32 parasta dataanalyytikkohaastattelun kysymystä ja vastausta (2025)

Tässä on Data Analyst -haastattelukysymyksiä ja vastauksia fuksilaisille sekä kokeneille data-analyytikkoehdokkaille saadakseen unelmatyönsä.

Ilmainen PDF-lataus: Data Analyst Interview Questions

1) Mainitse mikä on Data-analyytikon vastuu?

Dataanalyytikon vastuualueeseen kuuluu mm.

• Tarjoa tukea kaikkeen tietojen analysointiin ja koordinoi asiakkaiden ja henkilökunnan kanssa
• Ratkaise asiakkaiden ja suorituskyvyn liiketoimintaan liittyviä ongelmia tilintarkastus tiedoissa
• Analysoi tuloksia ja tulkitse tietoja käyttämällä tilastollisia tekniikoita ja toimita jatkuvia raportteja
• Priorisoi liiketoiminnan tarpeet ja tee tiivistä yhteistyötä johdon ja tietotarpeiden kanssa
• Tunnista uusi prosessi tai alueet, joissa on parannusmahdollisuuksia
• Analysoi, tunnista ja tulkitse trendejä tai malleja monimutkaisissa tietosarjoissa
• Hanki tietoja ensisijaisista tai toissijaisista tietolähteistä ja ylläpidä tietokantoja / tietojärjestelmiä
• Suodata ja "puhdista" tiedot ja tarkastele tietokoneen raportteja
• Määritä suorituskykyindikaattorit koodiongelmien paikallistamiseksi ja korjaamiseksi
• Tietokannan turvaaminen kehittämällä pääsyjärjestelmää määrittämällä käyttäjän käyttöoikeustaso

---

2) Mitä dataanalyytikkoksi tuleminen vaaditaan?

Tullaksesi dataanalyytikko

• Vankka tietämys raportointipaketeista (Business Objects), ohjelmointikielestä (XML, Javascript tai ETL-kehykset), tietokannoista (SQL, SQLit jne.)
• Vahvat taidot ja kyky analysoida, organisoida, kerätä ja levittää suurta dataa tarkasti
• Tekninen tietämys tietokantojen suunnittelusta, tietomalleista, tiedon louhinnasta ja segmentointitekniikoista
• Vahva tietämys tilastopaketeista suurten tietojoukkojen analysointiin (SAS, kunnostautua, SPSS jne.)

---

3) Mainitse mitä eri vaiheita analytiikkaprojektissa on?

Analytiikkaprojektin eri vaiheita ovat mm

• Ongelman määrittely
• Tietojen etsintä
• Tietojen valmistelu
• mallinnus
• Tietojen validointi
• Toteutus ja seuranta

---

4) Mainitse mitä on tietojen puhdistaminen?

Tietojen puhdistaminen, jota kutsutaan myös tietojen puhdistamiseksi, käsittelee virheiden ja epäjohdonmukaisuuksien tunnistamista ja poistamista tiedosta tietojen laadun parantamiseksi.

---

5) Listaa joitain parhaita käytäntöjä tietojen puhdistamiseen?

Tietojen puhdistamisen parhaita käytäntöjä ovat mm.

• Lajittele tiedot eri attribuuttien mukaan
• Suuria tietojoukkoja varten puhdista se vaiheittain ja paranna tietoja jokaisessa vaiheessa, kunnes saavutat hyvän tiedonlaadun
• Suuret tietojoukot jakavat ne pieniin tietoihin. Työskentely vähemmällä datalla lisää iterointinopeutta
• Luo joukko aputoimintoja/työkaluja/skriptejä yleisten puhdistustehtävien hoitamiseksi. Se voi sisältää arvojen uudelleenkartoituksen CSV-tiedoston tai SQL-tietokannan perusteella tai regex-haku ja korvaa -toimintojen tyhjentämisen kaikki arvot, jotka eivät vastaa säännöllistä lauseketta.
• Jos sinulla on ongelmia tietojen puhtaudessa, järjestä ne arvioidun tiheyden mukaan ja hyökkää yleisimpiin ongelmiin
• Analysoi kunkin sarakkeen yhteenvetotilastot (keskihajonta, keskiarvo, puuttuvien arvojen määrä)
• Pidä kirjaa jokaisesta päivämäärän puhdistustoimenpiteestä, jotta voit tarvittaessa muuttaa muutoksia tai poistaa toimintoja

---

6) Selitä mikä on logistinen regressio?

