Andmeanalüütikute intervjuude 32 parimat küsimust ja vastust (2025)

Siin on andmeanalüütiku intervjuu küsimused ja vastused nii värsketele kui ka kogenud andmeanalüütiku kandidaatidele, et saada oma unistuste töökoht.

Tasuta PDF-i allalaadimine: Andmeanalüütiku intervjuu küsimused

1) Nimetage, milline on andmeanalüütiku vastutus?

Andmeanalüütiku vastutusalasse kuuluvad:

• Pakkuge kogu andmeanalüüsi tuge ning kooskõlastage klientide ja töötajatega
• Lahendage klientide ja tulemuste äriga seotud probleeme audit andmete kohta
• Analüüsige tulemusi ja tõlgendage andmeid statistiliste tehnikate abil ning esitage jooksvaid aruandeid
• Seadistage ärivajadused prioriteediks ja tehke tihedat koostööd juhtimis- ja teabevajadustega
• Tehke kindlaks uued protsessid või valdkonnad, mida on vaja täiustada
• Analüüsige, tuvastage ja tõlgendage keeruliste andmekogumite suundumusi või mustreid
• Andmete hankimine esmastest või teisestest andmeallikatest ning andmebaaside / andmesüsteemide haldamine
• Filtreerige ja "puhastage" andmeid ning vaadake üle arvutiaruanded
• Määrake koodiprobleemide leidmiseks ja parandamiseks jõudlusnäitajad
• Andmebaasi turvamine juurdepääsusüsteemi arendamise kaudu, määrates kasutaja juurdepääsutaseme

---

2) Mida on vaja andmeanalüütikuks saamiseks?

Andmeanalüütikuks saamiseks

• Tugevad teadmised aruandluspakettide (äriobjektid), programmeerimiskeele (XML, Javascript või ETL raamistikud), andmebaaside (SQL, SQLite jne)
• Tugevad oskused, mis on võimelised suuri andmeid täpselt analüüsima, korraldama, koguma ja levitama
• Tehnilised teadmised andmebaaside kujundamisest, andmemudelitest, andmekaeve- ja segmenteerimistehnikatest
• Tugevad teadmised suurte andmekogumite analüüsimiseks mõeldud statistikapakettidest (SAS, Excel, SPSS jne)

---

3) Nimetage, millised on analüüsiprojekti erinevad etapid?

Analüütikaprojekti erinevad etapid hõlmavad

• Probleemi määratlus
• Andmete uurimine
• Andmete ettevalmistamine
• modelleerimine
• Andmete valideerimine
• Rakendamine ja jälgimine

---

4) Mainige, mis on andmete puhastamine?

Andmete puhastamine, mida nimetatakse ka andmete puhastamiseks, tegeleb andmetest vigade ja ebakõlade tuvastamise ja eemaldamisega, et parandada andmete kvaliteeti.

---

5) Loetlege mõned andmete puhastamise parimad tavad?

Mõned andmete puhastamise parimad tavad hõlmavad järgmist:

• Sorteeri andmeid erinevate atribuutide järgi
• Suurte andmekogumite puhul puhastage seda järk-järgult ja parandage andmeid iga sammuga, kuni saavutate hea andmekvaliteedi
• Suurte andmekogumite korral jagage need väikesteks andmeteks. Vähema andmemahuga töötamine suurendab teie iteratsiooni kiirust
• Tavalise puhastusülesande täitmiseks looge utiliidi funktsioonide/tööriistade/skriptide komplekt. See võib hõlmata väärtuste ümbervastandamist CSV-failil või SQL-andmebaasil või regex-otsingut ja -asetamist, tühjendades kõik väärtused, mis ei ühti regex-iga.
• Kui teil on probleeme andmete puhtusega, korraldage need hinnangulise sageduse järgi ja ründage levinumaid probleeme
• Analüüsige iga veeru kokkuvõtvat statistikat (standardhälve, keskmine, puuduvate väärtuste arv)
• Jälgige iga kuupäeva puhastustoimingut, et saaksite vajadusel muudatusi muuta või toiminguid eemaldada

---

6) Selgitage, mis on logistika taandareng?

