...
Pregătire interviuri

100 de întrebări de interviu pentru Data Analyst, cu răspunsuri

Întrebările care apar des la interviurile de Data Analyst, fiecare cu un răspuns scurt, explicația pe larg și ce urmărește intervievatorul. Citește-le sau exersează cu răspunsurile ascunse.

Pagină coordonată de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la

  • 100întrebări
  • 50junior
  • 35mid
  • 15senior
  • 149 minde citit
Întrebări de interviu Data Analyst cu răspunsuri

Procesul de interviu pentru un post de Data Analyst are de obicei trei-patru etape: o discuție inițială cu recrutorul (motivație, experiență, așteptări), un interviu tehnic cu întrebări de SQL, Excel sau Python și statistică de bază, apoi o temă practică sau un exercițiu live: primești un set de date, scrii câteva interogări, construiești un mic dashboard sau explici ce ai observa într-un grafic. Multe companii adaugă și o discuție cu un manager din business, unde contează cât de clar explici rezultatele unui om care nu lucrează cu date.

La nivel de junior se urmărește dacă stăpânești fundamentele: JOIN-uri și GROUP BY fără greșeli, formule și PivotTable în Excel, pandas pentru filtrare și agregare, noțiuni de medie, mediană și distribuții, plus curiozitatea de a pune întrebări despre date. La nivel mid se așteaptă window functions, modelare în Power BI și DAX, teste A/B, capacitatea de a lua singur o problemă vagă de business și de a o transforma într-o analiză cu o concluzie. La senior contează calitatea datelor la scară, definirea metricilor și influența asupra deciziilor.

Cum să folosești pagina: citește întâi răspunsul scurt și încearcă să formulezi singur explicația, apoi compară cu răspunsul detaliat. Scrie efectiv interogările și codul pe un set de date mic, pentru că la interviu ți se poate cere să le scrii live. Secțiunea „De ce se întreabă” îți arată ce verifică intervievatorul și unde greșesc des candidații.

Excel și foi de calcul

1 Junior

Care este diferența dintre VLOOKUP, INDEX/MATCH și XLOOKUP?

Răspuns scurt: VLOOKUP caută doar în prima coloană a unui interval și returnează spre dreapta; INDEX/MATCH și XLOOKUP caută în orice coloană, în orice direcție, și nu se strică atunci când inserezi coloane.

VLOOKUP(valoare; interval; nr_coloană; FALSE) caută valoarea în prima coloană a intervalului și întoarce valoarea din coloana cu numărul dat. Are trei slăbiciuni: nu poate căuta spre stânga, numărul coloanei e fix (dacă inserezi o coloană, formula întoarce altceva fără să dea eroare), iar dacă uiți argumentul FALSE face potrivire aproximativă și poate întoarce valori greșite pe date nesortate.

INDEX/MATCH separă cele două operații: MATCH găsește poziția, INDEX întoarce valoarea de pe acea poziție din orice coloană.

=INDEX(Clienti[Oraș]; MATCH(A2; Clienti[ID]; 0))

XLOOKUP, disponibil în Excel 365 și Excel 2021, combină totul într-o funcție: potrivire exactă implicit, căutare în orice direcție, valoare implicită dacă nu găsește nimic și opțiunea de a căuta de la final.

=XLOOKUP(A2; Clienti[ID]; Clienti[Oraș]; "necunoscut")

În practică: dacă firma folosește Excel 365, XLOOKUP e alegerea cea mai lizibilă. Dacă fișierul trebuie deschis și în versiuni mai vechi, INDEX/MATCH e varianta sigură. Indiferent de funcție, verifică dacă cheia de căutare e unică în tabelul sursă: toate aceste funcții întorc doar prima potrivire, deci duplicatele se pierd fără niciun avertisment.

Ce urmărește intervievatorul: Verifică dacă știi limitele lui VLOOKUP, nu doar sintaxa. Greșeala tipică este uitarea potrivirii exacte (FALSE sau 0) și presupunerea că cheia e unică.

2 Junior

Ce înseamnă referințele relative, absolute și mixte în Excel?

Răspuns scurt: O referință relativă (A1) se ajustează când copiezi formula, una absolută ($A$1) rămâne fixă, iar una mixtă ($A1 sau A$1) blochează doar coloana sau doar rândul.

Când copiezi o formulă, Excel ajustează referințele în funcție de deplasare. =B2*C2 copiată un rând mai jos devine =B3*C3. Asta e o referință relativă și e comportamentul dorit în majoritatea cazurilor, de exemplu când calculezi valoarea fiecărei linii de comandă.

Problema apare când formula trebuie să folosească mereu aceeași celulă, de exemplu un curs valutar sau o cotă de TVA aflată în F1. Dacă scrii =B2*F1 și o copiezi în jos, a doua linie devine =B3*F2, iar F2 e goală, deci rezultatul e zero. Soluția este referința absolută $F$1: semnul $ blochează coloana și rândul. Tasta F4 ciclează între cele patru variante.

Referințele mixte blochează doar o dimensiune și sunt utile în tabele cu două intrări. Pentru o tablă de înmulțire în care valorile de pe rândul 1 sunt înmulțite cu cele din coloana A:

=$A2*B$1

Copiată în tot tabelul, formula ține mereu coloana A pentru primul factor și rândul 1 pentru al doilea.

O alternativă mai robustă este să denumești celula (Name Manager), de exemplu CotaTVA, sau să lucrezi cu tabele Excel, unde referințele structurate de tip [@Cantitate] sunt mai ușor de citit și nu depind de poziție.

Ce urmărește intervievatorul: E o întrebare de bază care elimină rapid candidații fără practică reală. Greșeala tipică este să copiezi formule fără să verifici rezultatul pe ultimul rând.

3 Junior

Ce este un PivotTable și când l-ai folosi?

Răspuns scurt: Un PivotTable rezumă un tabel mare prin grupare și agregare (sumă, număr, medie) pe rânduri și coloane alese prin drag-and-drop, fără formule. Îl folosești pentru explorare rapidă și rapoarte recurente.

Un PivotTable ia un tabel de date brute, de exemplu toate tranzacțiile cu dată, regiune, produs și valoare, și îți permite să răspunzi în câteva secunde la întrebări de tipul „cât am vândut pe fiecare regiune, pe luni”. Tragi Regiune în Rows, Luna în Columns și Valoare în Values, iar Excel face gruparea și suma. Echivalentul în SQL este un GROUP BY cu agregare.

Lucruri pe care ar trebui să le știi la interviu:

  • Datele sursă trebuie să fie în format tabelar curat: un rând pe înregistrare, un antet pe coloană, fără celule unite și fără subtotaluri în mijloc.
  • Poți schimba agregarea (Sum, Count, Average, Max) și modul de afișare, de exemplu „% of Grand Total” sau „Difference From” față de luna anterioară.
  • Datele calendaristice se pot grupa pe luni, trimestre și ani.
  • Slicers și Timelines adaugă filtre vizuale.
  • PivotTable nu se actualizează singur: după ce modifici sursa trebuie Refresh. Dacă sursa e un tabel Excel (Ctrl+T), rândurile noi sunt incluse automat.

Capcana frecventă este „Count” în loc de „Sum” când coloana de valori conține și text sau celule goale: Excel alege automat Count, iar totalurile arată greșit. Pentru numărarea clienților unici ai nevoie de opțiunea „Add this data to the Data Model”, care activează „Distinct Count”.

Ce urmărește intervievatorul: Intervievatorul vrea să vadă că poți agrega date rapid fără formule și că știi cum trebuie să arate sursa. Mulți candidați nu știu de Refresh sau de Distinct Count.

4 Junior

Cum calculezi în Excel totalul vânzărilor pentru o anumită regiune și o anumită lună?

Răspuns scurt: Cu SUMIFS, care adună valorile ce îndeplinesc simultan mai multe condiții, de exemplu regiunea egală cu „Nord” și data cuprinsă între prima și ultima zi a lunii.

SUMIFS primește întâi intervalul de adunat, apoi perechi de interval de criteriu și criteriu. Toate condițiile trebuie îndeplinite simultan (logică ȘI).

=SUMIFS(Vanzari[Valoare];
        Vanzari[Regiune]; "Nord";
        Vanzari[Data]; ">=" & DATE(2025;3;1);
        Vanzari[Data]; "<"  & DATE(2025;4;1))

De remarcat două lucruri. Primul: condițiile pe dată folosesc operatori concatenați cu &, iar intervalul e închis la stânga și deschis la dreapta (>= 1 martie și < 1 aprilie). Așa nu ai probleme cu lunile de 30 sau 31 de zile și nici cu datele care au și oră. Al doilea: în loc să scrii „Nord” direct, e mai bine să pui criteriul într-o celulă și să o referi, ca să poți construi un tabel întreg de regiuni și luni cu aceeași formulă.

Funcțiile înrudite sunt COUNTIFS (numără rândurile care îndeplinesc condițiile) și AVERAGEIFS. Versiunile fără „S” (SUMIF, COUNTIF) acceptă o singură condiție și au ordinea argumentelor diferită, o sursă clasică de confuzie.

Pentru logică SAU, de exemplu regiunea „Nord” sau „Sud”, aduni două SUMIFS, câte unul pentru fiecare valoare, sau, în Excel 365, aplici SUMIFS pe o listă de criterii și înfășori rezultatul în SUM. Dacă ai multe astfel de combinații, un PivotTable sau Power Query sunt probabil soluția mai potrivită.

Ce urmărește intervievatorul: Verifică dacă știi agregări condiționate, foarte frecvente în rapoarte. Greșeala tipică e condiția pe dată scrisă greșit sau folosirea lui SUMIF cu ordinea argumentelor inversată.

5 Junior

Cum identifici și elimini duplicatele dintr-un tabel în Excel?

Răspuns scurt: Le identifici cu formatare condiționată sau COUNTIFS, decizi ce înseamnă duplicat (pe ce coloane) și abia apoi le elimini cu Remove Duplicates, UNIQUE sau Power Query, păstrând o copie a datelor originale.

Întâi trebuie definit ce înseamnă duplicat. Două rânduri identice pe toate coloanele sunt clar duplicate. Dar două comenzi cu același client și aceeași valoare în aceeași zi pot fi comenzi reale diferite. De aceea alegi cheia: de exemplu ID_Comanda, sau combinația Client + Data + Produs.

Pentru identificare:

  • Home, Conditional Formatting, Highlight Duplicate Values, pe o singură coloană.
  • O coloană ajutătoare cu =COUNTIFS(A:A; A2; B:B; B2)>1, care marchează rândurile repetate pe mai multe coloane și îți permite să le filtrezi și să le inspectezi.

Pentru eliminare:

  • Data, Remove Duplicates, unde bifezi coloanele care formează cheia. Excel păstrează prima apariție și șterge definitiv restul, deci lucrează pe o copie.
  • =UNIQUE(interval) în Excel 365, care întoarce lista fără duplicate într-un loc nou, fără să modifice sursa.
  • Power Query, Remove Duplicates, care face pasul repetabil la fiecare reîmprospătare.

Înainte de ștergere uită-te la duplicate. Dacă apar sistematic, problema e de obicei în sursă: un export dublat, un JOIN care multiplică rânduri sau spații invizibile la final care fac ca „Ion” și „Ion ” să pară valori diferite. Spune la interviu că ai verifica numărul de rânduri înainte și după și că ai documenta regula folosită.

Ce urmărește intervievatorul: Vrea să vadă că te gândești la definiția duplicatului înainte să apeși un buton. Greșeala tipică este ștergerea fără a investiga de unde vin duplicatele.

6 Junior

La ce folosesc formatarea condiționată și validarea datelor în Excel?

Răspuns scurt: Formatarea condiționată evidențiază vizual valorile care respectă o regulă (praguri, top N, duplicate), iar validarea datelor restricționează ce poate introduce utilizatorul într-o celulă, prevenind erorile la sursă.

Cele două funcționalități rezolvă probleme diferite. Formatarea condiționată schimbă aspectul celulelor în funcție de valoare: colorezi cu roșu marjele negative, aplici o scală de culori pe un tabel de vânzări ca să vezi rapid zonele slabe sau marchezi datele de livrare depășite. Poți folosi reguli predefinite sau formule proprii, de exemplu pentru a colora întregul rând al unei comenzi întârziate:

=AND($E2<TODAY(); $F2="Nelivrat")

Semnul $ din fața coloanei face ca regula să verifice mereu coloanele E și F, oricare ar fi celula din rând.

Validarea datelor (Data, Data Validation) controlează intrarea: o listă derulantă cu valori permise pentru „Status”, numere întregi între 1 și 100 pentru „Cantitate”, date din anul curent. Poți adăuga un mesaj de eroare personalizat. E foarte utilă în fișierele completate manual de colegi, pentru că previne apariția variantelor „Bucuresti”, „București” și „BUC” în aceeași coloană.

Limitele: validarea nu se aplică retroactiv datelor deja existente (folosește Circle Invalid Data ca să le vezi) și poate fi ocolită prin copy-paste. Formatarea condiționată pe zeci de mii de rânduri cu formule complexe încetinește fișierul. Pentru un analist, ideea centrală este că validarea la intrare costă mult mai puțin decât curățarea ulterioară.

Ce urmărește intervievatorul: Testează dacă te gândești la calitatea datelor la sursă, nu doar la analiză. Mulți candidați cunosc doar culorile, nu și validarea.

7 Junior

Ce avantaje are transformarea unui interval într-un tabel Excel (Ctrl+T)?

Răspuns scurt: Un tabel Excel se extinde automat cu rândurile noi, propagă formulele, permite referințe structurate lizibile (Tabel[Coloană]) și e o sursă stabilă pentru PivotTable, grafice și Power Query.

Un interval obișnuit, de tipul A1:F500, este doar o zonă de celule. Când adaugi rândul 501, formulele, graficele și PivotTable-urile care se referă la A1:F500 îl ignoră. Un tabel Excel creat cu Ctrl+T (Insert, Table) rezolvă asta:

  • Se extinde automat când adaugi rânduri sau coloane imediat lângă el.
  • O formulă scrisă într-o coloană se copiază automat pe toate rândurile (coloană calculată).
  • Folosește referințe structurate, mult mai ușor de citit și de verificat decât adresele de celule:
=[@Cantitate]*[@PretUnitar]
=SUM(Vanzari[Valoare])
  • PivotTable-urile, graficele și interogările Power Query care pornesc de la tabel includ rândurile noi după Refresh.
  • Are filtre, rând de total opțional și formatare alternantă incluse.

