Das Data-Scientist-Interview ist still zu einem der breitesten Spießrutenläufe in Tech geworden. Du kannst ein brillanter Modellierer sein und trotzdem an einer SQL-Window-Function scheitern, oder das Coding rocken und stolpern, sobald ein Interviewer fragt, warum dein A/B-Test-Ergebnis ein False Positive sein könnte. 2026 geht es weniger ums Auswendiglernen von Algorithmen als darum, zu beweisen, dass du von einer chaotischen Geschäftsfrage bis zu einer belastbaren Zahl durchdenken kannst.
Was Data-Scientist-Interviews 2026 wirklich testen
Hiring Manager suchen niemanden, der die Formel für Gradient Descent aufsagen kann. Sie wollen jemanden, dem sie eine unklare Frage geben können ("hat dieses Feature die Retention bewegt?") und dem sie zutrauen, sie einzugrenzen, die Daten zu ziehen, eine saubere Methode zu wählen, die Unsicherheit zu quantifizieren und das Ergebnis ohne Jargon zu erklären.
Die Rolle hat sich gespalten. Manche "Data Scientist"-Titel sind eigentlich Analytics-Rollen, schwer auf SQL, kausaler Inferenz und Stakeholder-Kommunikation. Andere liegen näher an angewandtem Machine Learning, schwer auf Modellierung und Produktion. Lies die Stellenbeschreibung mit Adlerauge, denn die beiden Spuren gewichten ihre Runden unterschiedlich. Beide teilen den Fokus auf Experimentdesign (A/B-Testing ist inzwischen Pflicht), Souveränität im Umgang mit den Grenzen großer Sprachmodelle und den Instinkt, ein Ergebnis auf Plausibilität zu prüfen, bevor man ihm traut.
Der Interview-Prozess
Die meisten Data-Science-Loops laufen über vier bis sechs Stufen, erstaunlich einheitlich über Firmen jeder Größe.
- Recruiter-Screening. Organisatorisches, Gehaltsrahmen und ein paar "erzähl mir von einem Projekt"-Fragen. Wenig Einsatz, aber sie prüfen, ob du technische Arbeit in einfacher Sprache beschreiben kannst.
- Technischer Screen (SQL und/oder Coding). Meist ein geteilter Editor. Erwarte mittleres bis fortgeschrittenes SQL (Joins, Window Functions, Aggregation) und oft eine Python-Frage mit pandas oder einfachen Algorithmen. Manche Teams nutzen stattdessen eine Take-home-Aufgabe.
- Runde zu Statistik und Machine Learning. Konzeptionelle Tiefe zu Wahrscheinlichkeit, Inferenz, A/B-Testing und dem Bias-Variance-Tradeoff, dazu praktische Modellierungsentscheidungen. Hier fliegt oberflächliches Wissen schnell auf.
- Case Study oder Produktrunde. Ein offenes Geschäftsproblem ("wie würdest du den Erfolg dieses Features messen?"). Gefragt sind deine Struktur, Kennzahlen und Annahmen, nicht eine einzelne richtige Antwort.
- Behavioral- und Stakeholder-Runde. Oft mit einem Partner aus einem anderen Bereich, geprüft werden Zusammenarbeit, Umgang mit Unklarheit und wie du Ergebnisse nicht-technischen Leuten vermittelst.
Senior- und Staff-Loops hängen eine System- oder ML-Design-Runde dran ("entwirf eine Recommendation-Pipeline") und schauen tiefer auf Einfluss und Priorisierung.
Die Fragen
Echte Fragen, die Data Scientists bekommen, nach Runden gruppiert, jede mit einem kurzen Hinweis, wie du sie angehst.
SQL und Coding
1. Finde das zweithöchste Gehalt in jeder Abteilung.
So gehst du ran: Greif zu einer Window Function (DENSE_RANK() partitioniert nach Abteilung), nicht zu einer klobigen verschachtelten Subquery. Sag, warum deine Wahl auf DENSE_RANK fiel und nicht auf RANK oder ROW_NUMBER, denn Gleichstände sind die Falle.
2. Berechne eine laufende Summe des Tagesumsatzes plus einen gleitenden 7-Tage-Durchschnitt.
So gehst du ran: SUM() OVER (ORDER BY date) und AVG() OVER (... ROWS BETWEEN 6 PRECEDING AND CURRENT ROW). Erklär die Frame-Klausel laut, denn die meisten Kandidaten setzen die Fenstergrenzen falsch.
3. Berechne aus einer Tabelle mit Nutzer-Events die Retention an Tag 1 und Tag 7. So gehst du ran: Self-Join oder eine Datumsdifferenz gegen das Erstkontaktdatum jedes Nutzers. Klär zuerst die Definition: "genau an Tag 7 zurückgekehrt" und "bis Tag 7 zurückgekehrt" sind zwei verschiedene Queries.
Statistik und Experimente
4. Erklär den p-Wert einem nicht-technischen Stakeholder. So gehst du ran: Lass die Lehrbuchdefinition weg. Versuch es mit "wenn das Feature wirklich nichts bewirkt hätte, ist der p-Wert die Chance, ein so starkes Ergebnis rein zufällig zu sehen". Ergänze dann, was er nicht bedeutet (er ist nicht die Wahrscheinlichkeit, dass die Hypothese stimmt).