Logistiline regressioon on statistiline meetod sellise andmekogumi uurimiseks, milles on üks või mitu sõltumatut muutujat, mis määratlevad tulemuse.

---

7) Loetelu parimatest tööriistadest, mis võivad andmeanalüüsi jaoks kasulikud olla?

Järgmised on parimad andmeanalüüsi tööriistad

• Elav pilt
• RapidMiner
• OpenRefine
• KÜLL
• Google'i otsinguoperaatorid
• Lahendaja
• NodeXL
• io
• Wolfram Alpha
• Google Fusion tabelid

---

8) Mainige, mis vahe on andmete kaevandamisel ja andmete profileerimisel?

Andmekaevandamise ja andmete profileerimise erinevus seisneb selles

Andmete profileerimine: See on suunatud üksikute atribuutide eksemplari analüüsile. See annab teavet erinevate atribuutide kohta, nagu väärtusvahemik, diskreetne väärtus ja nende sagedus, nullväärtuste esinemine, andmetüüp, pikkus jne.

Andmete kaevandamine: See keskendub klastri analüüsile, ebatavaliste kirjete tuvastamisele, sõltuvustele, järjestuste avastamisele, mitme atribuudi vahelise seose hoidmisele jne.

---

9) Loetlege mõned levinumad probleemid, millega andmeanalüütik silmitsi seisab?

Mõned levinumad probleemid, millega andmeanalüütik silmitsi seisavad, on

• Levinud õigekirjavead
• Topeltkanded
• Puuduvad väärtused
• Illegaalsed väärtused
• Erinevad väärtuste esitused
• Kattuvate andmete tuvastamine

---

10) Mainige Apache'i poolt hajutatud andmetöötluskeskkonnas oleva rakenduse jaoks mõeldud suure andmekogumi töötlemiseks välja töötatud raamistiku nime?

hadoop ja MapReduce on Apache välja töötatud programmeerimisraamistik, mis on mõeldud hajutatud andmetöötluskeskkonnas oleva rakenduse jaoks mõeldud suurte andmekogumite töötlemiseks.

---

11) Nimetage, millised on puuduvad mustrid, mida üldiselt täheldatakse?

Puuduvad mustrid, mida üldiselt täheldatakse, on

• Kadunud täiesti juhuslikult
• Kadunud juhuslikult
• Puudumine sõltub puuduvast väärtusest endast
• See puudub, sõltub jälgimata sisendmuutujast

---

12) Selgitage, mis on KNN imputeerimismeetod?

KNN-i imputatsioonis imputeeritakse puuduvad atribuudi väärtused, kasutades atribuudi väärtusi, mis on kõige sarnasemad atribuudiga, mille väärtused puuduvad. Kaugusfunktsiooni kasutades määratakse kahe atribuudi sarnasus.

---

3) Nimetage, millised on andmete valideerimise meetodid, mida andmeanalüütik kasutab?

Tavaliselt on andmeanalüütikute poolt andmete valideerimiseks kasutatavad meetodid

• Andmete sõelumine
• Andmete kontrollimine

---

14) Selgitage, mida tuleks teha kahtlustatavate või puuduvate andmetega?

• Koostage valideerimisaruanne, mis sisaldab teavet kõigi kahtlustatavate andmete kohta. See peaks andma teavet, nagu valideerimiskriteeriumid, et see ebaõnnestus, ning toimumise kuupäev ja kellaaeg
• Kogemustöötajad peaksid kahtlaste andmete vastuvõetavuse kindlakstegemiseks uurima
• Valed andmed tuleks määrata ja asendada valideerimiskoodiga
• Puuduvate andmete kallal töötamiseks kasutage parimat analüüsistrateegiat, nagu kustutamismeetod, üksikud imputatsioonimeetodid, mudelipõhised meetodid jne.

---

15) Mainige, kuidas lahendada mitmest allikast tulenevaid probleeme?

Mitmest allikast tulenevate probleemide lahendamiseks

• Skeemide ümberstruktureerimine skeemi integreerimiseks
• Tuvastage sarnased kirjed ja ühendage need üheks kirjeks, mis sisaldab kõiki asjakohaseid atribuute ilma liiasuseta

---

16) Selgitage, mis on kõrvalekalle?

