Interviewfragen für Data Analysts, mit ausgearbeiteten Antworten

So nutzt du diese Fragen

Lies die kurze Antwort und sag sie laut. Das sind deine ersten dreißig Sekunden. Lies dann die ausführliche Antwort und such dir zwei oder drei Punkte aus deiner eigenen Arbeit aus, die du ergänzt. Interviewer wollen hören, wie du denkst und wie du prüfst, nicht eine Liste von Werkzeugen.

Was mit je nach Anbieter oder je nach Version markiert ist, hängt von einem Anbieter oder einem Release ab. Prüf die aktuelle Dokumentation, bevor du ein Detail zitierst.

Was ein Data Analyst können muss

• SQLIn 57 % der Anzeigen für Data Analyst gefragt (Stand 05.11.2026).Das Kernwerkzeug: Joins, Gruppierungen, Fensterfunktionen und die eigenen Ergebnisse prüfen, auf echten Unternehmensdaten.: Joins, Gruppierungen, Window Functions und die Prüfung deiner eigenen Ergebnisse.
• ExcelIn 16 % der Anzeigen für Data Analyst gefragt (Stand 05.11.2026).Pivot-Tabellen, SVERWEIS und XVERWEIS, saubere Formeln und Diagramme; dort lesen und prüfen viele Fachabteilungen noch ihre Zahlen.: Pivot-Tabellen, SVERWEIS und klare Formeln, denen andere folgen können.
• Ein Dashboard-Werkzeug: Power BIIn 36 % der Anzeigen für Data Analyst gefragt (Stand 05.11.2026).Berichte und Dashboards bauen: Datenmodelle, Measures und Aktualisierungspläne; verbreitet, wo Firmen auf Microsoft setzen. je nach Anbieter oder TableauIn 11 % der Anzeigen für Data Analyst gefragt (Stand 05.11.2026).Interaktive Dashboards bauen, die andere selbst filtern können, aus einer sauberen Datenquelle. je nach Anbieter, von einem sauberen Datenmodell bis zu einer Seite, die Menschen jede Woche nutzen.
• PythonIn 40 % der Anzeigen für Data Analyst gefragt (Stand 05.11.2026).Python für Analysen: pandas für Tabellen, Diagramme und Skripte, die einen Monatsbericht automatisieren. oder RR für Statistik und Berichte; verbreitet in Forschung, Gesundheitswesen und öffentlichem Dienst.: für Bereinigung, Automatisierung und Analysen, die für eine Tabellenkalkulation zu groß oder zu repetitiv sind, oft mit pandasTabellen in Python laden, bereinigen, verknüpfen und umformen. (einer Bibliothek für Tabellen in Python).
• DatenanalyseIn 33 % der Anzeigen für Data Analyst gefragt (Stand 05.11.2026).Eine vage Frage zu einer klaren machen, sie mit Daten beantworten und sagen, was als Nächstes zu tun ist. und DatenvisualisierungIn 10 % der Anzeigen für Data Analyst gefragt (Stand 05.11.2026).Das Diagramm wählen, das die Frage beantwortet, und es so beschriften, dass niemand es falsch liest.: aus einer vagen Frage eine klare machen und ein Diagramm, das sie auf einen Blick beantwortet.
• StatistikIn 12 % der Anzeigen für Data Analyst gefragt (Stand 05.11.2026).Mittelwerte und Streuung, Stichproben, Signifikanz und Konfidenzintervalle; genug, um zu sagen, wie sicher ein Befund ist.: Mittelwerte und Streuung, Stichproben, Signifikanz und das Lesen eines A/B-Tests.
• Metriken: KPIs (Key Performance Indicators, die wenigen Zahlen, an denen ein Team gemessen wird), Funnels und Kohorten.
• Das moderne Data Warehouse: ein Cloud-Warehouse wie SnowflakeIn 13 % der Anzeigen für Data Analyst gefragt (Stand 05.11.2026).Ein Data Warehouse in der Cloud: große Tabellen, schnelles SQL und Kosten, die davon abhängen, wie du abfragst. je nach Anbieter oder BigQuery und dbtIn 9 % der Anzeigen für Data Analyst gefragt (Stand 05.11.2026).Getestete, dokumentierte Datenmodelle in SQL direkt im Data Warehouse bauen; verbreitet in modernen Datenteams. je nach Version für getestete, dokumentierte Datenmodelle in SQL.
• Kommunikation: aus einem Befund eine Empfehlung machen, die ein Stakeholder (die Person, die gefragt hat oder danach handelt) versteht.

