Mentionsy Mentionsy
KajoData - Analiza danych dla każdego
KajoData - Analiza danych dla każdego

Pytania techniczne na pozycję analityka danych | Data Analyst interview - przygotowanie

19.01.2026 ·17 min 57 s

🟨 Społeczność analityków 🟦 Kursy - Excel, Power Query, SQL, PowerBI, Python, Tableau🟥 Zapisz się na newsletter i zyskaj DARMOWE BONUSYW tym odcinku przechodzę przez najczęstsze pytania techniczne, które pojawiają się na rozmowach rekrutacyjnych na stanowisko analityka danych. Skupiam się na praktycznych przykładach z Excela, SQL-a, Power BI, Tableau i Pythona, dokładnie takich, jakie realnie możesz usłyszeć na rozmowie. To nie jest materiał pod seniora, tylko poziom juniora i early mida, ale taki, który trzeba mieć naprawdę poukładany.Pokazuję nie tylko, jaka jest poprawna odpowiedź, ale też na co zwracają uwagę rekruterzy i gdzie najczęściej ludzie się wykładają. VLOOKUP, joiny, where vs having, miary w Power BI, relacje w modelu danych, Extract vs Live w Tableau czy podstawy Pythona. Dorzucam też kontekst: kiedy dane podejście jest bezpieczniejsze, kiedy szybsze, a kiedy po prostu właściwe z punktu widzenia biznesu.Potraktuj ten odcinek jak szybki test. Jeśli na większość pytań odpowiadasz płynnie, bez długiego zastanawiania się, jesteś na dobrej drodze. Jeśli nie, to też jest super informacja, bo od razu wiesz, co warto doszlifować przed wysyłaniem CV i chodzeniem na rozmowy.

Cześć, ja się nazywam Kajo Rudziński, to jest KajoData i rozmawiamy sobie tutaj o analizie danych, a w dzisiejszym odcinku opowiem Ci o pytaniach, które najczęściej się pojawiają na rozmowie rekrutacyjnej, są to pytania techniczne. Przejdziemy sobie przez najważniejsze technologie, które są w analizie danych. Oczywiście nie zawsze jest tak, że każda z tych technologii się pojawi, ponieważ mamy tutaj Excela, SQLa, Power BI, Tableau i Pythona w tym filmiku, a na Twojej rozmowie będzie tak, że to będzie zależało od tego, co jest używane w danej firmie. Natomiast chciałem Ci pokazać trzy takie pytania, które per technologia, które pokazują jakby jakiego poziomu należy się spodziewać. Natomiast mierzymy tutaj w poziom niższy, czyli nie rekrutujemy tutaj na seniora bądź mida,

Mam nadzieję, że widzimy się na KajoData Space, no i jeszcze raz kajodata.com. Przechodzimy sobie do SQL-a i tutaj pierwsze pytanie jest klasykiem gatunku. Zaskakująco dużo ludzi ma problem z odpowiedzeniem płynnie na to pytanie, czyli czym się różni left join od inner join-a. Inner join zwraca nam dopasowania z obu tabel. Left join zachowuje wszystkie wiersze z lewej strony. I teraz bardzo ważne, oprócz tego, że płynnie podamy tutaj tą różnicę, jest dodanie tej informacji, że left join jest bardzo często bezpieczniejszy. Bardzo często jest tak, że jeżeli nie wiemy, Czy mamy 1 do 1 jeśli chodzi o dopasowania? To stosujemy left join, w razie czego dostaniemy 0 tam, gdzie tego dopasowania nie było, ale unikamy ryzyka tego, że wytniemy dane, co stanie się, jeżeli zastosujemy inner joina.

Są to zupełnie dwa inne przypadki użycia. Union jest w sumie... Powiedziałbym, że jest rzadziej stosowany, najczęściej rozszerza się model danych właśnie przez joiny, ale należy pamiętać o tym, że i w jednej, i w drugiej operacji są znaczące różnice, jeżeli chodzi o to, kiedy nam to zadziała, kiedy nam to nie zadziała, tak? W przypadku joina mówimy o kluczu, tutaj wcześniej wspomnieliśmy o sytuacji left join versus inner join, w sytuacji uniona to muszą być te same typy danych, ta sama liczba kolumn. Kolejne pytanie z SQL-a, również klasyk i... Na początku człowiek ma z tym problem, to znaczy WHERE vs HAVING. Na czym polega różnica, a na czym polega podobieństwo? Zacznijmy od podobieństwa. Podobieństwo jest takie, że zarówno komenda WHERE jak i komenda HAVING filtruje nam dane.

I tutaj chodzi nam o to, żeby użytkownik w miarę szybko Pytania techniczne na pozycję analityka danych Data Analyst interview – przygotowanie. Ale żeby nie było tak, że myślimy DataFrame, DataFrame, no gdzieś było, bo jeżeli tak, no to znaczy, że dana osoba nigdy nie analizowała danych w Pythonie. Wreszcie kolejne pytanie z Pythona może być takim rodzajem bardziej biznesowego zapytania, czyli kiedy Python, a kiedy Excel lub kiedy SQL?

I tutaj chcemy po prostu zobaczyć, czy dana osoba tak ogólnie myśli, bo wiadomo, że sytuacje biznesowe są bardzo różne, ale generalnie mówimy w ten sposób. Jeżeli mamy bazę danych i pracujemy z bazą danych, no to korzystamy z SQL-a i w ten sposób wszystko mamy w bardzo dobrze opisanym, połączonym źródle danych. Korzystamy z SQL-a, ewentualnie z narzędzi do wizualizacji, które tego SQL-a odpytują, czy też odpytują bazę danych, która z tego SQL-a korzysta. Excel służy nam głównie do analiz ad hoc, czyli do szybkiego sprawdzenia danych, do szybkiego podglądu, czyli czegoś coś robi na szybko, ale co nie ma wartości produkcyjnej, nie jest używane na co dzień na analitycznej produkcji. Natomiast Python Służy nam najczęściej do automatyzacji.

Pokazano wszystkie 5 dopasowań. Transkrypcja generowana automatycznie i niesprawdzana ręcznie — może zawierać błędy.