Logistinen regressio on tilastollinen menetelmä aineiston tutkimiseksi, jossa on yksi tai useampi riippumaton muuttuja, joka määrittää tuloksen.

---

7) Luettelo parhaista työkaluista, jotka voivat olla hyödyllisiä data-analyysissä?

Seuraavat ovat parhaat data-analytiikkatyökalut

• Kuvaelma
• RapidMiner
• OpenRefine
• RUOKA
• Google-hakuoperaattorit
• ratkaisija
• NodeXL
• io
• Wolfram Alpha
• Google Fusion -taulukot

---

8) Mainitse mitä eroa on tiedon louhinnalla ja dataprofiloinnilla?

Ero tiedon louhinnan ja dataprofiloinnin välillä on se

Tietojen profilointi: Se keskittyy yksittäisten attribuuttien ilmentymäanalyysiin. Se antaa tietoa erilaisista attribuuteista, kuten arvoalue, diskreetti arvo ja niiden taajuus, nolla-arvojen esiintyminen, tietotyyppi, pituus jne.

Tietojen louhinta: Se keskittyy klusterianalyysiin, epätavallisten tietueiden havaitsemiseen, riippuvuuksiin, sekvenssien löytämiseen, useiden attribuuttien välisiin suhteisiin jne.

---

9) Luettele joitakin yleisiä ongelmia, joita data-analyytikko kohtaa?

Jotkut data-analyytikon kohtaamista yleisistä ongelmista ovat

• Yleinen kirjoitusvirhe
• Monista merkinnät
• Puuttuvat arvot
• Laittomat arvot
• Vaihtelevat arvoesitykset
• Päällekkäisten tietojen tunnistaminen

---

10) Mainitse Apachen kehittämän kehyksen nimi hajautetussa laskentaympäristössä olevan sovelluksen suuren tietojoukon käsittelyyn?

Hadoop ja MapReduce on Apachen kehittämä ohjelmointikehys suuren tietojoukon käsittelyyn hajautetun laskentaympäristön sovellusta varten.

---

11) Mainitse mitä puuttuvia malleja yleensä havaitaan?

Yleensä havaitut puuttuvat mallit ovat

• Puuttuu täysin satunnaisesti
• Puuttuu satunnaisesti
• Puuttuminen riippuu itse puuttuvasta arvosta
• Se puuttuu, riippuu havaitsemattomasta syöttömuuttujasta

---

12) Selitä mikä on KNN-imputointimenetelmä?

KNN-imputoinnissa puuttuvat attribuuttiarvot lasketaan käyttämällä attribuuttiarvoja, jotka ovat eniten samankaltaisia ​​kuin attribuutti, jonka arvot puuttuvat. Etäisyysfunktiota käyttämällä määritetään kahden attribuutin samankaltaisuus.

---

3) Mainitse mitkä ovat data-analyytikon käyttämät tiedon validointimenetelmät?

Yleensä dataanalyytikon käyttämät menetelmät tietojen validointiin ovat

• Tietojen seulonta
• Tietojen tarkistus

---

14) Selitä, mitä pitäisi tehdä epäillyille tai puuttuville tiedoille?

• Laadi validointiraportti, joka sisältää tiedot kaikista epäillyistä tiedoista. Sen tulee antaa tietoja, kuten validointikriteerit, että se epäonnistui, sekä tapahtuman päivämäärä ja kellonaika
• Kokemushenkilöstön tulee tutkia epäilyttävät tiedot määrittääkseen niiden hyväksyttävyyden
• Virheelliset tiedot tulee määrittää ja korvata vahvistuskoodilla
• Puuttuvien tietojen käsittelemiseksi käytä parasta analyysistrategiaa, kuten poistomenetelmää, yksittäisiä imputointimenetelmiä, mallipohjaisia ​​menetelmiä jne.

---

15) Mainitse kuinka käsitellä usean lähteen ongelmia?

Monien lähteiden ongelmien ratkaisemiseksi

• Kaavojen uudelleenjärjestely skeeman integroinnin toteuttamiseksi
• Tunnista samanlaiset tietueet ja yhdistä ne yhdeksi tietueeksi, joka sisältää kaikki olennaiset attribuutit ilman redundanssia

---

16) Selitä mikä on outlier?

