Data Analyst Vorstellungsgespräch: Fragen & Antworten (mit Musterantworten)

Musterantwort

Zuerst kläre ich genau, welche Entscheidung mit der Analyse getroffen werden soll, denn das bestimmt alles Weitere. Dann prüfe ich, welche Daten verfügbar und verlässlich sind. Ich erstelle die Analyse, validiere die Zahlen und übersetze sie in eine klare Aussage mit Handlungsempfehlung. Am Ende präsentiere ich die Ergebnisse so, dass die Stakeholder sie wirklich nutzen können.

Musterantwort

Ich prüfe Zwischenergebnisse mit Stichproben und gleiche Summen mit bekannten Bezugsgrößen ab. Ungewöhnliche Werte hinterfrage ich, statt sie blind zu übernehmen. Wo möglich, lasse ich kritische Analysen von einer Kollegin gegenprüfen. Lieber investiere ich mehr Zeit in Validierung, als eine falsche Zahl in eine Entscheidung einfließen zu lassen.

Musterantwort

Für die Führungsebene konzentriere ich mich auf die zentrale Aussage und die nötige Entscheidung, ohne mich in Details zu verlieren. Für Fachkollegen kann ich tiefer auf Methodik und Datenquellen eingehen. Ich wähle Visualisierungen, die die Kernbotschaft sofort sichtbar machen. Mein Ziel ist immer, dass das Publikum versteht, was zu tun ist.

Musterantwort

Ich untersuche zuerst, warum sich die Quellen unterscheiden, etwa durch verschiedene Definitionen oder Zeiträume. Dann lege ich gemeinsam mit den Beteiligten fest, welche Quelle die maßgebliche ist. Diese Definition dokumentiere ich, damit künftig Klarheit herrscht. Transparenz über solche Unterschiede schafft Vertrauen in die Zahlen.

Musterantwort

Ich analysierte den Bestellprozess eines Onlineshops und fand einen Schritt, an dem viele Nutzer absprangen. Ich habe das Muster mit klaren Visualisierungen belegt und eine konkrete Vereinfachung vorgeschlagen. Nach der Umsetzung stieg die Abschlussrate spürbar. Diese Analyse zeigte mir, wie viel Wirkung gute Datenarbeit haben kann.

Ein robuster Weg ist, mit DISTINCT die eindeutigen Gehälter zu betrachten und über eine Unterabfrage das Maximum unterhalb des höchsten Werts zu wählen. Alternativ nutzt man Fensterfunktionen wie DENSE_RANK, um Ränge zu vergeben und den Rang 2 auszuwählen.

WHERE filtert einzelne Zeilen vor der Gruppierung, während HAVING auf das Ergebnis nach einer GROUP-BY-Aggregation angewendet wird. Bedingungen über Aggregatfunktionen wie SUM gehören daher in die HAVING-Klausel.

Für Entwicklungen über die Zeit nutze ich Liniendiagramme, für Vergleiche zwischen Kategorien Balkendiagramme und für Zusammenhänge zweier Größen Streudiagramme. Tortendiagramme setze ich nur sparsam ein, da sie Werte oft schlecht vergleichbar machen.

Ein KPI ist eine Kennzahl, die den Fortschritt zu einem Geschäftsziel misst. Ein guter KPI ist eindeutig definiert, beeinflussbar und direkt mit dem Ziel verknüpft, sodass er konkretes Handeln ermöglicht.

Ich erkenne Ausreißer über Visualisierungen wie Boxplots oder statistische Maße wie den Interquartilsabstand. Ob ich sie entferne, korrigiere oder behalte, hängt davon ab, ob es sich um Fehler oder echte, relevante Extremwerte handelt.

Ein Manager wollte eine tagesgenaue Prognose, für die schlicht keine verlässlichen Daten existierten. Ich habe transparent erklärt, was die Datenlage hergab und was nicht. Gemeinsam haben wir die Anfrage auf eine belastbare wöchentliche Aussage angepasst. Der Stakeholder war mit der ehrlichen, fundierten Lösung zufrieden.

Nach Abgabe eines Berichts fiel mir auf, dass ein Filter eine Region ausschloss. Ich habe den Fehler sofort gemeldet, statt ihn zu verschweigen, und die korrigierten Zahlen nachgereicht. Anschließend habe ich eine Checkliste erstellt, um diesen Fehler künftig zu vermeiden. Die Offenheit stärkte das Vertrauen in meine Arbeit.

Ein Datensatz war zu groß, um ihn in einem Tabellenprogramm zu verarbeiten. Ich habe die Auswertung in SQL direkt auf der Datenbank durchgeführt und nur die aggregierten Ergebnisse exportiert. Dadurch lief die Analyse schnell und blieb reproduzierbar. Die Ergebnisse standen pünktlich zur Verfügung.

Meine Analyse legte nahe, ein beliebtes, aber wenig genutztes Feature zu vereinfachen. Das Produktteam war zunächst skeptisch. Ich habe die Nutzungsdaten klar aufbereitet und ein kleines Experiment vorgeschlagen. Das Experiment bestätigte meine Empfehlung, und die Änderung wurde umgesetzt.