SQL und Daten

Was ist der Unterschied zwischen einem Inner Join und einem Left Join, und wie kann ein Join schiefgehen?

Worauf sie achten: dass du Joins gut kennst und die klassischen Fehler prüfst.

Kurze Antwort: „Ein Inner Join behält nur Zeilen, die in beiden Tabellen passen; ein Left Join behält jede Zeile der ersten Tabelle und füllt leere Werte ein, wo es keinen Treffer gibt. Joins gehen schief, wenn der Schlüssel nicht eindeutig ist: Dann vervielfachen sich Zeilen, und Summen sind zu hoch. Deshalb vergleiche ich immer die Zeilenzahlen vorher und nachher.“

Die ausführliche Antwort: Angenommen, ich verbinde Kunden mit Bestellungen. Ein Inner Join lässt Kunden ohne Bestellung weg; ein Left Join behält sie, und das zählt, wenn ich Kunden zählen will, die nie gekauft haben. Der häufigste Fehler ist ein Join über einen Schlüssel, der auf beiden Seiten mehrfach vorkommt, zum Beispiel ein Kunde mit zwei Adressen: Jede Bestellung erscheint jetzt doppelt, und der Umsatz verdoppelt sich. Meine Prüfungen: die Zahl der Zeilen vorher und nachher, ob der Schlüssel wirklich eindeutig ist, und eine Summe, die ich mit einem vertrauenswürdigen Bericht vergleichen kann. Ein Filter auf die zweite Tabelle an der falschen Stelle eines Left Join macht ihn still zu einem Inner Join; auch das prüfe ich.

Schwache Antwort: „Ich nehme immer einen Inner Join.“ Das lässt still Zeilen fallen, die du vielleicht brauchst.

Nachfrage: „Dein Umsatz ist höher als die Zahl aus dem Controlling.“ Zuerst nach doppelten Zeilen aus einem Join suchen, dann nach Erstattungen, Währungen und Datumsangaben, die anders gezählt werden.

Wie würdest du den Umsatz jedes Monats neben einer laufenden Summe für das Jahr zeigen?

Worauf sie achten: dass du Window Functions kennst, die in fast jeder SQL-Runde vorkommen.

Kurze Antwort: „Ich würde zuerst den Umsatz pro Monat summieren und dann eine Window Function ergänzen, die die Monate vom Jahresanfang bis zum jeweiligen Monat aufsummiert. Eine Window Function rechnet über zusammengehörige Zeilen, ohne sie zusammenzufassen, also behält jeder Monat seine eigene Zeile.“

Die ausführliche Antwort: Das Gruppieren ergibt eine Zeile pro Monat. Eine Window Function schaut dann auf ein „Fenster“ von Zeilen um jede herum, hier alle früheren Monate im selben Jahr, nach Monat sortiert, und addiert sie. Dasselbe Werkzeug rankt Zeilen (die drei besten Produkte pro Region), vergleicht mit der vorigen Zeile (dieser Monat gegen den letzten) oder nummeriert Zeilen (der erste Kauf jedes Kunden). Ich würde die laufende Summe des letzten Monats mit der Jahressumme abgleichen. Monate ohne Umsatz brauchen auch eine Zeile, sonst überspringt das Diagramm sie.

Schwache Antwort: „Ich würde das jeden Monat von Hand in Excel machen.“

Nachfrage: „Zeig jetzt die Veränderung gegenüber demselben Monat im Vorjahr.“ Die Window Function nutzen, die eine frühere Zeile liest, zwölf Zeilen zurück, oder die Tabelle über den Monat mit sich selbst joinen.

Wie prüfst du die Datenqualität, bevor du einem Datensatz vertraust?

Worauf sie achten: dass du die Daten testest, bevor du sie analysierst.

