¿Qué preguntas puedo esperar en una entrevista de Databricks?

Las entrevistas de Databricks comienzan con Delta Lake porque la plataforma se basa en él. Prepárate para explicar qué añade una tabla Delta frente a archivos Parquet simples: un registro de transacciones que guarda cada confirmación, lo que permite escrituras atómicas, lecturas coherentes y consultar una tabla tal como estaba en una versión anterior. La cadena de preguntas posteriores es predecible: cómo funciona el viaje en el tiempo (leer una instantánea anterior del registro), qué elimina VACUUM y por qué limita cuánto puedes retroceder, y cómo MERGE implementa inserciones o actualizaciones y patrones de captura de cambios de datos.

• Aplicación y evolución del esquema. Las escrituras que no coinciden con el esquema se rechazan salvo que la evolución esté habilitada; explica cuándo la permitirías.
• OPTIMIZE y disposición de archivos. Los archivos pequeños perjudican el rendimiento de lectura; la compactación los reescribe, y la agrupación o el ordenamiento Z colocan juntos los valores por los que filtran las consultas.
• Streaming y procesamiento por lotes en una tabla. La misma tabla Delta puede ser un destino de streaming y una fuente por lotes; explica qué significa exactamente una vez para un trabajo de Structured Streaming que escribe en Delta.
• Delta Live Tables y canalizaciones. Canalizaciones declarativas con expectativas de calidad de datos; prepárate para explicar qué hace una expectativa cuando una fila no la cumple.

Responde explicando el mecanismo. Decir que Delta es ACID es el eslogan; explicar que el registro de transacciones hace invisible para los lectores una escritura que falló parcialmente es la respuesta.

Has creado capas de bronce, plata y oro y sospechas que el entrevistador quiere algo más que sus nombres. Así es, por lo que esta sección presenta el razonamiento de diseño de cada capa y las preguntas que lo evalúan.

• Bronce. Ingesta sin procesar, solo anexado y con el esquema tal como llegó. Pregunta posterior: ¿por qué conservar los datos sin procesar si la capa de plata está más limpia? Para reprocesarlos y auditarlos.
• Plata. Registros depurados, deduplicados y normalizados. Pregunta posterior: ¿cómo deduplicas un flujo de eventos que pueden llegar tarde o dos veces, y qué papel desempeñan las marcas de agua?
• Oro. Agregados y tablas de negocio para analistas y paneles. Pregunta posterior: ¿quién es responsable de las definiciones y cómo evitas que dos tablas de oro discrepen sobre los ingresos?
• Orquestación. Trabajos, dependencias entre tareas, reintentos y alertas. Pregunta posterior: ¿cómo haces que un trabajo sea idempotente para que una nueva ejecución no duplique el recuento?
• Ingesta. Auto Loader para el descubrimiento incremental de archivos y por qué un listado ingenuo de directorios no escala.

Los entrevistadores también preguntan por los costes: por qué un clúster de uso general no es el lugar adecuado para un trabajo programado, cuándo conviene un clúster de trabajos o el cómputo sin servidor, y cómo el escalado automático y las instancias puntuales cambian la factura. Expón la restricción, elige el mecanismo y señala el coste.

En los procesos para puestos sénior te presentan un síntoma. Un caso representativo: a un ingeniero de datos que se entrevista para un puesto de plataforma en una empresa minorista le dicen que un trabajo nocturno que une pedidos con una dimensión de clientes ha pasado de tardar minutos a horas tras un aumento repentino de los datos. Una respuesta sólida empieza por el plan de consulta y la interfaz de Spark, no por un clúster mayor: comprueba si la unión pasó a ser una unión con reorganización en vez de una difusión, si algunas claves presentan sesgo, si el número de particiones de reorganización aún se ajusta a los datos y si las tablas de origen tienen problemas de archivos pequeños que OPTIMIZE resolvería. El entrevistador evalúa el orden de la investigación.

Otros casos recurrentes: un trabajo de streaming cuyo retraso sigue creciendo y cómo interactúan los intervalos de activación, el tamaño del estado y las marcas de agua; un cuaderno que funciona para un usuario y falla para otro, lo que suele ser un problema de permisos que lleva a Unity Catalog, los espacios de trabajo y las entidades de servicio; una tabla que los analistas consideran desactualizada, lo que plantea una cuestión de actualización y orquestación; y una solicitud para compartir datos de forma segura con otro equipo, donde entran Delta Sharing y las concesiones a nivel de catálogo.

Practica estos casos en voz alta con preguntas posteriores antes de la llamada real; el modo de entrevista simulada está diseñado para preguntas situacionales, y el conjunto más amplio de bancos sobre datos e ingeniería se encuentra en preguntas de entrevista por puesto y tema.

En las rondas conversacionales, sí, con límites claros. La aplicación de escritorio nativa de SubcueAI para macOS y Windows captura el audio del sistema y tu micrófono, y muestra sugerencias breves de respuesta en una superposición local; así, cuando el entrevistador pregunta qué hace una marca de agua en la deduplicación de streaming, tienes el mecanismo en pantalla mientras lo explicas con tus propias palabras. La extensión del navegador cubre las llamadas en pestañas de Chrome y Edge capturando únicamente el audio de la pestaña de la reunión. Ningún bot se une a la llamada ni se inyecta nada en la página de la reunión; la guía de configuración está en la página del tutorial.

Los límites: una evaluación supervisada, una pantalla grabada, un portátil administrado por la empresa o un ejercicio en vivo con un cuaderno donde escribes PySpark bajo observación quedan fuera del alcance, y ahí es donde las entrevistas de Databricks suelen situar su parte más difícil. El asistente resulta más útil para preguntas de arquitectura y disyuntivas. Carga primero tu currículum para que las sugerencias reflejen las canalizaciones que realmente has creado; el creador de currículums conserva ese perfil.