Ein Data-Analyst-Interview scheitert selten an einer fehlenden JOIN-Syntax. Es scheitert, wenn du eine saubere Zahl lieferst, aber nicht erklären kannst, was das Business damit anfangen soll. 2026 haben Hiring-Teams aufgehört, Leute zu belohnen, die eine Query schreiben können, und belohnen stattdessen Leute, die aus einer chaotischen Frage eine belastbare Antwort machen. Und genau da wackeln die meisten Kandidaten.
Was Data-Analyst-Interviews 2026 wirklich testen
Die Messlatte hat sich verschoben. SQL-Sicherheit wird vorausgesetzt, nicht gefeiert, weil fast jeder Bewerber einen einfachen Query-Screen besteht und KI-Tools Boilerplate trivial gemacht haben. Was Zusagen von Absagen trennt, ist Urteilsvermögen: eine unklare Anfrage einrahmen, die richtige Kennzahl wählen, merken, wenn die Daten dich anlügen, und einen Befund jemandem erklären, der nie eine Datenbank geöffnet hat.
Konkret bohren Interviewer in vier Dingen. Erstens technische Ausführung (SQL, etwas Python oder R, Tiefe in Tabellen und ein BI-Tool wie Tableau, Power BI oder Looker). Zweitens statistische Kompetenz, also den Unterschied zwischen Korrelation und Kausalität kennen und wissen, wann ein Ergebnis nur Rauschen ist. Drittens Geschäftssinn, die Fähigkeit, eine Zahl an Umsatz, Retention oder Kosten zu binden. Viertens Kommunikation, denn eine Erkenntnis, auf die niemand handelt, ist wertlos. Die härtesten Runden mischen alle vier in einer einzigen offenen Aufgabe und schauen zu, wie du laut denkst.
Der Interview-Prozess: die echten Runden
Die Form hängt von der Firmengröße ab, aber der moderne Data-Analyst-Loop ist ziemlich vorhersehbar.
- Recruiter-Screening (20 bis 30 Minuten). Organisatorisches, dein Hintergrund, warum dieses Team. Erwarte ein bis zwei weiche technische Fragen ("wie sicher bist du bei SQL auf einer Skala von eins bis zehn?"), die den Schwierigkeitsgrad der späteren Runden festlegen. Trag hier nicht zu dick auf.
- Technischer Screen (45 bis 60 Minuten). Meist Live-SQL in einem geteilten Editor (HackerRank, CoderPad oder ein Datensatz zum Mitnehmen). Dazu kommen eventuell ein paar Fragen zu Statistik oder wie du eine bestimmte Tabelle bereinigen würdest. Manche Firmen hängen einen kurzen Python- oder pandas-Teil dran.
- Case Study oder Analytics-Aufgabe. Entweder eine Take-home-Aufgabe mit echtem Datensatz und zwei bis vier Tagen Frist oder ein 45-minütiger Produkt-Case live. Diese Runde entscheidet die meisten Loops. Bewertet werden Framing, Methode und die Klarheit deiner Empfehlung, nicht nur das Ergebnis.
- Behavioral- und Stakeholder-Runde. Ein Hiring Manager oder ein Partner aus einem anderen Team prüft, ob du mit einer vagen Anfrage umgehen kannst, bei einer schlechten Kennzahl widersprichst und Ergebnisse für nicht-technische Leute erklärst.
- Finale oder Panel-Runde. Oft eine Präsentation deiner Take-home-Aufgabe oder eine Mischung aus dem Obigen mit der Führungsebene. Kultur und Kommunikation wiegen hier schwer.
Die Fragen
SQL und technische Ausführung
Schreib eine Query, die das zweithöchste Gehalt in einer Tabelle findet.
Ein klassischer Aufwärmer. Zeig, dass du mehr als einen Weg kennst: eine Subquery mit MAX, oder eine Window Function mit DENSE_RANK(). Erwähne, wie du mit Gleichständen und Nullwerten umgehst, denn genau diese Unterscheidung wird hier eigentlich getestet.
