डेटा एनालिस्ट का इंटरव्यू शायद ही किसी छूटे हुए JOIN सिंटैक्स पर फेल होता है। वह तब फेल होता है जब आप एक साफ नंबर तो निकाल देते हैं पर यह नहीं बता पाते कि बिजनेस उसका करे क्या। 2026 में हायरिंग टीमों ने उन लोगों को इनाम देना बंद कर दिया है जो क्वेरी लिख सकते हैं और उन लोगों को इनाम देना शुरू कर दिया है जो एक उलझे हुए सवाल को ऐसे जवाब में बदल सकें जिस पर टिका जा सके, और ठीक यहीं ज्यादातर कैंडिडेट डगमगाते हैं।
2026 में डेटा एनालिस्ट इंटरव्यू असल में क्या जांचते हैं
बार खिसक चुका है। SQL की पकड़ अब मान ली जाती है, उस पर तालियां नहीं बजतीं, क्योंकि लगभग हर आवेदक बुनियादी क्वेरी स्क्रीन पास कर लेता है और AI टूल ने रटा-रटाया कोड मामूली बना दिया है। ऑफर और रिजेक्शन के बीच फर्क सूझबूझ पैदा करती है: किसी धुंधली मांग को ढांचे में रखना, सही मेट्रिक चुनना, यह पकड़ना कि डेटा कब आपसे झूठ बोल रहा है, और किसी ऐसे इंसान को नतीजा समझाना जिसने कभी डेटाबेस खोला ही नहीं।
ठोस शब्दों में, इंटरव्यूअर चार चीजें टटोल रहे हैं। पहला, तकनीकी अमल (SQL, थोड़ा Python या R, स्प्रेडशीट की गहराई, और Tableau, Power BI या Looker जैसा कोई BI टूल)। दूसरा, आंकड़ों की समझ, यानी सहसंबंध और कारण का फर्क जानना और यह पहचानना कि कोई नतीजा कब बस शोर है। तीसरा, बिजनेस की समझ, यानी किसी नंबर को रेवेन्यू, रिटेंशन या लागत से जोड़ पाना। चौथा, कम्युनिकेशन, क्योंकि जिस इनसाइट पर कोई कदम न उठे वह बेकार है। सबसे कठिन राउंड इन चारों को एक ही खुले सवाल में घोल देते हैं और देखते हैं कि आप बोलकर सोचते कैसे हैं।
इंटरव्यू प्रोसेस: असली राउंड
आकार कंपनी के आकार के हिसाब से बदलता है, पर आजकल का डेटा एनालिस्ट लूप काफी हद तक अंदाजे लायक है।
- रिक्रूटर स्क्रीन (20 से 30 मिनट)। लॉजिस्टिक्स, आपका बैकग्राउंड, इस टीम में क्यों। एक-दो हल्के तकनीकी सवाल मानकर चलिए ("एक से दस के पैमाने पर SQL में आप कितने सहज हैं?") जो आगे के राउंड की कठिनाई तय करते हैं। यहां खुद को बढ़ा-चढ़ाकर मत बेचिए।
- टेक्निकल स्क्रीन (45 से 60 मिनट)। आमतौर पर किसी साझा एडिटर पर लाइव SQL (HackerRank, CoderPad, या कोई टेक-होम डेटासेट)। आंकड़ों पर कुछ सवाल भी आ सकते हैं या यह कि दी गई टेबल आप कैसे साफ करेंगे। कुछ कंपनियां एक छोटा Python या pandas हिस्सा जोड़ देती हैं।
- केस स्टडी या एनालिटिक्स एक्सरसाइज। या तो असली डेटासेट और दो से चार दिन की डेडलाइन वाला टेक-होम, या 45 मिनट का लाइव प्रोडक्ट केस। ज्यादातर लूप का फैसला यही राउंड करता है। आपको सिर्फ जवाब पर नहीं, बल्कि ढांचे, तरीके और आपकी सिफारिश की साफगोई पर स्कोर मिलता है।
- बिहेवियरल और स्टेकहोल्डर राउंड। कोई हायरिंग मैनेजर या दूसरे विभाग का साथी जांचता है कि आप धुंधली मांग संभाल सकते हैं या नहीं, किसी खराब मेट्रिक पर सवाल उठा सकते हैं या नहीं, और नतीजे गैर तकनीकी लोगों को समझा सकते हैं या नहीं।
