Top 32 pitanja i odgovora za intervju analitičara podataka (2025.)

Ovdje su pitanja i odgovori na intervjuu za analitičara podataka za brucoše, kao i za iskusne kandidate za analitiku podataka koji će dobiti posao iz snova.

Besplatno preuzimanje PDF-a: Pitanja za intervju analitičara podataka

1) Navedite koja je odgovornost analitičara podataka?

Odgovornost analitičara podataka uključuje,

• Pružite podršku svim analizama podataka i koordinirajte s klijentima i osobljem
• Rješavanje poslovnih problema za klijente i performanse revizija na podacima
• Analizirajte rezultate i interpretirajte podatke pomoću statističkih tehnika i dajte izvješća u tijeku
• Odredite prioritete poslovnih potreba i blisko surađujte s menadžmentom i potrebama informacija
• Identificirajte nove procese ili područja za mogućnosti poboljšanja
• Analizirajte, identificirajte i tumačite trendove ili obrasce u složenim skupovima podataka
• Nabavite podatke iz primarnih ili sekundarnih izvora podataka i održavajte baze podataka / sustave podataka
• Filtrirajte i "očistite" podatke te pregledajte računalna izvješća
• Odredite pokazatelje izvedbe kako biste locirali i ispravili probleme koda
• Osiguranje baze podataka razvojem sustava pristupa određivanjem korisničke razine pristupa

---

2) Što je potrebno da biste postali analitičar podataka?

Da biste postali analitičar podataka,

• Dobro znanje o paketima za izvješćivanje (Business Objects), programskom jeziku (XML, Javascript ili ETL okviri), bazama podataka (SQL, SQLite, itd.)
• Snažne vještine sa sposobnošću točne analize, organiziranja, prikupljanja i diseminacije velikih podataka
• Tehničko znanje o dizajnu baza podataka, modelima podataka, rudarenju podataka i tehnikama segmentacije
• Dobro poznavanje statističkih paketa za analizu velikih skupova podataka (SAS, nadmašiti, SPSS, itd.)

---

3) Navedite koji su različiti koraci u analitičkom projektu?

Razni koraci u analitičkom projektu uključuju

• Definicija problema
• Istraživanje podataka
• Priprema podataka
• Modeliranje
• Validacija podataka
• Implementacija i praćenje

---

4) Navedite što je čišćenje podataka?

Čišćenje podataka koje se također naziva i čišćenje podataka, bavi se identificiranjem i uklanjanjem pogrešaka i nedosljednosti iz podataka kako bi se poboljšala kvaliteta podataka.

---

5) Navedite neke od najboljih praksi za čišćenje podataka?

Neke od najboljih praksi za čišćenje podataka uključuju,

• Sortirajte podatke prema različitim atributima
• Za velike skupove podataka očistite ih korak po korak i poboljšavajte podatke sa svakim korakom dok ne postignete dobru kvalitetu podataka
• Za velike skupove podataka, podijelite ih na male podatke. Rad s manje podataka povećat će vašu brzinu ponavljanja
• Za obavljanje uobičajenog zadatka čišćenja stvorite skup pomoćnih funkcija/alata/skripti. To može uključivati ​​ponovno mapiranje vrijednosti na temelju CSV datoteke ili SQL baze podataka ili pretraživanje i zamjena regularnih izraza, brisanje svih vrijednosti koje se ne podudaraju s regularnim izrazom
• Ako imate problema s čistoćom podataka, rasporedite ih po procijenjenoj učestalosti i napadnite najčešće probleme
• Analizirajte sumarnu statistiku za svaki stupac (standardna devijacija, srednja vrijednost, broj vrijednosti koje nedostaju,)
• Pratite svaku operaciju čišćenja datuma, tako da možete promijeniti promjene ili ukloniti operacije ako je potrebno

---

6) Objasnite što je logistički regresija?

Logistička regresija je statistička metoda za ispitivanje skupa podataka u kojem postoji jedna ili više neovisnih varijabli koje definiraju ishod.

---

7) Popis nekih najboljih alata koji mogu biti korisni za analizu podataka?

Slijede najbolji alati za analizu podataka

• Tablo
• RapidMiner
• OpenRefine
• KNIM
• Google operatori pretraživanja
• Rješavač
• NodeXL
• io
• Wolfram Alpha
• Google Fusion tablice

---

8) Navedite koja je razlika između rudarenja podataka i profiliranja podataka?

Razlika između rudarenja podataka i profiliranja podataka je ta

Profiliranje podataka: Usmjeren je na analizu instanci pojedinačnih atributa. Daje informacije o različitim atributima kao što su raspon vrijednosti, diskretna vrijednost i njihova učestalost, pojavljivanje nultih vrijednosti, vrsta podataka, duljina itd.

Rudarenje podacima: Fokusira se na analizu klastera, otkrivanje neobičnih zapisa, ovisnosti, otkrivanje niza, držanje odnosa između nekoliko atributa itd.

---

9) Navedite neke uobičajene probleme s kojima se suočava analitičar podataka?