Wie findest du doppelte Zeilen in einer Tabelle, und wie entfernst du sie?
Erklär den Weg über GROUP BY mit HAVING COUNT(*) > 1 , um sie zu finden, und beschreib dann ein sicheres Löschen über eine CTE mit ROW_NUMBER(). Betone, dass du dich mit den Stakeholdern abstimmst, bevor du in der Produktion irgendwas löschst.
Erklär den Unterschied zwischen LEFT JOIN und INNER JOIN, und wann ein JOIN deine Zeilenzahl still aufbläht. Definiere beides kurz und geh dann zur echten Falle: Ein Join auf einen nicht eindeutigen Schlüssel erzeugt einen Fan-out, der Zeilen vervielfacht und leise jede nachgelagerte Aggregation kaputt macht. Zu sagen, dass du Zeilenzahlen vor und nach einem Join prüfst, zeigt Erfahrung.
Was ist der Unterschied zwischen WHERE und HAVING?
WHERE filtert Zeilen vor der Aggregation, HAVING filtert Gruppen danach. Ein sauberer Nachsatz ist der Hinweis, dass Filtern früh in WHERE meist günstiger ist als spätes Filtern.
Du brauchst eine laufende Umsatzsumme pro Tag. Wie schreibst du das?
Greif zur Window Function: SUM(revenue) OVER (ORDER BY date ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW). Sicherheit bei Window Frames trennt Mid-Level-Kandidaten von Junioren.
Wie würdest du in Python oder pandas mit fehlenden Werten in einem Datensatz umgehen? Sag nicht einfach "löschen". Geh zuerst durch die Diagnose (wie viel fehlt, ist es zufällig oder systematisch), dann die Optionen: löschen, mit Mittelwert oder Median imputieren, für Zeitreihen vorwärts füllen oder mit einer Indikatorspalte markieren. Das Urteilsvermögen ist der Punkt.
Statistik und analytisches Denken
Was ist der Unterschied zwischen Korrelation und Kausalität, und wie erklärst du ihn einem Product Manager? Gib eine knackige Definition, dann ein konkretes Beispiel (Eisverkäufe und Ertrinkungsfälle steigen beide im Sommer). Der Interviewer will sehen, dass du übersetzt, nicht dass du dozierst.
Ein A/B-Test kam mit einem p-Wert von 0,04 zurück. Was heißt das wirklich, und was würdest du vor dem Ausrollen prüfen? Definiere es korrekt (die Wahrscheinlichkeit, ein so extremes Ergebnis zu sehen, wenn die Nullhypothese stimmt) und widersteh dann der Falle, 0,05 als Evangelium zu behandeln. Erwähne Stichprobengröße, Testdauer, das Problem multipler Vergleiche und praktische gegen statistische Signifikanz.
Wie würdest du Ausreißer erkennen und behandeln? Deck die Erkennung ab (IQR-Methode, z-Werte, visuelle Prüfung per Boxplot) und dann die schwerere Hälfte: die Entscheidung, ob ein Ausreißer ein Datenfehler zum Korrigieren oder ein echtes Signal zum Untersuchen ist. Echtes Signal zu entfernen ist ein Anfängerfehler.
Erklär, was dir ein Konfidenzintervall sagt. Viele Kandidaten geben das falsch wieder. Ein 95%-Konfidenzintervall heißt: Wenn du die Stichprobenziehung viele Male wiederholst, enthalten 95% der Intervalle den wahren Parameter. Formulier das richtig und du stichst sofort heraus.
Case Studies und Geschäftssinn
Die täglich aktiven Nutzer sind gegenüber der Vorwoche um 8% gefallen. Wie untersuchst du das? Struktur schlägt Tempo. Bestätige, dass die Daten echt sind (kein Logging-Bug), dann segmentiere nach Plattform, Region, neuen gegen wiederkehrenden Nutzern und Akquisekanal. Bilde eine Hypothese, prüf sie und sag, was du empfehlen würdest. Laut zu denken ist die ganze Übung.
