Interviewfragen für Data Analysts

Vorgehensweise — Filtern → verbinden → gruppieren → sortieren → begrenzen

Ich kläre zuerst, ob stornierte oder erstattete Bestellungen zählen; üblicherweise bleiben nur abgeschlossene Bestellungen. Die Abfrage filtert orders nach Datum und Status, gruppiert nach Kunde, summiert revenue, sortiert absteigend und begrenzt auf fünf. Wichtig sind die richtige Datumsspalte und die Granularität. Positionsdaten dürfen nur voraggregiert verbunden werden, damit Umsatz nicht vervielfacht wird. Sollen Gleichstände auf Platz fünf enthalten sein, verwende ich eine Ranking-Fensterfunktion statt LIMIT. Abschließend prüfe ich den berechtigten Gesamtumsatz, Zeilenzahlen und auffällige Duplikate.

Vorgehensweise — Kohorte definieren → Rückkehrereignis definieren → LEFT JOIN → aggregieren

Zuerst definiere ich Retention: Aktivität genau am siebten Tag oder innerhalb der ersten sieben Tage. Für Day-7-Retention enthält ein CTE alle Januar-Anmeldungen mit user_id und signup_date. Ein LEFT JOIN verbindet qualifizierende Ereignisse am siebten Tag. Der LEFT JOIN erhält auch Nutzer ohne Aktivität; ein INNER JOIN würde die Quote künstlich erhöhen. Nenner sind eindeutige Kohortennutzer, Zähler eindeutige Nutzer mit passendem Ereignis. Nutzer, die noch keine sieben Tage beobachtet werden konnten, dürfen nicht in den Nenner. Optional segmentiere ich nach Kanal, Plattform, Region oder Anmeldewoche.

Vorgehensweise — Käufe je Nutzer nummerieren

Ich filtere zuerst auf gültige abgeschlossene Käufe. Danach nummeriere ich sie mit row_number() over (partition by user_id order by purchase_at, order_id). Der zweite Kauf ist die Zeile mit Rang zwei. Der zusätzliche order_id-Tie-Breaker macht das Ergebnis bei gleichen Zeitstempeln deterministisch. Sollen alle Nutzer erscheinen, verbinde ich das Ergebnis per LEFT JOIN mit der Nutzertabelle; ohne zweiten Kauf bleibt das Datum null. Für große Tabellen helfen passende Indizes auf user_id und Kaufzeitpunkt.

Vorgehensweise — Eine Zeile je Nutzer mit Zeitstempel pro Schritt

Ich erzeuge durch bedingte Aggregation eine Zeile je Nutzer und nehme für jeden Schritt den frühesten Zeitstempel. Dadurch zählen wiederholte Ereignisse nicht mehrfach. Falls die Reihenfolge zwingend ist, muss Bestätigung nach Registrierung, Onboarding nach Bestätigung und Kauf nach Onboarding liegen. Ich berechne Conversion von Registrierung zu Bestätigung, Bestätigung zu Onboarding, Onboarding zu Kauf und insgesamt. Zähler sind eindeutige Nutzer im Folgeschritt, Nenner eindeutige Nutzer im vorherigen Schritt. Segmente wie Plattform, Kanal, Gerät, Region und Kohorte zeigen konzentrierte Abbrüche. Duplikate, übersprungene Schritte, Zeitzonen, Testkonten und verspätete Events müssen geprüft werden.

Vorgehensweise — Validieren → segmentieren → Funnel prüfen → externe Faktoren → empfehlen

Zuerst prüfe ich, ob der Rückgang real ist: Tracking-Änderungen, Pipeline-Verzögerung, Zeitzonen, Bot-Filter, Releases und Abgleich mit Rohdaten. Danach segmentiere ich nach Plattform, App-Version, Region, Kanal, Nutzeralter, Tarif, Gerät und Traffic-Quelle. Als Nächstes untersuche ich die Nutzerreise: Sind Starts, Logins, Seitenaufrufe oder Kernaktionen gefallen? Stabile Starts bei weniger Aktivität deuten auf ein Produktproblem; weniger Starts eher auf Benachrichtigungen, Akquise, Saisonalität, Ausfälle oder externe Ereignisse. Die Maßnahme folgt der Ursache, etwa Rollback bei einem Release mit höherer Crashrate. Solange Daten verspätet sind, kommuniziere ich die Einschränkung statt falscher Dringlichkeit.