Pentru un analist contează mai ales robustețea: un raport lunar construit pe tabele nu trebuie reparat manual de fiecare dată când datele cresc. E bine să dai tabelelor nume clare (Vanzari, Clienti) din Table Design, pentru că acele nume apar în formule.

Limitări: tabelele nu acceptă celule unite, iar unele funcționalități vechi (de exemplu Shared Workbook) nu merg cu ele. Pentru seturi foarte mari, de la câteva sute de mii de rânduri în sus, Power Query și Data Model sunt mai potrivite decât formulele pe foaie.

Ce urmărește intervievatorul: Verifică dacă construiești fișiere care rezistă la date noi. Candidații care nu folosesc tabele au de obicei rapoarte fragile, cu intervale fixe.

8 Mid

Ce este Power Query și ce avantaje are față de curățarea manuală în Excel?

Răspuns scurt: Power Query este motorul de import și transformare din Excel și Power BI: înregistrează pașii de curățare (filtre, coloane, îmbinări) și îi reaplică automat la fiecare Refresh, deci munca devine repetabilă și auditabilă.

Să presupunem că primești în fiecare lună un export CSV cu vânzări în care trebuie să ștergi primele rânduri de antet, să împarți o coloană, să corectezi formatul datei și să adaugi denumirea regiunii dintr-un alt fișier. Manual, asta înseamnă aceiași pași în fiecare lună, cu risc de greșeală. În Power Query (Data, Get Data) faci pașii o singură dată, iar fiecare devine o etapă în lista „Applied Steps”. Luna următoare înlocuiești fișierul și apeși Refresh.

Ce poți face tipic:

  • Import din fișiere, foldere întregi (combini automat toate CSV-urile lunare), baze de date, web.
  • Schimbare de tip, eliminare de rânduri și coloane, Trim, Split Column, Replace Values.
  • Merge Queries (echivalentul unui JOIN) și Append Queries (echivalentul lui UNION).
  • Unpivot, adică transformarea unui tabel lat cu o coloană pe lună într-unul lung, potrivit pentru analiză.
  • Group By pentru agregări.

În spate, fiecare pas este o expresie în limbajul M, vizibilă în Advanced Editor. Nu trebuie să scrii M de mână ca junior, dar e util să îl poți citi.

Avantajele față de formule: sursa originală rămâne neatinsă, pașii sunt documentați, procesarea poate lucra cu mai multe rânduri decât încap pe o foaie dacă încarci rezultatul în Data Model, iar aceleași cunoștințe se folosesc direct în Power BI.

Ce urmărește intervievatorul: Vrea să afle dacă automatizezi munca repetitivă. Un răspuns slab descrie doar butoane, fără ideea de pași reaplicați la fiecare Refresh.

9 Mid

Cum tratezi erorile de tip #N/A sau #DIV/0! în formule și când NU ar trebui să le ascunzi?

Răspuns scurt: Le tratezi cu IFNA sau IFERROR doar după ce înțelegi cauza. Ascunderea tuturor erorilor cu IFERROR poate masca date lipsă, chei greșite sau formule stricate, deci întâi investighezi, apoi decizi.

Erorile au semnificații diferite: #N/A înseamnă că o căutare nu a găsit valoarea, #DIV/0! împărțire la zero sau la o celulă goală, #VALUE! un tip greșit (text în loc de număr), #REF! o referință ștearsă. Fiecare indică altă problemă.

Tentația este să înfășori totul în IFERROR(formula; 0). Asta e periculos din două motive. Primul: un #N/A dintr-un XLOOKUP poate însemna că lipsește un produs din nomenclator, iar dacă îl înlocuiești cu 0, totalurile vor ieși mai mici fără ca cineva să observe. Al doilea: IFERROR prinde orice eroare, inclusiv #REF! sau #VALUE! provenite din bug-uri reale în formulă.

Abordarea mai bună:

  • Folosește IFNA când te aștepți doar la lipsa valorii, ca să nu ascunzi alte erori.
  • Alege un înlocuitor care se vede, de exemplu textul „lipsă” sau o celulă goală, nu 0, care se confundă cu o valoare reală.
  • Pentru împărțiri, testează explicit numitorul: =IF(B2=0; ""; A2/B2).
  • Numără erorile undeva vizibil, de exemplu =SUMPRODUCT(--ISNA(D2:D1000)), ca să știi câte rânduri nu s-au potrivit.

Regula practică: eroarea e un semnal. Întâi afli de ce apare, apoi decizi dacă e un caz normal (client nou fără istoric) sau o problemă de date care trebuie raportată.

Ce urmărește intervievatorul: Testează maturitatea: candidații slabi pun IFERROR peste tot și transformă problemele de date în zerouri invizibile.

10 Mid

Ce sunt funcțiile de tip dynamic array (FILTER, UNIQUE, SORT) și cum schimbă modul de lucru în Excel?

Răspuns scurt: În Excel 365 și 2021, o formulă poate întoarce mai multe valori care se „revarsă” (spill) automat în celulele vecine. FILTER, UNIQUE, SORT și SEQUENCE permit rapoarte dinamice fără PivotTable și fără copierea formulelor.

Înainte de Excel 365, o formulă întorcea o singură valoare, iar pentru o listă trebuia să copiezi formula pe multe rânduri. Cu dynamic arrays, o singură formulă întoarce un interval întreg care se extinde sau se micșorează singur. Rezultatul se numește interval „spill” și se referă cu #, de exemplu F2#.

Exemple utile:

=UNIQUE(Vanzari[Regiune])
=SORT(UNIQUE(Vanzari[Client]))
=FILTER(Vanzari; (Vanzari[Regiune]="Nord")*(Vanzari[Valoare]>1000); "nimic")
=SUMIFS(Vanzari[Valoare]; Vanzari[Regiune]; F2#)

În FILTER, condițiile multiple se combină prin înmulțire pentru ȘI și prin adunare pentru SAU, pentru că fiecare condiție produce un vector de TRUE/FALSE tratat ca 1/0. Ultima formulă din exemplu calculează totalul pentru fiecare regiune din lista generată de UNIQUE, deci tabelul se actualizează singur când apare o regiune nouă.

Alte funcții din aceeași familie: SORTBY, SEQUENCE, TAKE, DROP, LET (dă nume rezultatelor intermediare și face formulele lizibile) și LAMBDA.

Capcane: dacă celulele în care trebuie să se reverse rezultatul nu sunt goale, apare eroarea #SPILL!. Fișierele trimise colegilor cu versiuni mai vechi de Excel nu vor afișa corect rezultatele. Pentru rapoarte foarte mari, Power Query sau Power BI rămân mai potrivite.

Ce urmărește intervievatorul: Arată dacă ești la zi cu Excel modern. Greșeala tipică e necunoașterea erorii #SPILL! și combinarea greșită a condițiilor în FILTER.

SQL: interogări de bază

11 Junior

În ce ordine se execută logic clauzele unei interogări SELECT?

Răspuns scurt: Ordinea logică este FROM (cu JOIN), WHERE, GROUP BY, HAVING, SELECT, DISTINCT, ORDER BY, LIMIT. De aceea un alias definit în SELECT nu poate fi folosit în WHERE, dar de obicei poate fi folosit în ORDER BY.

Scriem interogarea începând cu SELECT, dar baza de date o evaluează logic în altă ordine:

  • FROM și JOIN: se stabilesc tabelele și se combină rândurile.
  • WHERE: se filtrează rândurile individuale.
  • GROUP BY: rândurile rămase se grupează.
  • HAVING: se filtrează grupurile, după agregare.
  • SELECT: se calculează expresiile și aliasurile; aici se evaluează și window functions.
  • DISTINCT: se elimină duplicatele.
  • ORDER BY: se sortează.
  • LIMIT / TOP / FETCH FIRST: se taie rezultatul.

Această ordine explică multe erori frecvente:

SQL
SELECT client_id, SUM(valoare) AS total
FROM comenzi
WHERE total > 1000        -- eroare: total nu există încă
GROUP BY client_id;

Corect este HAVING SUM(valoare) > 1000, pentru că filtrul se aplică după grupare. În schimb, ORDER BY total DESC funcționează, deoarece sortarea vine după SELECT. Tot de aici rezultă că nu poți filtra direct pe rezultatul unei window function în WHERE: ai nevoie de o subinterogare sau de un CTE (unele motoare, precum Snowflake, BigQuery și DuckDB, au clauza QUALIFY pentru asta).

Optimizatorul poate executa fizic operațiile în altă ordine, de exemplu poate împinge filtrele înainte de JOIN, dar rezultatul trebuie să fie același ca în ordinea logică.

Ce urmărește intervievatorul: Este fundamentul pentru a înțelege de ce o interogare dă eroare sau rezultat greșit. Candidații care o știu depanează mult mai repede.

12 Junior

Care este diferența dintre WHERE și HAVING?

Răspuns scurt: WHERE filtrează rândurile înainte de grupare și nu poate folosi funcții de agregare; HAVING filtrează grupurile după GROUP BY și se folosește pentru condiții pe agregări, de exemplu SUM sau COUNT.

Ambele filtrează, dar la momente diferite în execuția logică a interogării. WHERE lucrează pe rânduri individuale, înainte ca acestea să fie grupate. HAVING lucrează pe grupuri, după ce agregările au fost calculate.

Exemplu: vrem clienții din București care au cel puțin 3 comenzi plătite în 2025.

SQL
SELECT client_id, COUNT(*) AS nr_comenzi
FROM comenzi
WHERE oras = 'București'
  AND status = 'plătită'
  AND data_comanda >= '2025-01-01'
  AND data_comanda <  '2026-01-01'
GROUP BY client_id
HAVING COUNT(*) >= 3;

Condițiile despre oraș, status și dată țin de fiecare rând, deci stau în WHERE. Condiția „cel puțin 3 comenzi” se referă la grup, deci stă în HAVING.

Tehnic, poți pune și o condiție simplă în HAVING, de exemplu HAVING client_id > 100, dar e o practică proastă: baza de date grupează inutil rânduri pe care le aruncă apoi, iar codul devine mai greu de citit. Regula: tot ce se poate filtra la nivel de rând merge în WHERE, pentru că reduce volumul înainte de agregare. Iar dacă ai nevoie de o condiție pe agregare fără GROUP BY explicit, HAVING tratează întregul tabel ca un singur grup.

Ce urmărește intervievatorul: Una dintre cele mai frecvente întrebări de SQL la junior. Greșeala tipică este folosirea unei agregări în WHERE sau a filtrelor de rând în HAVING.

13 Junior

Explică tipurile de JOIN: INNER, LEFT, RIGHT și FULL OUTER.

Răspuns scurt: INNER JOIN păstrează doar rândurile cu potrivire în ambele tabele; LEFT JOIN păstrează toate rândurile din stânga plus potrivirile; RIGHT JOIN invers; FULL OUTER păstrează tot din ambele, completând cu NULL unde nu există potrivire.

Să luăm tabelele clienti și comenzi, legate prin client_id.

  • INNER JOIN întoarce doar clienții care au comenzi și doar comenzile care au client. Clienții fără comenzi dispar din rezultat.
  • LEFT JOIN întoarce toți clienții. Cei fără comenzi apar o singură dată, cu NULL în coloanele din comenzi. E JOIN-ul cel mai folosit în analiză, pentru că nu pierzi entitatea principală.
  • RIGHT JOIN este oglinda lui LEFT. În practică se rescrie aproape mereu ca LEFT JOIN cu tabelele inversate, pentru lizibilitate.
  • FULL OUTER JOIN întoarce toate rândurile din ambele tabele. E util la reconcilieri, de exemplu când compari două surse și vrei să vezi ce lipsește din fiecare. MySQL nu îl are nativ și se simulează cu LEFT JOIN plus UNION.
  • CROSS JOIN face produsul cartezian, util de exemplu pentru a genera toate combinațiile lună x produs.
SQL
SELECT c.nume, COUNT(o.id) AS nr_comenzi
FROM clienti c
LEFT JOIN comenzi o ON o.client_id = c.id
GROUP BY c.nume;

Aici COUNT(o.id), nu COUNT(*), este esențial: pentru clienții fără comenzi, COUNT(*) ar întoarce 1 (rândul cu NULL-uri), iar COUNT(o.id) întoarce corect 0.

Un lucru important de spus la interviu: un JOIN nu doar adaugă coloane, ci poate și multiplica rânduri dacă cheia nu e unică într-unul dintre tabele.

Ce urmărește intervievatorul: Verifică înțelegerea de bază și atenția la detalii precum COUNT pe coloana din dreapta. Mulți candidați nu știu că un JOIN poate dubla rânduri.

14 Junior

Cum se comportă NULL în SQL și care este diferența dintre COUNT(*) și COUNT(coloană)?

Răspuns scurt: NULL înseamnă valoare necunoscută: orice comparație cu NULL dă UNKNOWN, deci se testează cu IS NULL. COUNT(*) numără toate rândurile, COUNT(coloană) doar rândurile unde coloana nu e NULL.

NULL nu este zero și nici șir gol, ci absența unei valori. SQL folosește logica cu trei valori: TRUE, FALSE și UNKNOWN. Orice comparație cu NULL, inclusiv NULL = NULL, dă UNKNOWN, iar WHERE păstrează doar rândurile TRUE. De aceea:

SQL
SELECT * FROM clienti WHERE telefon = NULL;   -- nu întoarce nimic
SELECT * FROM clienti WHERE telefon IS NULL;  -- corect
SELECT * FROM clienti WHERE oras <> 'Cluj';   -- exclude și rândurile cu oras NULL

Ultimul exemplu e o capcană frecventă: dacă vrei și clienții fără oraș, trebuie WHERE oras <> 'Cluj' OR oras IS NULL.

La agregări:

  • COUNT(*) numără rândurile, indiferent de valori.
  • COUNT(email) numără doar rândurile cu email completat.
  • COUNT(DISTINCT email) numără valorile unice, ignorând NULL.
  • SUM, AVG, MIN, MAX ignoră NULL. Atenție la AVG: media se face doar peste valorile prezente, nu peste toate rândurile. Dacă NULL înseamnă de fapt 0 în business, folosește AVG(COALESCE(valoare, 0)).

Funcții utile: COALESCE(a, b, c) întoarce prima valoare non-NULL, iar NULLIF(x, 0) transformă 0 în NULL, foarte util pentru a evita împărțirea la zero: venit / NULLIF(nr_clienti, 0).

Diferența COUNT(*) - COUNT(coloana) îți dă rapid numărul de valori lipsă, un control de calitate pe care merită să îl faci la orice tabel nou.

