas al mismo tiempo? ¿Qué parte de sus responsabilidades generales estaría relacionada con las cifras financieras? ¿Vas a interactuar con mucha gente? Según sus hallazgos, sabrá qué esperar. Prepare buenos ejemplos de su pasado que puedan servir como prueba de sus declaraciones.

35. ¿Qué haría usted si las prioridades de un proyecto importante en el que estaba trabajando cambiaran repentinamente?

Es una pregunta muy amplia, ¿no? Intente responder haciendo algunas preguntas que pueden guiarlo hacia la respuesta correcta: • ¿Quién cambió las prioridades del proyecto? ¿Tu jefe? ¿Clientela? Proveedores ¿Factores externos? • ¿Por qué cambiaron las prioridades? Trate de comprender la razón detrás de la decisión y evalúe si es válida. ¿Hay algo que puedas hacer al respecto? Si cree que puede proponer una solución, no dude en ponerse en contacto con el gerente responsable y compartir su idea. Si cree que el motivo del cambio de prioridades no es válido, plantee sus inquietudes a la gerencia. Si no hay nada que hacer con la decisión (los factores externos que no se pueden cambiar son la razón o su Jefe dice que a pesar de sus preocupaciones, la decisión de cambiar las prioridades permanece), cree un curso de acción y asegúrese de que todos en su equipo está alineado con las nuevas prioridades. Programe un plazo razonable y piense en la mejor manera de lograr los nuevos objetivos.

36. ¿Qué harías si alguien en el trabajo se resistiera? ¿tus ideas?

Una vez más, la comunicación abierta es la mejor manera de abordar este problema. En primer lugar, debe asegurarse de que está explicando completamente sus ideas. ¿Quizás puedas probar un enfoque alternativo? Puede proporcionar ejemplos prácticos o hacer una lista de los pros y los contras de su sugerencia. Entonces debería intentar comprender el punto de vista de su colega. ¿Cuáles son las razones de su resistencia? Si su punto también es válido, piensen juntos en un enfoque alternativo con respecto al problema. Tal vez pueda crear una solución híbrida que incluya sus ideas y aborde sus inquietudes.

37. ¿Hay algo más que debamos saber sobre ti?

Si. La respuesta a esta pregunta es siempre «Sí». Hay muchas cosas que deben saber sobre ti. Esta pregunta suele aparecer al final de la entrevista y es una oportunidad para cerrar de manera contundente. No hay necesidad de dejar pasar esta oportunidad adicional que le brinda el entrevistador. Trate de abordar algunos de los siguientes puntos que no surgieron durante la entrevista: • Habilidades que son relevantes para el trabajo bajo consideración • Experiencia pasada que le ayudará a ser exitoso en este trabajo • Motivación para trabajar para la empresa en el papel particular para el que está entrevistando • ¿Cuál será su valor agregado a la equipo en el que se le colocará Una de las reglas básicas en las ventas es que debes convencer a tu cliente de que necesita tu producto. Esta es una situación similar. Haga una declaración final que convenza a su entrevistador de que usted es la persona adecuada que está buscando.

Acertijos

Los acertijos le dan al entrevistador una idea general de sus habilidades lógicas y matemáticas, pensamiento crítico y creatividad. Pero, sobre todo, tienen la intención de examinar cómo se aplican todos estos bajo presión. Entonces, aquí hay algunas preguntas y sus respuestas que lo ayudarán a perfeccionar sus habilidades para resolver problemas. O al menos le dará una comprensión del esquema en torno al cual debe organizarse su respuesta.

38. Imagínese la siguiente situación:

Estás en una habitación con 3 interruptores de luz. En la habitación contigua, hay 3 bombillas, cada una controlada por uno de los interruptores. Tienes que encontrar qué interruptor controla cada bombilla comprobando la habitación una sola vez. Tenga en cuenta que inicialmente todas las luces están apagadas y que no puede ver una habitación desde la otra. Entonces, ¿cómo puede averiguar qué interruptor está conectado a qué bombilla? Y esta es la respuesta: Supongamos que tenemos los interruptores 1, 2 y 3. Lo que puede hacer es dejar el interruptor 1 apagado, encender el interruptor 2 durante 5 minutos y luego apagarlo. Luego encienda el interruptor 3 y déjelo así. Entonces entras en la habitación. Obviamente, el interruptor 3 controla la bombilla que dejaste encendida. La bombilla que está apagada pero aún caliente se controla con el interruptor 2. Y el interruptor uno controla la bombilla que nunca encendiste.

39. Quieres comprar una obra de arte que cuesta $ 400 pero ahora se vende con un 25% de descuento.

¿A cuánto asciende el precio de promoción? Es hora de hacer un cálculo rápido: ¿Qué es el 75% de descuento de $ 400? La respuesta es $ 300. Por supuesto, si te gustan los números y te gustan los atajos, no dudes en pensar en voz alta.

Adivinar

Los casos estimados son una especie de preludio de un caso de situación empresarial en toda regla. Le muestran al entrevistador de ciencia de datos cómo aborda los problemas y prueba tanto su juicio como su pensamiento numérico. Aquí hay algunos para comenzar …

40. ¿Cuántos pies cuadrados de pizza se comen en los Estados Unidos cada mes?

Digamos que hay aproximadamente 300 millones de personas en Estados Unidos, de los cuales 200 millones comen pizza. Ahora, suponga que el consumidor de pizza promedio come pizza dos veces al mes y come dos porciones a la vez. Eso hace cuatro rebanadas por mes. Digamos que la rebanada de pizza habitual mide aproximadamente seis pulgadas en la base y 10 pulgadas de largo. Eso significa que la porción es de 30 pulgadas cuadradas de pizza. En consecuencia, cuatro rebanadas de pizza equivaldrían a 120 pulgadas cuadradas. Sabemos que un pie cuadrado es igual a 144 pulgadas cuadradas, podemos decir que cada pizzero consume un pie cuadrado por mes. Y, dado que hay 200 millones de consumidores de pizza en Estados Unidos, podemos concluir que en Estados Unidos se consumen 200 millones de pies cuadrados de pizza cada mes.

devnow

Autor desde: August 12, 2020

Deje su comentario

EN ES