Data‑Analyst interviewfragen und Beispielantworten

Bei Data‑Analyst‑Interviews erwarten dich Fragen zu Technik, Statistik und der Fähigkeit, Ergebnisse handlungsfähig zu erklären. Recruiter wollen sehen, dass du aus Zahlen Entscheidungen machst.

Im Folgenden findest du typische Fragekategorien — SQL, Datenqualität, Statistik, Business‑Interpretation und Stakeholder‑Kommunikation — plus konkrete Antwortbeispiele, die du an deine Erfahrungen anpassen kannst.

SQL: erkläre deine Vorgehensweise

SQL‑Aufgaben werden fast immer kommen. Es geht nicht nur um Syntax, sondern um Denkweise: wie du joinst, mit NULLs umgehst und Lesbarkeit sicherstellst. Erläutere die Annahmen, wenn du live codest.

Beispielfrage: „Schreibe eine Abfrage, die die drei umsatzstärksten Produkte im letzten Quartal findet.“

• Kernantwort (konzeptionell): "Orders des letzten Quartals filtern, mit Produkten joinen, Umsatz pro Zeile berechnen (quantity * unit_price), nach Produkt gruppieren, sumieren und absteigend sortieren mit LIMIT 3."
• Konkretes SQL‑Beispiel: SELECT p.product_id, p.name, SUM(ol.quantity * ol.unit_price) AS revenue FROM order_lines ol JOIN products p ON ol.product_id = p.product_id JOIN orders o ON ol.order_id = o.order_id WHERE o.order_date BETWEEN '2023-01-01' AND '2023-03-31' GROUP BY p.product_id, p.name ORDER BY revenue DESC LIMIT 3;
• Hinweis: nenne Annahmen (Zeitzone, inclusive/exclusive Dates) und sprich kurz Performance‑Aspekte an (Indexes, Partitioning), falls das Thema aufkommt.

Datenqualität: werde zum Daten‑Detektiv

Fragen zur Datenqualität prüfen, ob du Probleme findest und priorisierst. Recruiter wollen keine blinden Vertrauen in Datensätze sehen, sondern einen klaren Triage‑Plan.

Beispielfrage: „Wie würdest du einen plötzlichen Einbruch der täglichen aktiven Nutzer (DAU) untersuchen?“

• Erste Checks: Pipeline‑Logs (Jobfehler, Schemaänderungen), kürzliche Deploys, Rohdaten vs. aggregierte Metriken vergleichen.
• Schnelle Diagnosen: Rohzeilen sampeln (fehlende IDs, fehlerhafte Timestamps), Volumen nach Region/Device plotten, betroffene Cohorts identifizieren.
• Antwortbeispiel: „Ich würde Logs und Deploys prüfen, Rohdaten mit verarbeiteten Zahlen vergleichen und nach App‑Version oder Region isolieren. Falls die Ingestion normal ist, würde ich Events sampeln, um fehlende user_id oder Zeitstempel zu finden. Ergebnis dokumentieren, Impact schätzen (z. B. 30% weniger mobile Events) und kurzfristige Maßnahmen vorschlagen (Rollback, Patch, Backfill) plus Kommunikationsplan.“
• Tipp: quantifiziere den Impact und nenne sowohl kurzfristige Workarounds als auch langfristige Fixes (Schema‑Contracts, Validierungen, Alerts).

Statistik: praktisch und verständlich bleiben

Du musst nicht zur Statistik‑Vorlesung ausholen, aber zeigen, dass du die richtige Testwahl triffst und Ergebnisse geschäftsorientiert erklärst. A/B‑Tests sind ein häufiger Fall.

Beispielfrage: „Wir haben in einem A/B‑Test 2% Conversion‑Lift mit p=0.04 gesehen. Was sagst du dem Produktmanager?"

• Antwortbeispiel: „p=0.04 deutet auf Signifikanz auf 5%‑Level hin. Ich würde zusätzlich Konfidenzintervall, Absolute/Relative Lift, Basisrate und Stichprobengröße berichten. Bei 2% Lift auf 10% Basis ist das eine relative Steigerung von 20%—das klingt relevant. Gleichzeitig prüfe ich auf Peeking, multiple Tests und Metrikqualität, bevor ich zum Rollout rate.“
• Praxisregeln: immer Effektgröße und Unsicherheit berichten, die praktische Relevanz bewerten und auf Bias‑Quellen achten.