Ce urmărește intervievatorul: NULL-urile produc cele mai multe rezultate greșite care nu dau eroare. Intervievatorul verifică dacă știi logica cu trei valori și efectul asupra lui AVG.

15 Junior

Care este diferența dintre DISTINCT și GROUP BY?

Răspuns scurt: DISTINCT elimină rândurile duplicate din rezultat; GROUP BY grupează rândurile ca să poți calcula agregări pe fiecare grup. Fără agregări, ambele dau același rezultat, dar intenția diferă.

Pe o interogare fără agregări, următoarele două variante întorc același rezultat:

SQL
SELECT DISTINCT oras FROM clienti;
SELECT oras FROM clienti GROUP BY oras;

Diferența ține de scop. DISTINCT spune „vreau combinațiile unice de valori”. GROUP BY spune „vreau să tratez fiecare valoare ca grup și să calculez ceva pe el”:

SQL
SELECT oras, COUNT(*) AS nr_clienti, AVG(varsta) AS varsta_medie
FROM clienti
GROUP BY oras;

Cu DISTINCT nu poți obține numărul de clienți pe oraș. În schimb, DISTINCT apare și în interiorul agregărilor, unde e foarte util: COUNT(DISTINCT client_id) numără clienții unici care au comandat, nu numărul de comenzi.

Câteva observații pe care le poți face la interviu:

  • DISTINCT se aplică pe toate coloanele din SELECT, nu doar pe prima. SELECT DISTINCT oras, judet întoarce perechile unice.
  • Un SELECT DISTINCT pus doar ca să „dispară” duplicatele apărute după un JOIN e de obicei un semn că JOIN-ul e greșit. Mai bine repari cauza.
  • În majoritatea motoarelor moderne, performanța celor două variante echivalente este similară, optimizatorul alegând același plan.
  • În GROUP BY, orice coloană din SELECT care nu e agregată trebuie să apară în GROUP BY (MySQL în modul vechi permitea altfel, cu rezultate nedeterministe).

Ce urmărește intervievatorul: Verifică dacă înțelegi scopul fiecărei clauze și dacă recunoști DISTINCT folosit ca plasture peste un JOIN greșit.

16 Junior

Scrie o interogare care întoarce primii 5 clienți după valoarea totală a comenzilor plătite în 2025.

Răspuns scurt: Filtrezi comenzile plătite din 2025 în WHERE, grupezi pe client, sumezi valoarea, ordonezi descrescător și limitezi la 5 rânduri; un JOIN cu tabela de clienți aduce numele.

O soluție în stil PostgreSQL / MySQL:

SQL
SELECT c.id,
       c.nume,
       SUM(o.valoare) AS total_2025,
       COUNT(*)       AS nr_comenzi
FROM comenzi o
JOIN clienti c ON c.id = o.client_id
WHERE o.status = 'plătită'
  AND o.data_comanda >= DATE '2025-01-01'
  AND o.data_comanda <  DATE '2026-01-01'
GROUP BY c.id, c.nume
ORDER BY total_2025 DESC
LIMIT 5;

În SQL Server sintaxa e SELECT TOP 5 ..., iar în standardul SQL FETCH FIRST 5 ROWS ONLY.

Detalii care contează și pe care merită să le spui cu voce tare:

  • Filtrul pe dată folosește un interval semideschis în loc de YEAR(data_comanda) = 2025. Aplicarea unei funcții pe coloană împiedică de obicei folosirea indexului, iar intervalul tratează corect și coloanele care au oră.
  • Grupez după c.id și c.nume, nu doar după nume, pentru că pot exista doi clienți cu același nume.
  • Ce fac la egalitate? Dacă al cincilea și al șaselea client au același total, LIMIT 5 alege arbitrar. Dacă cerința e „toți cei la egalitate”, folosesc DENSE_RANK() într-un CTE și filtrez rang <= 5.
  • Clarific definiția de „valoare”: cu sau fără TVA, după retururi sau nu, în ce monedă. La interviu, întrebările de clarificare sunt apreciate, nu penalizate.

Ce urmărește intervievatorul: Un exercițiu clasic de live coding. Pe lângă corectitudine, se urmărește dacă te gândești la egalități, la filtrarea datelor și la definiția metricii.

17 Junior

Care este diferența dintre UNION și UNION ALL?

Răspuns scurt: Ambele lipesc rezultatele a două interogări una sub alta. UNION elimină rândurile duplicate (ceea ce costă o sortare sau un hash), iar UNION ALL le păstrează pe toate și este mai rapid.

UNION și UNION ALL combină vertical rezultatele a două sau mai multe SELECT-uri. Condițiile: același număr de coloane, în aceeași ordine, cu tipuri compatibile. Numele coloanelor din rezultat se iau din primul SELECT.

SQL
SELECT client_id, data_comanda AS data, 'online' AS canal FROM comenzi_online
UNION ALL
SELECT client_id, data_comanda, 'magazin' FROM comenzi_magazin;

Diferența: UNION elimină duplicatele din rezultatul combinat, ceea ce presupune ca baza de date să compare toate rândurile între ele. UNION ALL doar le alipește.

Când alegi fiecare:

  • UNION ALL este alegerea implicită când combini surse care nu se suprapun sau când duplicatele sunt legitime, de exemplu două comenzi identice ale aceluiași client în aceeași zi. Este mai rapid și nu ascunde date.
  • UNION are sens când vrei explicit o listă unică, de exemplu toate adresele de email care apar în oricare dintre două tabele.

Capcana: folosirea lui UNION din obișnuință poate face să dispară rânduri reale. Dacă ulterior sumezi valorile, totalul iese mai mic decât în realitate, fără nicio eroare. În exemplul de mai sus am adăugat coloana canal, care face rândurile distincte și păstrează informația despre sursă, o practică bună la combinarea datelor.

Diferența față de JOIN: JOIN adaugă coloane (combinare orizontală), UNION adaugă rânduri (combinare verticală).

Ce urmărește intervievatorul: Verifică dacă știi efectul asupra datelor, nu doar asupra performanței. Mulți folosesc UNION implicit și pierd rânduri legitime.

18 Junior

Cum folosești CASE WHEN ca să segmentezi clienții după valoarea comenzilor?

Răspuns scurt: CASE WHEN evaluează condițiile în ordine și întoarce valoarea primei condiții adevărate, cu ELSE pentru restul. Îl folosești pentru a crea categorii (de exemplu mic, mediu, mare) și pentru agregări condiționate.

CASE este instrucțiunea condițională a SQL-ului. Condițiile se verifică de sus în jos și se oprește la prima adevărată, deci ordinea contează.

SQL
WITH totaluri AS (
  SELECT client_id, SUM(valoare) AS total
  FROM comenzi
  WHERE status = 'plătită'
  GROUP BY client_id
)
SELECT
  CASE
    WHEN total >= 5000 THEN 'mare'
    WHEN total >= 1000 THEN 'mediu'
    ELSE 'mic'
  END AS segment,
  COUNT(*)   AS nr_clienti,
  SUM(total) AS venit
FROM totaluri
GROUP BY
  CASE
    WHEN total >= 5000 THEN 'mare'
    WHEN total >= 1000 THEN 'mediu'
    ELSE 'mic'
  END;

Expresia se repetă în GROUP BY pentru că, în multe motoare, aliasul din SELECT nu poate fi folosit acolo (PostgreSQL și MySQL acceptă totuși GROUP BY segment sau GROUP BY 1). Pragurile din exemplu sunt ilustrative; în realitate le stabilești cu business-ul sau pe baza percentilelor.

Observații utile:

  • Fără ELSE, rândurile care nu respectă nicio condiție primesc NULL. E mai sigur să ai mereu un ELSE explicit.
  • Dacă ai inversa ordinea și ai pune întâi >= 1000, niciun client nu ar ajunge „mare”.
  • CASE se folosește foarte des în interiorul agregărilor: SUM(CASE WHEN canal = 'online' THEN valoare ELSE 0 END) calculează venitul online pe același rând cu cel total.

Ce urmărește intervievatorul: Verifică dacă poți crea categorii de business direct în SQL. Greșeala tipică este ordinea greșită a condițiilor sau lipsa lui ELSE.

19 Junior

Ce sunt cheia primară și cheia străină și de ce contează pentru un analist de date?

Răspuns scurt: Cheia primară identifică unic fiecare rând dintr-un tabel; cheia străină referă cheia primară din alt tabel și definește relația. Pentru analist, ele arată granularitatea tabelului și cum se poate face JOIN fără a multiplica rânduri.

Cheia primară (primary key) este una sau mai multe coloane a căror valoare e unică și nenulă pentru fiecare rând, de exemplu comenzi.id. Cheia străină (foreign key) este o coloană care trimite la cheia primară din alt tabel, de exemplu comenzi.client_id care trimite la clienti.id. Baza de date poate impune că nu există comenzi pentru clienți inexistenți (integritate referențială).

De ce contează pentru un analist, care de obicei nu proiectează tabelele:

  • Cheia primară îți spune granularitatea: un rând din comenzi este o comandă, un rând din linii_comanda este un produs dintr-o comandă. Dacă nu știi granularitatea, nu știi ce numeri.
  • Relațiile îți arată cum să faci JOIN corect. Un JOIN de la clienti la comenzi e unu-la-mulți: fiecare client apare de atâtea ori câte comenzi are. Dacă după acest JOIN sumezi o coloană din clienti, de exemplu limita de credit, o vei multiplica.
  • În data warehouse-uri, constrângerile sunt adesea doar declarative sau lipsesc complet, deci trebuie să verifici singur unicitatea:
SQL
SELECT id, COUNT(*)
FROM clienti
GROUP BY id
HAVING COUNT(*) > 1;

Dacă interogarea întoarce rânduri, cheia presupusă nu e unică, iar orice JOIN pe ea poate dubla date. Acest test durează câteva secunde și previne multe rapoarte greșite.

Ce urmărește intervievatorul: Vrea să vadă că înțelegi granularitatea, conceptul din spatele majorității erorilor de agregare. Răspunsurile slabe se opresc la definiția din manual.

20 Junior

Cum folosești LIKE, IN și BETWEEN și ce capcană are BETWEEN pe coloane de tip datetime?

Răspuns scurt: LIKE caută după tipar (% orice șir, _ un caracter), IN verifică apartenența la o listă, BETWEEN un interval inclusiv la ambele capete. Pe datetime, BETWEEN '2025-01-01' AND '2025-01-31' pierde tot ce s-a întâmplat pe 31 ianuarie după miezul nopții.

Cei trei operatori simplifică filtrele:

SQL
SELECT * FROM clienti WHERE email LIKE '%@gmail.com';
SELECT * FROM comenzi WHERE status IN ('plătită', 'livrată');
SELECT * FROM produse WHERE pret BETWEEN 100 AND 200;  -- include 100 și 200

LIKE cu % la început ('%ana%') nu poate folosi un index obișnuit, deci pe tabele mari e lent. Sensibilitatea la majuscule depinde de motor și de collation: în PostgreSQL LIKE e case-sensitive și există ILIKE, în MySQL cu collation implicit nu contează majusculele.

Capcana cu BETWEEN pe date: dacă data_comanda e de tip TIMESTAMP, atunci '2025-01-31' înseamnă 2025-01-31 00:00:00. Interogarea

SQL
WHERE data_comanda BETWEEN '2025-01-01' AND '2025-01-31'

exclude toate comenzile din 31 ianuarie de după ora 00:00:00. Varianta corectă și robustă este intervalul semideschis:

SQL
WHERE data_comanda >= '2025-01-01'
  AND data_comanda <  '2025-02-01'

Funcționează identic pentru DATE și TIMESTAMP, nu depinde de numărul de zile din lună și se combină bine cu indexurile.

O altă capcană: NOT IN cu o listă sau subinterogare care conține NULL nu întoarce niciun rând, din cauza logicii cu trei valori. Pentru excluderi bazate pe alt tabel, NOT EXISTS este mai sigur.

Ce urmărește intervievatorul: Capcana cu BETWEEN pe timestamp produce rapoarte lunare greșite în mod silențios. Intervievatorul verifică dacă ai dat de ea în practică.

21 Mid

Care este diferența dintre o subinterogare și un CTE și ce este o subinterogare corelată?

Răspuns scurt: O subinterogare e un SELECT în interiorul altuia; un CTE (WITH) e o subinterogare cu nume, definită înainte, mai lizibilă și refolosibilă. O subinterogare corelată folosește coloane din interogarea exterioară și se evaluează logic pentru fiecare rând.

Ambele rezolvă aceeași problemă: un rezultat intermediar pe care îl folosești mai departe. Exemplu cu subinterogare în FROM:

SQL
SELECT AVG(total) FROM (
  SELECT client_id, SUM(valoare) AS total
  FROM comenzi GROUP BY client_id
) t;

Același lucru cu un CTE (Common Table Expression):

SQL
WITH totaluri AS (
  SELECT client_id, SUM(valoare) AS total
  FROM comenzi GROUP BY client_id
)
SELECT AVG(total) FROM totaluri;

CTE-urile se citesc de sus în jos, ca pașii unei analize, pot fi referite de mai multe ori în aceeași interogare și pot fi recursive (WITH RECURSIVE, de exemplu pentru ierarhii). De aceea sunt preferate în cod de analiză lung. Ca performanță, motoarele moderne le tratează de obicei la fel; în PostgreSQL de dinainte de versiunea 12, CTE-urile erau mereu materializate, ceea ce putea încetini interogările.

O subinterogare corelată depinde de rândul curent din exterior:

SQL
SELECT o.*
FROM comenzi o
WHERE o.valoare > (
  SELECT AVG(o2.valoare) FROM comenzi o2
  WHERE o2.client_id = o.client_id
);

Întoarce comenzile peste media clientului respectiv. Logic, subinterogarea se recalculează pentru fiecare rând, deci pe tabele mari poate fi lentă dacă optimizatorul nu o rescrie. Alternativa cu window function, AVG(valoare) OVER (PARTITION BY client_id), face același lucru într-o singură trecere și e de obicei mai clară.

Ce urmărește intervievatorul: Verifică dacă scrii SQL lizibil și structurat. La mid se așteaptă să recunoști subinterogările corelate și să știi alternativa cu window functions.

22 Mid

De ce un LEFT JOIN se poate transforma în INNER JOIN când pui o condiție pe tabela din dreapta în WHERE?

Răspuns scurt: Pentru rândurile fără potrivire, coloanele din dreapta sunt NULL, iar o condiție ca WHERE o.status = 'plătită' le elimină. Condiția trebuie mutată în ON ca să păstrezi toate rândurile din stânga.

