¿A qué perfiles evalúa bien un datathon y a cuáles no?
Un datathon de selección funciona con analistas de datos, ingenieros de datos, perfiles de inteligencia de negocio y científicos de datos junior. Todos ellos comparten una característica que hace útil el formato: su trabajo produce un artefacto revisable en horas, un cuaderno, una consulta, un cuadro de mando o un modelo, y ese artefacto se puede comparar entre candidatos.
Funciona peor con perfiles cuyo valor está en el largo plazo o en la relación: un responsable de gobierno del dato, un arquitecto que diseña plataformas a dos años o alguien cuyo trabajo consiste sobre todo en negociar con áreas de negocio. Comprimir eso en una jornada produce un espectáculo entretenido y una evaluación pobre.
La razón por la que el formato encaja tan bien con datos es que el sector arrastra un problema de verificación. Una parte grande de lo que se cuenta en una entrevista, herramientas, volúmenes, responsabilidad sobre un modelo, no se puede contrastar con nadie. Ver a alguien trabajar cuatro horas con un conjunto de datos resuelve esa duda mejor que cualquier pregunta.
¿Con qué datos se monta sin comprometer los de la empresa?
Nunca con la base de producción, ni con una copia. Un datathon reúne a decenas de personas ajenas y el material circula en sus portátiles. Hay cuatro alternativas y las cuatro producen retos válidos:
- Datos sintéticos generados a partir de la estructura real: mismas tablas, mismas relaciones, mismos tipos de suciedad, valores inventados. Es la opción más limpia y la que más trabajo previo exige.
- Muestra anonimizada e irreversible: sin identificadores directos y con las variables que permitirían reidentificar agregadas o eliminadas, revisada por quien lleva protección de datos en tu empresa.
- Datos abiertos públicos combinados con un problema de negocio tuyo: catálogos oficiales, datos municipales o series públicas. Cuesta poco y el reto sigue siendo auténtico si la pregunta es real.
- Conjunto histórico ya sin valor competitivo: información de hace varios ejercicios, sin datos personales, que ya no revela nada sobre la operación actual.
¿Qué se evalúa además de la métrica del modelo?
La métrica es el criterio más fácil de calcular y el que peor predice el desempeño. Estas cinco dimensiones distinguen mucho mejor entre candidatos y todas se pueden puntuar mirando la entrega:
- Exploración previa: si alguien miró la calidad del dato antes de modelar, y si documentó lo que encontró. Las trampas honestas del conjunto, duplicados sutiles, fechas incoherentes, unidades mezcladas, se detectan aquí o no se detectan.
- Decisiones documentadas: por qué se descartó una variable, por qué se eligió ese corte temporal, qué se dejó fuera y con qué motivo.
- Reproducibilidad: si otra persona puede ejecutar la entrega y obtener lo mismo. Un cuaderno que solo funciona en el portátil de su autor es un problema futuro.
- Traducción a negocio: si el resultado responde a la pregunta que se hizo y se explica sin jerga a quien tiene que decidir con él.
- Honestidad con los límites: si el candidato dice qué no se puede concluir con esos datos. Es la señal más valiosa y la que casi ningún proceso pregunta.
¿Leaderboard automático o jurado con rúbrica?
Las dos vías tienen sentido y la elección depende de qué se quiera medir. Lo que no funciona es la mezcla ambigua, donde nadie sabe si gana la métrica o la defensa.
| Aspecto | Clasificación automática | Jurado con rúbrica |
|---|---|---|
| Qué premia | Optimizar una métrica sobre un conjunto de prueba | Criterio, método y comunicación del resultado |
| Coste de montaje | Alto al principio, casi nulo después | Bajo al principio, exige tiempo del jurado |
| Riesgo principal | Sobreajuste al conjunto de prueba y trabajo a ciegas | Puntuar por impresión si la rúbrica es vaga |
| Perfil que destaca | Quien ha competido antes en este tipo de retos | Quien resuelve problemas de negocio con datos |
| Cuándo elegirlo | Como filtro previo o como una parte de la nota | Como criterio principal en un evento de selección |
¿Cómo se organiza la jornada?
