Zo Voer Je een Mock-interview voor Data Analisten Uit

Interviewprocedures voor data analisten zijn qua structuur voorspelbaar en vangen toch voorbereide kandidaten, omdat voorbereiding meestal in stilte gebeurt terwijl het interview hardop plaatsvindt. Dit onderdeel beschrijft de mock die dat gat dicht. Bouw hem op uit de drie rondes die bijna elke interviewprocedure voor analisten bevat.

Ten eerste, een live SQL-oefening: 20 tot 30 minuten op een realistisch schema. Ten tweede, een metrics-case: een cijfer beweegt, en jij redeneert waarom. Ten derde, gedragsgericht (behavioral): verhalen over stakeholders, een moment waarop je analyse fout zat, een deadline die niet gehaald werd. Doorloop alle drie in één sessie als het kan, want doorzettingsvermogen hoort ook bij het echte werk.

Geef elk onderdeel een strikte tijdslimiet en spreek elk antwoord uit alsof de interviewer aanwezig is, of oefen tegen een AI-interviewer; de pagina mock-interview beschrijft hoe je dat opzet met rolspecifieke vragen.

Kies een schema met drie of vier gerelateerde tabellen, orders, users, sessions, payments, en werk vragen af in oplopende moeilijkheid: een aggregatie met een filter, een join met een group-by, en dan een window function-vraag zoals een running total, een rank binnen een groep, of een month-over-month verandering. Window functions, self-joins en NULL-afhandeling zijn waar echte interviews kandidaten scheiden.

Vertel de hele tijd wat je doet: wat de grain van elke tabel is, waarom je op die keys joint, wat dubbel geteld zou kunnen worden. Interviewers beoordelen die toelichting, en dat is precies wat stil oefenen nooit opbouwt. Als een query faalt, debug dan ook hardop; netjes herstellen leest beter dan het in stilte meteen goed hebben.

Sluit de ronde af door je uiteindelijke query in gewone taal terug uit te leggen, één zin per clausule. Als die uitleg onduidelijk is, zal de versie tijdens het interview dat ook zijn.

De case-ronde heeft een standaardvorm: een metric beweegt, diagnosticeer waarom. Oefen een vaste structuur. Definieer de metric eerst precies, inclusief de noemer. Segmenteer daarna: per platform, regio, gebruikerscohort, tijdvenster. Formuleer vervolgens hypotheses per categorie, data-pipelineproblemen, productwijzigingen, externe gebeurtenissen, mix shift, en zeg welke query of grafiek elk zou testen. Sluit af met wat je vervolgens zou doen, niet alleen met wat er gebeurde.

Een concreet voorbeeld: een analist die zich voorbereidt op een e-commercerol geeft zichzelf de opdracht dat de wekelijkse conversie 8 procent daalde, werkt de structuur 15 minuten lang hardop uit, en controleert pas daarna of ze de noemer had vastgelegd voordat ze hypotheses opstelde. De meeste eerste pogingen slaan de definitiestap over, en dat is precies de gewoonte die de mock moet verhelpen.

Vragensets voor meer case-opdrachten zijn verzameld in de hub met vragenbanken.

Eén mock verandert weinig; een vast ritme verandert het resultaat. Twee of drie sessies per week in de twee weken voor de interviews is een haalbaar ritme, elke keer afgesloten met schriftelijke feedback: iets dat lukte, iets om te verbeteren, een vraag waar je op vastliep. Herhaal de vastgelopen vragen aan het begin van de volgende sessie, want gespreide herhaling op je werkelijke zwakke plekken werkt altijd beter dan steeds nieuwe vragen.

Varieer ook de druk van de interviewer. Laat vervolgvragen je onderbreken, laat aannames ter discussie staan, en oefen om helder ik weet het niet te zeggen, gevolgd door hoe je het te weten zou komen. Hoe een sessie met een AI-interviewer er van begin tot eind uitziet, en hoe feedback daarna wordt gegenereerd, staat beschreven in de hub voor mock-interviews.