Preguntas de Entrevista Data Analyst Italia 2026: SQL Avanzado, Python y Casos de Estudio

Las entrevistas de Data Analyst en Italia siguen un formato estructurado que difiere de otros mercados europeos. Las empresas italianas, desde startups fintech de Milán hasta grandes empresas de Roma, enfatizan el dominio de SQL, la manipulación de datos con Python y el razonamiento sobre casos de negocio. Esta guía cubre las preguntas que los candidatos enfrentan en 2026.

Preguntas SQL que Hacen las Empresas Italianas en 2026

SQL sigue siendo la base de cada entrevista de Data Analyst en Italia. Empresas como Intesa Sanpaolo, Enel y UniCredit utilizan evaluaciones SQL estandarizadas antes de la primera llamada técnica. Las preguntas a continuación provienen de entrevistas reales realizadas en Milán, Roma y Turín.

Funciones de Ventana para Ranking y Totales Acumulados

Las funciones de ventana aparecen en el 80% de las entrevistas de Data Analyst en Italia. Esta pregunta evalúa el cálculo de ingresos acumulados:

-- Calcular el total acumulado de ingresos diarios por categoría de producto
SELECT 
    order_date,
    category,
    daily_revenue,
    SUM(daily_revenue) OVER (
        PARTITION BY category 
        ORDER BY order_date
        ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW
    ) AS cumulative_revenue
FROM (
    SELECT 
        DATE(order_timestamp) AS order_date,
        p.category,
        SUM(oi.quantity * oi.unit_price) AS daily_revenue
    FROM order_items oi
    JOIN products p ON oi.product_id = p.id
    GROUP BY DATE(order_timestamp), p.category
) daily_sales
ORDER BY category, order_date;

La cláusula ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW es explícita aquí. Aunque PostgreSQL y MySQL 8+ adoptan este comportamiento por defecto con ORDER BY, los entrevistadores esperan que los candidatos demuestren conocimiento de los límites del marco. Omitirla en BigQuery puede producir resultados diferentes con valores duplicados.

CTE para Análisis en Múltiples Pasos

Las expresiones de tabla comunes (CTE) evalúan la capacidad de un candidato para descomponer problemas complejos. Los entrevistadores italianos favorecen este patrón porque refleja cómo los analistas documentan su trabajo:

-- Encontrar clientes que aumentaron gastos en 20%+ trimestre a trimestre
WITH quarterly_spending AS (
    SELECT 
        customer_id,
        DATE_TRUNC('quarter', order_date) AS quarter,
        SUM(total_amount) AS quarter_total
    FROM orders
    WHERE order_date >= '2025-01-01'
    GROUP BY customer_id, DATE_TRUNC('quarter', order_date)
),
spending_growth AS (
    SELECT 
        customer_id,
        quarter,
        quarter_total,
        LAG(quarter_total) OVER (
            PARTITION BY customer_id ORDER BY quarter
        ) AS prev_quarter_total
    FROM quarterly_spending
)
SELECT 
    customer_id,
    quarter,
    quarter_total,
    prev_quarter_total,
    ROUND(
        (quarter_total - prev_quarter_total) / prev_quarter_total * 100, 
        2
    ) AS growth_pct
FROM spending_growth
WHERE prev_quarter_total IS NOT NULL
  AND (quarter_total - prev_quarter_total) / prev_quarter_total >= 0.20
ORDER BY growth_pct DESC;

El enfoque CTE separa el paso de agregación del paso de función de ventana. Esto evita confusión sobre cuándo evalúa LAG, una fuente común de errores cuando los analistas intentan combinar estas operaciones en una sola consulta.

Para más patrones SQL utilizados en entrevistas, consultar el módulo SQL Window Functions.

Preguntas de Python Pandas para Entrevistas Italianas

Python ha superado a Excel como la herramienta esperada para la manipulación de datos en roles de Data Analyst en Italia. Las empresas evalúan específicamente pandas porque revela cómo los candidatos manejan tareas reales de limpieza de datos.