Kõrvalväärtus on analüütikute poolt sageli kasutatav termin, mis viitab väärtusele, mis paistab kaugel ja erineb valimi üldisest mustrist. Outliers on kahte tüüpi

• Ühemuutuja
• Mitmemõõtmeline

---

17) Selgitage, mis on hierarhiline klasterdamisalgoritm?

Hierarhiline rühmitusalgoritm ühendab ja jagab olemasolevad rühmad, luues hierarhilise struktuuri, mis näitab rühmade jagamise või ühendamise järjekorda.

---

18) Selgitage, mis on K-keskmine algoritm?

K keskmine on kuulus partitsioonimeetod. Objektid liigitatakse ühte K rühma kuuluvateks, k on valitud a priori.

K-keskmise algoritmi korral

• Klastrid on sfäärilised: klastri andmepunktid on koondunud selle klastri ümber
• Klastrite dispersioon/levik on sarnane: iga andmepunkt kuulub lähimasse klastrisse

---

19) Nimetage, millised on andmeanalüütiku jaoks vajalikud võtmeoskused?

Andmeteadlasel peavad olema järgmised oskused

• Andmebaasi tundmine

• andmebaasi haldamine
• Andmete segamine
• Päring
• Andmetega manipuleerimine

• Ennustav analüüs

• Põhiline kirjeldav statistika
• Ennustav modelleerimine
• Täpsem analüüs

• Suurandmete teadmised

• Suurandmete analüüs
• Struktureerimata andmete analüüs
• Masinõpe

• Esitamisoskus

• Andmete visualiseerimine
• Insight esitlus
• Aruande kujundus

---

20) Selgitage, mis on koostööpõhine filtreerimine?

Koostöö filtreerimine on lihtne algoritm kasutaja käitumisandmete põhjal soovitussüsteemi loomiseks. Koostööfiltrimise kõige olulisemad komponendid on kasutajad- esemed- huvi.

Hea näide koostööl põhinevast filtreerimisest on see, kui näete veebiostude saitidel sellist avaldust nagu „teile soovitatud”, mis kuvatakse teie sirvimisajaloo põhjal.

---

21) Selgitage, milliseid tööriistu kasutatakse suurandmetes?

Suurandmetes kasutatavad tööriistad hõlmavad

• hadoop
• Mesilaspere
• Siga
• Vool
• Mahout
• Sqoop

---

22) Selgitage, mis on KPI, katsete kavandamine ja 80/20 reegel?

KPI: see tähistab võtme toimivuse indikaatorit, see on mõõdik, mis koosneb äriprotsesside arvutustabelite, aruannete või diagrammide mis tahes kombinatsioonist.

Katsete kavandamine: see on algne protsess, mida kasutatakse teie andmete jagamiseks, valimi tegemiseks ja statistilise analüüsi jaoks andmete seadistamiseks

80/20 reeglid: See tähendab, et 80 protsenti teie sissetulekust pärineb 20 protsendilt teie klientidest

---

23) Selgitage, mis on Map Reduce?

Map-reduce on raamistik suurte andmehulkade töötlemiseks, jagades need alamhulkadeks, töödeldes iga alamhulka erinevas serveris ja ühendades seejärel igaühega saadud tulemused.

---

24) Selgitage, mis on klasterdamine? Millised on rühmitamisalgoritmide omadused?

Klasterdamine on andmetele rakendatav klassifitseerimismeetod. Klasterdamisalgoritm jagab andmekogumi loomulikeks rühmadeks või klastriteks.

Klasterdamisalgoritmi omadused on

• Hierarhiline või tasane
• Iteratiivne
• Kõva ja pehme
• Disjunktiivne

---

25) Millised on mõned statistilised meetodid, mis on andmeanalüütikule kasulikud?

Andmeteadlasele kasulikud statistilised meetodid on

• Bayesi meetod
• Markovi protsess
• Ruumi- ja klastriprotsessid
• Astestatistika, protsentiil, kõrvalekallete tuvastamine
• Imputatsioonitehnikad jne.
• Simpleksalgoritm
• Matemaatiline optimeerimine

---

26) Mis on aegridade analüüs?