- फाइनल या पैनल राउंड। अक्सर आपके टेक-होम का प्रेजेंटेशन, या सीनियर लीडरशिप के साथ ऊपर वाली चीजों का मिश्रण। यहां कल्चर और कम्युनिकेशन का वजन भारी रहता है।
सवाल
SQL और तकनीकी अमल
किसी टेबल में दूसरी सबसे ऊंची सैलरी निकालने के लिए क्वेरी लिखिए।
एक क्लासिक शुरुआती सवाल। दिखाइए कि आपको एक से ज्यादा तरीके आते हैं: एक सबक्वेरी जिसमें MAXहो, या एक विंडो फंक्शन जो इस्तेमाल करे DENSE_RANK()। साथ में बताइए कि टाई और null आप कैसे संभालेंगे, क्योंकि असल में वही फर्क वे जांच रहे हैं।
किसी टेबल में डुप्लिकेट रो आप कैसे ढूंढेंगे, और उन्हें कैसे हटाएंगे?
इस पर बात कीजिए: GROUP BY के साथ HAVING COUNT(*) > 1 , ताकि वे मिल जाएं, फिर एक CTE के साथ सुरक्षित डिलीशन समझाइए जिसमें ROW_NUMBER()हो। जोर देकर कहिए कि प्रोडक्शन में कुछ भी डिलीट करने से पहले आप स्टेकहोल्डर से पुष्टि करेंगे।
LEFT JOIN और INNER JOIN में फर्क समझाइए, और यह भी कि कोई JOIN चुपचाप आपकी रो गिनती कब फुला सकता है। दोनों की जल्दी परिभाषा दीजिए, फिर असली जाल पर आइए: किसी ऐसी key पर जॉइन करना जो अनोखी न हो, एक फैन-आउट पैदा करता है जो रो को कई गुना कर देता है और चुपचाप हर आगे के एग्रीगेट को तोड़ देता है। यह कहना कि आप जॉइन से पहले और बाद में रो गिनती जांचते हैं, अनुभव का संकेत है।
WHERE और HAVING में क्या फर्क है?
WHERE एग्रीगेशन से पहले रो फिल्टर करता है, HAVING बाद में ग्रुप फिल्टर करता है। एक साफ-सुथरा फॉलो-अप यह कहना है कि जल्दी फिल्टर करना, यानी WHERE में, आमतौर पर देर से फिल्टर करने से सस्ता पड़ता है।
आपको दिन के हिसाब से रेवेन्यू का रनिंग टोटल चाहिए। आप इसे कैसे लिखेंगे?
एक विंडो फंक्शन काम में लाइए: SUM(revenue) OVER (ORDER BY date ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW)। विंडो फ्रेम के साथ सहजता दिखाना मिड लेवल कैंडिडेट को जूनियर से अलग कर देता है।
Python या pandas में आप किसी डेटासेट की छूटी हुई वैल्यू कैसे संभालेंगे? सिर्फ "हटा दूंगा" मत कहिए। पहले जांच पर चलिए (कितना छूटा है, यह बेतरतीब है या किसी पैटर्न में), फिर विकल्प: हटाना, मीन या मीडियन से भरना, टाइम सीरीज के लिए फॉरवर्ड फिल, या एक इंडिकेटर कॉलम से निशान लगाना। असली बात सूझबूझ ही है।
आंकड़े और विश्लेषणात्मक सोच
सहसंबंध और कारण में क्या फर्क है, और आप इसे किसी प्रोडक्ट मैनेजर को कैसे समझाएंगे? एक कसी हुई परिभाषा दीजिए, फिर एक ठोस उदाहरण (गर्मियों में आइसक्रीम की बिक्री और डूबने की घटनाएं दोनों बढ़ती हैं)। इंटरव्यूअर आपको भाषण देते नहीं, अनुवाद करते देखना चाहता है।
