Rozmowa rekrutacyjna na stanowisko analityka danych potrafi zestresować choćby wtedy, gdy „coś tam umiem”. Problem polega na tym, iż często nie chodzi o samą wiedzę, tylko o płynność odpowiedzi, zrozumienie kontekstu biznesowego i świadomość ograniczeń narzędzi, z których korzystamy.

W tym artykule przejdę przez najczęstsze pytania techniczne, które pojawiają się na rozmowach kwalifikacyjnych. Skupiam się na poziomie junior, ewentualnie junior+, czyli osobie, która już coś potrafi, ale jeszcze nie jest midem czy seniorem.

Omówię pytania z:

• Excela
• SQL
• Power BI
• Tableau
• Pythona

Nie chodzi tylko o to, żeby znać odpowiedź. Chodzi o to, żeby rozumieć, dlaczego dana rzecz ma znaczenie w praktyce.

Excel – klasyki, które wciąż padają

Excel to wciąż podstawowe narzędzie pracy analityka. choćby jeżeli pracujesz głównie w SQL czy Power BI, prędzej czy później dostaniesz plik od biznesu. I wtedy zaczyna się zabawa.

Jakie są ograniczenia VLOOKUP?

To pytanie pojawia się bardzo często. Dlaczego? Bo VLOOKUP jest wszędzie. W plikach, które krążą po firmie od 2012 roku. W trackerach, które były poprawiane przez 5 różnych osób.

Najważniejsze ograniczenia:

1. Działa tylko w prawo
   Kolumna z kluczem musi być pierwsza od lewej. Nie wyszukasz wartości znajdującej się „po lewej stronie” bez kombinowania.
2. Wrażliwość na zmiany struktury tabeli
   Jeśli ktoś wstawi nową kolumnę w środku tabeli, numer kolumny w formule przestaje wskazywać to, co trzeba. I nagle raport przestaje działać.
3. Wydajność przy dużych zbiorach danych
   Przy setkach tysięcy wierszy Excel zaczyna się dławić. VLOOKUP nie jest zoptymalizowany pod ogromne dataset’y.

Jeśli na rozmowie dodasz, iż dziś często używa się XLOOKUP albo INDEX + MATCH jako bardziej elastycznych rozwiązań, to pokazujesz, iż nie zatrzymałeś się w 2015 roku.

Co oznacza błąd #N/A i jak go obsłużyć?

#N/A oznacza, iż Excel nie znalazł dopasowania.

To nie jest „błąd logiczny” w sensie zepsutej formuły. To komunikat: „szukałem, ale nie znalazłem”.

Jak go obsłużyć?

1. Walidacja danych
   Jeśli użytkownik wybiera wartość z dropdownu, zmniejszamy ryzyko sytuacji, w której szuka czegoś, czego w ogóle nie ma w tabeli.
2. IFERROR / IFNA
   Możemy przechwycić błąd i zamiast #N/A wyświetlić np. „Brak danych” albo 0.

Na rozmowie warto pokazać, iż rozumiesz, iż #N/A to sygnał, a nie wróg. I iż obsługa błędów to część odpowiedzialnej pracy z danymi.

SQL – absolutna podstawa analityki

Jeśli firma pracuje na bazie danych, SQL jest nie do przeskoczenia. I tutaj pytania są zwykle bardzo klasyczne.

Czym różni się LEFT JOIN od INNER JOIN?

To pytanie pada zaskakująco często.

INNER JOIN zwraca tylko te rekordy, które mają dopasowanie w obu tabelach.
LEFT JOIN zwraca wszystkie rekordy z lewej tabeli oraz dopasowania z prawej.

Kluczowe jest coś jeszcze.

LEFT JOIN jest często „bezpieczniejszy”. jeżeli nie masz pewności, czy relacja jest 1:1, użycie INNER JOIN może nieświadomie wyciąć dane. A wycięcie danych to potencjalnie błędne wnioski biznesowe.

Jeśli o tym wspomnisz, pokazujesz, iż myślisz o konsekwencjach, a nie tylko o składni.

JOIN vs UNION

To pytanie sprawdza, czy rozumiesz strukturę danych.