Outlier on yleisesti käytetty termi, jota analyytikot viittaavat arvoon, joka näkyy kaukana ja poikkeaa otoksen yleisestä mallista. Outliereja on kahta tyyppiä

• Yksimuuttujainen
• monimuuttuja

---

17) Selitä mikä on hierarkkinen klusterointialgoritmi?

Hierarkkinen klusterointialgoritmi yhdistää ja jakaa olemassa olevat ryhmät luoden hierarkkisen rakenteen, joka näyttää järjestyksen, jossa ryhmät jaetaan tai yhdistetään.

---

18) Selitä mikä on K-keskiarvoalgoritmi?

K mean on kuuluisa osiointimenetelmä. Objektit luokitellaan kuuluviksi johonkin K-ryhmään, k valitaan a priori.

K-keskiarvoisessa algoritmissa

• Klusterit ovat pallomaisia: klusterin datapisteet ovat keskittyneet kyseisen klusterin ympärille
• Klusterien varianssi/hajautus on samanlainen: Jokainen datapiste kuuluu lähimpään klusteriin

---

19) Mainitse mitkä ovat Data Analystilta vaadittavat keskeiset taidot?

Datatieteilijällä tulee olla seuraavat taidot

• Tietokannan tuntemus

• Tietokannanhallinta
• Tietojen yhdistäminen
• Kyselyt
• Tietojen manipulointi

• Ennakoiva Analytics

• Peruskuvaustilastot
• Ennustava mallintaminen
• Advanced analytics

• Big Data -tieto

• Big data -analytiikka
• Strukturoimaton data-analyysi
• Koneen oppiminen

• Esitystaito

• Tietojen visualisointi
• Insight-esitys
• Raportin suunnittelu

---

20) Selitä, mitä yhteistyösuodatus on?

Yhteiskäyttöinen suodatus on yksinkertainen algoritmi suositusjärjestelmän luomiseksi käyttäjien käyttäytymistietojen perusteella. Yhteistyösuodatuksen tärkeimmät komponentit ovat käyttäjät- kohteet- kiinnostus.

Hyvä esimerkki yhteistoiminnallisesta suodatuksesta on, kun näet verkkokauppasivustoilla lauseen, kuten "suositellaan sinulle", joka ponnahtaa esiin selaushistoriasi perusteella.

---

21) Selitä, mitä työkaluja Big Datassa käytetään?

Big Datassa käytettyjä työkaluja ovat mm

• Hadoop
• Hive
• Sika
• Flume
• Mahout
• Sqoop

---

22) Selitä mikä on KPI, kokeiden suunnittelu ja 80/20-sääntö?

CPI: Se tarkoittaa Key Performance Indicator, se on mittari, joka koostuu mistä tahansa laskentataulukoiden, raporttien tai kaavioiden yhdistelmästä liiketoimintaprosesseista.

Kokeiden suunnittelu: Se on ensimmäinen prosessi, jota käytetään tietojen jakamiseen, otokseen ja tietojen määrittämiseen tilastollista analyysiä varten

80/20 säännöt: Se tarkoittaa, että 80 prosenttia tuloistasi tulee 20 prosentilta asiakkaistasi

---

23) Selitä mikä on Map Reduce?

Map-reduce on kehys, jolla käsitellään suuria tietojoukkoja, jaetaan ne osajoukkoihin, käsitellään jokainen osajoukko eri palvelimella ja yhdistetään sitten jokaisesta saadut tulokset.

---

24) Selitä, mitä klusterointi on? Mitkä ovat klusterointialgoritmien ominaisuudet?

Klusterointi on dataan sovellettava luokitusmenetelmä. Klusterialgoritmi jakaa tietojoukon luonnollisiin ryhmiin tai klustereihin.

Klusterointialgoritmin ominaisuudet ovat

• Hierarkkinen tai tasainen
• iteratiivinen
• Kovaa ja pehmeää
• Disjunktiivinen

---

25) Mitkä ovat tilastollisia menetelmiä, jotka ovat hyödyllisiä data-analyytikoille?

Datatieteilijöille hyödyllisiä tilastomenetelmiä ovat

• Bayesin menetelmä
• Markovin prosessi
• Tila- ja klusteriprosessit
• Sijoitustilastot, prosenttipiste, poikkeamien havaitseminen
• Imputointitekniikat jne.
• Yksinkertainen algoritmi
• Matemaattinen optimointi

---

26) Mitä on aikasarjaanalyysi?