किसी A/B टेस्ट पर 0.04 का p-value आया। इसका असल में मतलब क्या है, और शिप करने से पहले आप क्या जांचेंगे? इसे सही परिभाषित कीजिए (यह वह संभावना है कि null सही होने पर भी इतना चरम नतीजा दिख जाए), फिर 0.05 को पत्थर की लकीर मानने के जाल से बचिए। सैंपल साइज, टेस्ट की अवधि, कई तुलनाओं वाली समस्या, और व्यावहारिक बनाम सांख्यिकीय महत्व का जिक्र कीजिए।
आउटलायर आप कैसे पकड़ेंगे और कैसे संभालेंगे? पहचान कवर कीजिए (IQR तरीका, z-score, बॉक्स प्लॉट से नजर डालना) और फिर मुश्किल आधा हिस्सा: यह तय करना कि कोई आउटलायर ठीक की जाने वाली डेटा गलती है या जांचने लायक असली संकेत। असली संकेत हटा देना नौसिखिए वाली गलती है।
कॉन्फिडेंस इंटरवल आपको क्या बताता है, समझाइए। बहुत से कैंडिडेट इसे गलत कहते हैं। 95% कॉन्फिडेंस इंटरवल का मतलब है कि अगर आप सैंपलिंग कई बार दोहराएं, तो 95% इंटरवल में असली पैरामीटर मौजूद होगा। यह बात सही ढंग से रख दीजिए और आप तुरंत अलग दिखेंगे।
केस स्टडी और बिजनेस की समझ
डेली एक्टिव यूजर हफ्ते दर हफ्ते 8% गिर गए। आप जांच कैसे करेंगे? रफ्तार से ज्यादा ढांचा जीतता है। पहले पक्का कीजिए कि डेटा असली है (कोई लॉगिंग बग नहीं), फिर प्लेटफॉर्म, भूगोल, नए बनाम लौटने वाले यूजर, और एक्विजिशन चैनल के हिसाब से बांटिए। एक परिकल्पना बनाइए, उसे जांचिए, और बताइए कि आप क्या सिफारिश करेंगे। बोलकर सोचना ही पूरा अभ्यास है।
कोई स्टेकहोल्डर "हर चीज का डैशबोर्ड" मांगता है। आप क्या जवाब देंगे? सही जवाब दायरा छोटा करता है। पूछिए कि यह डैशबोर्ड किस फैसले में मदद करेगा, दर्शक कौन हैं, और कोई नंबर देखकर क्या कदम उठाया जाएगा। यह दिखाना कि आप धुंधली मांगों पर सवाल उठाते हैं, ठीक वही है जो वे देखना चाहते हैं।
किसी नए फीचर लॉन्च की सफलता आप कैसे मापेंगे? फीचर के मकसद से जुड़ी एक मुख्य मेट्रिक तय कीजिए, फिर अनचाहे नुकसान पकड़ने के लिए गार्डरेल मेट्रिक (क्या एक फीचर पर बढ़ी एंगेजमेंट दूसरे को खा रही है?)। एक बेसलाइन और एक समय खिड़की का जिक्र कीजिए। एक अकेली नॉर्थ स्टार मेट्रिक बता देना परिपक्वता दिखाता है।
हमारा कस्टमर चर्न बढ़ रहा है। आप कौन सा डेटा निकालेंगे और सबसे पहले क्या देखेंगे? पहले चर्न को ठीक-ठीक परिभाषित कीजिए (चर्न धुंधला शब्द है, इसलिए इसे पक्का कीजिए)। फिर कोहॉर्ट, कितने समय से जुड़े हैं, प्लान और इस्तेमाल के हिसाब से बांटिए, और सिर्फ यह बताने के बजाय कि कौन जा चुका है, उन शुरुआती संकेतों को खोजिए जो चर्न से पहले दिखते हैं।
कम्युनिकेशन और व्यवहार
किसी ऐसे मौके के बारे में बताइए जब आपको ऐसा इनसाइट मिला जिसने कोई फैसला बदल दिया। एक ढांचे में बताइए: सवाल, आपका तरीका, निष्कर्ष, और उससे उठा कदम। कदम और उसका मापने लायक असर ही असली बात है, इसलिए बात उन्हीं की तरफ ले जाइए।
किसी ऐसे मौके का वर्णन कीजिए जब आपका विश्लेषण गलत निकला या डेटा में खामी थी। फिर क्या हुआ? वे ईमानदारी और कड़ाई जांच रहे हैं। कोई असली उदाहरण चुनिए, गलती की जिम्मेदारी लीजिए, और बाद में बनाया गया बचाव बताइए (कोई वैलिडेशन चेक, कोई पीयर रिव्यू का कदम)। यहां बचाव की मुद्रा इंटरव्यूअर के लिए लाल झंडा है।