Vorgehensweise — Ziel → Hauptkennzahl → Treiber → Schutzkennzahlen → Segmente

Zuerst kläre ich das Ziel: Entdeckung, Engagement, Conversion, Retention oder Warenkorbwert. Die Hauptkennzahl muss Nutzwert ausdrücken, nicht nur Klicks; im E-Commerce etwa Käufe aus Empfehlungen je aktivem Nutzer. Treiber können Impressionen, Klickrate, Warenkorbquote, Conversion, Umsatz je Sitzung, Abdeckung und Vielfalt sein. Schutzkennzahlen sind Retouren, Erstattungen, irrelevante Klicks, Latenz, Beschwerden und Kannibalisierung organischer Entdeckung. Ich segmentiere nach Neu- und Bestandsnutzern, Kategorie, Gerät und Oberfläche. Ein A/B-Test misst kurzfristige Wirkung; Retention und Wiederkäufe zeigen, ob der Wert anhält.

Vorgehensweise — Umsatz in Traffic, Conversion, Warenkorbwert, Mix, Preis und Retention zerlegen

Mehr Traffic kann die niedrigere Conversion überkompensieren. Auch ein höherer Warenkorbwert durch Preise, Bündel, Großkunden oder teureren Produktmix kann Umsatz erhöhen. Denkbar sind außerdem weniger, aber wertvollere Besucher oder geänderte Tracking-Definitionen. Ich segmentiere nach Kanal, Produkt, Region, Neu- und Bestandskunden, Kundengruppe und Gerät. Danach zerlege ich Umsatz in Sitzungen, Conversion, Warenkorbwert, Erstattungen und Wiederkäufe und prüfe, ob Conversion pro Sitzung, Nutzer oder Besucher berechnet wird. Die Bewertung hängt von Qualität und Nachhaltigkeit ab, nicht allein vom Umsatzplus.

Vorgehensweise — Zielgruppe → Entscheidungen → Kennzahlen → Segmente → Warnungen

Zuerst kläre ich Zielgruppe und Entscheidungen. Die Geschäftsführung braucht eine verdichtete Sicht auf Wachstum, Bindung, Monetarisierung und Risiko, nicht alle operativen Details. Oben stehen MRR, Net und Gross Revenue Retention, neues, expandiertes, reduziertes und verlorenes MRR, aktive Kunden, Trial-to-Paid-Conversion, ARPU, gegebenenfalls CAC-Payback sowie Ist gegen Ziel. Sinnvolle Segmente sind Kundengruppe, Kanal, Tarif, Region, Unternehmensgröße, Kohorte und Sales versus Self-Service. Trendlinien, Kohorten-Retention, eine MRR-Überleitung, Kündigungsgründe und Zielabweichung beantworten: Wachsen wir, warum, wo besteht Risiko und was sollte als Nächstes untersucht werden? Definitionen, Datenstand, Filter, Eigentümer und Warnschwellen sind sichtbar.

Vorgehensweise — Entscheidung klären → Risiko erklären → bessere Darstellung vorschlagen

Ich kläre zuerst, welche Entscheidung das Diagramm unterstützen soll. Danach erkläre ich das Risiko sachlich, etwa dass kumulierter Umsatz eine Verlangsamung verdeckt, zu viele Tortenstücke Unterschiede verschleiern oder fehlende Konfidenzintervalle Scheingenauigkeit erzeugen. Ich schlage eine passendere Darstellung derselben Frage vor: Zeitreihe, Kohortenansicht, Funnel, Verteilung, segmentierte Balken oder Kennzahlenzerlegung. Wird die ursprüngliche Ansicht weiterhin benötigt, kann sie mit klaren Einschränkungen ergänzt werden; als eigene Empfehlung präsentiere ich keine irreführende Analyse. Hilfsbereitschaft und analytische Integrität gehören zusammen.