Kurze Antwort: „Ich prüfe, ob sie vollständig, eindeutig, gültig und aktuell sind: die Zeilenzahlen, die ich erwarte, keine doppelten Schlüssel, sinnvolle Werte und Daten, und Daten bis gestern. Und ich vergleiche ein oder zwei Summen mit einer Quelle, der die Leute schon vertrauen.“

Die ausführliche Antwort: Datenqualität heißt, ob Daten für die Frage taugen. Mein erster Blick: wie viele Zeilen, über welche Zeiträume, wie viele leere Werte pro Spalte, wie viele verschiedene Schlüssel. Dann Plausibilitätsprüfungen: keine negativen Mengen, keine Bestellungen, bevor es den Kunden gab, Preise im erwarteten Bereich. Dann ein Abgleich: Passt der Gesamtumsatz eines Monats zum Bericht der Finanzabteilung? Wo dieselben Prüfungen jeden Tag nötig sind, automatisiere ich sie, zum Beispiel als Tests in dbtIn 9 % der Anzeigen für Data Analyst gefragt (Stand 05.11.2026).Getestete, dokumentierte Datenmodelle in SQL direkt im Data Warehouse bauen; verbreitet in modernen Datenteams. je nach Version, damit eine kaputte Ladung auffällt, bevor jemand das Dashboard liest. Probleme gehen an die verantwortliche Stelle der Quelle zurück, nicht nur in meinen Workaround.

Schwache Antwort: „Die Daten kommen aus dem System, also stimmen sie.“

Nachfrage: „Ein Zehntel der Bestellungen hat keine Kunden-ID.“ Bei den Leuten, die das System betreiben, herausfinden, warum; bis dahin diese Bestellungen als eigene Gruppe berichten, damit die Summen ehrlich bleiben.

Zwei Berichte zeigen für denselben Monat unterschiedlichen Umsatz. Wie findest du heraus, warum?

Worauf sie achten: ein ruhiger Abgleich Schritt für Schritt, und dass du weißt, warum Definitionen sich unterscheiden.

Kurze Antwort: „Ich vergleiche zuerst ihre Definitionen: welches Datum, welche Währung, ob Erstattungen, Steuern und stornierte Bestellungen enthalten sind. Dann grenze ich es nach Tag, Produkt und Region ein, bis ich die Zeilen finde, die sich unterscheiden. Meist ist es eine Definition, kein Fehler.“

Die ausführliche Antwort: Umsatz kann gezählt werden, wenn die Bestellung aufgegeben, versandt oder bezahlt wird; mit oder ohne Steuer; vor oder nach Erstattungen; in der lokalen Währung oder zu verschiedenen Kursen umgerechnet. Ich schreibe beide Definitionen nebeneinander. Dann zerlege ich die Differenz: nach Tag, um zu sehen, ob es ein Datum ist, nach Quellsystem, nach Region. Habe ich die Zeilen gefunden, erkläre ich die Ursache und schlage eine vereinbarte Definition vor, aufgeschrieben, wo alle sie finden, damit die Frage nächsten Monat nicht wiederkommt.

Schwache Antwort: „Ich würde ihnen sagen, sie sollen meinen Bericht nehmen.“

Nachfrage: „Beide Definitionen sind vernünftig.“ Beide behalten, klar benennen („gebuchter Umsatz“, „bezahlter Umsatz“) und zeigen, welche jeder Bericht nutzt.

Metriken, Dashboards und Analyse

Die wöchentlich aktiven Nutzer sind letzte Woche stark gefallen. Wie gehst du vor?

Worauf sie achten: ein strukturiertes Vorgehen, das Datenprobleme ausschließt, bevor es um geschäftliche Gründe geht.

Kurze Antwort: „Zuerst prüfe ich, ob die Daten stimmen: Ist das Tracking oder eine Datenladung kaputtgegangen? Dann schaue ich auf den Kalender, etwa einen Feiertag. Dann zerlege ich den Rückgang nach Plattform, Land, neuen oder wiederkehrenden Nutzern und Produktbereich, um zu finden, wo er sich ballt, und schaue, was sich dort geändert hat.“

Die ausführliche Antwort: Schritt eins: Ist er echt? Ein kaputtes Tracking-Tag, eine verspätete Datenladung oder eine geänderte Definition verursachen viele „Rückgänge“. Schritt zwei: Ist er erwartet? Saison, Feiertage, eine Marketingkampagne, die zu Ende ist. Schritt drei: Wo ist er? Nach den wichtigsten Dimensionen zerlegen; ein Rückgang in einer App-Version oder einem Land zeigt direkt auf eine Ursache. Schritt vier: Warum? Das Timing mit Releases, Ausfällen, Preisänderungen oder dem Zug eines Wettbewerbers abgleichen. Dann früh berichten, was ich weiß, was nicht und was ich empfehle, statt auf eine perfekte Antwort zu warten.