Vrem toți clienții și numărul de comenzi plătite ale fiecăruia, inclusiv cei cu zero. Varianta greșită:

SQL
SELECT c.id, COUNT(o.id) AS platite
FROM clienti c
LEFT JOIN comenzi o ON o.client_id = c.id
WHERE o.status = 'plătită'
GROUP BY c.id;

Pașii logici: LEFT JOIN produce și rânduri pentru clienții fără comenzi, cu o.status NULL. Apoi WHERE aplică o.status = 'plătită'; pentru NULL rezultatul e UNKNOWN, deci rândurile sunt eliminate. La fel dispar clienții care au doar comenzi anulate. Rezultatul este identic cu un INNER JOIN, iar clienții cu zero comenzi plătite lipsesc din raport.

Varianta corectă mută condiția în clauza ON:

SQL
SELECT c.id, COUNT(o.id) AS platite
FROM clienti c
LEFT JOIN comenzi o
  ON o.client_id = c.id
 AND o.status = 'plătită'
GROUP BY c.id;

Acum condiția face parte din regula de potrivire: se atașează doar comenzile plătite, iar clienții fără astfel de comenzi rămân cu NULL și primesc COUNT(o.id) = 0.

Regula de reținut: într-un LEFT JOIN, condițiile pe tabela din dreapta stau în ON, iar condițiile pe tabela din stânga stau în WHERE. Singura condiție pe dreapta care are sens în WHERE este o.id IS NULL, folosită intenționat pentru a găsi rândurile fără potrivire (anti-join). Pentru INNER JOIN nu contează unde pui condiția, rezultatul e același.

Ce urmărește intervievatorul: Este una dintre cele mai frecvente erori în SQL-ul real și nu dă niciun mesaj de eroare. La mid se așteaptă să o recunoști imediat.

SQL avansat: JOIN-uri complexe și window functions

23 Junior

Ce este o window function și cum diferă de GROUP BY?

Răspuns scurt: O window function calculează o valoare peste un set de rânduri înrudite (fereastra), dar păstrează fiecare rând în rezultat. GROUP BY comprimă rândurile într-unul singur pe grup.

Cu GROUP BY obții un rând pe client: totalul lui. Cu o window function obții toate comenzile și, pe fiecare rând, poți afișa și totalul clientului, procentul comenzii din total sau poziția ei.

SQL
SELECT id,
       client_id,
       valoare,
       SUM(valoare) OVER (PARTITION BY client_id) AS total_client,
       ROUND(100.0 * valoare / SUM(valoare) OVER (PARTITION BY client_id), 1) AS pct
FROM comenzi;

Componentele clauzei OVER:

  • PARTITION BY împarte rândurile în grupuri, similar cu GROUP BY, dar fără să le comprime. Fără PARTITION BY, fereastra este întregul rezultat.
  • ORDER BY definește ordinea în interiorul partiției, necesară pentru clasamente, totaluri cumulate, LAG/LEAD.
  • Cadrul (ROWS BETWEEN ...) restrânge fereastra la anumite rânduri față de cel curent, de exemplu pentru medii mobile.

Categorii de funcții: de agregare (SUM, AVG, COUNT cu OVER), de clasament (ROW_NUMBER, RANK, DENSE_RANK, NTILE) și de valoare (LAG, LEAD, FIRST_VALUE).

Window functions se evaluează după WHERE, GROUP BY și HAVING, deci nu le poți folosi direct în WHERE; pentru a filtra pe rezultat le pui într-un CTE. Le poți însă aplica peste un rezultat deja grupat, de exemplu SUM(SUM(valoare)) OVER () pentru totalul general lângă totalurile pe grupuri.

Ce urmărește intervievatorul: Window functions sunt aproape obligatorii la interviurile de analist. Se verifică dacă înțelegi că rândurile nu se comprimă.

24 Junior

Care este diferența dintre ROW_NUMBER, RANK și DENSE_RANK?

Răspuns scurt: Toate numerotează rândurile după o ordine. ROW_NUMBER dă numere unice chiar la egalitate; RANK dă aceeași poziție la egalitate și sare peste numere (1, 1, 3); DENSE_RANK dă aceeași poziție fără salt (1, 1, 2).

Să presupunem vânzătorii cu totalurile 900, 800, 800, 700, ordonați descrescător:

SQL
SELECT vanzator, total,
       ROW_NUMBER() OVER (ORDER BY total DESC) AS rn,
       RANK()       OVER (ORDER BY total DESC) AS rnk,
       DENSE_RANK() OVER (ORDER BY total DESC) AS drnk
FROM totaluri_vanzatori;
vanzator  total  rn  rnk  drnk
A         900    1   1    1
B         800    2   2    2
C         800    3   2    2
D         700    4   4    3
  • ROW_NUMBER dă numere consecutive unice. La egalitate, ordinea dintre B și C este arbitrară și poate diferi între rulări, dacă nu adaugi un criteriu de departajare: ORDER BY total DESC, vanzator.
  • RANK dă aceeași poziție la egalitate și sare peste următoarele poziții, ca la un clasament sportiv.
  • DENSE_RANK nu sare: valorile distincte primesc poziții consecutive.

Când folosești fiecare:

  • ROW_NUMBER pentru deduplicare și „ultimul rând per grup”: păstrezi rn = 1.
  • DENSE_RANK pentru „top 3 valori distincte”, de exemplu al doilea cel mai mare salariu dintr-un departament.
  • RANK pentru clasamente afișate oamenilor, unde două locuri 2 înseamnă că nu există loc 3.

Toate acceptă PARTITION BY pentru a reporni numerotarea în fiecare grup, de exemplu clasamentul produselor în fiecare categorie.

Ce urmărește intervievatorul: Întrebare foarte frecventă, adesea urmată de „găsește al doilea cel mai mare salariu”. Se verifică tratamentul egalităților.

25 Junior

Ce este un self join? Afișează fiecare angajat împreună cu numele managerului său.

Răspuns scurt: Un self join unește un tabel cu el însuși, folosind aliasuri diferite. Pentru angajați și manageri, faci LEFT JOIN de la angajați la aceeași tabelă pe manager_id = id, ca să păstrezi și angajații fără manager.

Multe tabele conțin relații în interiorul lor: angajatul are un manager_id care trimite tot la tabela angajati. Pentru a afișa ambele nume pe același rând, folosești tabela de două ori, cu aliasuri diferite:

SQL
SELECT a.id,
       a.nume         AS angajat,
       m.nume         AS manager
FROM angajati a
LEFT JOIN angajati m ON m.id = a.manager_id
ORDER BY manager, angajat;

De ce LEFT JOIN: directorul general nu are manager (manager_id NULL). Cu INNER JOIN el ar dispărea din rezultat.

Variații care apar la interviu:

  • Angajații care câștigă mai mult decât managerul lor: adaugi WHERE a.salariu > m.salariu (aici INNER JOIN e potrivit, pentru că ai nevoie de manager).
  • Numărul de subordonați direcți: SELECT m.nume, COUNT(a.id) FROM angajati m LEFT JOIN angajati a ON a.manager_id = m.id GROUP BY m.nume.
  • Perechi de clienți din același oraș: JOIN clienti c2 ON c2.oras = c1.oras AND c1.id < c2.id. Condiția c1.id < c2.id evită perechile cu el însuși și duplicatele de tip (A, B) și (B, A).

Pentru ierarhii pe mai multe niveluri (managerul managerului și tot lanțul), un self join simplu nu ajunge; ai nevoie de un CTE recursiv, WITH RECURSIVE, disponibil în PostgreSQL, SQL Server, MySQL 8 și altele.

Ce urmărește intervievatorul: Verifică dacă poți gândi o tabelă în două roluri. Greșeala tipică este INNER JOIN, care pierde vârful ierarhiei.

26 Mid

Cum calculezi un total cumulat (running total) al vânzărilor pe zile și ce diferență e între ROWS și RANGE?

Răspuns scurt: Cu SUM(valoare) OVER (ORDER BY zi ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW). ROWS numără rânduri fizice, RANGE include toate rândurile cu aceeași valoare de ordonare, ceea ce schimbă rezultatul când există egalități.

Întâi agregi pe zi, apoi aplici o window function cumulativă:

SQL
WITH zilnic AS (
  SELECT CAST(data_comanda AS DATE) AS zi, SUM(valoare) AS vanzari
  FROM comenzi
  GROUP BY CAST(data_comanda AS DATE)
)
SELECT zi,
       vanzari,
       SUM(vanzari) OVER (ORDER BY zi
                          ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW) AS cumulat,
       SUM(vanzari) OVER (PARTITION BY EXTRACT(YEAR FROM zi), EXTRACT(MONTH FROM zi)
                          ORDER BY zi) AS cumulat_luna
FROM zilnic
ORDER BY zi;

A doua coloană repornește totalul la începutul fiecărei luni, adică un „month to date”.

Despre cadru: când scrii ORDER BY în OVER fără să specifici cadrul, standardul SQL folosește implicit RANGE BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW. Cu RANGE, toate rândurile care au aceeași valoare de ordonare ca rândul curent sunt incluse împreună. Dacă ai rula totalul direct pe tabela de comenzi, ordonată doar după dată, două comenzi din aceeași zi ar primi același total cumulat, care include deja ambele comenzi. Cu ROWS, fiecare rând adaugă doar valoarea lui, în ordinea fizică.

De aceea:

  • Pe date deja agregate pe zi, unde ziua e unică, ROWS și RANGE dau același rezultat.
  • Pe date neagregate, scrie explicit ROWS și adaugă un criteriu de departajare (ORDER BY data_comanda, id), ca rezultatul să fie determinist.

Atenție și la zilele fără vânzări: ele lipsesc din zilnic. Pentru un grafic continuu, faci LEFT JOIN de la un tabel calendar.

Ce urmărește intervievatorul: Verifică stăpânirea cadrului ferestrei, nu doar a sintaxei. Puțini candidați știu că RANGE e implicit și ce efect are la egalități.

27 Mid

Cum calculezi creșterea procentuală a veniturilor lună la lună în SQL?

Răspuns scurt: Agregi venitul pe lună, apoi folosești LAG(venit) OVER (ORDER BY luna) pentru a aduce valoarea lunii anterioare pe același rând și calculezi (curent - anterior) / anterior, protejând împărțirea cu NULLIF.

LAG(expresie, n, implicit) întoarce valoarea de pe rândul aflat cu n poziții în urmă în ordinea ferestrei; LEAD face același lucru înainte.

SQL
WITH lunar AS (
  SELECT DATE_TRUNC('month', data_comanda) AS luna,
         SUM(valoare) AS venit
  FROM comenzi
  WHERE status = 'plătită'
  GROUP BY 1
)
SELECT luna,
       venit,
       LAG(venit) OVER (ORDER BY luna) AS venit_luna_ant,
       ROUND(100.0 * (venit - LAG(venit) OVER (ORDER BY luna))
             / NULLIF(LAG(venit) OVER (ORDER BY luna), 0), 1) AS crestere_pct,
       LAG(venit, 12) OVER (ORDER BY luna) AS venit_an_ant
FROM lunar
ORDER BY luna;

DATE_TRUNC este sintaxa din PostgreSQL, Snowflake și DuckDB; în SQL Server folosești DATETRUNC (din versiunea 2022) sau DATEFROMPARTS(YEAR(d), MONTH(d), 1), iar în MySQL DATE_FORMAT(d, '%Y-%m-01').

Puncte de discutat:

  • Prima lună are venit_luna_ant NULL, deci și creșterea e NULL. E corect: nu are sens să inventezi o bază.
  • NULLIF(..., 0) evită eroarea de împărțire la zero.
  • 100.0 forțează împărțirea zecimală; în unele motoare, împărțirea a doi întregi dă un întreg.
  • Dacă lipsește o lună (nicio vânzare), LAG compară cu luna dinainte, nu cu luna goală. Soluția este un tabel calendar cu LEFT JOIN și COALESCE(venit, 0).
  • LAG(venit, 12) compară cu aceeași lună de anul trecut, mai relevant pentru afacerile sezoniere decât comparația cu luna precedentă.

Ce urmărește intervievatorul: Este o cerință de raportare foarte frecventă. Se verifică LAG, protecția la împărțire și dacă te gândești la lunile lipsă și la sezonalitate.

28 Mid

Cum găsești ultima comandă a fiecărui client?

Răspuns scurt: Numerotezi comenzile fiecărui client cu ROW_NUMBER() OVER (PARTITION BY client_id ORDER BY data_comanda DESC) într-un CTE și păstrezi rândurile cu numărul 1.

Problema e cunoscută ca „greatest-n-per-group”: vrei rândul complet (nu doar data maximă) cu valoarea cea mai mare dintr-un grup.

SQL
WITH numerotate AS (
  SELECT o.*,
         ROW_NUMBER() OVER (
           PARTITION BY client_id
           ORDER BY data_comanda DESC, id DESC
         ) AS rn
  FROM comenzi o
)
SELECT *
FROM numerotate
WHERE rn = 1;

id DESC departajează comenzile plasate exact în același moment, ca rezultatul să fie determinist.

De ce nu merge varianta naivă SELECT client_id, MAX(data_comanda), valoare FROM comenzi GROUP BY client_id: valoare nu e agregată, deci majoritatea motoarelor dau eroare, iar MySQL cu setări permisive întoarce o valoare arbitrară dintr-o comandă oarecare, nu din cea mai recentă.

Alternative:

  • JOIN cu maximul per client: JOIN (SELECT client_id, MAX(data_comanda) AS m FROM comenzi GROUP BY client_id) x ON x.client_id = o.client_id AND o.data_comanda = x.m. Funcționează, dar întoarce mai multe rânduri la egalitate.
  • În PostgreSQL: SELECT DISTINCT ON (client_id) * FROM comenzi ORDER BY client_id, data_comanda DESC.
  • În Snowflake, BigQuery sau DuckDB: QUALIFY ROW_NUMBER() OVER (...) = 1, fără CTE.

Același tipar rezolvă deduplicarea: când ai mai multe versiuni ale aceleiași înregistrări, păstrezi rn = 1 după data actualizării. Pentru „primele 3 comenzi ale fiecărui client” schimbi doar filtrul în rn <= 3.

Ce urmărește intervievatorul: E unul dintre cele mai frecvente exerciții de live coding. Se urmărește dacă eviți GROUP BY cu coloane neagregate și dacă tratezi egalitățile.

29 Mid

Cum calculezi o medie mobilă pe 7 zile a numărului de comenzi?