Neki od uobičajenih problema s kojima se suočavaju analitičari podataka su

• Uobičajena pravopisna pogreška
• Dvostruki unosi
• Nedostaju vrijednosti
• Ilegalne vrijednosti
• Promjenjivi prikazi vrijednosti
• Identificiranje podataka koji se preklapaju

---

10) Navedite naziv okvira koji je razvio Apache za obradu velikog skupa podataka za aplikaciju u distribuiranom računalnom okruženju?

Hadoop a MapReduce je programski okvir koji je razvio Apache za obradu velikog skupa podataka za aplikaciju u distribuiranom računalnom okruženju.

---

11) Navedite koji obrasci nedostaju koji se općenito uočavaju?

Obrasci koji nedostaju koji se općenito promatraju su

• Nedostaje potpuno nasumično
• Nedostaje slučajno
• Nedostatak ovisi o samoj vrijednosti koja nedostaje
• Nedostatak ovisi o nepromatranoj ulaznoj varijabli

---

12) Objasnite što je KNN metoda imputacije?

U KNN imputaciji, vrijednosti atributa koji nedostaju imputiraju se korištenjem vrijednosti atributa koji su najsličniji atributu čije vrijednosti nedostaju. Pomoću funkcije udaljenosti utvrđuje se sličnost dva atributa.

---

3) Navedite koje su metode provjere podataka koje koristi analitičar podataka?

Obično su metode koje koristi analitičar podataka za provjeru valjanosti podataka

• Provjera podataka
• Provjera podataka

---

14) Objasnite što treba učiniti sa sumnjivim podacima ili podacima koji nedostaju?

• Pripremite izvješće o validaciji koje daje informacije o svim sumnjivim podacima. Trebao bi dati informacije poput kriterija za provjeru valjanosti da nije uspio te datum i vrijeme događaja
• Iskusno osoblje trebalo bi ispitati sumnjive podatke kako bi utvrdilo njihovu prihvatljivost
• Nevažeći podaci trebaju se dodijeliti i zamijeniti validacijskim kodom
• Za rad na podacima koji nedostaju upotrijebite najbolju strategiju analize poput metode brisanja, metode pojedinačne imputacije, metode temeljene na modelu itd.

---

15) Navedite kako riješiti probleme s više izvora?

Za rješavanje problema s više izvora,

• Restrukturiranje shema kako bi se postigla integracija sheme
• Identificirajte slične zapise i spojite ih u jedan zapis koji sadrži sve relevantne atribute bez suvišnosti

---

16) Objasnite što je Outlier?

Outlier je izraz koji analitičari često koriste za vrijednost koja se čini daleko i odudara od ukupnog obrasca u uzorku. Postoje dvije vrste outliera

• Jednosmjerna
• Multivarijatna

---

17) Objasnite što je hijerarhijski algoritam klasteriranja?

Hijerarhijski algoritam klasteriranja kombinira i dijeli postojeće grupe, stvarajući hijerarhijsku strukturu koja prikazuje redoslijed kojim su grupe podijeljene ili spojene.

---

18) Objasnite što je K-mean algoritam?

K mean je poznata metoda dijeljenja. Objekti se klasificiraju kao pripadnici jedne od K skupina, k odabranih unaprijed.

U algoritmu K-srednje vrijednosti,

• Klasteri su sferični: podatkovne točke u klasteru centrirane su oko tog klastera
• Varijanca/rasprostranjenost klastera je slična: svaka podatkovna točka pripada najbližem klasteru

---

19) Navedite koje su ključne vještine potrebne za analitičara podataka?

Znanstvenik za podatke mora imati sljedeće vještine

• Poznavanje baze podataka

• Upravljanje bazom podataka
• Miješanje podataka
• Postavljanje upita
• Manipulacija podataka

• Prediktivna analitika

• Osnovna deskriptivna statistika
• Prediktivno modeliranje
• Napredna analitika

• Znanje o velikim podacima

• Analitika velikih podataka
• Analiza nestrukturiranih podataka
• Strojno učenje

• Prezentacijska vještina

• Vizualizacija podataka
• Insight prezentacija
• Dizajn izvješća

---

20) Objasnite što je kolaborativno filtriranje?

Kolaborativno filtriranje jednostavan je algoritam za stvaranje sustava preporuka na temelju podataka o ponašanju korisnika. Najvažnije komponente kolaborativnog filtriranja su korisnici- stavke- interes.

Dobar primjer suradničkog filtriranja je kada vidite izjavu poput "preporučeno za vas" na web-lokacijama za online kupnju koja iskače na temelju vaše povijesti pregledavanja.

---

21) Objasnite koji se alati koriste u Big Data?

Alati koji se koriste u Big Data uključuju

• Hadoop
• Košnica
• Svinja
• Žlijeb
• Čuvar slonova u Indiji
• Sqoop

---

22) Objasnite što je KPI, dizajn eksperimenata i pravilo 80/20?