आम गलतियां जो डेटा एनालिस्ट कैंडिडेट को डुबो देती हैं
- केस स्टडी में सीधे SQL पर कूद जाना। इंटरव्यूअर पहले आपका ढांचा सुनना चाहते हैं। टाइप करते वक्त की चुप्पी अंदाजा लगाने जैसी लगती है।
- सांख्यिकीय महत्व को कारोबारी महत्व मान लेना। 0.1% की बढ़त सांख्यिकीय रूप से महत्वपूर्ण और कारोबारी लिहाज से बेमानी हो सकती है। बात हमेशा असर पर लौटाइए।
- जवाब को जरूरत से ज्यादा भारी बना देना। जब एक साधारण बंटा हुआ औसत जवाब दे देता हो तब रिग्रेशन मॉडल उठा लेना समझदारी नहीं, कमजोर सूझबूझ का संकेत है।
- डेटा क्वालिटी को नजरअंदाज करना। विश्लेषण से पहले "क्या मैं इस डेटा पर भरोसा कर सकता हूं?" न पूछना अकेली सबसे आम वजह है जिससे तकनीकी रूप से मजबूत कैंडिडेट केस राउंड हार जाते हैं।
- परिभाषाएं दोहराना पर अनुवाद न करना। अगर आप किसी गैर तकनीकी स्टेकहोल्डर को p-value नहीं समझा सकते, तो किताबी परिभाषा आपको नहीं बचाएगी।
- तर्क करने के बजाय जवाब रट लेना। लूप इस तरह बनाए जाते हैं कि जैसे ही आप रटा हुआ लगें, तुरंत एक फॉलो-अप आ जाए।
तैयारी कैसे करें (और लाइव कोपायलट कहां काम आता है)
चार हफ्ते की एक केंद्रित योजना बनाइए। पहला हफ्ता SQL की ड्रिल में लगाइए, तब तक जब तक विंडो फंक्शन, CTE और कई टेबल के जॉइन अपने आप न आने लगें; खिलौना पहेलियों की जगह असली डेटासेट वाला कोई प्लेटफॉर्म इस्तेमाल कीजिए। दूसरे हफ्ते लागू आंकड़ों को ताजा कीजिए, A/B टेस्टिंग, सैंपलिंग, और दोनों को समझाने की भाषा पर जोर के साथ। तीसरे हफ्ते समय बांधकर केस स्टडी बोलकर कीजिए, बेहतर हो कि कोई दोस्त स्टेकहोल्डर बनकर आपको बीच में टोकता रहे। चौथे हफ्ते अपनी कहानियों को साफ ढांचे में चमकाइए और टेक-होम का प्रेजेंटेशन ऐसे दोहराइए जैसे किसी शक करने वाले कमरे के सामने दे रहे हों।
मॉक इंटरव्यू चुपचाप पढ़ने से ज्यादा मायने रखते हैं, क्योंकि असली इम्तिहान किसी के देखते हुए दबाव में सोचना है। यहीं एक लाइव कोपायलट अपनी जगह कमाता है। GhostPilot AI आपका इंटरव्यू उसी वक्त सुनता है और Chrome साइड पैनल में लगभग तुरंत सुझाव सामने रखता है: क्वेरी के बीच में सही विंडो फंक्शन सिंटैक्स की याद, केस वाले सवाल पर दिमाग सुन्न हो जाने पर एक ढांचेदार शुरुआत, या वह सटीक सांख्यिकीय परिभाषा जो आपको आधी याद है। चूंकि यह साइड पैनल में चलता है, यह किसी शेयर किए गए टैब के कैप्चर का हिस्सा नहीं होता, और वैकल्पिक Windows डेस्कटॉप ऐप Windows 10 (बिल्ड 2004 या उसके बाद) और Windows 11 पर स्क्रीन कैप्चर में नहीं दिखता। यह आपकी सोच को सहारा देता है; आपकी तैयारी की जगह नहीं लेता। और पढ़िए ghostpilotai.com पर।
FAQ
2026 में डेटा एनालिस्ट इंटरव्यू के लिए मुझे कौन सा SQL आना चाहिए?