Schwache Antwort: mit einer langen Liste von Theorien anfangen, ohne zuerst die Daten zu prüfen.

Nachfrage: „Den Rückgang gibt es nur auf Android, ab dem Tag eines Releases.“ Sofort das App-Team mit den Belegen informieren und prüfen, ob die App oder nur ihr Tracking kaputt ist.

Was macht einen guten KPI aus, und wie würdest du einen für ein Kundenservice-Team wählen?

Worauf sie achten: dass du eine Metrik mit einem Ziel verknüpfst und weißt, wie sich Metriken austricksen lassen.

Kurze Antwort: „Ein guter KPI hängt an einem Ziel, ist klar definiert, wird jedes Mal gleich gemessen und ist etwas, das das Team beeinflussen kann. Für den Kundenservice würde ich Tempo mit Qualität koppeln, etwa die Zeit bis zur Lösung eines Falls zusammen mit der Kundenzufriedenheit und dem Anteil wieder geöffneter Fälle, damit sich das eine nicht auf Kosten des anderen verbessern lässt.“

Die ausführliche Antwort: Ein KPI, ein Key Performance Indicator, ist eine der wenigen Zahlen, an denen ein Team gemessen wird, und verändert deshalb Verhalten. Wird der Kundenservice nur am Tempo gemessen, schließen die Leute Fälle zu früh. Deshalb kopple ich Metriken: eine für das Tempo, eine für die Qualität und eine Leitplanke, die nicht schlechter werden darf. Jede braucht eine schriftliche Definition: Wann startet die Uhr, was gilt als gelöst, welche Fälle sind ausgenommen? Ich würde sie mit dem Team vereinbaren, den Trend über die Zeit zeigen statt einer einzelnen Woche und sie nach einem Quartal überprüfen.

Schwache Antwort: „Anzahl geschlossener Tickets pro Tag.“ Leicht auszutricksen, und sie sagt nichts über die Kunden.

Nachfrage: „Die Zufriedenheit ist gestiegen, aber die Kosten auch, und zwar stark.“ Die Kosten pro Fall in die Ansicht aufnehmen und den Zielkonflikt offen mit der Führungskraft besprechen.

Entwirf ein Dashboard für eine Vertriebsleiterin. Was kommt darauf?

Worauf sie achten: dass du für die Person und ihre Entscheidungen entwirfst, nicht für jedes Diagramm, das du bauen kannst.

Kurze Antwort: „Ich würde fragen, welche Entscheidungen sie jede Woche trifft, und die Seite um diese herum bauen: oben ein paar Kennzahlen gegen das Ziel, darunter der Trend, dann eine Aufschlüsselung nach Region, Produkt und Vertriebsmitarbeiter, die sie filtern kann. Alles andere bleibt von der Seite weg.“

Die ausführliche Antwort: Ein Dashboard ist eine Seite mit Diagrammen und Zahlen, die Menschen regelmäßig anschauen, gebaut in einem Werkzeug wie Power BIIn 36 % der Anzeigen für Data Analyst gefragt (Stand 05.11.2026).Berichte und Dashboards bauen: Datenmodelle, Measures und Aktualisierungspläne; verbreitet, wo Firmen auf Microsoft setzen. je nach Anbieter oder TableauIn 11 % der Anzeigen für Data Analyst gefragt (Stand 05.11.2026).Interaktive Dashboards bauen, die andere selbst filtern können, aus einer sauberen Datenquelle. je nach Anbieter. Vor dem Bauen befrage ich die Vertriebsleiterin: welche Fragen, wie oft, was tut sie danach? Oben: drei bis fünf KPIs mit Ziel und Vorperiode. Darunter: der Trend, dann die Aufschlüsselungen. Jedes Diagramm beantwortet eine Frage und hat einen klaren Titel. Ich halte das Datenmodell sauber, damit die Zahlen zu anderen Berichten passen, zeige, wann die Daten zuletzt aktualisiert wurden, und prüfe nach einem Monat, welche Teile genutzt werden, und entferne den Rest.