Aegridade analüüsi saab teha kahes domeenis, sageduspiirkonnas ja ajapiirkonnas. Aegridade analüüsis saab prognoosida konkreetse protsessi väljundit, analüüsides eelnevaid andmeid erinevate meetodite abil nagu eksponentsiaalne silumine, log-lineaarne regressioonimeetod jne.

---

27) Selgitage, mis on korrelogrammi analüüs?

Korrelogrammanalüüs on geograafias levinud ruumianalüüsi vorm. See koosneb hinnangulistest autokorrelatsioonikoefitsientidest, mis on arvutatud erineva ruumilise seose jaoks. Seda saab kasutada kauguspõhiste andmete korrelogrammi koostamiseks, kui algandmed on väljendatud kaugusena, mitte üksikute punktide väärtustena.

---

28) Mis on räsitabel?

Arvutamises on räsitabel väärtuste võtmete kaart. See on a andmete struktuur kasutatakse assotsiatiivse massiivi rakendamiseks. See kasutab räsifunktsiooni, et arvutada indeks a massiivi pesadest, millest saab soovitud väärtuse hankida.

---

29) Mis on räsitabeli kokkupõrked? Kuidas seda välditakse?

Räsitabeli kokkupõrge toimub siis, kui kaks erinevat võtit räsivad sama väärtuseni. Massiivi samasse pessa ei saa salvestada kahte andmeid.

Räsitabeli kokkupõrke vältimiseks on palju tehnikaid, siin loetleme kaks

• Eraldi kettimine:

See kasutab andmestruktuuri mitme üksuse salvestamiseks, mis räsivad samasse pesasse.

• Avatud adresseerimine:

See otsib teisi pesasid teise funktsiooni abil ja salvestab üksuse esimesse leitud tühja pessa

---

29) Selgitage, mis on imputeerimine? Loetlege eri tüüpi imputeerimistehnikad?

Imputeerimise ajal asendame puuduvad andmed asendatud väärtustega. Kaasatud imputeerimismeetodite tüübid on järgmised

• Üksikimputatsioon

• Hot-deck imputatsioon: puuduv väärtus imputeeritakse juhuslikult valitud sarnasest kirjest perfokaardi abil
• Külmtekkide imputatsioon: see toimib samamoodi nagu kuumadekkide imputatsioon, kuid see on täpsem ja valib doonoreid teistest andmekogumitest
• Keskmine imputatsioon: see hõlmab puuduva väärtuse asendamist selle muutuja keskmisega kõigil muudel juhtudel
• Regressiooniimputatsioon: see hõlmab puuduva väärtuse asendamist muutuja prognoositud väärtustega, mis põhinevad muudel muutujatel
• Stohhastiline regressioon: see on sama mis regressiooniimputatsioon, kuid see lisab regressiooniimputatsioonile keskmise regressiooni dispersiooni

• Mitu imputatsiooni

• Erinevalt ühekordsest imputatsioonist hindab mitu imputatsiooni väärtusi mitu korda

---

30) Milline imputeerimismeetod on soodsam?

Kuigi laialdaselt kasutatakse üksikut imputeerimist, ei kajasta see juhuslikult puuduvate andmete põhjustatud ebakindlust. Seega on juhuslike andmete puudumise korral mitmekordne imputeerimine soodsam kui üksikimputeerimine.

---

31) Selgitage, mis on n-gramm?

N-gramm:

N-gramm on n-i üksuse jada antud teksti- või kõnejadast. See on teatud tüüpi tõenäosuslik keelemudel sellises järjestuses järgmise üksuse ennustamiseks a (n-1) kujul.

---

32) Selgitage, millised on hea andmemudeli kriteeriumid?

Hea andmemudeli kriteeriumid hõlmavad

• Seda saab kergesti tarbida
• Suured andmemuudatused heas mudelis peaksid olema skaleeritavad
• See peaks pakkuma prognoositavat jõudlust
• Hea mudel suudab kohaneda nõuete muutumisega

Need intervjuu küsimused aitavad ka teie viva (suuline)