JOIN łączy tabele obok siebie, na podstawie klucza.
UNION dokłada jedną tabelę pod drugą.

Różnice:

• JOIN zwiększa liczbę kolumn.
• UNION zwiększa liczbę wierszy.
• UNION wymaga identycznej struktury: tej samej liczby kolumn i kompatybilnych typów danych.

W praktyce częściej używa się JOIN niż UNION, ale trzeba rozumieć oba mechanizmy.

WHERE vs HAVING

Obie klauzule filtrują dane.

Różnica polega na momencie filtrowania:

• WHERE filtruje dane surowe, przed agregacją.
• HAVING filtruje dane po agregacji.

Przykład:

Chcę zobaczyć segmenty, w których liczba klientów > 3.

• WHERE może ograniczyć zakres klientów, np. ID od 1 do 100.
• HAVING pozwala odfiltrować grupy po użyciu COUNT().

Jeśli potrafisz to wytłumaczyć na prostym przykładzie, jesteś w bardzo dobrej sytuacji.

Zostań analitykiem danych – dołącz do KajoDataSpace!

Najlepsza ścieżka do zawodu analityka danych. Dostęp do pełnych wersji kursów online z Excela, SQLa, PowerBI, Tableau i Pythona z certyfikatami!

🟨 Ekskluzywana ale pomagająca sobie społeczność.
🟩 Ponad 75 godzin materiałów video.
🟨 Spotkania LIVE co miesiąc.
🟩 Mój osobisty mentoring.

Power BI – model danych ma znaczenie

W Power BI nie chodzi tylko o wizualizację. Chodzi o model danych i sposób liczenia.

Miara vs kolumna obliczeniowa

To jedno z podstawowych pytań.

• Kolumna obliczeniowa liczy się podczas odświeżania danych i zapisuje wynik w modelu.
• Miara liczy się dynamicznie, zależnie od kontekstu filtrów.

Miary są fundamentem raportów i KPI, bo reagują na slicery i filtry.

Jeśli ktoś nie rozumie tej różnicy, będzie budował raporty, które działają przypadkiem.

Czym jest relacja i dlaczego jej kierunek ma znaczenie?

Relacja łączy tabele w modelu danych.

Kierunek filtrowania decyduje, co wpływa na co.

Jeśli źle ustawisz kierunek, możesz:

• „zgubić” część danych,
• pokazać niepełny obraz,
• wyciągnąć błędne wnioski biznesowe.

To pytanie sprawdza, czy rozumiesz, iż raport to nie tylko wykresy, ale logika stojąca za nimi.

Slicer vs filtr na poziomie strony/raportu

Slicer daje kontrolę użytkownikowi.

Filtry na poziomie strony lub raportu działają w tle.

Dobrą praktyką jest jasne komunikowanie, co użytkownik może filtrować sam, a co już zostało odfiltrowane wcześniej. Brak tej przejrzystości prowadzi do chaosu interpretacyjnego.

Tableau – pytania, które sprawdzają głębię

Jeśli aplikujesz do firmy pracującej na Tableau, możesz spodziewać się bardziej koncepcyjnych pytań.

Extract vs Live

Dwa typy połączeń do danych:

Live:

• dane odpytywane w czasie rzeczywistym,
• zawsze aktualne,
• może obciążać źródło i spowalniać dashboard.

Extract:

• dane zapisane lokalnie lub na serwerze,
• szybsze działanie,
• wymagają odświeżania.

To klasyczny kompromis między aktualnością a wydajnością.

Level of Detail (LOD)

LOD pozwala tworzyć obliczenia niezależne od poziomu agregacji w wizualizacji.

Przykład:

Chcę pokazać średni czas dostawy dla całej firmy, ale wizualizacja jest na poziomie dostawcy.

Bez LOD wynik będzie zależny od poziomu zgrupowania. Z LOD mogę „oderwać” obliczenie od bieżącej granulacji danych.

To pytanie sprawdza, czy rozumiesz mechanikę agregacji.

Dual Axis – kiedy i na co uważać?

Dual Axis pozwala pokazać dwie miary na jednym wykresie, z dwiema osiami.

Na przykład:

• sprzedaż,
• koszty.

Kluczowa zasada: synchronizacja osi.