5. Wir haben einen A/B-Test laufen lassen, nach 3 Tagen war er signifikant, können wir ausrollen? So gehst du ran: eine Falle aus Peeking und Neuheitseffekt. Weis darauf hin, dass frühes Stoppen die Rate falsch positiver Ergebnisse aufbläht, dass du die Stichprobengröße vorher festlegst und dass sich frühe Nutzer anders verhalten als die Gesamtpopulation im Normalbetrieb.
6. Was ist der Bias-Variance-Tradeoff, und wie zeigt er sich in der Praxis? So gehst du ran: Definiere beides und mach es dann konkret. Ein tiefer Baum überfittet (hohe Varianz), ein lineares Modell auf nicht-linearen Daten unterfittet (hoher Bias). Verbind es mit einem Gegenmittel wie Regularisierung oder Kreuzvalidierung.
7. Wie würdest du ein Simpson-Paradoxon in deinen Ergebnissen erkennen und behandeln? So gehst du ran: Erklär, dass sich ein aggregierter Trend innerhalb von Untergruppen umkehren kann, und sag dann, dass du nach der Störvariablen segmentierst und prüfst, ob die Beziehung standhält.
8. Die Offline-AUC deines Modells ist super, aber die Conversion online hat sich nicht bewegt. Was ist passiert? So gehst du ran: Geh die üblichen Verdächtigen durch: Train-Serve-Skew, ein leckendes Feature, eine unpassende Offline-Metrik oder eine Produktoberfläche, die den Score ignoriert. Belohnt wird strukturiertes Debugging statt einer einzelnen Vermutung.
Machine Learning und Modellierung
9. Wie gehst du mit einem stark unausgeglichenen Klassifikationsproblem um (1% positive Fälle)? So gehst du ran: Widersteh dem Sprung zu SMOTE. Fang bei der Metrik an (Precision-Recall, nicht Accuracy), dann Klassengewichte und Schwellenwert-Tuning, und erst danach Resampling. Die Wahl sollten die Geschäftskosten eines False Negative gegen ein False Positive treiben.
10. Wie würdest du für ein Churn-Modell zwischen logistischer Regression und einem Gradient-Boosted Tree wählen? So gehst du ran: Formuliere es als Interpretierbarkeit und Stakeholder-Bedarf gegen reine Performance, dazu Datenmenge und Feature-Interaktionen. Starke Antworten setzen zuerst eine Baseline mit dem einfacheren Modell.
11. Wie verhinderst du Data Leakage in einer Pipeline? So gehst du ran: Nenn konkrete Lecks (einen Scaler vor dem Split fitten, Zukunftsinformationen nutzen, Target Leakage aus einem Feature nach dem Ereignis). Sag, dass du Transformationen innerhalb der Kreuzvalidierungs-Folds fittest.
12. Wann würdest du ein LLM in einem Data-Science-Workflow einsetzen, und wo liegen die Risiken? So gehst du ran: ein Standard 2026. Gute Einsätze: Extraktion, Textklassifikation, Entwürfe. Risiken: Halluzination, Kosten, Latenz und die Versuchung, eins zu nehmen, wo ein billiger Klassifikator reichen würde. Zeig Urteilsvermögen, keinen Hype.
Case Study und Produkt
13. Wie würdest du messen, ob ein neues "Für später speichern"-Feature erfolgreich ist? So gehst du ran: Klär das Ziel, schlag eine Hauptkennzahl und Guardrails vor (Engagement steigt, aber sind Kauf oder Churn betroffen?) und skizzier ein Experiment. Struktur schlägt Cleverness.
14. Die täglich aktiven Nutzer sind letzte Woche um 8% gefallen. Wie untersuchst du das? So gehst du ran: Segmentiere systematisch (Plattform, Region, neu gegen bestehend, ein Release-Datum) und trenn einen echten Rückgang von einem Logging-Bug. Sprich deine Verzweigungslogik laut aus, bewertet wird dein diagnostischer Prozess.
Behavioral
15. Erzähl mir von einer Analyse, die eine Produktentscheidung verändert hat. So gehst du ran: Nutz eine straffe Struktur aus Situation, Handlung und Ergebnis, beziffere die Wirkung und betone, wie du sie kommuniziert hast, um Zustimmung zu gewinnen.
16. Beschreib ein Projekt, in dem die Daten chaotischer waren als erwartet. So gehst du ran: Zeig Urteilsvermögen bei Unklarheit: was du bereinigt hast, was du rausgeworfen hast und wie du die Einschränkungen ehrlich kommuniziert hast.
Häufige Fehler, an denen Data-Scientist-Kandidaten scheitern
- Zu einem Modell springen, bevor die Frage geklärt ist. Das stärkste Signal in einer Case-Runde ist das Eingrenzen. Kandidaten, die fragen "was heißt hier Erfolg?", schlagen die, die sofort XGBoost vorschlagen.
