25 вопросов на собеседовании аналитика данных с ответами
25 вопросов на собеседовании аналитика данных: SQL, статистика, бизнес-кейсы и поведенческие вопросы. Разбор каждого ответа и чек-лист для меняющих профессию.
Собеседование на аналитика данных проверяет четыре вещи: SQL, статистику, деловое мышление и умение понятно объяснить вывод. SQL упоминается примерно в 73% вакансий аналитика данных (Statssy, 2025), поэтому хотя бы один живой SQL-вопрос предложат почти наверняка. А медиана зарплаты по специальности в России — около 170 000 ₽, и эту цифру часто называют уже на первом звонке с рекрутером (Хабр Карьера, второе полугодие 2025).
От вас не требуется звучать как выпускник компьютерных наук. Нужно показать, что вы умеете вытащить верный ответ из грязных данных и понятно пересказать его человеку, который не пишет код. Ниже — 25 вопросов, которые встречаются чаще всего, сгруппированные по типам, с разбором, как отвечать на каждый. Более широкий сценарий разговора для меняющих профессию — в материале подготовка к собеседованию при смене профессии.
Как устроено собеседование на аналитика данныхPermalink to “Как устроено собеседование на аналитика данных”
Большинство компаний проводят от трёх до пяти этапов. Структура везде примерно одинаковая.
| Этап | Что происходит | Что проверяют |
|---|---|---|
| Звонок рекрутера (20–30 минут) | Опыт, зарплатные ожидания, мотивация | Коммуникация, совпадение по условиям |
| SQL-тест или домашнее задание | Запросы к живой базе или короткое задание | Техническая точность |
| Техническое интервью (45–60 минут) | Живой SQL, статистика, небольшой кейс | Глубина навыка |
| Кейс или встреча с руководителем | Бизнес-задача, метрики, рабочая ситуация | Деловое чутьё |
| Поведенческий этап | Истории по STAR, работа в команде | Коммуникация, самоосознанность |
Меняющим профессию труднее всего даются технический этап и кейс — там прежние должности не работают за вас. Именно на них стоит сосредоточить подготовку.
Вопросы по SQLPermalink to “Вопросы по SQL”
SQL — единственный навык, который не сымитируешь. Встречается примерно в 73% вакансий аналитика данных, больше любого другого языка. Отрабатывайте конструкции, пока не сможете писать их без подглядываний.
1. В чём разница между INNER JOIN и LEFT JOIN? INNER JOIN возвращает только те строки, которые совпали в обеих таблицах. LEFT JOIN берёт все строки из левой таблицы плюс совпадения из правой, а несовпавшие поля заполняет NULL. LEFT JOIN нужен, когда важно сохранить строки без пары.
2. Чем WHERE отличается от HAVING? WHERE фильтрует строки до группировки, HAVING — после того, как GROUP BY посчитал агрегаты. Когда нужно отфильтровать по сумме или количеству, используют HAVING.
3. Как найти второе по величине значение в столбце?
Через оконную функцию: SELECT value FROM (SELECT value, DENSE_RANK() OVER (ORDER BY value DESC) AS rnk FROM t) x WHERE rnk = 2;. DENSE_RANK корректно обрабатывает повторяющиеся значения, не пропуская ранги.
4. Как найти дубликаты в таблице?
Сгруппируйте по ключевым полям и отфильтруйте: SELECT id, COUNT(*) FROM t GROUP BY id HAVING COUNT(*) > 1;.
5. Что умеют оконные функции, чего не умеет GROUP BY? Оконные функции считают результат по набору строк, не схлопывая их. Можно ранжировать строки, строить нарастающие итоги или сравнивать строку с предыдущей, сохранив в выводе каждую строку.
6. Что такое CTE и когда его применять? CTE — именованный временный результат в конструкции WITH. Его используют, чтобы разбить сложный запрос на читаемые шаги и не повторять один и тот же подзапрос.
7. Как ведут себя NULL в SQL?
NULL означает «неизвестно», а не ноль. Сравнения с NULL дают неизвестный результат, а большинство агрегатов NULL игнорируют. Проверяйте через IS NULL, никогда через = NULL.
8. Как ускорить медленный запрос?