KPI: Skraćenica je za Key Performance Indicator, to je metrika koja se sastoji od bilo koje kombinacije proračunskih tablica, izvješća ili grafikona o poslovnim procesima

Dizajn pokusa: To je početni proces koji se koristi za razdvajanje vaših podataka, uzorak i postavljanje podataka za statističku analizu

Pravila 80/20: To znači da 80 posto vaših prihoda dolazi od 20 posto vaših klijenata

---

23) Objasnite što je Map Reduce?

Map-reduce je okvir za obradu velikih skupova podataka, njihovo dijeljenje u podskupove, obradu svakog podskupa na drugom poslužitelju i zatim miješanje rezultata dobivenih na svakom.

---

24) Objasnite što je klasteriranje? Koja su svojstva algoritama klasteriranja?

Grupiranje je metoda klasifikacije koja se primjenjuje na podatke. Algoritam klasteriranja dijeli skup podataka u prirodne grupe ili klastere.

Svojstva za algoritam klasteriranja su

• Hijerarhijski ili ravni
• iterativan
• Tvrdo i meko
• Disjunktivna

---

25) Koje su neke od statističkih metoda koje su korisne za analitičare podataka?

Statističke metode koje su korisne za podatkovne znanstvenike su

• Bayesova metoda
• Markovljev proces
• Prostorni i klasterski procesi
• Statistika ranga, percentil, otkrivanje odstupanja
• Tehnike imputacije, itd.
• Simpleks algoritam
• Matematička optimizacija

---

26) Što je analiza vremenskih serija?

Analiza vremenske serije može se raditi u dvije domene, frekvencijskoj domeni i vremenskoj domeni. U analizi vremenskih serija izlaz određenog procesa može se predvidjeti analizom prethodnih podataka uz pomoć različitih metoda kao što su eksponencijalno izglađivanje, metoda log-linearne regresije, itd.

---

27) Objasnite što je korelogramska analiza?

Korelogramska analiza je uobičajeni oblik prostorne analize u geografiji. Sastoji se od niza procijenjenih koeficijenata autokorelacije izračunatih za različite prostorne odnose. Može se koristiti za konstruiranje korelograma za podatke temeljene na udaljenosti, kada se neobrađeni podaci izražavaju kao udaljenost, a ne kao vrijednosti u pojedinačnim točkama.

---

28) Što je hash tablica?

U računalstvu, hash tablica je mapa ključeva vrijednosti. To je a struktura podataka koristi se za implementaciju asocijativnog niza. Koristi hash funkciju za izračunavanje indeksa u poredak utora iz kojih se može dohvatiti željena vrijednost.

---

29) Što su kolizije hash tablica? Kako se to izbjegava?

Do sudara hash tablice dolazi kada dva različita ključa hashiraju istu vrijednost. Dva podatka ne mogu se pohraniti u isti utor u polju.

Za izbjegavanje kolizije hash tablice postoji mnogo tehnika, ovdje navodimo dvije

• Odvojeno ulančavanje:

Koristi strukturu podataka za pohranjivanje više stavki koje se raspršuju u isti utor.

• Otvoreno adresiranje:

Traži druge utore pomoću druge funkcije i pohranjuje stavku u prvi prazan utor koji pronađe

---

29) Objasnite što je imputacija? Navedite različite vrste tehnika imputacije?

Tijekom imputacije zamjenjujemo podatke koji nedostaju zamijenjenim vrijednostima. Vrste tehnika imputiranja koje uključuju su

• Pojedinačna imputacija

• Hot-deck imputacija: vrijednost koja nedostaje pripisuje se iz nasumično odabranog sličnog zapisa uz pomoć bušene kartice
• Cold deck imputacija: funkcionira isto kao i vruća imputacija, ali je naprednija i odabire donatore iz drugih skupova podataka
• Srednja imputacija: uključuje zamjenu vrijednosti koja nedostaje srednjom vrijednosti te varijable za sve ostale slučajeve
• Regresijsko imputiranje: uključuje zamjenu vrijednosti koja nedostaje predviđenim vrijednostima varijable na temelju drugih varijabli
• Stohastička regresija: ista je kao imputacija regresije, ali dodaje prosječnu varijancu regresije regresijskoj imputaciji

• Višestruka imputacija

• Za razliku od pojedinačne imputacije, višestruka imputacija procjenjuje vrijednosti više puta

---

30) Koja je metoda imputacije povoljnija?

Iako se pojedinačna imputacija široko koristi, ona ne odražava nesigurnost koju stvaraju nasumični nedostajući podaci. Dakle, višestruka imputacija je povoljnija od pojedinačne imputacije u slučaju da podaci nedostaju nasumično.

---

31) Objasnite što je n-gram?

N-gram:

N-gram je kontinuirani niz od n stavki iz danog niza teksta ili govora. To je vrsta probabilističkog jezičnog modela za predviđanje sljedeće stavke u takvom nizu u obliku (n-1).

---

32) Objasnite koji su kriteriji za dobar model podataka?

Kriteriji za dobar model podataka uključuju

• Može se lako konzumirati
• Velike promjene podataka u dobrom modelu trebaju biti skalabilne
• Trebao bi pružiti predvidljive performanse
• Dobar model može se prilagoditi promjenama u zahtjevima

Ova pitanja za intervju također će vam pomoći u vašem životu