- Definitionen aufsagen ohne Anwendung. Einen p-Wert definieren kann jeder. Wenige können ihn einem PM erklären und dann sagen, was er nicht bedeutet. Der zweite Teil macht den Unterschied.
- Datenqualität und Leakage ignorieren. Interviewer bauen Fallen mit schmutzigen Daten und Leakage absichtlich ein, und sie zu übersehen liest sich als Unerfahrenheit.
- Die Baseline überkomplizieren. Zu einem neuronalen Netz zu greifen, wenn logistische Regression reichen würde, zeigt schlechtes Urteilsvermögen. Nenn zuerst die einfache Baseline.
- Unsicherheit schwach kommunizieren. Ein Punktschätzer ohne Konfidenzintervall oder Einschränkung ist der schnellste Weg, einen Senior-Loop zu verlieren.
Wie du dich vorbereitest (und wo ein Live-Copilot hilft)
Bau eine Basis und drille dann unter Druck. Hämmer SQL-Window-Functions und Joins, bis sie automatisch sitzen, denn diese Runde ist reine Geschwindigkeit. Leite die Kernstatistik neu her (Hypothesentests, zentraler Grenzwertsatz, A/B-Test-Mechanik), damit du sie erklären kannst und nicht nur aufsagen. Führ ein laufendes Dokument mit drei oder vier Projekten samt bezifferten Ergebnissen für die Behavioral-Runden. Mach dann Mock-Interviews laut mit jemandem, der dich unterbricht, denn laut zu denken, während man unterbrochen wird, ist die eigentlich getestete Fähigkeit.
Die Lücke, die die meisten Kandidaten spüren, liegt zwischen dem Stoff in Ruhe zu kennen und ihn abzurufen, während ein Fremder auf einen blinkenden Cursor schaut. Genau da verdient sich ein Live-Copilot seinen Platz. GhostPilot hört das Interview-Audio mit und blendet strukturierte Impulse in Echtzeit ein: das richtige Window-Function-Muster, wenn eine SQL-Frage kommt, oder ein sauberes Framework für einen Produkt-Case. Es läuft im Chrome-Seitenpanel, wenn du also einen einzelnen Browser-Tab teilst, ist es nicht Teil der Aufnahme, und die optionale Windows-Desktop-App ist unter Windows 10 (Build 2004 oder neuer) und Windows 11 für Bildschirmaufnahmen unsichtbar. Richtig genutzt hält es dich strukturiert, statt dir ein Skript zum Ablesen zu liefern, denn roboterhaftes Ablesen merkt ein wacher Interviewer sofort. Wie das funktioniert, siehst du auf ghostpilotai.com.
FAQ
Welche Fragen kommen in einem Data-Scientist-Interview? Ein Mix aus SQL (Joins, Window Functions, Retention-Queries), Statistik und A/B-Testing, Machine-Learning-Konzepten (Bias-Variance, unausgeglichene Daten, Leakage), offenen Produkt-Cases und Behavioral-Fragen. Die Gewichtung hängt davon ab, ob die Rolle eher Richtung Analytics oder angewandtes ML geht.
Wie bereite ich mich 2026 auf ein Data-Scientist-Interview vor? Drille SQL, bis es reflexartig sitzt, leite die Kernstatistik neu her, damit du sie einfach erklären kannst, leg dir drei oder vier bezifferte Projektstories zurecht und üb Case Studies laut. Experimentdesign und die klare Kommunikation von Unsicherheit zählen dieses Jahr am meisten.
Ist SQL für Data-Science-Interviews weiterhin wichtig? Absolut. SQL ist die am konsequentesten getestete Fähigkeit in Data-Science-Loops und meist eine frühe Ausscheidungsrunde. Mittleres bis fortgeschrittenes SQL, besonders Window Functions, wird erwartet.
Wie schwer sind Case-Study-Interviews in Data Science? Schwer genau deshalb, weil es keine einzelne richtige Antwort gibt. Belohnt wird Struktur: das Ziel klären, sinnvolle Kennzahlen und Guardrails wählen, Annahmen benennen und ein Experiment vorschlagen. Klares Denken schlägt ein cleveres Modell.
Werden Data Scientists inzwischen zu großen Sprachmodellen gefragt? Zunehmend ja. Erwarte Fragen dazu, wann ein LLM das richtige Werkzeug ist, wie du seine Ausgabe bewerten würdest und wo die Risiken liegen (Halluzination, Kosten, Latenz). Abgewogenes Urteil schlägt begeistertes Klingen.
GhostPilot AI testen
Data-Science-Interviews spannen sich über SQL, Statistik, Modellierung und offenes Produktdenken, ziemlich viel, das man unter Druck stabil halten muss. GhostPilot gibt dir ein Echtzeit-Netz, das deine Antworten strukturiert hält, während du redest. Starte kostenlos mit Live-Sessions von 10 Minuten und unbegrenzten KI-Antworten, hol dir einen Session Pass für $29 (drei komplette Interviews à zwei Stunden, einmalig, kein Abo), oder geh auf Pro für $59/Monat bzw. $192/Jahr ($16/Monat bei jährlicher Abrechnung).