Посмотрите план выполнения, убедитесь, что нужные индексы на месте, фильтруйте данные как можно раньше через WHERE, уберите SELECT * и сократите соединения по неиндексированным столбцам.
Статистика и теория вероятностейPermalink to “Статистика и теория вероятностей”
Продвинутая математика не нужна. Нужно правильно рассуждать о средних, неопределённости и смещениях.
9. Когда лучше взять медиану, а не среднее? Когда данные перекошены или есть выбросы. Несколько крупных значений тянут среднее вверх, а медиана остаётся устойчивой и лучше описывает типичный случай. Классические примеры — доходы и цены жилья.
10. Что такое p-значение и чем оно не является? p-значение — вероятность получить результат не менее выраженный, чем ваш, если верна нулевая гипотеза. Это не вероятность того, что ваша гипотеза верна, и маленькое p-значение не доказывает, что эффект сильный.
11. Как провести A/B-тест? Заранее выберите одну метрику и порог успеха, случайно разделите пользователей на контроль и тестовую группу, гоните тест достаточно долго, чтобы набрать статистическую мощность, затем сравните группы и проверьте разбиение на смещение, прежде чем делать вывод.
12. Что такое смещение отбора и как его заметить? Смещение отбора возникает, когда выборка не представляет всю совокупность. Заметить его помогает простой вопрос: кого нет в данных и изменился бы вывод, если бы пропущенная группа там была.
Бизнес-кейсы и деловые задачиPermalink to “Бизнес-кейсы и деловые задачи”
Этот этап проверяет, умеете ли вы превратить размытый бизнес-вопрос в вопрос к данным. Рассуждайте вслух.
13. «Ключевая метрика за ночь упала на 20%. Как разбираться?» Сначала убедитесь, что падение настоящее: проверьте пайплайн данных, логирование и часовой пояс. Затем разрежьте метрику по сегментам — география, устройство, платформа, тип пользователя. Найдите сегмент, где падение концентрируется, и уже потом формулируйте гипотезу.
14. «Как измерить успех новой функции?» Назовите главную метрику, которую функция должна сдвинуть, добавьте две-три ограничительные метрики, которые не должны ухудшиться, и объясните, как отнесёте изменение именно к функции, а не к чему-то другому.
15. «Оцените, сколько пользователей делают X в день.» Разбейте оценку на части, о которых можно рассуждать: всего пользователей, доля тех, кто делает X, и как часто. Озвучивайте каждое допущение и проверяйте порядок величины на адекватность.
16. «Две метрики пошли в разные стороны. Ваши действия?» Проверьте, описывают ли они одну и ту же совокупность или разные, ищите эффект состава (парадокс Симпсона) и пересчитайте на том уровне, где связь становится ясной.
Python, pandas и инструментыPermalink to “Python, pandas и инструменты”
17. В pandas — разница между merge и concat?
merge соединяет два DataFrame по общим столбцам или индексам, как SQL-соединение. concat складывает DataFrame вдоль оси, не сопоставляя ключи.
18. Как работать с пропущенными данными? Сначала разберитесь, почему значения отсутствуют. Дальше решайте: удалить, если их мало и пропуски случайны; заполнить, если есть обоснованное значение; или вынести пропуск в отдельную категорию, когда сам факт отсутствия несёт информацию.
19. Как выбрать подходящий график? Подбирайте график под вопрос. Линейный — для изменений во времени, столбчатый — для сравнения категорий, точечный — для связей, гистограмма — для распределений. От круговых диаграмм лучше отказываться, как только долей больше двух-трёх.
Поведенческие вопросы и вопросы для меняющих профессиюPermalink to “Поведенческие вопросы и вопросы для меняющих профессию”
Здесь меняющие профессию могут выиграть. Возьмите две-три истории по STAR (Ситуация, Задача, Действие, Результат), каждая — на разные навыки.
20. «Почему вы переходите в анализ данных?» Подавайте переход как движение к данным, а не бегство из прежней сферы. Назовите ту часть прошлой работы, которая уже была аналитической, что вы сделали, чтобы развить это, и куда это ведёт. Конкретный ответ сильнее эмоционального.