Schwache Antwort: zwanzig Diagramme auf einer Seite, in allen Farben, weil die Daten da sind.

Nachfrage: „Das Dashboard ist langsam.“ Die Daten im Warehouse voraggregieren, die Visuals pro Seite reduzieren und den Standard-Zeitraum begrenzen.

Wie würdest du analysieren, wo Nutzer in einem Registrierungs-Funnel abspringen?

Worauf sie achten: dass du einen Funnel richtig bauen und in eine Maßnahme übersetzen kannst.

Kurze Antwort: „Ich definiere jeden Schritt und zähle, wie viele Nutzer jeden davon der Reihe nach innerhalb eines Zeitfensters erreichen, und finde dann den Schritt mit dem größten Verlust. Diesen Schritt zerlege ich nach Gerät, Kanal und Nutzertyp, um zu sehen, wer abspringt, und schaue, was auf diesem Screen passiert.“

Die ausführliche Antwort: Ein Funnel ist die Folge von Schritten, die Nutzer auf dem Weg zu einem Ziel gehen, etwa Landingpage, Formular, E-Mail-Bestätigung, erste Nutzung. Ich zähle Nutzer, nicht Seitenaufrufe, und nur die, die die früheren Schritte durchlaufen haben, innerhalb einer sinnvollen Zeit, zum Beispiel sieben Tage. Der größte Verlust ist meist der Ort, an dem man anfängt. Die Aufschlüsselungen zeigen, ob es alle betrifft oder eine Gruppe, zum Beispiel mobile Nutzer in einem bestimmten Browser. Dann suche ich eine Ursache: eine langsame Seite, ein verwirrendes Feld, eine E-Mail, die im Spam landet. Ich schlage eine Lösung vor und, wo möglich, einen A/B-Test, der beweist, dass sie hilft.

Schwache Antwort: die Seitenaufrufe jedes Schritts vergleichen, was Leute doppelt zählt, die neu laden.

Nachfrage: „Beim Schritt E-Mail-Bestätigung gehen viele Nutzer verloren.“ Zustellung und Spam-Quote prüfen, die Zeit bis zum Eintreffen der E-Mail, und testen, ob man Leute schon vor der Bestätigung starten lässt.

Was ist eine Kohortenanalyse, und wann würdest du sie nutzen?

Worauf sie achten: dass du Wachstum von Bindung trennen kannst.

Kurze Antwort: „Eine Kohorte ist eine Gruppe von Nutzern, die im selben Zeitraum angefangen haben, etwa alle, die sich im März registriert haben. Eine Kohortenanalyse verfolgt jede Gruppe über die Zeit; so sehe ich, ob neuere Kunden länger oder kürzer bleiben als ältere, was eine Gesamtsumme verdeckt.“

Die ausführliche Antwort: Die Gesamtzahl aktiver Nutzer kann steigen, während die Bindung schlechter wird, einfach weil viele neue Nutzer dazukommen. Eine Kohortentabelle setzt den Startmonat in die Zeilen und die Monate seit dem Start in die Spalten, mit dem Anteil jeder Gruppe, der noch aktiv ist. Liest man eine Spalte nach unten, vergleicht man Kohorten im selben Alter; liest man eine Zeile entlang, sieht man, wie eine Gruppe abnimmt. Das ist der Standardweg, um zu prüfen, ob eine Produktänderung oder ein neuer Marketingkanal Kunden bringt, die bleiben.

Schwache Antwort: „Ich schaue mir jeden Monat die Gesamtzahl aktiver Nutzer an.“

Nachfrage: „Die neuesten Kohorten bleiben schlechter.“ Nach Kanal zerlegen; oft bringt eine neue Quelle von Registrierungen Leute, die nie vorhatten zu bleiben.

Statistik und Schlussfolgerungen

Das Marketing zeigt dir einen A/B-Test, bei dem die neue E-Mail gewonnen hat. Was prüfst du, bevor du zustimmst?

Worauf sie achten: dass du den Test eines anderen kritisch und fair liest.