Limpieza de Datos y Conversión de Tipos

Esta pregunta aparece en entrevistas de empresas de e-commerce italianas y evalúa la preparación práctica de datos:

# sales_data_cleaning.py
import pandas as pd
import numpy as np

def clean_sales_data(df: pd.DataFrame) -> pd.DataFrame:
    """Limpiar datos de ventas brutos de exportación ERP italiana."""
    # Crear copia para evitar modificar el original
    cleaned = df.copy()
    
    # Formato numérico italiano: 1.234,56 -> 1234.56
    if cleaned['revenue'].dtype == 'object':
        cleaned['revenue'] = (
            cleaned['revenue']
            .str.replace('.', '', regex=False)  # Eliminar separador de miles
            .str.replace(',', '.', regex=False)  # Coma decimal a punto
            .astype(float)
        )
    
    # Parsear formato de fecha italiano: 15/09/2026
    cleaned['order_date'] = pd.to_datetime(
        cleaned['order_date'], 
        format='%d/%m/%Y',
        errors='coerce'
    )
    
    # Manejar valores faltantes según tipo de columna
    cleaned['customer_segment'] = cleaned['customer_segment'].fillna('Unknown')
    cleaned['revenue'] = cleaned['revenue'].fillna(0)
    
    # Eliminar duplicados manteniendo primera ocurrencia
    cleaned = cleaned.drop_duplicates(
        subset=['order_id'], 
        keep='first'
    )
    
    return cleaned

El formato numérico italiano (punto como separador de miles, coma como decimal) atrapa a los candidatos que solo practicaron con datos en formato estadounidense. El parámetro errors='coerce' convierte fechas no parseables en NaT en lugar de lanzar una excepción, que es el comportamiento esperado en pipelines de producción.

GroupBy con Múltiples Agregaciones

Esta pregunta evalúa la comprensión de patrones de agregación en pandas:

# customer_metrics.py
import pandas as pd

def calculate_customer_metrics(orders_df: pd.DataFrame) -> pd.DataFrame:
    """Calcular métricas a nivel de cliente para análisis RFM."""
    reference_date = orders_df['order_date'].max()
    
    metrics = orders_df.groupby('customer_id').agg(
        recency=('order_date', lambda x: (reference_date - x.max()).days),
        frequency=('order_id', 'nunique'),
        monetary=('revenue', 'sum'),
        avg_order_value=('revenue', 'mean'),
        first_order=('order_date', 'min'),
        last_order=('order_date', 'max')
    ).reset_index()
    
    # Calcular tiempo de vida del cliente en días
    metrics['customer_lifetime'] = (
        metrics['last_order'] - metrics['first_order']
    ).dt.days
    
    return metrics

La sintaxis de agregación nombrada (recency=('order_date', lambda x: ...)) apareció en pandas 0.25 y sigue siendo el enfoque preferido en 2026. Los entrevistadores italianos verifican específicamente si los candidatos usan esta sintaxis en lugar de la sintaxis de diccionario obsoleta agg({'column': 'function'}).

El módulo Python Pandas Basics cubre patrones adicionales para la preparación de entrevistas.

Preguntas de Casos de Estudio de Empresas Italianas

Las entrevistas italianas incluyen una ronda de caso de estudio en el 70% de los puestos de Data Analyst. El candidato recibe un conjunto de datos (generalmente datos de empresa anonimizados) y debe presentar hallazgos en 24-48 horas.

Análisis de Conversión E-Commerce

Un caso de estudio típico de una empresa italiana de e-commerce de moda:

"Analizar el conjunto de datos adjunto de 50,000 sesiones de usuario. Identificar por qué la conversión móvil cayó 15% en agosto comparado con julio. Presentar tres recomendaciones accionables."

Entregables esperados:

1. Desglose del embudo por tipo de dispositivo: Comparar desktop vs móvil en cada etapa (landing, vista de producto, agregar al carrito, checkout, compra)
2. Análisis por segmento: Verificar si la caída afecta todas las fuentes de tráfico o canales específicos (el social pagado frecuentemente tiene bajo rendimiento en móvil)
3. Investigación técnica: Buscar aumentos en tiempo de carga, tasas de error o cambios de UI que coincidieron con la caída

# conversion_funnel.py
import pandas as pd

def analyze_funnel(sessions_df: pd.DataFrame) -> pd.DataFrame:
    """Calcular embudo de conversión por dispositivo y mes."""
    sessions_df['month'] = sessions_df['session_start'].dt.to_period('M')
    
    funnel = sessions_df.groupby(['month', 'device_type']).agg(
        sessions=('session_id', 'nunique'),
        product_views=('viewed_product', 'sum'),
        add_to_cart=('added_to_cart', 'sum'),
        checkouts=('started_checkout', 'sum'),
        purchases=('completed_purchase', 'sum')
    ).reset_index()
    
