Entrevista de data engineer en Netflix: proceso y preparación

Has recibido un mensaje de un reclutador de Netflix y quieres saber qué etapas vienen después. Esta sección separa lo que afirma la propia Netflix de lo que es práctica habitual en los puestos de ingeniería de datos. Primero van los hechos publicados y después las etapas para las que conviene prepararse.

Netflix publica notas sobre su proceso para la contratación de perfiles de inicio de carrera, no un desglose para cada puesto con experiencia. Para los candidatos recién graduados, indica que las entrevistas suelen empezar con una prueba para hacer en casa seguida de dos rondas de entrevistas, y que el avance depende de los comentarios de cada etapa. Los candidatos a prácticas suelen tener una prueba para hacer en casa seguida de entre dos y tres rondas aproximadamente. En todos los puestos, Netflix dice que los entrevistadores evalúan las habilidades técnicas cuando corresponden, las habilidades específicas del puesto y las habilidades de comportamiento, y que quieren conocer tu conjunto de habilidades y el tipo de trabajo que te entusiasma.

Netflix no publica un recorrido aparte para data engineers con experiencia: ni nombres de rondas, ni número de entrevistas, ni orden fijo. Tu reclutador es la única fuente fiable sobre tu propio calendario, así que pregúntale directamente qué áreas cubrirá cada conversación y si incluye una prueba para hacer en casa.

Para planificar, ayuda pensar en las etapas que suele contener un proceso de ingeniería de datos en las grandes empresas tecnológicas. Son categorías de preparación basadas en la práctica general del puesto, no los nombres de las rondas de Netflix:

• Conversación con el reclutador. Tu trayectoria, el equipo, la logística y lo que te atrae del trabajo.
• Filtro técnico. Normalmente SQL y algo de programación, a menudo con una conversación sobre un pipeline que hayas construido.
• Prueba para hacer en casa. Forma parte del proceso que Netflix describe para recién graduados y becarios; pregunta si se aplica a tu nivel.
• Entrevistas técnicas más profundas. Modelado de datos, diseño de pipelines y de sistemas, y SQL más difícil.
• Conversaciones de comportamiento y motivación. Cómo trabajas con otras personas y qué tipo de problemas quieres asumir.

Los hilos de la comunidad en Reddit y Blind describen procesos individuales con detalle. Trata cada uno como la experiencia de un solo candidato en un solo equipo, no como una descripción de cómo Netflix entrevista a todos los data engineers.

Netflix menciona tres cosas que evalúan sus entrevistadores: habilidades técnicas, habilidades específicas del puesto y habilidades de comportamiento. En un data engineer la línea entre lo técnico y lo específico del puesto es fina, así que resulta más útil asignarlas a las áreas siguientes. Las preguntas de ejemplo de esta página son ejercicios de práctica representativos, no preguntas que Netflix haya confirmado que hace.

• Soltura con SQL. Joins que no multipliquen filas, funciones de ventana para clasificaciones y totales acumulados, deduplicación, problemas de rangos continuos (gaps and islands) y sesionización de flujos de eventos. Normalmente a los entrevistadores les importa si puedes explicar por qué una consulta es correcta, no solo si produce un resultado.
• Programación para datos. Analizar, transformar y agregar registros en Python o en un lenguaje de la JVM, cuidando la memoria, los casos límite y la legibilidad del código. Son posibles preguntas de algoritmos tipo acertijo, así que conviene repasar las estructuras de datos básicas.
• Modelado de datos. Elegir la granularidad de una tabla de hechos, separar hechos de dimensiones, manejar atributos que cambian con el tiempo y diseñar tablas que los analistas puedan consultar sin caer en trampas.
• Diseño de pipelines y de sistemas. Batch frente a streaming, particionado, escrituras idempotentes, rellenados históricos (backfills), eventos que llegan tarde, cambios de esquema y controles de calidad de datos. Espera preguntas de seguimiento que cambian los requisitos a mitad de camino.
• Criterio de comportamiento. Responsabilidad ante los fallos, desacuerdos con las partes interesadas sobre la definición de métricas y compromisos entre velocidad y corrección.
• Motivación. Netflix dice que los entrevistadores quieren conocer el tipo de trabajo que te entusiasma. Una respuesta vaga aquí desperdicia una pregunta que la empresa te ha dicho que le importa.

El hilo común a todo esto es razonar en voz alta. Un candidato que escribe en silencio una consulta correcta y otro que explica la granularidad, las claves de unión y los casos límite antes de teclear suelen recibir comentarios distintos, incluso con código idéntico. Hay más ejercicios agrupados por habilidad en los bancos de preguntas.

En la mayoría de las grandes empresas tecnológicas, el proceso de data engineer se solapa con los dos puestos vecinos, pero da distinto peso a las habilidades. Netflix no publica diferencias puesto por puesto para perfiles con experiencia, así que la comparación siguiente describe la práctica general, no una afirmación sobre los demás procesos de Netflix.