Răspuns scurt: Agregi comenzile pe zi, completezi zilele lipsă dintr-un calendar, apoi folosești AVG(nr) OVER (ORDER BY zi ROWS BETWEEN 6 PRECEDING AND CURRENT ROW).

Media mobilă netezește fluctuațiile zilnice, de exemplu diferența dintre weekend și zilele lucrătoare, și face tendința vizibilă.

SQL
WITH calendar AS (
  SELECT generate_series(DATE '2025-01-01', DATE '2025-12-31', INTERVAL '1 day')::date AS zi
),
zilnic AS (
  SELECT CAST(data_comanda AS DATE) AS zi, COUNT(*) AS nr
  FROM comenzi
  GROUP BY 1
)
SELECT c.zi,
       COALESCE(z.nr, 0) AS nr,
       AVG(COALESCE(z.nr, 0)) OVER (
         ORDER BY c.zi ROWS BETWEEN 6 PRECEDING AND CURRENT ROW
       ) AS medie_7z,
       COUNT(*) OVER (
         ORDER BY c.zi ROWS BETWEEN 6 PRECEDING AND CURRENT ROW
       ) AS zile_in_fereastra
FROM calendar c
LEFT JOIN zilnic z ON z.zi = c.zi
ORDER BY c.zi;

generate_series este din PostgreSQL; în alte motoare folosești un tabel calendar permanent, care e oricum o practică bună.

Două detalii fac diferența între un răspuns corect și unul aproximativ:

  • Zilele lipsă. ROWS BETWEEN 6 PRECEDING numără rânduri, nu zile. Dacă lipsesc zile fără comenzi, fereastra de „7 rânduri” acoperă de fapt mai mult de 7 zile, iar media e supraestimată. Calendarul cu COALESCE(..., 0) rezolvă problema.
  • Începutul seriei. Primele 6 zile au mai puține valori în fereastră. Coloana zile_in_fereastra te lasă să le marchezi sau să le excluzi, ca să nu prezinți o medie calculată pe 2 zile drept medie pe 7.

Variantă: RANGE BETWEEN INTERVAL '6 days' PRECEDING AND CURRENT ROW lucrează direct pe valori de dată în PostgreSQL 11+ și nu depinde de existența fiecărei zile.

Ce urmărește intervievatorul: Verifică dacă înțelegi că ROWS numără rânduri, nu zile. Lipsa calendarului e greșeala cea mai frecventă.

30 Mid

După un JOIN, suma vânzărilor a ieșit mai mare decât în realitate. Care e cauza probabilă și cum o repari?

Răspuns scurt: Aproape sigur un fan-out: unul dintre tabele are mai multe rânduri pe cheia de JOIN, iar rândurile din celălalt se multiplică. Repari agregând fiecare tabel la granularitatea comună înainte de JOIN.

Să zicem că ai comenzi (un rând pe comandă, cu valoare) și plati (o comandă poate fi plătită în mai multe tranșe). Interogarea:

SQL
SELECT SUM(o.valoare) AS vanzari, SUM(p.suma) AS incasat
FROM comenzi o
LEFT JOIN plati p ON p.comanda_id = o.id;

O comandă cu trei plăți apare de trei ori după JOIN, deci valoarea ei e adunată de trei ori. Fenomenul se numește fan-out și nu produce nicio eroare, doar cifre greșite.

Cum îl diagnostichezi:

  • Compari numărul de rânduri înainte și după JOIN: SELECT COUNT(*), COUNT(DISTINCT o.id) .... Dacă diferă, ai multiplicare.
  • Verifici unicitatea cheii în fiecare tabel: GROUP BY comanda_id HAVING COUNT(*) > 1.

Cum îl repari: agregi fiecare tabel la granularitatea dorită și abia apoi faci JOIN.

SQL
WITH plati_pe_comanda AS (
  SELECT comanda_id, SUM(suma) AS incasat
  FROM plati
  GROUP BY comanda_id
)
SELECT SUM(o.valoare) AS vanzari,
       SUM(COALESCE(p.incasat, 0)) AS incasat
FROM comenzi o
LEFT JOIN plati_pe_comanda p ON p.comanda_id = o.id;

Ce nu trebuie făcut: SUM(DISTINCT o.valoare). Pare că repară, dar elimină și comenzile diferite care au întâmplător aceeași valoare. La fel, un SELECT DISTINCT pus deasupra ascunde simptomul fără să trateze cauza.

Cea mai bună prevenție este să știi granularitatea fiecărui tabel înainte să scrii primul JOIN.

Ce urmărește intervievatorul: Este probabil cea mai importantă eroare practică în SQL de analiză. Intervievatorul vrea diagnostic sistematic, nu SUM(DISTINCT).

31 Mid

Cum găsești clienții care nu au plasat nicio comandă și de ce NOT IN poate fi periculos?

Răspuns scurt: Folosești un anti-join: NOT EXISTS sau LEFT JOIN cu WHERE o.id IS NULL. NOT IN întoarce zero rânduri dacă subinterogarea conține măcar un NULL, din cauza logicii cu trei valori.

Trei variante pentru „clienți fără comenzi”:

SQL
-- 1. NOT EXISTS (recomandată)
SELECT c.*
FROM clienti c
WHERE NOT EXISTS (
  SELECT 1 FROM comenzi o WHERE o.client_id = c.id
);

-- 2. LEFT JOIN + IS NULL
SELECT c.*
FROM clienti c
LEFT JOIN comenzi o ON o.client_id = c.id
WHERE o.id IS NULL;

-- 3. NOT IN (riscantă)
SELECT c.*
FROM clienti c
WHERE c.id NOT IN (SELECT client_id FROM comenzi);

Problema cu NOT IN: expresia c.id NOT IN (1, 2, NULL) este echivalentă cu c.id <> 1 AND c.id <> 2 AND c.id <> NULL. Ultima comparație dă UNKNOWN, deci întreaga condiție nu e niciodată TRUE. Dacă în comenzi există o singură comandă cu client_id NULL, de exemplu o comandă de la un client neînregistrat, interogarea întoarce zero rânduri, fără nicio eroare. Se poate repara cu WHERE client_id IS NOT NULL în subinterogare, dar e ușor de uitat.

NOT EXISTS nu are această problemă și exprimă clar intenția. Varianta cu LEFT JOIN funcționează la fel de bine, cu condiția să testezi pe o coloană care nu poate fi NULL în tabela din dreapta, de obicei cheia primară. Ca performanță, optimizatoarele moderne transformă de obicei ambele variante în același plan de tip anti-join.

Același tipar se folosește pentru „produse niciodată vândute” sau „utilizatori înregistrați care nu au activat contul”.

Ce urmărește intervievatorul: Întrebarea verifică dacă știi capcana NULL din NOT IN, care a produs multe rapoarte goale în producție.

32 Mid

Cum transformi rândurile în coloane (pivot) în SQL, de exemplu venit pe regiune cu câte o coloană pe trimestru?

Răspuns scurt: Cel mai portabil este agregarea condiționată: SUM(CASE WHEN trimestru = 1 THEN valoare ELSE 0 END) AS t1 și așa mai departe, grupat pe regiune. Unele motoare au și operatorul PIVOT.

Agregarea condiționată funcționează în orice motor SQL:

SQL
SELECT regiune,
       SUM(CASE WHEN EXTRACT(QUARTER FROM data_comanda) = 1 THEN valoare ELSE 0 END) AS t1,
       SUM(CASE WHEN EXTRACT(QUARTER FROM data_comanda) = 2 THEN valoare ELSE 0 END) AS t2,
       SUM(CASE WHEN EXTRACT(QUARTER FROM data_comanda) = 3 THEN valoare ELSE 0 END) AS t3,
       SUM(CASE WHEN EXTRACT(QUARTER FROM data_comanda) = 4 THEN valoare ELSE 0 END) AS t4,
       SUM(valoare) AS total
FROM comenzi
WHERE data_comanda >= DATE '2025-01-01' AND data_comanda < DATE '2026-01-01'
GROUP BY regiune
ORDER BY total DESC;

Fiecare CASE lasă să treacă valoarea doar pentru trimestrul respectiv. În PostgreSQL există și sintaxa mai scurtă SUM(valoare) FILTER (WHERE ...). SQL Server, Oracle, Snowflake și BigQuery au operatorul PIVOT, dar sintaxa diferă între ele.

Tehnica e utilă și pentru rate pe același rând:

SQL
SELECT canal,
       AVG(CASE WHEN status = 'returnată' THEN 1.0 ELSE 0 END) AS rata_retur
FROM comenzi
GROUP BY canal;

Media unui indicator 0/1 este exact proporția rândurilor care îndeplinesc condiția.

Limita pivotului în SQL: coloanele trebuie cunoscute dinainte. Dacă vrei câte o coloană pentru fiecare produs, iar produsele se schimbă, ai nevoie de SQL dinamic. De obicei e mai simplu să întorci datele în format lung (regiune, trimestru, valoare) și să faci pivotarea în unealta de raportare: Excel, Power BI sau pandas cu pivot_table.

Ce urmărește intervievatorul: Verifică agregarea condiționată, un instrument de bază pentru rapoarte. Răspunsul bun menționează și formatul lung ca alternativă.

33 Senior

Cum ai calcula retenția pe cohorte lunare în SQL?

Răspuns scurt: Atribui fiecare client cohortei lunii primei comenzi, calculezi pentru fiecare activitate diferența în luni față de cohortă, apoi numeri clienții unici activi pe fiecare pereche cohortă-lună și împarți la dimensiunea cohortei.

O analiză de cohortă răspunde la întrebarea: din clienții care au cumpărat prima dată în ianuarie, câți mai cumpără în luna 1, 2, 3 după aceea? Comparând cohortele, vezi dacă retenția se îmbunătățește în timp.

SQL
WITH prima AS (
  SELECT client_id, DATE_TRUNC('month', MIN(data_comanda)) AS cohorta
  FROM comenzi
  GROUP BY client_id
),
activitate AS (
  SELECT DISTINCT client_id, DATE_TRUNC('month', data_comanda) AS luna
  FROM comenzi
),
combinat AS (
  SELECT p.cohorta,
         (EXTRACT(YEAR FROM a.luna) - EXTRACT(YEAR FROM p.cohorta)) * 12
       + (EXTRACT(MONTH FROM a.luna) - EXTRACT(MONTH FROM p.cohorta)) AS luna_nr,
         a.client_id
  FROM activitate a
  JOIN prima p USING (client_id)
)
SELECT cohorta,
       luna_nr,
       COUNT(DISTINCT client_id) AS activi,
       ROUND(100.0 * COUNT(DISTINCT client_id)
             / FIRST_VALUE(COUNT(DISTINCT client_id)) OVER (
                 PARTITION BY cohorta ORDER BY luna_nr), 1) AS retentie_pct
FROM combinat
GROUP BY cohorta, luna_nr
ORDER BY cohorta, luna_nr;

Luna 0 conține toți clienții cohortei, deci e baza procentului.

Decizii de discutat la nivel senior:

  • Ce înseamnă „activ”: orice comandă, o comandă plătită, o autentificare?
  • Retenție clasică (activ exact în luna N) sau „rolling” (activ în luna N sau după)?
  • Cohortele recente au puține luni observate; nu le compara cu cele vechi pe luni care încă nu au trecut.
  • Rezultatul se prezintă de obicei ca matrice triunghiulară, cu un heatmap.

Ce urmărește intervievatorul: Este o analiză standard de produs și e-commerce. La senior se urmărește definirea clară a activității și interpretarea corectă a cohortelor incomplete.

34 Senior

O interogare de raportare rulează foarte lent. Cum o investighezi și o optimizezi?

Răspuns scurt: Măsori, citești planul de execuție cu EXPLAIN (ANALYZE), cauți scanări complete pe tabele mari, JOIN-uri care multiplică rânduri și filtre care nu pot folosi indexuri, apoi reduci volumul devreme și rescrii sau adaugi indexuri ori agregate.

Abordarea sistematică:

  • Planul de execuție. EXPLAIN ANALYZE în PostgreSQL, „Actual Execution Plan” în SQL Server, profilul de interogare în Snowflake sau BigQuery. Cauți operația care consumă cel mai mult timp și diferențele mari dintre rândurile estimate și cele reale, semn de statistici învechite.
  • Filtre care nu pot folosi indexuri (non-sargable). WHERE YEAR(data_comanda) = 2025 sau WHERE LOWER(email) = ... aplică o funcție pe coloană. Rescrii ca interval: data_comanda >= '2025-01-01' AND data_comanda < '2026-01-01'.
  • Volumul. Filtrează și agregă înainte de JOIN; selectează doar coloanele necesare, nu SELECT *, mai ales în baze de date columnare unde plătești per coloană citită.
  • JOIN-uri. Cheile de JOIN au tipuri diferite (text vs număr) și forțează conversii? Există un fan-out care produce milioane de rânduri intermediare?
  • Indexuri. În baze OLTP, un index pe coloanele din WHERE și JOIN poate schimba radical timpul. Un index compus (client_id, data_comanda) servește filtrele pe client și interval.
  • Partiționare și clustering în data warehouse: filtrul pe coloana de partiție (de obicei data) limitează datele citite.
  • Precalculare. Dacă dashboard-ul rulează aceeași agregare grea de multe ori pe zi, un tabel agregat actualizat periodic sau o view materializată e soluția corectă.

Ca analist, ține minte că rulezi adesea pe o bază de producție: interogările grele pot afecta aplicația. Discută cu echipa de date despre o replică sau un warehouse.

Ce urmărește intervievatorul: La senior se așteaptă o metodă, nu o listă de trucuri. Candidații slabi propun direct „adaug un index” fără să se uite la plan.

35 Senior

Cum găsești cea mai lungă serie de zile consecutive în care un utilizator a fost activ?

Răspuns scurt: Folosești tehnica „gaps and islands”: scazi din fiecare dată numărul ei de ordine (ROW_NUMBER) per utilizator; zilele consecutive dau aceeași valoare, care devine identificatorul seriei, apoi grupezi și numeri.

Ideea: dacă un utilizator a fost activ pe 3, 4, 5 și 8 martie, iar numerotăm zilele 1, 2, 3, 4, atunci data - numar dă 2 martie pentru primele trei și 4 martie pentru ultima. Zilele consecutive au aceeași „ancoră”, deci formează o insulă.