Kurze Antwort: „Ich prüfe, ob die Gruppen zufällig und richtig groß waren, ob die Hauptmetrik vorher festgelegt wurde, ob der Test lange genug lief und nicht gestoppt wurde, sobald er gut aussah, und ob der Unterschied größer als Zufall ist, mit seiner Spanne. Dann, ob der Effekt groß genug ist, um eine Rolle zu spielen.“

Die ausführliche Antwort: Bei einem A/B-Test sehen zwei zufällige Gruppen zwei Versionen, und wir vergleichen eine Metrik. Die Fallen: Gruppen, die nicht wirklich zufällig oder nicht so groß wie geplant sind; aus vielen Metriken die herauspicken, die zufällig gewonnen hat; früh stoppen, wenn es gut aussieht; zu wenige Leute, um einen echten Unterschied von Rauschen zu trennen. Ich würde nach dem Plan, den Gruppengrößen und dem Ergebnis mit einem Konfidenzintervall fragen, der Spanne, in der der wahre Effekt wahrscheinlich liegt. Hält alles, bleibt die Frage nach dem geschäftlichen Wert: Ein echter, aber winziger Anstieg ist vielleicht keine Änderung wert.

Schwache Antwort: „Die neue hatte mehr Klicks, also hat sie gewonnen.“

Nachfrage: „Sie hat bei den Öffnungen gewonnen, aber bei den Käufen verloren.“ Käufe zählen mehr; Öffnungen sind nur ein Schritt dorthin.

Kunden, die unsere mobile App nutzen, geben mehr aus. Sollten wir alle in die App drängen?

Worauf sie achten: dass du Korrelation nicht mit Ursache verwechselst.

Kurze Antwort: „Noch nicht. Die Korrelation kann andersherum laufen: Treue Kunden, die viel ausgeben, sind die, die sich die Mühe machen, die App zu installieren. Um zu wissen, ob die App selbst die Ausgaben erhöht, brauchen wir einen Test oder wenigstens einen Vergleich derselben Kunden vor und nach dem Start der Nutzung.“

Die ausführliche Antwort: Korrelation heißt, zwei Dinge treten zusammen auf; sie zeigt nicht, was was verursacht oder ob ein Drittes beides verursacht. Hier treibt wahrscheinlich die Kundentreue sowohl die Nutzung der App als auch die Ausgaben. Bessere Belege: eine zufällige Gruppe in die App einladen und ihre Ausgaben mit einer nicht eingeladenen Gruppe vergleichen. Ohne Test die Ausgaben der Kunden vor und nach der Installation vergleichen, gegenüber ähnlichen Kunden, die sie nicht installiert haben. Dann den Befund mit seiner Unsicherheit vorstellen.

Schwache Antwort: „Ja, die Daten zeigen eindeutig, dass die App die Leute mehr ausgeben lässt.“

Nachfrage: „Wir können keinen Test machen.“ Den Vorher-nachher-Vergleich mit einer passenden Vergleichsgruppe nutzen und klar sagen, wie sicher du bist.

Die Conversion ist in jeder Region gestiegen, insgesamt aber gefallen. Wie ist das möglich?

Worauf sie achten: dass du verstehst, wie Verschiebungen im Mix Durchschnitte verändern, eine klassische Falle namens Simpson-Paradoxon.

Kurze Antwort: „Der Mix hat sich verschoben: Mehr von unserem Traffic kommt jetzt aus einer Region, die schlechter konvertiert, also fällt die Gesamtrate, obwohl sich jede Region verbessert hat. Ich würde die Raten nach Region und die Veränderung im Mix nebeneinander zeigen.“

Die ausführliche Antwort: Eine Gesamtrate ist ein gewichteter Durchschnitt der Gruppen, gewichtet nach ihrer Größe. Wächst eine Gruppe mit niedriger Conversion, etwa ein neuer Markt oder eine günstige Traffic-Quelle, kann die Summe fallen, während jede Gruppe steigt. Deshalb berichte ich beides: die Rate jeder Gruppe und wie sich der Mix verschoben hat. Was zählt, hängt von der Frage ab. Für „Wird das Produkt besser?“ die Raten der Gruppen; für „Erreichen wir das Umsatzziel?“ die Gesamtrate.

Schwache Antwort: „Die Daten müssen falsch sein.“

Nachfrage: „Die Geschäftsführung will nur eine Zahl.“ Die Gesamtzahl nennen, mit einem Satz zur Verschiebung im Mix, damit niemand den falschen Schluss zieht.