जॉइन (हर तरह के), एग्रीगेशन के साथ GROUP BY और HAVING, सबक्वेरी, CTE, और विंडो फंक्शन (ROW_NUMBER, RANK, SUM OVER)। जूनियर और मिड लेवल ऑफर के बीच सबसे आम विभाजक रेखा विंडो फंक्शन ही होते हैं।
बिना अनुभव के एंट्री लेवल डेटा एनालिस्ट इंटरव्यू की तैयारी कैसे करूं? सार्वजनिक डेटासेट पर दो-तीन पोर्टफोलियो प्रोजेक्ट बनाइए, हर एक के लिए सवाल और सिफारिश लिखिए, और उन्हें बोलकर समझाने की प्रैक्टिस कीजिए। अगर आप अपने तरीके पर टिक सकते हैं, तो इंटरव्यूअर नौकरी के इतिहास की जगह प्रोजेक्ट का काम मान लेते हैं।
क्या डेटा एनालिस्ट इंटरव्यू में Python जरूरी है? यह टीम पर निर्भर है। कई रोल पूरी तरह SQL और किसी BI टूल पर चलते हैं, जबकि डेटा पर ज्यादा टिकी प्रोडक्ट टीमें pandas की उम्मीद रखती हैं। जॉब डिस्क्रिप्शन पढ़िए: अगर Python लिखा है, तो एक छोटा कोडिंग हिस्सा मानकर चलिए, आमतौर पर डेटा साफ करना या एग्रीगेशन।
डेटा एनालिस्ट की इंटरव्यू प्रक्रिया में कितना समय लगता है? आमतौर पर तीन से पांच राउंड में दो से चार हफ्ते। टेक-होम केस स्टडी अक्सर सबसे ज्यादा दिन खा जाती हैं, इसलिए डेडलाइन जल्दी पक्की कीजिए और अपने शेड्यूल में वह समय बचाकर रखिए।
वे जो सबसे जरूरी स्किल जांच रहे हैं वह क्या है? सूझबूझ। क्या आप किसी धुंधले सवाल को उठाकर एक समझदार तरीका चुन सकते हैं, डेटा की जांच कर सकते हैं, और ऐसा जवाब दे सकते हैं जिस पर फैसला लेने वाला कदम उठा सके? तकनीकी हुनर आपको कमरे तक पहुंचाता है; सूझबूझ आपको ऑफर दिलाती है।
GhostPilot AI आजमाएं
GhostPilot AI एक रियल-टाइम इंटरव्यू कोपायलट है, जो उन पलों के लिए बना है जब सवाल आता है और आपको तुरंत सही ढांचा या सिंटैक्स चाहिए होता है। 10 मिनट के लाइव सेशन और अनलिमिटेड AI जवाब के साथ फ्री टियर से शुरू कीजिए; और जब आप लूप के बीच में हों, तो Session Pass $29 में दो-दो घंटे के तीन पूरे इंटरव्यू देता है (एक बार, कोई सब्सक्रिप्शन नहीं), या $59/माह या $192/साल ($16/माह सालाना बिलिंग पर) में Pro लीजिए। जमकर प्रैक्टिस कीजिए, फिर इंटरव्यू में यह जानते हुए घुसिए कि पीछे सहारा मौजूद है।