SQL
WITH zile AS (
  SELECT DISTINCT user_id, CAST(moment AS DATE) AS zi
  FROM evenimente
),
insule AS (
  SELECT user_id,
         zi,
         zi - CAST(ROW_NUMBER() OVER (PARTITION BY user_id ORDER BY zi) AS INT) AS ancora
  FROM zile
),
serii AS (
  SELECT user_id, ancora,
         MIN(zi) AS inceput, MAX(zi) AS sfarsit, COUNT(*) AS lungime
  FROM insule
  GROUP BY user_id, ancora
)
SELECT user_id, MAX(lungime) AS cea_mai_lunga_serie
FROM serii
GROUP BY user_id;

Sintaxa data - întreg funcționează în PostgreSQL; în SQL Server folosești DATEADD(day, -rn, zi), în BigQuery DATE_SUB(zi, INTERVAL rn DAY).

DISTINCT din primul CTE e esențial: dacă un utilizator are mai multe evenimente într-o zi, ziua ar fi numărată de mai multe ori și ancora s-ar strica.

O alternativă este cu LAG: marchezi cu 1 rândurile unde diferența față de ziua anterioară e mai mare de 1, iar un SUM cumulat pe acest marcaj dă numărul seriei. Varianta cu LAG se adaptează mai ușor la reguli de tipul „o pauză de cel mult 2 zile nu întrerupe seria”.

Același tipar apare la sesiuni web, perioade de abonament continuu sau intervale de funcționare a unui senzor.

Ce urmărește intervievatorul: Este o problemă clasică de interviu pentru nivel avansat. Se verifică dacă știi tehnica și dacă te gândești la duplicatele din aceeași zi.

36 Senior

Cum construiești în SQL un funnel de conversie (vizită, coș, checkout, plată) care respectă ordinea pașilor?

Răspuns scurt: Pentru fiecare utilizator iei momentul primei apariții a fiecărui pas, condiționat ca pasul anterior să fi avut loc înainte, apoi numeri utilizatorii care au atins fiecare pas și calculezi ratele de trecere.

Un funnel naiv numără pur și simplu utilizatorii care au avut fiecare eveniment. Problema: un utilizator care a plătit dintr-un link direct fără să adauge în coș ar umfla ultimul pas. Un funnel corect cere ordinea.

SQL
WITH pasi AS (
  SELECT user_id,
         MIN(CASE WHEN eveniment = 'vizita' THEN moment END) AS t_vizita
  FROM evenimente
  WHERE moment >= '2025-03-01' AND moment < '2025-04-01'
  GROUP BY user_id
),
ordonat AS (
  SELECT p.user_id, p.t_vizita,
         (SELECT MIN(e.moment) FROM evenimente e
           WHERE e.user_id = p.user_id AND e.eveniment = 'cos'
             AND e.moment >= p.t_vizita) AS t_cos
  FROM pasi p
  WHERE p.t_vizita IS NOT NULL
),
ordonat2 AS (
  SELECT o.*,
         (SELECT MIN(e.moment) FROM evenimente e
           WHERE e.user_id = o.user_id AND e.eveniment = 'plata'
             AND e.moment >= o.t_cos) AS t_plata
  FROM ordonat o
)
SELECT COUNT(*)        AS vizitatori,
       COUNT(t_cos)    AS cu_cos,
       COUNT(t_plata)  AS cu_plata,
       ROUND(100.0 * COUNT(t_cos) / COUNT(*), 1)                 AS vizita_cos_pct,
       ROUND(100.0 * COUNT(t_plata) / NULLIF(COUNT(t_cos), 0), 1) AS cos_plata_pct
FROM ordonat2;

Am lăsat checkout-ul deoparte pentru concizie; se adaugă identic. Fiecare subinterogare caută primul eveniment de tipul următor care are loc după pasul anterior, deci ordinea este impusă explicit.

Decizii de clarificat: fereastra de conversie (plata trebuie să aibă loc în 24 de ore sau oricând în lună?), nivelul analizei (utilizator sau sesiune), tratarea utilizatorilor neautentificați. Unelte precum GA4 sau Mixpanel fac funnel-uri gata construite, dar definițiile lor trebuie cunoscute ca să explici diferențele față de SQL.

Ce urmărește intervievatorul: La senior se urmărește dacă impui ordinea pașilor și clarifici fereastra de conversie, nu doar numeri evenimente.

Curățarea și calitatea datelor

37 Junior

Care sunt pașii pe care îi urmezi când cureți un set de date nou?

Răspuns scurt: Înțelegi sursa și granularitatea, profilezi datele (tipuri, lipsuri, valori unice, extreme), corectezi tipurile și formatele, tratezi lipsurile, duplicatele și outlierii după reguli explicite, validezi față de o sursă de referință și documentezi fiecare decizie.

O ordine de lucru care funcționează în Excel, SQL sau pandas:

  • Înțelegere. De unde vin datele, ce reprezintă un rând, ce înseamnă fiecare coloană, cum au fost extrase. Fără asta nu poți decide ce e „greșit”.
  • Profilare. Numărul de rânduri, tipurile coloanelor, procentul de valori lipsă, valorile unice pe coloanele categoriale, minim și maxim pe numerice. În pandas: df.info(), df.describe(), df['col'].value_counts(dropna=False).
  • Structură și tipuri. Numere salvate ca text, date în formate amestecate, coloane care trebuie împărțite sau unite.
  • Standardizare. Spații în plus, majuscule, diacritice, variante ale aceleiași valori („Buc.”, „București”).
  • Duplicate. Definești cheia și elimini sau marchezi.
  • Valori lipsă. Decizi caz cu caz: eliminare, completare, categorie separată.
  • Valori extreme și imposibile. Vârste negative, date în viitor, cantități uriașe.
  • Validare. Compari totalurile cu o sursă de încredere, de exemplu numărul de comenzi din sistem sau totalul facturat din contabilitate.
  • Documentare. O listă scurtă cu regulile aplicate și numărul de rânduri afectate de fiecare.

Principiul cel mai important: nu modifica niciodată datele originale. Păstrează sursa brută și aplică transformările într-un pas repetabil (script, Power Query, SQL), ca să poți reface totul când vin date noi sau când cineva întreabă de unde vine o cifră.

Ce urmărește intervievatorul: Intervievatorul vrea să vadă un proces, nu operații izolate. Greșeala tipică e să sari direct la ștergerea rândurilor fără profilare și fără documentare.

38 Junior

Cum tratezi valorile lipsă dintr-un set de date?

Răspuns scurt: Întâi afli de ce lipsesc și cât de multe sunt, apoi alegi: eliminarea rândurilor, completarea (cu mediană, valoare implicită, ultima valoare cunoscută) sau păstrarea ca o categorie separată. Decizia depinde de cauză și de efectul asupra analizei.

Nu există o regulă unică, dar există întrebări care duc la decizia corectă.

De ce lipsesc? Un câmp opțional din formular („al doilea telefon”) e diferit de o eroare de integrare care a pierdut prețul pentru toate comenzile dintr-o zi. Dacă lipsurile sunt concentrate pe o perioadă, un canal sau o regiune, nu sunt aleatorii, iar eliminarea lor deformează rezultatul.

Cât de multe sunt și unde? Câteva rânduri dintr-un set mare pot fi eliminate fără efect vizibil. O coloană goală în proporție mare poate fi inutilizabilă.

Opțiuni:

  • Eliminare (dropna), potrivită când lipsurile sunt puține și aleatorii.
  • Completare cu o valoare statistică: mediana e mai robustă decât media la date asimetrice, cum sunt veniturile.
  • Completare pe grupuri: mediana pe categoria de produs, nu pe tot setul.
  • Propagare (ffill) în serii de timp, de exemplu pentru un curs valutar în weekend.
  • Valoare explicită de tip „Necunoscut” pentru categorii, ca să rămână vizibile în rapoarte.
  • Indicator: o coloană nouă pret_lipsa = 1, ca să poți verifica ulterior dacă rândurile completate se comportă diferit.
PYTHON
df['venit'] = df['venit'].fillna(df.groupby('categorie')['venit'].transform('median'))
df['regiune'] = df['regiune'].fillna('Necunoscut')

Indiferent de alegere, raportezi câte valori ai tratat și cum. Diferența dintre 0 și „lipsă” trebuie păstrată: o vânzare de 0 și o vânzare neînregistrată sunt lucruri diferite.

Ce urmărește intervievatorul: Se verifică dacă te întrebi de ce lipsesc datele înainte să alegi o metodă. Răspunsul slab este „le șterg” sau „pun media” fără context.

39 Junior

Cum identifici valorile extreme (outlieri) și ce faci cu ele?

Răspuns scurt: Le identifici vizual (box plot, histogramă) și cu reguli precum IQR (sub Q1 - 1,5·IQR sau peste Q3 + 1,5·IQR) sau z-score. Apoi verifici dacă sunt erori sau valori reale; erorile se corectează, valorile reale se păstrează și se tratează cu metode robuste.

Un outlier este o valoare neobișnuit de departe de restul. Metode de identificare:

  • Vizual: box plot, histogramă, scatter plot. Adesea cel mai rapid mod de a vedea problema.
  • Regula IQR: IQR = Q3 - Q1 (intervalul intercuartilic). Valorile sub Q1 - 1.5*IQR sau peste Q3 + 1.5*IQR sunt marcate. E robustă pentru că quartilele nu sunt influențate de extreme.
  • Z-score: câte deviații standard e o valoare față de medie; se folosește de obicei un prag de 3. Funcționează rezonabil pe date aproximativ normale, dar extremele influențează chiar media și deviația folosite la calcul.
PYTHON
q1, q3 = df['valoare'].quantile([0.25, 0.75])
iqr = q3 - q1
outlieri = df[(df['valoare'] < q1 - 1.5 * iqr) | (df['valoare'] > q3 + 1.5 * iqr)]

Decizia după identificare contează mai mult decât metoda:

  • Eroare evidentă (vârstă 250, preț negativ, o cantitate cu zerouri în plus): corectezi dacă poți afla valoarea reală, altfel elimini și documentezi.
  • Valoare reală, dar rară (un client corporate cu o comandă foarte mare): o păstrezi. Ea poate fi chiar cea mai importantă informație. Raportezi mediana alături de medie, sau analizezi separat segmentul.
  • Pentru modele sau medii sensibile, poți plafona valorile la un percentil (winsorizing), menționând explicit.

Pe date de vânzări, distribuțiile sunt de obicei asimetrice, deci regula IQR va marca multe valori mari legitime. De aceea pragul nu înlocuiește judecata și discuția cu cei care cunosc business-ul.

Ce urmărește intervievatorul: Verifică dacă faci diferența între erori și valori reale rare. Greșeala tipică este eliminarea automată a tot ce depășește un prag.

40 Junior

Ai o coloană „Oraș” cu valori ca „Bucuresti”, „București ”, „BUCUREȘTI” și „Buc.”. Cum o standardizezi?

Răspuns scurt: Normalizezi textul (elimini spațiile, uniformizezi majusculele, eventual diacriticele), apoi mapezi variantele rămase la o valoare canonică printr-un tabel de corespondență, verificând rezultatul cu o numărătoare pe valori unice.

Datele introduse manual au aproape mereu astfel de variații. Dacă nu le standardizezi, un PivotTable sau un GROUP BY va afișa patru „orașe” diferite, iar totalul pentru București va ieși mai mic.

Pași:

  • Spații: elimini spațiile de la început și final și pe cele duble din interior (TRIM în Excel și SQL, .str.strip() în pandas). Atenție la spațiul neseparabil (caracterul 160), care apare des în date copiate de pe web și nu e eliminat de TRIM în Excel.
  • Majuscule: aduci totul la aceeași formă, de exemplu cu PROPER în Excel sau .str.title() în pandas.
  • Diacritice: decizi o convenție. Pentru comparare, poți crea o cheie fără diacritice; pentru afișare, păstrezi forma corectă, cu ș și ț.
  • Abrevieri și greșeli: un tabel de mapare, de exemplu „Buc.” și „Bucuresti” devin „București”.
PYTHON
import unicodedata
def cheie(s):
    s = ' '.join(str(s).split()).lower()
    return ''.join(c for c in unicodedata.normalize('NFKD', s) if not unicodedata.combining(c))

mapare = {'bucuresti': 'București', 'buc.': 'București', 'cluj napoca': 'Cluj-Napoca'}
df['oras_std'] = df['oras'].map(cheie).map(mapare).fillna(df['oras'].str.strip())

La final verifici cu value_counts() ce valori unice au rămas și extinzi maparea. Tabelul de mapare se păstrează și se refolosește, iar pe termen lung soluția este validarea la sursă: o listă derulantă sau un câmp cu nomenclator în aplicație.

Ce urmărește intervievatorul: E o problemă concretă, prezentă în aproape orice set real. Se verifică dacă ai o abordare repetabilă, nu corecturi manuale celulă cu celulă.

41 Junior

Ai importat un CSV, iar coloana de prețuri e tratată ca text și sumele nu se calculează. Ce verifici și cum repari?

Răspuns scurt: Verifici separatorul zecimal și de mii (virgulă vs punct), simbolurile de monedă, spațiile ascunse și valorile non-numerice, apoi convertești explicit tipul și numeri câte valori nu s-au putut converti.

Cauze frecvente, mai ales cu date din România:

  • Separator zecimal: exportul folosește virgula (1.234,56), iar programul așteaptă punct (1,234.56), sau invers. Excel cu setări regionale românești interpretează altfel un CSV generat cu setări englezești.
  • Simboluri și text: „120 lei”, „RON 99,90”, „-” pentru zero.
  • Spații, inclusiv spațiul neseparabil folosit ca separator de mii.
  • Valori izolate de tip „N/A” sau „de confirmat”, care fac ca toată coloana să fie text.

În pandas, poți specifica formatul direct la citire:

PYTHON
import pandas as pd
df = pd.read_csv('vanzari.csv', sep=';', decimal=',', thousands='.', encoding='utf-8')

Sau curăți după citire:

PYTHON
s = (df['pret'].astype(str)
       .str.replace(r'[^0-9,.-]', '', regex=True)
       .str.replace('.', '', regex=False)
       .str.replace(',', '.', regex=False))
df['pret_num'] = pd.to_numeric(s, errors='coerce')
print(df.loc[df['pret_num'].isna(), 'pret'].unique())

errors='coerce' transformă în NaN valorile care nu se pot converti, iar ultima linie îți arată exact care sunt, ca să decizi ce faci cu ele. Nu folosi conversia silențioasă fără această verificare.

În Excel, ai opțiunile Data, Text to Columns cu setările Advanced pentru separatori, sau Power Query cu „Change Type, Using Locale”. Același tip de problemă apare cu datele calendaristice (03/04/2025 poate fi 3 aprilie sau 4 martie).