Ein Stakeholder will "ein Dashboard mit allem". Wie reagierst du? Die richtige Antwort engt den Scope ein. Frag, welche Entscheidung das Dashboard stützen soll, wer die Zielgruppe ist und welche Handlung eine Zahl auslösen würde. Zu zeigen, dass du bei vagen Anfragen nachhakst, ist genau das, was sie sehen wollen.
Wie würdest du den Erfolg eines neuen Feature-Launches messen? Definiere eine Hauptkennzahl, die am Ziel des Features hängt, dann Guardrail-Kennzahlen, um unbeabsichtigten Schaden zu erkennen (kannibalisiert die Nutzung eines Features ein anderes?). Erwähne eine Baseline und ein Zeitfenster. Eine einzige North-Star-Kennzahl zu benennen zeigt Reife.
Unsere Kundenabwanderung steigt. Welche Daten würdest du ziehen und was schaust du dir zuerst an? Definiere Churn zuerst genau (Churn ist mehrdeutig, also nagle es fest). Dann segmentiere nach Kohorte, Verweildauer, Tarif und Nutzung und such nach den Frühindikatoren vor der Abwanderung, statt nur zu beschreiben, wer schon weg ist.
Kommunikation und Verhalten
Erzähl mir von einer Erkenntnis, die eine Entscheidung verändert hat. Nutz ein festes Format: die Frage, deine Methode, der Befund und die Handlung, die daraus folgte. Die Handlung und ihr messbarer Effekt bringen den Punkt, also steuer darauf zu.
Beschreib eine Situation, in der deine Analyse falsch oder deine Daten fehlerhaft waren. Was ist passiert? Getestet werden Ehrlichkeit und Sorgfalt. Nimm ein echtes Beispiel, steh zum Fehler und erklär die Absicherung, die du danach gebaut hast (eine Validierungsprüfung, ein Peer-Review-Schritt). Sich hier zu verteidigen ist für Interviewer ein rotes Tuch.
Häufige Fehler, an denen Data-Analyst-Kandidaten scheitern
- In einer Case Study direkt zu SQL springen. Interviewer wollen zuerst dein Framing hören. Stille, während du tippst, wirkt wie Raten.
- Statistische Signifikanz mit geschäftlicher Bedeutung verwechseln. Ein Zuwachs von 0,1% kann statistisch signifikant und kommerziell belanglos sein. Verbind es immer zurück mit der Wirkung.
- Die Antwort überkonstruieren. Zu einem Regressionsmodell zu greifen, wenn ein einfacher segmentierter Mittelwert die Frage beantwortet, zeigt schlechtes Urteilsvermögen, nicht Raffinesse.
- Datenqualität ignorieren. Nicht zu fragen "kann ich diesen Daten trauen?", bevor du analysierst, ist der häufigste einzelne Grund, warum technisch starke Kandidaten Case-Runden verlieren.
- Definitionen aufsagen, ohne zu übersetzen. Wenn du einen p-Wert einem nicht-technischen Stakeholder nicht erklären kannst, rettet dich die Lehrbuchdefinition nicht.
- Antworten auswendig lernen statt zu denken. Loops sind darauf ausgelegt, dir eine Nachfrage reinzuwerfen, sobald du einstudiert klingst.