Un datathon de selección de un día cabe en nueve horas con tres hitos. Apertura y entrega del conjunto de datos a primera hora, entrega de un plan escrito de media página a las dos horas, avance intermedio a media tarde y entrega final una hora antes del cierre. Los hitos intermedios son los que muestran la corrección de rumbo, que es la conducta que más distingue.
La formación de equipos merece una decisión consciente. En perfiles de datos, el trabajo individual da una señal más limpia sobre competencia técnica, y el trabajo en parejas da señal sobre colaboración. Una fórmula que funciona: reto individual por la mañana y una parte en parejas por la tarde, con la misma rúbrica.
La entrega se hace en un repositorio o carpeta con un identificador, no con el nombre del candidato. Así el jurado puede aplicar la evaluación a ciegas del trabajo entregado: puntúa lo que ve, sin saber quién lo firma, y solo se destapan los autores cuando las notas están cerradas. En un sector con mucho ruido de currículo, ese orden cambia resultados con frecuencia.
Cierra con defensas cortas: cinco minutos por candidato o pareja, dos de resumen y tres de preguntas técnicas de alguien del equipo receptor. La pregunta que más información da no es sobre el modelo, es esta: qué harías distinto si tuvieras una semana en lugar de un día.
¿Qué falla en los datathons de selección?
El conjunto de datos demasiado limpio. Si los datos vienen preparados, se elimina justo la parte del trabajo real que distingue a un profesional de alguien que solo sabe aplicar recetas. El dato sucio, con suciedad verosímil y documentada por la organización, es el instrumento de medida.
El reto sin pregunta de negocio. Un enunciado que dice «analiza estos datos» produce quince entregas incomparables. Un enunciado que dice qué decisión hay que tomar con el resultado, y para quién, produce entregas que se pueden poner una al lado de otra.
El jurado sin nadie del equipo de datos. Si puntúan personas que no van a revisar el código de quien entre, la evaluación se desplaza hacia la presentación y hacia los gráficos bonitos. En la sala tiene que estar quien va a hacer las revisiones de código a partir del mes siguiente.
Y el reto que en realidad es trabajo gratis. Si el entregable es un análisis que la empresa pensaba encargar, el evento tiene un problema ético y se comenta rápido en una comunidad profesional pequeña. Un datathon de selección se monta sobre un problema representativo, no sobre una tarea del plan de trabajo.
Qué preparar antes de convocar
Escribe la pregunta de negocio en una línea y enséñasela a alguien de fuera del equipo de datos. Si no entiende qué decisión se toma con la respuesta, el reto todavía no está listo, por muy interesante que sea el conjunto de datos.
Después prepara el conjunto: genera o anonimiza, introduce la suciedad que existe de verdad en tu operación y haz que alguien de tu equipo lo resuelva en un tercio del tiempo previsto. Ese ensayo detecta ambigüedades y suele obligar a recortar alcance.
Si quieres el formato montado, diseñamos el reto y la rúbrica con tu equipo de datos, aportamos jurado y captación sobre nuestra red de más de 12.000 profesionales y te entregamos la evaluación escrita de cada participante y el Top 3 por vacante. Cuéntanos qué perfil de datos te está costando cubrir.
De dónde salen los datos de ONKLUB
Las cifras de operativa que aparecen en este artículo salen de los registros propios de ONKLUB, no de estimaciones de mercado. El proceso de referencia va de 248 perfiles evaluados a 3 decisiones entregadas, pasando por 80 señales válidas, 25 entrevistas en profundidad y 9 finalistas con valoración escrita, en un ciclo de 20 días naturales. Las cifras acumuladas de la agencia cubren de 2022 a 2026.
Qué NO demuestran estos datos: son la operativa de una agencia sobre sí misma, no una muestra representativa del mercado laboral español, y el embudo corresponde a un proceso de dificultad alta, no a la media de todos. No están auditados por un tercero independiente.
Metodología completa, desglose por fases y limitaciones en el Informe ONKLUB de talento joven, publicado bajo licencia CC BY 4.0: se puede citar y reproducir citando la fuente.