Data-Scientist-Interviewfragen nach Runde

Du hast wahrscheinlich SQL und etwas Machine Learning vorbereitet und bist unsicher, was sonst noch kommt. Dieser Abschnitt zeigt die fünf Runden, die diese Prozesse immer wieder verwenden, damit deine Vorbereitung zur Bewertung passt. Jede Runde prüft etwas anderes, und nur die beiden technischen Runden vorzubereiten ist der häufigste Grund, warum starke Kandidaten Angebote verlieren.

• SQL und Coding. Query-Schreiben plus Datenmanipulation mit Python, meist live.
• Statistik und Wahrscheinlichkeit. Interpretation und Argumentation, keine Beweise.
• Experimentdesign. A/B-Tests: was gemessen wird, wie lange sie laufen, wann man dem Ergebnis traut.
• Modellierung oder Case. Ein offenes Problem, das du einordnest und auf hohem Niveau löst.
• Verhalten und Stakeholder. Wie du mit Unklarheit, Uneinigkeit und ungewollten Ergebnissen umgegangen bist.

Die Bezeichnungen variieren. Ein Unternehmen, das die Rolle Data Scientist nennt, kann einen Analyst-Prozess durchführen, und umgekehrt. Wenn du die Analyst-Version dieser Seite möchtest, findest du sie im Hub Interviewfragen nach Rolle.

Statistik und Wahrscheinlichkeit

• Was bedeutet ein p-Wert wirklich, und was bedeutet er nicht?
• Erkläre einem Product Manager ein Konfidenzintervall in zwei Sätzen.
• Wann würdest du einen t-Test statt eines z-Tests verwenden?
• Was ist der zentrale Grenzwertsatz, und warum ist er für deine Arbeit wichtig?
• Eine Metrik hat sich bewegt, und das Ergebnis ist signifikant. Warum könnte es trotzdem falsch sein?
• Erkläre den Fehler erster und zweiter Art anhand einer Entscheidung, die dein Team tatsächlich trifft.
• Was ist Selection Bias, und wie würdest du ihn in deinen Daten erkennen?
• Wann ist der Median eine bessere Zusammenfassung als der Mittelwert?

Experimentdesign und A/B-Tests

• Wie würdest du ein Experiment entwerfen, um einen neuen Onboarding-Flow zu testen?
• Wie wählst du die Stichprobengröße, und was passiert, wenn du sie nicht erreichst?
• Dein Test ist nach drei Tagen signifikant. Gehst du live?
• Was ist ein Neuheitseffekt, und wie würdest du ihn von einem echten Lift unterscheiden?
• Wie gehst du damit um, wenn mehrere Metriken sich in unterschiedliche Richtungen bewegen?
• Was würdest du tun, wenn die Randomisierung mitten im Test kaputtgegangen ist?
• Wie würdest du etwas messen, das du nicht randomisieren kannst, etwa eine Preisänderung in einem ganzen Markt?

Das Muster, das auffällt: Fast keine dieser Fragen hat eine einzig richtige Antwort. Bewertet wird, ob du die Annahme benennst, den Trade-off darstellst und sagst, was du prüfen würdest.

Modellierung

• Wie würdest du ein Modell bauen, um Customer Churn vorherzusagen? Beginne damit, wie du Churn definieren würdest.
• Dein Modell hat 95 Prozent Accuracy auf einem unausgewogenen Datensatz. Ist das gut?
• Erkläre den Bias-Variance-Tradeoff anhand eines Modells, das du live geschaltet hast.
• Wie würdest du dich für dieses Problem zwischen einem einfachen und einem komplexen Modell entscheiden?
• Woran erkennst du, dass ein Modell nach dem Deployment nicht mehr funktioniert?
• Erkläre Regularisierung jemandem, der sie noch nie verwendet hat.

SQL und Python

• Schreibe eine Query, die für jeden Nutzer das erste und letzte Kaufdatum zurückgibt.
• Berechne einen gleitenden Sieben-Tage-Durchschnitt der täglich aktiven Nutzer.
• Ermittle die Conversion-Rate nach Kohortenmonat.
• Forme in pandas eine lange Tabelle in eine breite um, und erkläre, wann du das nicht tun würdest.
• Wie würdest du doppelte Zeilen in einer Transaktionstabelle finden und behandeln?

Product Sense und Metriken

• Wie würdest du messen, ob ein neues Feature erfolgreich ist?
• Die täglich aktiven Nutzer steigen, aber der Umsatz stagniert. Untersuche das.
• Welche einzelne Metrik würdest du auf das Leadership-Dashboard setzen, und welche würdest du weglassen?
• Woran erkennst du eine gute Retention-Kurve im Unterschied zu einer schlechten?

Eine Fragenliste zu lesen schafft Wiedererkennung. Interviews prüfen Leistung unter Zeitdruck, während dich jemand unterbricht, und das sind andere Fähigkeiten. Die Lücke zeigt sich am stärksten in den Experiment- und Case-Runden, wo die Antwort ein strukturiertes Argument ist, kein bloßes Faktum.

• Antworte laut, mit Timer. Sechs Minuten pro Case-Frage, keine Notizen, kein Neustart.
• Nenne zuerst deine Annahmen. Zu benennen, was du annimmst, wird bewertet, und es verschafft dir zudem Denkzeit.
• Übe, unterbrochen zu werden. Echte Interviewer unterbrechen ab der zweiten Minute. Einen ununterbrochenen Monolog zu proben bereitet dich darauf nicht vor.
• Schreibe SQL von Hand. Live-Runden nutzen oft einen einfachen Editor ohne Autovervollständigung und ohne Möglichkeit, die Query auszuführen.
• Erkläre jedes Ergebnis zweimal. Einmal technisch, einmal für einen Stakeholder, dem deine Methode egal ist.

Eine Data Scientist mit vier Jahren Erfahrung bereitete sich auf einen Marketplace-Prozess vor, indem sie hundert Fragen in einem Dokument durchging, und blieb dann bei "dein Test ist nach drei Tagen signifikant, gehst du live?" hängen, weil sie eine Antwort darauf noch nie laut ausgesprochen hatte. Der Inhalt war in ihrem Kopf; der Vortrag nicht. Wenn du das mit Nachfragen trainieren willst, führt der Modus Mock Interview die Runde durch und hakt bei deinen Antworten nach.