Wie du dich vorbereitest (und wo ein Live-Copilot hilft)
Bau dir einen fokussierten Vier-Wochen-Plan. Verbring die erste Woche mit SQL-Drill, bis Window Functions, CTEs und Multi-Table-Joins automatisch sitzen, und nimm eine Plattform mit echten Datensätzen statt Spielzeugrätseln. Woche zwei: angewandte Statistik auffrischen, mit Schwerpunkt auf A/B-Tests, Stichproben und der Sprache, um beides zu erklären. Woche drei: Case Studies laut und auf Zeit durchspielen, idealerweise mit einer Freundin oder einem Freund, die dich als Stakeholder unterbrechen. Woche vier: deine Stories mit klarer Struktur schleifen und die Präsentation einer Take-home-Aufgabe üben, als stündest du vor einem skeptischen Raum.
Mock-Interviews bringen mehr als passives Lesen, weil der echte Test das Denken unter Druck ist, während jemand zuschaut. Genau da verdient sich ein Live-Copilot seinen Platz. GhostPilot AI hört deinem Gespräch in Echtzeit zu und blendet nahezu sofort Vorschläge im Chrome-Seitenpanel ein: eine Erinnerung an die optimale Window-Function-Syntax mitten in der Query, ein strukturiertes Framing für einen Case, wenn dein Kopf leer wird, oder die genaue statistische Definition, die du nur halb parat hast. Weil es im Seitenpanel läuft, ist es nicht Teil der Aufnahme eines geteilten Tabs, und die optionale Windows-Desktop-App ist unter Windows 10 (Build 2004 oder neuer) und Windows 11 für Bildschirmaufnahmen unsichtbar. Es stützt dein Denken, es ersetzt deine Vorbereitung nicht. Mehr dazu auf ghostpilotai.com.
FAQ
Welches SQL sollte ich 2026 für ein Data-Analyst-Interview können?
Joins (alle Typen), Aggregationen mit GROUP BY und HAVING, Subqueries, CTEs und Window Functions (ROW_NUMBER, RANK, SUM OVER). Window Functions sind die häufigste Trennlinie zwischen Junior- und Mid-Level-Zusagen.
Wie bereite ich mich ohne Erfahrung auf ein Einsteiger-Interview als Data Analyst vor? Bau zwei bis drei Portfolio-Projekte auf öffentlichen Datensätzen, schreib zu jedem die Fragestellung und die Empfehlung auf und üb, sie laut zu erklären. Interviewer akzeptieren Projektarbeit statt Berufserfahrung, wenn du deine Methode verteidigen kannst.
Braucht man Python für Data-Analyst-Interviews? Kommt aufs Team an. Viele Rollen laufen komplett mit SQL und einem BI-Tool, während datenlastige Produktteams pandas erwarten. Lies die Stellenbeschreibung: Wenn Python drinsteht, erwarte einen kurzen Coding-Teil, meist Datenbereinigung oder Aggregation.
Wie lange dauert der Bewerbungsprozess als Data Analyst? Typisch zwei bis vier Wochen über drei bis fünf Runden. Take-home-Case-Studies fressen meist die meiste Kalenderzeit, kläre also Fristen früh und blockier dir diese Zeit.
Welche Fähigkeit wird am wichtigsten getestet? Urteilsvermögen. Kannst du eine unklare Frage nehmen, eine sinnvolle Methode wählen, die Daten auf Plausibilität prüfen und eine Antwort liefern, mit der eine Entscheiderin arbeiten kann? Technik bringt dich in den Raum, Urteilsvermögen bringt dir die Zusage.
GhostPilot AI testen
GhostPilot AI ist ein Interview-Copilot in Echtzeit, gebaut für die Momente, in denen eine Frage einschlägt und du sofort die richtige Struktur oder Syntax brauchst. Starte im kostenlosen Tarif mit Live-Sessions von 10 Minuten und unbegrenzten KI-Antworten. Wenn du mitten im Loop steckst, kostet der Session Pass $29 für drei komplette Interviews à zwei Stunden (einmalig, kein Abo), oder du gehst auf Pro für $59/Monat bzw. $192/Jahr ($16/Monat bei jährlicher Abrechnung). Üb hart und geh dann ins Gespräch mit dem Wissen, dass du Rückendeckung hast.