    # Calcular tasas de conversión
    funnel['view_rate'] = funnel['product_views'] / funnel['sessions']
    funnel['cart_rate'] = funnel['add_to_cart'] / funnel['product_views']
    funnel['checkout_rate'] = funnel['checkouts'] / funnel['add_to_cart']
    funnel['purchase_rate'] = funnel['purchases'] / funnel['checkouts']
    funnel['overall_conversion'] = funnel['purchases'] / funnel['sessions']
    
    return funnel

Los entrevistadores italianos evalúan la presentación tanto como el análisis. Estructurar los hallazgos como "problema, evidencia, recomendación" con números específicos supera a una narrativa exploratoria extensa.

Evaluación de Riesgos en Servicios Financieros

Bancos como Intesa Sanpaolo y UniCredit utilizan casos de estudio enfocados en métricas de riesgo:

"Usando el conjunto de datos de préstamos proporcionado, construir un modelo de scoring simple para predecir riesgo de incumplimiento. Explicar el razonamiento de selección de features."

Esto evalúa la comprensión de:

• Feature engineering: Ratio deuda/ingreso, agregación del historial de pagos, utilización de crédito
• Manejo de datos desbalanceados: Las tasas de incumplimiento son típicamente 2-5%, requiriendo muestreo estratificado o técnicas de sobremuestreo
• Consciencia regulatoria: Las regulaciones bancarias italianas (directrices de Banca d'Italia) requieren modelos explicables, por lo que los enfoques de caja negra obtienen puntuaciones más bajas

Qué Buscan los Entrevistadores Italianos Más Allá de las Habilidades Técnicas

Las habilidades técnicas llevan a los candidatos a la ronda final. El ajuste cultural determina la oferta. Las empresas italianas evalúan:

Estilo de comunicación: Los italianos valoran la construcción de relaciones. Apresurarse a través de las presentaciones para "ir al grano" se percibe como grosero. Es necesario tomarse el tiempo durante las presentaciones.

Señales de colaboración: Preguntas como "Cuéntame sobre una vez que estuviste en desacuerdo con un stakeholder" evalúan si los candidatos pueden navegar las jerarquías italianas, que tienden a ser más formales que las empresas nórdicas o estadounidenses.

Curiosidad por el dominio: Hacer preguntas informadas sobre la industria de la empresa demuestra preparación. Un analista entrevistándose en Luxottica debería entender la dinámica del mercado de lentes. En Ferrari, el conocimiento de métricas automotrices de lujo importa.

Expectativas Salariales y Contexto del Mercado 2026

Salarios de Data Analyst en Italia para 2026, basados en datos de Glassdoor y LinkedIn:

Milán paga 15-20% más que otras ciudades italianas debido a la concentración de servicios financieros y empresas tech. Los roles remote-first en empresas internacionales frecuentemente superan las tarifas locales porque compiten por talento paneuropeo.

El contratto a tempo indeterminato (contrato permanente) italiano sigue siendo el tipo de empleo preferido. Los contratos de duración determinada (tempo determinato) se convierten en permanentes después de 24 meses según la legislación laboral actual.

Preparación para Entrevistas de Data Analyst en Italia: Puntos Clave

• Las funciones de ventana SQL y CTEs aparecen en el 80% de las pruebas técnicas. Es necesario practicar los patrones específicos mostrados arriba, no tutoriales genéricos
• Las preguntas de Python pandas se enfocan en limpieza de datos con formatos italianos (decimales con coma, fechas europeas) y agregaciones groupby con sintaxis nombrada
• Los casos de estudio requieren presentaciones estructuradas con recomendaciones cuantificadas. "Aumentar conversión en X%" supera a "mejorar experiencia de usuario"
• La prueba técnica generalmente dura 60-90 minutos en Codility o HackerRank. Es necesario practicar código cronometrado para evitar quedarse sin tiempo
• El ajuste cultural importa más en entrevistas italianas que en procesos estadounidenses o británicos. Hay que prepararse para preguntas de construcción de relaciones
• Los salarios aumentaron 8-12% en 2026 debido a la escasez de talento. Los candidatos que dominan tanto SQL como Python obtienen ofertas premium

Para preparación adicional de entrevistas, la guía de Preguntas de Entrevista Data Analytics cubre temas más amplios, y el artículo SQL Window Functions proporciona práctica SQL más profunda.