Jeśli tego nie zrobisz, możesz nieświadomie wprowadzić użytkownika w błąd. Wizualnie coś może wyglądać na „rosnące szybciej”, choć w rzeczywistości skala jest inna.

Analityk odpowiada za to, by nie manipulować wykresem, choćby nieświadomie.

Python – pytania przekrojowe

Python pojawia się różnie, zależnie od firmy. Czasem jako must-have, czasem jako nice-to-have.

Lista vs słownik

Lista:

• uporządkowana kolekcja,
• dostęp przez indeks.

Słownik:

• para klucz-wartość,
• dostęp przez klucz.

To podstawowe pytanie sprawdza, czy kandydat w ogóle pisał coś w Pythonie.

Czym jest DataFrame?

DataFrame to tabelaryczna struktura danych w bibliotece Pandas.

Można myśleć o nim jak o:

• tabeli w SQL,
• arkuszu w Excelu.

To absolutna podstawa analizy danych w Pythonie. jeżeli ktoś nie potrafi tego wyjaśnić, to znaczy, iż raczej nie pracował z realnymi danymi.

Kiedy Python, a kiedy Excel lub SQL?

To pytanie jest bardziej biznesowe.

• SQL – gdy pracujemy bezpośrednio na bazie danych.
• Excel – szybkie analizy ad hoc, coś „na już”.
• Python – automatyzacja, integracja z API, bardziej zaawansowane analizy, skalowanie procesów.

Python wchodzi tam, gdzie standardowe raportowanie przestaje wystarczać.

Płynność odpowiedzi ma znaczenie

Na koniec coś ważnego.

Nie chodzi tylko o to, czy znasz odpowiedź.

Chodzi o to:

• czy potrafisz ją wytłumaczyć,
• czy rozumiesz kontekst,
• czy mówisz pewnie i jasno.

Jeśli przy każdym z tych pytań musiałbyś odpalać ChatGPT, to jeszcze nie jest moment na aplikowanie. Najpierw musisz dojść do poziomu, w którym to Ty jesteś źródłem odpowiedzi.

Jeśli czujesz, iż brakuje Ci uporządkowania wiedzy, warto przejść przez materiał w sposób systematyczny. Dlatego w KajoDataSpace buduję ścieżkę, która prowadzi od Excela do SQL, przez Power BI, Tableau i Pythona, w jednym miejscu i w logicznej kolejności.

Zapisz się do
newslettera

🎁 i zgarnij darmowe bonusy:

Poradnik Początkującego Analityka

Video - jak szukać pracy w IT

Regularne dawki darmowej wiedzy, bez spamu

Zgadzam się na przetwarzanie moich danych osobowych przez KajoData Kajo Rudziński w celu realizacji usługi newsletter, a tym samym wysyłania mi informacji o produktach blogowych, usługach, lub nowościach, zgodnie z polityką prywatności. Wiem, iż zgodę tę mogę w każdej chwili cofnąć.

Zapisuję się Loading...

Dzięki! To nie koniec...

...pamiętaj, by teraz wejść na maila i potwierdzić subskrybcję 🙂 Jeżeli nic nie doszło, to sprawdź skrzynkę ze spamem.
* * * Gdy potwierdzisz newsletter, dostaniesz ostateczne potwierdzenie i obiecane prezenty w kolejnym mailu 🙂

Podsumowanie

Pytania techniczne na rozmowie analityka danych nie są z kosmosu. To fundamenty.

• Ograniczenia VLOOKUP
• JOIN vs UNION
• WHERE vs HAVING
• Miara vs kolumna
• Extract vs Live
• Lista vs słownik

To nie są pytania podchwytliwe. To pytania sprawdzające, czy naprawdę rozumiesz narzędzia, których używasz.

Jeśli ten artykuł był dla Ciebie pomocny, udostępnij go osobie, która przygotowuje się do rozmowy kwalifikacyjnej. Może dzięki temu pójdzie na nią spokojniejsza i lepiej przygotowana.

Autorem artykułu jest Kajo Rudziński – analytical data architect, uznany ekspert w analizie danych, twórca KajoData oraz społeczności dla analityków KajoDataSpace.