Vorgehensweise — Profil erstellen → standardisieren → validieren → dokumentieren

Zuerst profiliere ich Zeilen, Spalten, fehlende Werte, Duplikate, Datentypen, unmögliche Werte, Datumsformate und Ausreißer und sichere die Rohfassung. Danach entferne ich überflüssige Leerzeichen, vereinheitliche Schreibweisen, parse Datumswerte, konvertiere Einheiten und ordne uneinheitliche Kategorien einer kontrollierten Liste zu. Vor dem Entfernen von Duplikaten definiere ich den fachlichen Schlüssel. Anschließend gleiche ich Summen und Anzahlen mit einer vertrauenswürdigen Quelle ab und prüfe Nullquoten, eindeutige Werte und Wertebereiche. Transformationen werden dokumentiert, Roh- und bereinigte Daten getrennt und versteckte manuelle Eingriffe vermieden.

Vorgehensweise — Exploration gegenüber kontrollierter Berechnung

Pivot-Tabellen eignen sich für schnelle Exploration, Gruppierung und Zusammenfassung nach Dimensionen, etwa Summen, Anzahlen, Mittelwerte und Trends. Formeln sind besser für individuelle, mehrstufige oder besonders prüfbare Logik wie Kohorten, Waterfalls, gewichtete Scores, Ausnahmehinweise oder Abstimmungen. In der Praxis nutze ich Pivot-Tabellen oft zur ersten Mustererkennung und erstelle danach ein kontrolliertes Modell. Wiederkehrendes Reporting gehört möglichst in eine reproduzierbare SQL- oder BI-Pipeline statt in eine fragile manuelle Tabelle.

Vorgehensweise — Hypothese → Randomisierung → Kennzahlen → Schutzkennzahlen → Entscheidung

Die Hypothese lautet, dass das neue Design Reibung reduziert und abgeschlossene Käufe erhöht, ohne Folgeschäden zu verursachen. Ich prüfe Randomisierungseinheit, Stichprobe, Dauer, Exposition, Teilnahmebedingungen und dauerhafte Variantenzuordnung. Eine Randomisierung je Sitzung kann bei wiederkehrenden Nutzern Varianten vermischen. Hauptkennzahl ist Checkout-Conversion vom Start bis zum Kauf. Sekundär prüfe ich Zahlungsfehler, Dauer, Warenkorbwert und Zusatzkäufe; Schutzkennzahlen sind Erstattungen, Chargebacks, Support, Latenz, Fehler und Beschwerden. Neben statistischer zählt praktische Signifikanz. Ich empfehle den Rollout nur bei bedeutsamer Verbesserung, gesunden Schutzkennzahlen, verlässlichem Tracking und stabilem Effekt über die Testdauer.

Vorgehensweise — Teststärke prüfen → Richtung bewerten → Kosten abwägen → entscheiden

Nicht signifikant bedeutet nicht automatisch wirkungslos. Zuerst prüfe ich, ob Stichprobe und Testdauer einen relevanten Effekt erkennen konnten. Danach betrachte ich Effektgröße und Konfidenzintervall: Ein breites Intervall mit relevantem Vor- und Nachteil ist unentschieden; ein enges Intervall um null spricht für geringe Wirkung. Dann berücksichtige ich Wartungskosten, Risiko und Strategie. Eine teure Funktion ohne messbaren Nutzen sollte nicht ausgerollt werden. Bei strategischem Wert oder niedrigen Kosten kann eine Iteration oder bessere Kennzahl sinnvoll sein. Die Zusammenfassung trennt Test, Beobachtung, Sicherheit, Grenzen und Empfehlung klar.