Werkzeuge und Arbeitsweisen

Wann nutzt du Excel, ein BI-Werkzeug oder Python?

Worauf sie achten: dass du das Werkzeug nach Aufgabe und Publikum wählst.

Kurze Antwort: „Excel für kleine, einmalige Analysen und wenn der Nutzer im Fachbereich selbst mit den Zahlen arbeiten will. Ein BI-Werkzeug für alles, was Menschen regelmäßig anschauen. Python für große Daten, Bereinigung, wiederkehrende Berichte und Statistik, die eine Tabellenkalkulation schlecht kann.“

Die ausführliche Antwort: ExcelIn 16 % der Anzeigen für Data Analyst gefragt (Stand 05.11.2026).Pivot-Tabellen, SVERWEIS und XVERWEIS, saubere Formeln und Diagramme; dort lesen und prüfen viele Fachabteilungen noch ihre Zahlen. ist schnell, und jeder kann es öffnen, aber es geht leicht kaputt und ist schwer zu prüfen. Ein BI-Werkzeug wie Power BIIn 36 % der Anzeigen für Data Analyst gefragt (Stand 05.11.2026).Berichte und Dashboards bauen: Datenmodelle, Measures und Aktualisierungspläne; verbreitet, wo Firmen auf Microsoft setzen. je nach Anbieter liefert eine vertrauenswürdige Version, die sich selbst aktualisiert. PythonIn 40 % der Anzeigen für Data Analyst gefragt (Stand 05.11.2026).Python für Analysen: pandas für Tabellen, Diagramme und Skripte, die einen Monatsbericht automatisieren. mit pandas, einer Bibliothek für Tabellen, bewältigt Millionen Zeilen, automatisiert die langweiligen Teile und hält jeden Schritt schriftlich fest, sodass er sich wiederholen lässt. Die meiste echte Arbeit mischt sie: SQL, um die Daten zu holen, Python oder das BI-Werkzeug, um sie zu formen, Excel für die Leute, die selbst stöbern wollen.

Schwache Antwort: „Python für alles; Excel ist veraltet.“

Nachfrage: „Die Finanzabteilung führt eine wichtige Prognose in einer riesigen Tabelle.“ Helfen, den Datenteil ins Warehouse zu verlegen, und Excel als die Ansicht behalten, die sie mag.

Was ist ein Datenmodell für Analytics, und warum nutzen Teams ein Werkzeug wie dbt?

Worauf sie achten: dass du weißt, wie moderne Datenteams Zahlen einheitlich halten.

Kurze Antwort: „Ein Datenmodell macht aus Rohtabellen saubere, gut benannte Tabellen, die geschäftliche Fragen beantworten, etwa eine Tabelle der Bestellungen und eine der Kunden mit vereinbarten Definitionen. Mit dbt schreibst du diese Transformationen in SQL, testest und dokumentierst sie und lässt sie in der richtigen Reihenfolge laufen, sodass jeder Bericht dieselbe Logik nutzt.“

Die ausführliche Antwort: Rohdaten aus den Quellsystemen sind unordentlich und verstreut. Früher haben Analysten sie in jedem Bericht neu bereinigt, und die Zahlen wichen voneinander ab. Ein gemeinsames Modell legt die Definitionen einmal fest. Eine übliche Form ist ein „Stern“: Faktentabellen mit Ereignissen, etwa Bestellungen, umgeben von Dimensionstabellen, die sie beschreiben, etwa Kunden, Produkte und Daten. dbtIn 9 % der Anzeigen für Data Analyst gefragt (Stand 05.11.2026).Getestete, dokumentierte Datenmodelle in SQL direkt im Data Warehouse bauen; verbreitet in modernen Datenteams. je nach Version baut diese Modelle im Warehouse, etwa in SnowflakeIn 13 % der Anzeigen für Data Analyst gefragt (Stand 05.11.2026).Ein Data Warehouse in der Cloud: große Tabellen, schnelles SQL und Kosten, die davon abhängen, wie du abfragst. je nach Anbieter, mit Tests (keine doppelten Bestell-IDs, keine leeren Kunden-IDs) und Dokumentation, und hält den Code in GitIn 10 % der Anzeigen für Data Analyst gefragt (Stand 05.11.2026).Versionskontrolle für Abfragen und Modelle, damit Änderungen geprüft und rückgängig gemacht werden können., damit Änderungen reviewt werden. je nach Version

Schwache Antwort: „Jeder Analyst bereinigt die Daten in seinem eigenen Bericht.“

Nachfrage: „Eines Morgens schlägt ein Test fehl.“ Verhindern, dass die schlechten Daten die Dashboards erreichen, die Nutzer informieren, die Quelle oder das Modell reparieren und dann neu laufen lassen.