• Frente a ingeniería de software. Menos énfasis en acertijos de algoritmos y más en SQL, modelado de datos y fiabilidad de los pipelines. Las preguntas de diseño de sistemas tienden a centrarse en cómo se mueven los datos, cómo aterrizan y cómo se corrigen, más que en servicios que atienden peticiones.
• Frente a ciencia de datos. Menos estadística, experimentación y modelado de resultados; más construcción y operación de las tablas de las que dependen analistas y científicos. Aun así, pueden preguntarte cómo se define una métrica, porque un data engineer suele ser responsable de la tabla que la sustenta.
• Frente a analytics engineering. La línea es difusa. Los puestos de analytics engineer suelen inclinarse más hacia el modelado y el SQL para informes, mientras que los de data engineer profundizan más en la ingesta, el procesamiento distribuido y la infraestructura.

Entre empresas, la mayor diferencia suele ser cuánto se apoya el proceso en trabajo para hacer en casa frente a resolver problemas en directo. El proceso que Netflix describe para recién graduados y becarios empieza con una prueba para hacer en casa, que premia un trabajo limpio y documentado por encima de la rapidez. Las guías sobre cómo estructuran sus procesos otras empresas están reunidas en entrevistas por empresa.

Netflix no publica un calendario para la contratación de data engineers. La planificación depende del equipo, de tu nivel y de la disponibilidad de los entrevistadores, así que, una vez en el proceso, la persona a quien preguntar es el reclutador.

La dificultad es más fácil de describir de forma cualitativa. Netflix dice que el avance se basa en los comentarios de cada etapa, lo que significa que cada etapa actúa como una puerta y no como una puntuación que se promedia al final. Una prueba para hacer en casa floja o un filtro de SQL dubitativo pueden poner fin al proceso antes de que empiecen las conversaciones de diseño, sin importar lo bien que lo habrías hecho después.

Para la mayoría de los candidatos, lo difícil no es una sintaxis oscura. Es la profundidad ante las preguntas de seguimiento: diseñas un pipeline, el entrevistador añade datos que llegan tarde, luego un cambio de esquema y después pregunta cómo sabrías que la salida es incorrecta. Quienes han operado pipelines en producción suelen manejar mejor esa deriva que quienes solo los han construido.

Los candidatos senior también deben esperar más peso en el criterio. Elegir qué no construir, explicar un compromiso a una parte interesada no técnica y asumir un error pasado cuentan como habilidad específica del puesto en ese nivel.

Organiza tu preparación en torno a las tres áreas que menciona Netflix y añade la prueba para hacer en casa si tu reclutador confirma que hay una.

• Técnica: primero SQL. Trabaja funciones de ventana, deduplicación y sesionización de eventos hasta poder escribirlas sin consultar nada. En cada consulta, di en voz alta la granularidad del resultado antes de ejecutarla.
• Técnica: código. Practica transformar registros anidados o desordenados en tu lenguaje principal y repasa las estructuras de datos básicas por si el filtro incluye un problema de algoritmos clásico.
• Específica del puesto: modelado y pipelines. Toma un dominio que conozcas, como suscripciones o registros de eventos, y esboza las tablas, la granularidad y el pipeline que las alimenta. Después somete el diseño a presión: una reejecución tras un fallo parcial, un backfill, un lote tardío, una columna renombrada.
• Comportamiento: historias con consecuencias. Prepara un fallo de pipeline del que fueras responsable, un desacuerdo sobre la definición de una métrica y un compromiso que tomarías de otro modo ahora. La estructura STAR ayuda si tiendes a divagar, pero mantén el resultado concreto.
• Motivación: el trabajo que te entusiasma. Netflix afirma que sus entrevistadores quieren saberlo. Nombra un tipo de problema de datos y señala un proyecto que lo demuestre, en lugar de elogiar a la empresa.
• Prueba para hacer en casa, si te la asignan. Trátala como trabajo de producción: pruebas, un README breve que explique tus supuestos y un manejo claro de las entradas incorrectas.

Imagina a un data engineer cuya experiencia es sobre todo ETL batch nocturno en una cadena minorista. Dedica sus primeras sesiones a SQL con funciones de ventana y luego ensaya cómo explicar que haría un backfill seguro de reejecutar, porque ahí están sus historias reales. Cuando llegan las preguntas de comportamiento, responde con un fallo de pipeline del que fue responsable en lugar de con un ejemplo genérico de trabajo en equipo.

El último paso es decir todo esto en voz alta, ya que cada etapa es una conversación. La página de entrevista simulada de SubcueAI te permite practicar preguntas de ingeniería de datos en voz alta antes del filtro real.