Vorgehensweise — Definitionen → Quellen → Filter → Granularität → Zeitpunkt → Abstimmung

Zuerst vergleiche ich Definitionen: Brutto oder netto nach Erstattungen, Rabatten, Steuern und Chargebacks sowie Bestell-, Zahlungs-, Versand- oder Rechnungsdatum. Danach prüfe ich Quellen, Filter und Granularität. Unterschiede können durch Testkonten, Stornos, interne Nutzer, Regionen, falsche Positions-Joins, Zeitzonen oder Aktualisierungsstände entstehen. Ausgehend von einer vertrauenswürdigen Quelle erstelle ich eine Überleitung: Ich addiere oder subtrahiere jede benannte Differenz, bis beide Zahlen übereinstimmen. Das Ergebnis ist nicht nur „Dashboard A ist falsch“, sondern eine korrigierte Definition, ein Eigentümer, eine verbindliche Quelle und eine Maßnahme gegen erneute Verwirrung.

Vorgehensweise — Fehlwerte messen → Ursache bestimmen → Behandlung wählen → offenlegen

Zuerst quantifiziere ich fehlende Werte nach Feld, Anteil, Segment, Zeit, Quelle und Plattform, denn sie sind selten zufällig verteilt. Danach kläre ich die Ursache: optionale Eingabe, Tracking-Fehler, verspätete Daten, Integration, Datenschutz oder fachlich nicht zutreffender Wert. Je nach Ursache schließe ich Zeilen aus, imputiere begründet, bilde eine Kategorie „unbekannt“, ergänze aus einer anderen Quelle oder begrenze die Analyse. Null und unbekannt dürfen nicht gleichgesetzt werden. Abschließend erkläre ich, wie die Fehlwerte Sicherheit und Empfehlung beeinflussen und ob die Schlussfolgerung unter plausiblen Annahmen stabil bleibt.

Vorgehensweise — Entscheidung → Analyse → Erkenntnis → Empfehlung → Wirkung

Ich wähle eine Geschichte, in der meine Analyse eine konkrete Entscheidung zu Einführung, Preis, Marketing, Produkt, Betrieb oder Priorisierung beeinflusst hat. Ich erkläre verständlich, welche Daten und Kennzahlen ich nutzte, welche Segmente wichtig waren und welche unerwartete Erkenntnis entstand, ohne mich in Werkzeugen zu verlieren. Danach nenne ich Empfehlung und Wirkung, etwa eine Budgetverschiebung nach Erkennung eines unprofitablen Kanals oder die Rücknahme einer Funktion, die Klicks steigerte, aber Retention senkte. Grenzen, Unsicherheit und die verständliche Abstimmung mit Stakeholdern gehören zur Antwort.

Vorgehensweise — Dringlichkeit klären → Richtung nennen → Grenzen erklären → Nacharbeit planen

Ich kläre zuerst Entscheidung, Frist und Risiko. Für eine reversible, risikoarme Entscheidung kann eine vorläufige Richtung genügen; bei Umsatz, Kunden, Compliance oder Strategie ist der Qualitätsmaßstab höher. Ich trenne klar, was heute beantwortbar ist und was nicht, und liefere höchstens eine gekennzeichnete vorläufige Einschätzung mit Vertrauensgrad. Gleichzeitig benenne ich Bereinigung, Validierung, Quellenabgleich und Zeitpunkt der belastbaren Antwort. So bleibt der Stakeholder handlungsfähig, ohne dass eine schnelle, aber falsche Zahl zur vermeintlichen Wahrheit wird.

Vorgehensweise — Wirkung → Dringlichkeit → Aufwand → Abhängigkeit → Abstimmung

Ich priorisiere nach Geschäftswirkung, Dringlichkeit, Aufwand, Abhängigkeiten und Reversibilität der unterstützten Entscheidung. Eine Analyse für eine morgige Einführung ist meist wichtiger als eine optionale Dashboard-Verbesserung. Für jede Anfrage kläre ich Entscheidung und Verantwortlichen. Wiederkehrende manuelle Berichte sind Kandidaten für Automatisierung. Bei Konflikten mache ich die Alternative transparent: Was kann wann geliefert werden, welche Entscheidung hängt daran und warum empfehle ich eine Reihenfolge? Analysts sollten nicht nur Tickets abarbeiten, sondern Analysezeit dort einsetzen, wo sie Entscheidungen verbessert.