Eine Führungskraft bittet dich um „alle Daten über unsere Kunden“. Was tust du?

Worauf sie achten: dass du aus einer vagen Bitte eine klare Frage machst und mit personenbezogenen Daten sorgfältig umgehst.

Kurze Antwort: „Ich frage, für welche Entscheidung es ist, was sie damit tun will und bis wann. Meist ist die echte Frage enger, etwa welche Kunden diesen Monat angerufen werden sollen, und die Antwort ist eine kurze Liste oder ein Diagramm, kein riesiger Export. Ich prüfe auch, wer personenbezogene Daten sehen darf.“

Die ausführliche Antwort: Große Exporte veralten, werden per E-Mail herumgeschickt, verstoßen gegen Datenschutzregeln und beantworten selten die Frage. Also frage ich: welches Problem, welche Entscheidung, wer handelt, wie oft? Dann schlage ich das kleinste Ergebnis vor, das die Frage beantwortet, vereinbare es schriftlich und liefere schnell eine erste Version, um zu prüfen, ob ich richtig verstanden habe. Personenbezogene Daten gehen nur an Menschen, die sie brauchen, mit so wenigen Feldern wie nötig; in Europa verlangt das die DSGVOIn 7 % der Anzeigen für Data Analyst gefragt (Stand 05.11.2026).Personenbezogene Daten in Berichten und Exporten: nur zeigen, was nötig ist, und anonymisieren, wo es geht..

Schwache Antwort: noch am selben Nachmittag einen vollständigen Export schicken.

Nachfrage: „Sie besteht auf dem Export.“ Das Risiko erklären, Felder entfernen, die sie nicht braucht, und vereinbaren, wie lange sie ihn aufbewahrt.

Deine Analyse zeigt, dass ein Projekt, das der Stakeholder liebt, nicht funktioniert. Wie stellst du das vor?

Worauf sie achten: Ehrlichkeit, Taktgefühl und dass der Befund nützlich wird.

Kurze Antwort: „Ich sage es früh und unter vier Augen, vor jedem großen Meeting, mit den Belegen und wie sicher ich bin. Ich zeige, was nicht funktioniert, was funktionieren könnte und was ich empfehle, damit es eine Entscheidung über die nächsten Schritte wird statt eines Urteils.“

Die ausführliche Antwort: Zuerst prüfe ich die Analyse noch einmal, am besten mit einer Kollegin oder einem Kollegen, denn der Befund wird angezweifelt werden. Dann treffe ich den Stakeholder allein und gehe es mit ihm durch: die Frage, die Daten, das Ergebnis, die Grenzen. Ich trenne Fakten von Deutung. Ich bringe Optionen mit: das Projekt ändern, eine andere Version testen oder es stoppen und das Geld anderswo einsetzen. Ich lade ihn ein, die Methode zu hinterfragen; manchmal weiß er etwas, das die Daten nicht wissen.

Schwache Antwort: es zum ersten Mal vor seiner Führungskraft präsentieren.

Nachfrage: „Er bittet dich, diese Folie wegzulassen.“ Anbieten, sie mit mehr Kontext zu präsentieren, aber kein Ergebnis verstecken, auf das sich andere verlassen werden.

Dein Lebenslauf für diese Fragen

Jede Antwort oben fällt leichter, wenn dein Lebenslauf sie schon sagt, denn Interviewer fragen nach dem, was darin steht. Schreib unter jede Stelle zu jedem dieser Punkte eine Zeile, in den Wörtern der Anzeigen:

Bewerte deinen Lebenslauf dann an einem echten Job: Du siehst, welche dieser Punkte der Job verlangt und welche dein Lebenslauf noch nicht belegt.