Когда я переходил из системного администрирования в аналитику данных внутри HealthTech-компании, дальше меня продвинуло не хитрое знание SQL. Я провёл комиссию по дашборду, на котором проследил всплеск повторных госпитализаций пациентов до ошибки тайминга в пайплайне данных: запрос подтягивал записи до того, как система успевала их обновить, и показатели разъезжались. Эта история показала, что я умею находить настоящую проблему внутри настоящих данных, — а именно это работодателю и нужно.
21. «Расскажите о проекте с данными, которым гордитесь.» Возьмите один проект из портфолио. Назовите бизнес-вопрос, какие данные использовали, какое решение приняли и результат в числах. Помощь в том, чтобы собрать проекты, выдерживающие такой вопрос, — в материале первые проекты для смены профессии на аналитику и в полном руководстве по портфолио для смены профессии.
22. «Опишите случай, когда вы объясняли технический вывод нетехническому коллеге.» Покажите, что превратили число в решение. Назовите аудиторию, как упростили формулировку и что коллега сделал иначе после разговора.
23. «Расскажите об ошибке, которую вы допустили в работе с данными.» Признайте конкретную ошибку, объясните, чему научились, и опишите проверку, которую добавили, чтобы такое не повторилось. Здесь ценят самоосознанность, а не безупречность.
Процесс и проектированиеPermalink to “Процесс и проектирование”
24. «Как вы обеспечиваете качество данных в анализе?» Проверяйте дубликаты, пропуски и значения за пределами правдоподобного диапазона. Сверяйте итоги с доверенным источником и фиксируйте каждое преобразование, чтобы кто угодно мог воспроизвести ваш результат.
25. «Опишите дашборд, который вы построили бы для отдела продаж.» Отталкивайтесь от решения, которое команде нужно принять. Вынесите наверх одну ключевую метрику, добавьте две-три разбивки в её поддержку и уложите всё на один экран. Объясните, какие фильтры важны и где поставили бы пороги уведомлений.
Три ошибки меняющих профессию на собеседованияхPermalink to “Три ошибки меняющих профессию на собеседованиях”
- Извинения за смену профессии. Фраза «Я знаю, что у меня нет профильного образования, но…» сама наталкивает собеседующего на сомнения ещё до того, как вы дали повод. Скажите прямо, что умеете, и докажите проектом.
- Замереть на живом SQL-вопросе. Если точный синтаксис не вспомнился, объясните подход: какие таблицы, какое соединение, какой фильтр. Ясное мышление важнее безупречного синтаксиса.
- Пропустить показ портфолио. Сказать «я изучал SQL» — это утверждение. Показать запрос, который привёл к реальному выводу, — доказательство. Пока проектов нет, начните с пути изучения SQL для аналитики данных.
Чек-лист подготовки к собеседованиюPermalink to “Чек-лист подготовки к собеседованию”
- Пять SQL-конструкций, которые вы пишете по памяти: соединения, GROUP BY и HAVING, оконные функции, CTE, работа с NULL
- Одна история про A/B-тест, которую вы разбираете целиком — с метрикой и разбиением выборки
- Два каркаса для кейсов: один для падения метрики, второй для измерения функции
- Три истории по STAR: проект, объяснение вывода коллеге, ошибка с извлечённым уроком
- Один проект портфолио, который вы проговариваете меньше чем за две минуты и в котором есть число в результате
- Вакансия, прочитанная внимательно, — три требования сопоставлены с вашими доказательствами
- Зарплатные ожидания, опирающиеся на актуальные данные, — чтобы ответить рекрутеру уверенно. Смотреть актуальные зарплаты аналитика данных
Готовьтесь из того, что у вас уже естьPermalink to “Готовьтесь из того, что у вас уже есть”
Зубрить двести вопросов не нужно. Достаточно пяти SQL-конструкций, трёх историй и одного проекта, который вы способны защитить. Этого хватит, чтобы войти на собеседование с ясным пониманием того, что вы предлагаете и сколько это стоит: медиана по специальности в России — около 170 000 ₽ (Хабр Карьера, H2 2025).
Чем помогает Traecta: платформа берёт ваши уже готовые проекты и сопоставляет каждый из них с теми навыками, что прямо указаны в вакансии, — чтобы на каждый пункт требований у вас находился аргумент, а не догадка, что подсветить. Если нужен структурированный путь от текущего уровня до готовности к собеседованию, Персональный план смены профессии в Traecta выстраивает его из ваших навыков, целевой роли и сроков.