Business‑Interpretation: mache konkrete Empfehlungen

Gute Analysten liefern eine klare Schlussfolgerung, erklären Trade‑offs und schlagen nächste Schritte vor. Zahlen ohne Handlungsempfehlung helfen selten.

Beispielfrage: „Der Umsatz pro Nutzer sinkt, der durchschnittliche Bestellwert steigt. Wie erklärst du das?"

• Antwortbeispiel: „Wenn AOV steigt, aber Revenue per User fällt, kaufen insgesamt weniger Nutzer, während Käufer mehr ausgeben. Ich würde nach verlorenen Kohorten oder geänderten Akquisekanälen suchen. Empfohlenes Vorgehen: Cohort‑Analyse, Traffic‑Source‑Check und anschließender Test—z. B. Re‑engagement‑Kampagne für die verlorenen Kohorten.“
• Tipp: nenne eine klare Empfehlung und eine Metrik, mit der ihr die Wirksamkeit misst (z. B. Retention nach 30 Tagen).

Kommunikation mit Stakeholdern: kurz und handlungsorientiert

Du musst Ergebnisse je nach Publikum anpassen: mehr Details für Ingenieure, klare Implikationen für PMs und eine Entscheidungsempfehlung für Führungskräfte.

Beispielfrage: „Wie präsentierst du eine komplexe Analyse für nicht‑technische Stakeholder?"

• Aufbau: Headline (ein Satz), wichtigste Belege (1–2 Grafiken) und Empfehlung plus Risiken.
• Beispielscript: „Headline: Die Preisänderung hat die Trial‑zu‑Paid‑Conversion um 15% reduziert. Beleg: Konversion‑Kurven und Cohort‑Tabelle; Empfehlung: Pricing‑Test pausieren und Alternative testen; Risiko: kurzfristiger Umsatzrückgang, den wir mit Upsell‑Messaging abfedern können."
• Tipp: immer eine konkrete Entscheidung anfordern und die Metrik nennen, mit der der Erfolg gemessen wird.

Konkrete Antwortbeispiele zum Üben

Hier noch einige Boilerplate‑Antworten, die du mit eigenen Zahlen und Kontext füllen solltest. Übe eine kurze Version (30–60 Sekunden) und eine ausformulierte (etwa 1 Minute).

Personalisiere immer—Interviewende merken, wenn Beispiele zu generisch sind.

• Bug in Produktion: „Ich sah einen 40%igen Einbruch in der täglichen Umsatzmetrik, fand eine fehlerhafte JOIN‑Bedingung, setzte einen Hotfix, backfillte die Woche, und legte einen Unit‑Test sowie Alerting an. Ergebnis: Korrekte Reporting‑Basis und Vermeidung falscher Entscheidungen.“
• Analyse‑Walkthrough: „Ziel: Churn‑Treiber identifizieren. Definition: 30 Tage Inaktivität. Vorgehen: Cohort‑Tables, Cox‑Regression mit Nutzungsmetriken, Ergebnis: neue Onboarding‑Flow korreliert mit schnellerem Churn. Empfehlung: kontrollierter Rollback plus 45‑Tage‑Retention‑Tracking.“
• Wenn du etwas nicht weißt: „Die genaue Zahl habe ich nicht parat. So würde ich sie ermitteln: Query auf Events, Join zu Users, Segmentierung nach Cohorts. Wenn Sie mögen, kann ich das Query kurz skizzieren."

Trainiere diese Fragearten und fülle die Beispiele mit deinen konkreten Metriken und Ergebnissen. Wähle vor dem Interview zwei starke Beispiele (technisch und geschäftlich) und übe die Kurz‑ und Langfassungen.

Während des Gesprächs: nenne Annahmen offen, quantifiziere Unsicherheit und schließe mit einer klaren Empfehlung oder einem nächsten Schritt.