Ce urmărește intervievatorul: Testează experiența practică cu date reale, mai ales cu formatele regionale. Mulți candidați nu verifică ce valori s-au pierdut la conversie.

42 Mid

Primești de la un coleg un set de date nou pentru un raport important. Ce verificări faci înainte să îl folosești?

Răspuns scurt: Verifici completitudinea (rânduri, perioadă acoperită), unicitatea cheilor, consistența valorilor, relațiile cu alte tabele și reconcilierea totalurilor cu o sursă independentă; notezi orice abatere și o clarifici cu cel care a furnizat datele.

Un checklist pe care îl poți aplica în orice unealtă:

  • Volum și perioadă. Câte rânduri sunt și ce interval de date acoperă? Lipsește o zi sau o săptămână? Un grafic simplu cu numărul de rânduri pe zi arată imediat golurile și dublurile.
  • Granularitate și chei. Ce reprezintă un rând? Cheia presupusă e unică?
  • Coloane. Tipurile sunt corecte? Procentul de valori lipsă pe fiecare coloană e plauzibil?
  • Domenii de valori. Valorile categoriale sunt cele așteptate? Numericele au minim și maxim rezonabil? Datele calendaristice sunt în intervalul corect?
  • Integritate între tabele. Toate comenzile au client existent? Toate produsele există în nomenclator?
  • Reconciliere. Totalul vânzărilor din set se potrivește cu cel din sistemul de facturare sau cu raportul de luna trecută? O diferență mică poate avea explicație (retururi, fus orar); una mare indică o problemă de extragere.
SQL
SELECT CAST(data_comanda AS DATE) AS zi,
       COUNT(*) AS randuri,
       COUNT(DISTINCT id) AS id_unice,
       SUM(valoare) AS total
FROM set_nou
GROUP BY 1
ORDER BY 1;

O interogare ca aceasta, pusă alături de aceeași interogare pe sursa de producție, rezolvă rapid majoritatea întrebărilor.

Pe lângă verificări, întreabă cum a fost extras setul: ce filtre s-au aplicat, dacă include comenzile anulate, în ce monedă și fus orar sunt valorile. Notează răspunsurile, pentru că vor fi întrebate din nou când cineva va pune la îndoială cifrele.

Ce urmărește intervievatorul: Vrea să vadă reflexul de a nu avea încredere oarbă în date. La mid se așteaptă reconciliere cu o sursă independentă.

43 Mid

Cum ai deduplica o listă de clienți în care același client apare cu nume scrise diferit?

Răspuns scurt: Normalizezi câmpurile, folosești chei de potrivire puternice (email, telefon, CUI) acolo unde există, apoi potrivire aproximativă (fuzzy) pe nume și adresă cu un prag, iar cazurile la limită le verifici manual înainte de a uni înregistrările.

Este o problemă de entity resolution: „SC Alfa Distribuție SRL”, „Alfa Distributie S.R.L.” și „ALFA DISTRIBUTIE” pot fi aceeași firmă.

Pași practici:

  • Normalizare: litere mici, fără diacritice, fără punctuație, fără forme juridice comune (srl, sa, pfa), spații unificate. Telefoanele aduse la același format, emailurile cu litere mici.
  • Potrivire exactă pe identificatori puternici: email, telefon, CUI, CNP doar dacă e permis și necesar. Aceste potriviri sunt sigure și rezolvă de obicei o parte importantă din cazuri.
  • Potrivire aproximativă pe ce rămâne: distanța Levenshtein, similaritatea Jaro-Winkler sau token sort ratio, disponibile în biblioteci Python precum rapidfuzz.
PYTHON
from rapidfuzz import fuzz
fuzz.token_sort_ratio('alfa distributie', 'distributie alfa')   # 100.0
fuzz.ratio('alfa distributie', 'alfa distribtie')              # scor mare, nu 100
  • Blocking: compari doar înregistrări din același oraș sau cu aceeași primă literă, altfel numărul de perechi crește pătratic și calculul devine impracticabil.
  • Prag și revizuire: peste un scor ridicat unești automat, între două praguri trimiți la verificare manuală, sub prag consideri că sunt diferite.

Rezultatul nu ar trebui să șteargă înregistrări, ci să creeze un ID master care leagă variantele, ca să poți reveni asupra unei decizii greșite. Discută și costul erorilor: a uni greșit doi clienți diferiți poate fi mai grav decât a lăsa un duplicat, mai ales dacă datele se folosesc pentru facturare sau comunicări.

Ce urmărește intervievatorul: Se verifică dacă știi că deduplicarea reală nu e un buton, ci un compromis între potriviri ratate și potriviri greșite.

44 Mid

Ce probleme pot apărea cu datele calendaristice și fusurile orare într-o analiză?

Răspuns scurt: Timestamp-uri salvate în UTC raportate ca ora locală, trecerea la ora de vară, formate zi/lună ambigue și surse cu fusuri diferite pot muta evenimente în altă zi sau lună. Soluția: stochezi în UTC, convertești explicit la ora locală pentru raportare și documentezi convenția.

Exemplu concret: o aplicație salvează comenzile în UTC. România este la UTC+2 iarna și UTC+3 vara. O comandă plasată pe 1 martie la ora 01:30 ora României apare în bază pe 28 februarie la 23:30 UTC. Dacă raportul lunar grupează direct pe data din bază, comanda intră în februarie, iar totalurile nu se potrivesc cu cele din sistemul de facturare, care folosește ora locală.

Probleme frecvente:

  • Fus orar implicit: unele coloane sunt UTC, altele ora locală, fără ca numele să o spună.
  • Ora de vară: în ziua schimbării, o zi are 23 sau 25 de ore, iar orele dintre 03:00 și 04:00 se repetă sau lipsesc. Calculele pe oră pot da duplicate sau goluri.
  • Formate ambigue: 04/03/2025 este 4 martie în România și 3 aprilie în SUA.
  • Săptămâni: începutul săptămânii (luni sau duminică) și numerotarea ISO diferă între unelte.
PYTHON
df['moment_utc'] = pd.to_datetime(df['moment'], utc=True)
df['moment_ro'] = df['moment_utc'].dt.tz_convert('Europe/Bucharest')
df['zi_ro'] = df['moment_ro'].dt.date

În SQL, PostgreSQL are moment AT TIME ZONE 'Europe/Bucharest', iar SQL Server AT TIME ZONE 'GTB Standard Time'.

Bune practici: păstrezi stocarea în UTC, faci conversia într-un singur loc (un view sau un pas de transformare), folosești numele zonei (Europe/Bucharest), nu un decalaj fix, și scrii în documentația raportului ce fus folosește.

Ce urmărește intervievatorul: Diferențele de fus produc discrepanțe greu de explicat între rapoarte. La mid se așteaptă să știi că ora de vară face decalajul variabil.

45 Senior

Cum ai organiza controlul calității datelor într-o echipă, astfel încât problemele să fie prinse înainte să ajungă în dashboard-uri?

Răspuns scurt: Definești reguli automate de calitate (completitudine, unicitate, prospețime, valori valide, reconciliere) rulate la fiecare încărcare, cu alerte, proprietari clari pentru fiecare set de date și un proces de comunicare atunci când un raport e afectat.

La scară mică, verificările manuale ajung. Când ai zeci de tabele și dashboard-uri, problemele trebuie prinse automat.

Dimensiuni de calitate care se testează:

  • Prospețime (freshness): datele de ieri au sosit până la ora stabilită?
  • Volum: numărul de rânduri e într-un interval plauzibil față de zilele similare?
  • Unicitate pe cheile primare.
  • Completitudine pe coloanele obligatorii.
  • Valori valide: statusuri din listă, sume nenegative, date nu din viitor.
  • Integritate referențială între fapte și dimensiuni.
  • Reconciliere cu sistemul sursă pe indicatorii critici.

Unelte: în dbt, testele unique, not_null, accepted_values, relationships se scriu în YAML lângă model și rulează la fiecare build. Great Expectations sau Soda fac același lucru pentru pipeline-uri Python. Chiar și o interogare programată care trimite o alertă e mai bună decât nimic.

YAML
models:
  - name: fct_comenzi
    columns:
      - name: comanda_id
        tests: [unique, not_null]
      - name: status
        tests:
          - accepted_values:
              values: ['plătită', 'anulată', 'returnată']

Organizare: fiecare set important are un proprietar care primește alertele; testele critice opresc publicarea, cele de avertizare doar notifică; există un canal unde se anunță „dashboard-ul X are date incomplete pentru ieri”. Un incident documentat duce la un test nou, ca aceeași problemă să nu apară de două ori.

Rolul unui analist senior este să propună regulile pornind de la ce contează pentru business, nu să testeze totul la fel.

Ce urmărește intervievatorul: La senior se verifică gândirea de sistem: automatizare, proprietari și comunicare, nu doar verificări individuale.

Statistică pentru analiză

46 Junior

Când folosești media, mediana sau modul?

Răspuns scurt: Media e potrivită pentru date simetrice fără valori extreme; mediana e mai robustă când distribuția e asimetrică (venituri, valori de coș); modul arată valoarea cea mai frecventă și e util pentru date categoriale.

Media este suma împărțită la numărul de valori. Folosește toate datele, dar e sensibilă la extreme. Mediana este valoarea din mijloc după sortare: jumătate din observații sunt sub ea, jumătate peste. Modul este valoarea care apare cel mai des.

Exemplu: valorile coșurilor dintr-o zi sunt 50, 60, 70, 80 și 5000 lei. Media este 1052 lei, o cifră care nu descrie niciun client real. Mediana este 70 lei, mult mai reprezentativă pentru un client tipic. Dacă eliminăm comanda de 5000, media scade la 65, iar mediana devine 65, deci mediana se schimbă foarte puțin.

Reguli practice:

  • Date asimetrice (venituri, prețuri ale locuințelor, timpi de răspuns, valori de comandă): raportează mediana, eventual alături de medie. Diferența mare dintre ele e ea însăși o informație: există o coadă lungă.
  • Date aproximativ simetrice (înălțimi, erori de măsurare): media e potrivită.
  • Date categoriale (cea mai vândută mărime, metoda de plată preferată): modul.
  • Când business-ul are nevoie de totaluri (venit total = medie x număr de clienți), media este cea care se leagă de total, nu mediana.
PYTHON
df['valoare'].mean(), df['valoare'].median(), df['metoda_plata'].mode()[0]

În SQL, mediana se calculează cu PERCENTILE_CONT(0.5) WITHIN GROUP (ORDER BY valoare) în PostgreSQL, SQL Server și Oracle; MySQL nu are funcție nativă pentru mediană.

Ce urmărește intervievatorul: O întrebare de bază care arată dacă înțelegi impactul valorilor extreme. Greșeala tipică e raportarea mediei pe date foarte asimetrice.

47 Junior

Ce sunt varianța și deviația standard și cum le interpretezi?

Răspuns scurt: Varianța este media pătratelor abaterilor față de medie; deviația standard este rădăcina ei pătrată și se exprimă în aceleași unități ca datele. Ambele măsoară cât de împrăștiate sunt valorile în jurul mediei.

Două magazine au aceeași medie de vânzări zilnice, dar unul vinde constant, iar celălalt are zile foarte bune și zile foarte slabe. Media nu le diferențiază; dispersia da.

Varianța se calculează ca media pătratelor diferențelor față de medie. Ridicarea la pătrat face ca abaterile negative și pozitive să nu se anuleze și penalizează abaterile mari. Problema: unitatea e pătratul unității originale (lei la pătrat), greu de interpretat. Deviația standard este rădăcina pătrată a varianței și revine la unitatea originală, deci poți spune „vânzările zilnice variază de obicei cu aproximativ X lei față de medie”.

Distincția dintre populație și eșantion: pentru un eșantion se împarte la n - 1, nu la n (corecția lui Bessel), ca estimarea să nu fie sistematic prea mică. Uneltele au valori implicite diferite:

PYTHON
import numpy as np, pandas as pd
x = pd.Series([10, 12, 23, 23, 16, 23, 21, 16])
x.std()          # pandas: ddof=1, eșantion
np.std(x)        # numpy: ddof=0, populație

În Excel, STDEV.S este pentru eșantion și STDEV.P pentru populație; în SQL, STDDEV_SAMP și STDDEV_POP.

Interpretare utilă: pentru date aproximativ normale, cam 68% din valori se află la o deviație standard de medie și cam 95% la două. Pentru date foarte asimetrice, regula nu se aplică, iar quartilele descriu mai bine dispersia. Coeficientul de variație (deviația împărțită la medie) permite compararea dispersiei între serii cu scale diferite.

Ce urmărește intervievatorul: Verifică înțelegerea dispersiei și a diferenței eșantion/populație. Mulți candidați nu știu că pandas și numpy folosesc implicit formule diferite.

48 Junior

De ce corelația nu implică cauzalitate? Dă un exemplu din business.

Răspuns scurt: Două variabile pot evolua împreună pentru că o a treia le influențează pe amândouă, din întâmplare sau pentru că relația e inversă. Ca să afirmi cauzalitate ai nevoie de un experiment controlat sau de metode care elimină explicațiile alternative.

Corelația măsoară cât de strâns se mișcă împreună două variabile. Coeficientul Pearson ia valori între -1 și 1 și surprinde doar relațiile liniare. Faptul că variabilele se mișcă împreună nu spune de ce.

Exemplu: analizezi datele și observi că utilizatorii care folosesc funcția de „listă de dorințe” cumpără mult mai des. Concluzia tentantă este „să împingem toți utilizatorii să folosească lista, ca să cumpere mai mult”. Explicații alternative:

  • Variabilă de confuzie: utilizatorii foarte implicați fac ambele lucruri. Implicarea cauzează și folosirea listei, și cumpărăturile.
  • Cauzalitate inversă: cine a decis deja să cumpere salvează produse ca să le compare.
  • Selecție: funcția a fost lansată doar pentru utilizatorii aplicației mobile, care cumpărau deja mai des.
  • Coincidență: cu suficiente variabile testate, unele perechi vor fi corelate întâmplător.

Cum te apropii de cauzalitate:

  • Experiment A/B: o parte aleatorie a utilizatorilor primește îndemnul către listă, iar restul nu. Randomizarea echilibrează variabilele de confuzie.
  • Dacă experimentul nu e posibil: compari grupuri similare (aceleași segmente, aceeași perioadă), folosești difference-in-differences în jurul unei lansări, controlezi variabilele cunoscute într-o regresie, cu limitele de rigoare.