Aikasarjaanalyysi voidaan tehdä kahdella alueella, taajuusalueella ja aikatasolla. Aikasarjaanalyysissä tietyn prosessin tuotto voidaan ennustaa analysoimalla aikaisempia tietoja eri menetelmien, kuten eksponentiaalinen tasoitus, log-lineaarinen regressiomenetelmä jne., avulla.

---

27) Selitä mikä on korrelogrammianalyysi?

Korrelogrammianalyysi on maantieteen yleinen tilaanalyysin muoto. Se koostuu sarjasta arvioituja autokorrelaatiokertoimia, jotka on laskettu eri tilasuhteelle. Sitä voidaan käyttää korrelogrammin muodostamiseen etäisyyspohjaiselle tiedolle, kun raakadata ilmaistaan ​​etäisyydenä eikä yksittäisten pisteiden arvoina.

---

28) Mikä on hash-taulukko?

Laskennassa hash-taulukko on kartta arvojen avaimista. Se on a tietorakenne käytetään assosiatiivisen taulukon toteuttamiseen. Se käyttää hash-funktiota indeksin laskemiseen ryhmä paikoista, joista haluttu arvo voidaan hakea.

---

29) Mitä hash-taulukoiden törmäykset ovat? Miten se vältetään?

Hajautustaulukon törmäys tapahtuu, kun kaksi eri avainta tiivistää samaan arvoon. Kahta dataa ei voi tallentaa samaan paikkaan taulukossa.

Hash-taulukon törmäyksen välttämiseksi on olemassa monia tekniikoita, tässä luetellaan kaksi

• Erillinen ketjutus:

Se käyttää tietorakennetta useiden kohteiden tallentamiseen, jotka hajautuvat samaan paikkaan.

• Avoin osoitus:

Se etsii muita paikkoja käyttämällä toista toimintoa ja tallentaa kohteen ensimmäiseen löydettyyn tyhjään paikkaan

---

29) Selitä mitä imputointi on? Luettele erilaisia ​​imputointitekniikoita?

Imputoinnin aikana korvaamme puuttuvat tiedot korvatuilla arvoilla. Imputointitekniikoiden tyypit ovat

• Yksittäinen impulaatio

• Hot-deck-imputointi: Puuttuva arvo lasketaan satunnaisesti valitusta samanlaisesta tietueesta reikäkortin avulla
• Cold deck -imputointi: Se toimii samalla tavalla kuin hot deck -imputointi, mutta se on edistyneempi ja valitsee luovuttajat toisista tietojoukoista
• Keskimääräinen imputointi: Se sisältää puuttuvan arvon korvaamisen kyseisen muuttujan keskiarvolla kaikissa muissa tapauksissa
• Regressioimputointi: se sisältää puuttuvan arvon korvaamisen muuttujan ennustetuilla arvoilla muiden muuttujien perusteella
• Stokastinen regressio: Se on sama kuin regressioimputaatio, mutta se lisää keskimääräisen regression varianssin regressioimputaatioon

• Useita imputointeja

• Toisin kuin yksittäinen imputaatio, moninkertainen imputointi arvioi arvot useita kertoja

---

30) Kumpi imputointimenetelmä on edullisempi?

Vaikka yksittäistä imputaatiota käytetään laajalti, se ei heijasta satunnaisten tietojen puuttumisen aiheuttamaa epävarmuutta. Joten moninkertainen imputointi on edullisempi kuin yksi imputointi, jos tietoja puuttuu satunnaisesti.

---

31) Selitä mikä on n-grammi?

N-grammi:

N-grammi on peräkkäinen sarja n kohdetta tietystä teksti- tai puhesekvenssistä. Se on eräänlainen todennäköisyyspohjainen kielimalli seuraavan kohteen ennustamiseksi tällaisessa sekvenssissä muodossa (n-1).

---

32) Selitä, mitkä ovat hyvän tietomallin kriteerit?

Hyvän tietomallin kriteerit sisältävät

• Se voidaan helposti kuluttaa
• Hyvässä mallissa suurten datamuutosten tulee olla skaalautuvia
• Sen pitäisi tarjota ennakoitava suorituskyky
• Hyvä malli sopeutuu vaatimusten muutoksiin

Nämä haastattelukysymykset auttavat myös vivassasi (suullinen)