La interviu, formularea corectă a concluziei contează: „utilizatorii care folosesc lista cumpără mai des; nu știm încă dacă lista este cauza, propun un test”.

Ce urmărește intervievatorul: Verifică dacă eviți concluziile cauzale pripite, o greșeală cu impact direct asupra deciziilor. Răspunsul bun propune și un mod de testare.

49 Junior

Ce informații îți oferă o histogramă și ce înseamnă o distribuție asimetrică?

Răspuns scurt: Histograma arată forma distribuției: unde se concentrează valorile, cât de împrăștiate sunt, dacă există mai multe vârfuri sau valori extreme. O distribuție asimetrică la dreapta are o coadă lungă de valori mari, iar media e trasă peste mediană.

O histogramă împarte valorile numerice în intervale (bins) și arată câte observații cad în fiecare. Spre deosebire de un simplu rezumat statistic, îți arată forma datelor.

Ce cauți:

  • Centrul: unde e concentrată majoritatea valorilor.
  • Dispersia: cât de lată e distribuția.
  • Asimetria (skewness): la dreapta (pozitivă) înseamnă multe valori mici și câteva foarte mari, cum sunt veniturile, valorile comenzilor sau timpul petrecut pe site. Media > mediană. La stânga (negativă) înseamnă invers, de exemplu notele la un examen ușor.
  • Mai multe vârfuri (bimodală): de obicei două populații amestecate, de exemplu clienți persoane fizice și firme. E un semnal să analizezi segmentele separat.
  • Valori izolate și grămezi artificiale: un vârf la 0 sau la 999 poate indica valori implicite sau erori de introducere.
PYTHON
import matplotlib.pyplot as plt
df['valoare'].plot(kind='hist', bins=50)
plt.xlabel('Valoare comandă (lei)')
plt.show()

Numărul de intervale schimbă imaginea: prea puține ascund detalii, prea multe produc zgomot. Încearcă mai multe valori. Pentru date foarte asimetrice, o scală logaritmică pe axa X face forma mai lizibilă.

Distribuția normală este simetrică, în formă de clopot, cu media egală cu mediana. Multe metode statistice clasice presupun normalitate, de aceea e util să verifici forma datelor înainte să aplici un test sau să interpretezi deviația standard.

Ce urmărește intervievatorul: Verifică dacă te uiți la date înainte să le rezumi. Răspunsul bun leagă forma distribuției de alegerea mediei sau medianei.

50 Junior

Ce sunt percentilele și quartilele și ce arată un box plot?

Răspuns scurt: Percentila p este valoarea sub care se află p% din observații; quartilele sunt percentilele 25, 50 și 75. Box plot-ul le afișează compact: cutia între Q1 și Q3, linia mediană și mustățile până la valorile ne-extreme, cu punctele extreme separat.

Percentilele descriu poziția într-o distribuție fără să fie influențate de valorile extreme. Dacă percentila 90 a timpului de livrare este 3 zile, înseamnă că 90% dintre comenzi ajung în cel mult 3 zile. Pentru metrici operaționale, percentilele sunt adesea mai utile decât media: un timp mediu bun poate ascunde o coadă de clienți foarte nemulțumiți.

Quartilele: Q1 (percentila 25), Q2 (mediana, percentila 50), Q3 (percentila 75). IQR = Q3 - Q1 cuprinde jumătatea centrală a datelor.

Un box plot arată:

  • cutia de la Q1 la Q3;
  • o linie la mediană;
  • mustățile până la cea mai mică și cea mai mare valoare aflate în limita de 1,5 x IQR față de cutie (convenția cea mai răspândită);
  • punctele din afara mustăților, marcate individual ca posibile valori extreme.

Utilitatea lui principală este comparația: un box plot pe fiecare regiune sau canal arată imediat unde valorile sunt mai mari, mai împrăștiate sau mai asimetrice.

PYTHON
import seaborn as sns
sns.boxplot(data=df, x='regiune', y='timp_livrare_ore')

În SQL: PERCENTILE_CONT(0.9) WITHIN GROUP (ORDER BY timp_livrare) în PostgreSQL; în pandas: df['timp'].quantile([0.25, 0.5, 0.75, 0.9]).

Limitare: box plot-ul ascunde forma exactă. O distribuție bimodală poate avea aceeași cutie ca una normală, de aceea e bine să îl completezi cu o histogramă sau un violin plot.

Ce urmărește intervievatorul: Verifică dacă știi să descrii distribuții robust. La metrici operaționale, percentilele arată ce nu arată media.

51 Junior

Ce diferență este între populație și eșantion și ce este biasul de selecție?

Răspuns scurt: Populația este întregul grup despre care vrei să tragi concluzii; eșantionul este partea pe care o observi efectiv. Biasul de selecție apare când eșantionul nu reprezintă populația, de exemplu dacă analizezi doar clienții care au răspuns la un sondaj.

Aproape orice analiză lucrează pe un eșantion, chiar și atunci când pare că ai „toate datele”. Ai toți clienții din ultimul an, dar vrei să tragi concluzii despre clienții de anul viitor. Ai răspunsurile la un chestionar, dar vrei să știi ce cred toți clienții.

Biasul de selecție apare când modul în care ajung datele în eșantion este legat de ceea ce măsori. Exemple din analiză:

  • Răspuns voluntar: la un sondaj de satisfacție răspund mai ales cei foarte mulțumiți sau foarte nemulțumiți.
  • Survivorship bias: analizezi doar clienții activi ca să afli ce îi face fideli, dar îi ignori pe cei care au plecat, care ar spune cel mai mult.
  • Canal: datele de comportament provin doar din aplicația mobilă, iar utilizatorii aplicației sunt diferiți de cei de pe web.
  • Perioadă: o analiză făcută doar pe luna cu Black Friday nu descrie un an obișnuit.
  • Filtre tehnice: utilizatorii care au refuzat cookie-urile de analiză lipsesc din datele web, iar refuzul poate fi corelat cu vârsta sau cu dispozitivul.

Un eșantion mare nu repară biasul: un milion de răspunsuri voluntare rămân nereprezentative. În schimb, un eșantion aleatoriu mai mic poate fi foarte reprezentativ.

Ce faci practic: întrebi cum au fost colectate datele, compari distribuția eșantionului cu cea a populației pe variabile cunoscute (regiune, vârstă, canal), menționezi explicit limitele în raport și, când e posibil, folosești eșantionare aleatorie sau stratificată.

Ce urmărește intervievatorul: Se verifică dacă te întrebi de unde vin datele înainte să generalizezi. Greșeala tipică este credința că volumul mare elimină biasul.

52 Mid

Ce este un test de ipoteză și ce înseamnă, de fapt, un p-value?

Răspuns scurt: Un test de ipoteză verifică dacă datele sunt compatibile cu o ipoteză nulă (de exemplu „nu există diferență”). P-value este probabilitatea de a observa un rezultat cel puțin atât de extrem dacă ipoteza nulă ar fi adevărată, nu probabilitatea ca ipoteza să fie adevărată.

Structura unui test:

  • Ipoteza nulă (H0): nu există efect, de exemplu rata de conversie e aceeași pentru varianta A și B.
  • Ipoteza alternativă (H1): există o diferență.
  • Alegi dinainte un prag de semnificație α, de obicei 0,05.
  • Calculezi o statistică de test din date și p-value-ul asociat.
  • Dacă p < α, respingi H0; altfel, nu o poți respinge.

Interpretări greșite, foarte frecvente:

  • „p = 0,03 înseamnă 3% șanse ca H0 să fie adevărată.” Fals. P-value presupune că H0 e adevărată și spune cât de surprinzătoare ar fi datele în acest caz.
  • „p = 0,2 dovedește că nu există efect.” Fals. Poate că efectul există, dar eșantionul e prea mic ca să îl detectezi.
  • „Semnificativ statistic înseamnă important.” Fals. Pe milioane de utilizatori, o diferență minusculă poate fi semnificativă, dar irelevantă pentru business.
PYTHON
from scipy import stats
t, p = stats.ttest_ind(grup_a, grup_b, equal_var=False)  # Welch t-test

Testul potrivit depinde de date: t-test pentru medii, test chi-pătrat sau z-test pentru proporții, Mann-Whitney când distribuția e foarte asimetrică.

Ce ar trebui raportat întotdeauna: mărimea efectului (cu cât diferă, în unități de business) și intervalul de încredere, nu doar dacă p trece de prag. Decizia finală ia în calcul și costul implementării, nu doar statistica.

Ce urmărește intervievatorul: P-value este cel mai des interpretat greșit concept din statistică. Intervievatorul vrea definiția corectă și legătura cu mărimea efectului.

53 Mid

Cum ai proiecta un test A/B pentru o pagină nouă de checkout?

Răspuns scurt: Definești ipoteza și metrica principală (rata de finalizare a comenzii), metricile de protecție, unitatea de randomizare (utilizatorul), calculezi dinainte dimensiunea eșantionului pentru efectul minim relevant, rulezi pe durata stabilită fără opriri premature, apoi analizezi și pe segmente.

Pași pentru un test bine construit:

  • Ipoteză: „Pagina nouă, cu mai puține câmpuri, va crește proporția utilizatorilor care încep checkout-ul și îl finalizează.”
  • Metrica principală: una singură, stabilită dinainte, de exemplu rata de finalizare a comenzii per utilizator care a ajuns în checkout. Alegerea după ce vezi rezultatele duce la concluzii false.
  • Metrici de protecție (guardrail): valoarea medie a coșului, rata de retur, erorile de plată, timpul de încărcare. Varianta nouă nu are voie să le strice.
  • Unitatea de randomizare: utilizatorul, nu afișarea paginii, ca aceeași persoană să vadă mereu aceeași variantă.
  • Efectul minim relevant (MDE) și dimensiunea eșantionului: câtă îmbunătățire ar justifica schimbarea? Cu rata de bază, MDE, α și puterea dorită (de obicei 80%) calculezi câți utilizatori îți trebuie pe fiecare variantă.
PYTHON
from statsmodels.stats.power import NormalIndPower
from statsmodels.stats.proportion import proportion_effectsize
es = proportion_effectsize(0.12, 0.13)   # rate ilustrative
n = NormalIndPower().solve_power(effect_size=es, alpha=0.05, power=0.8)
  • Durata: cel puțin una sau două săptămâni complete, ca să acoperi diferențele dintre zile.
  • Verificări: împărțirea traficului e cea planificată? O diferență mare față de 50/50 (sample ratio mismatch) indică o problemă tehnică și invalidează rezultatul.
  • Analiză: diferența, intervalul de încredere, p-value; segmentele (mobil vs desktop) se privesc ca explorare, nu ca dovadă.

Decizia finală combină rezultatul cu costul și riscul implementării.

Ce urmărește intervievatorul: Testele A/B apar des la interviurile de mid. Se urmărește dacă alegi metrica dinainte și calculezi eșantionul, nu doar dacă știi să compari două procente.

54 Mid

Ce este un interval de încredere și cum îl explici unui manager?

Răspuns scurt: Un interval de încredere de 95% este un interval construit printr-o metodă care, repetată pe multe eșantioane, ar conține valoarea reală în aproximativ 95% din cazuri. Pentru un manager: „cel mai probabil efectul real este între X și Y”.

O estimare punctuală, de exemplu „varianta nouă crește conversia cu 1,2 puncte procentuale”, ascunde incertitudinea. Intervalul de încredere o face vizibilă: „între 0,3 și 2,1 puncte”. Lățimea lui spune cât de precisă e estimarea.

Interpretarea strictă: parametrul real este fix, iar intervalul este aleatoriu. Un interval de 95% înseamnă că metoda de calcul, aplicată pe multe eșantioane, ar produce intervale care conțin valoarea reală în aproximativ 95% din cazuri. Nu înseamnă că există 95% probabilitate ca valoarea să fie în acest interval anume (aceasta e interpretarea bayesiană, care cere alt cadru). În comunicarea cu business-ul, formularea „estimăm că efectul este între X și Y” e acceptabilă, cu condiția să nu vinzi certitudine.

Ce influențează lățimea:

  • dimensiunea eșantionului: de patru ori mai multe date înjumătățesc aproximativ lățimea;
  • variabilitatea datelor;
  • nivelul de încredere: 99% dă un interval mai lat decât 95%.
PYTHON
import numpy as np
from scipy import stats
x = np.array(valori_cos)
m, se = x.mean(), stats.sem(x)
low, high = stats.t.interval(0.95, len(x) - 1, loc=m, scale=se)

De ce e mai util decât p-value: dacă intervalul pentru diferență include 0, rezultatul nu e semnificativ la acel nivel, dar vezi și cât de mare ar putea fi efectul. Un interval de la -0,1 la 4 puncte spune „probabil pozitiv, dar insuficient de precis”, o informație mai bogată decât „p = 0,07”.

Pentru manager, cel mai clar este un grafic cu estimarea și bara de interval.

Ce urmărește intervievatorul: Verifică dacă poți comunica incertitudinea. Mulți candidați dau definiția greșită sau nu pot traduce conceptul în limbaj de business.

55 Mid

Ce sunt erorile de tip I și tip II și ce înseamnă puterea unui test?

Răspuns scurt: Eroarea de tip I este un fals pozitiv: declari un efect care nu există (probabilitate α). Eroarea de tip II este un fals negativ: ratezi un efect real (probabilitate β). Puterea, 1 - β, este probabilitatea de a detecta un efect care există.

Într-un test A/B sunt patru situații posibile:

  • Nu există efect și nu declari efect: corect.
  • Nu există efect, dar declari efect: eroare de tip I (fals pozitiv). Lansezi o schimbare inutilă.
  • Există efect, dar nu îl detectezi: eroare de tip II (fals negativ). Abandonezi o idee bună.
  • Există efect și îl detectezi: corect. Probabilitatea acestui caz este puterea.

α (de obicei 0,05) controlează direct eroarea de tip I. Eroarea de tip II depinde de mai mulți factori: mărimea efectului real, variabilitatea datelor, dimensiunea eșantionului și α. O putere de 80% este convenția uzuală.

Compromisuri:

  • Dacă scazi α la 0,01, devii mai sigur pe rezultatele pozitive, dar ai nevoie de un eșantion mai mare pentru aceeași putere.
  • Cu un eșantion mic, puterea e scăzută: majoritatea testelor vor ieși „nesemnificative” chiar dacă ideile sunt bune. Iar când un test cu putere mică iese semnificativ, efectul estimat tinde să fie exagerat.

Pentru business, costurile celor două erori nu sunt egale. O schimbare de text pe un buton, ușor de anulat, tolerează un risc mai mare de fals pozitiv. O schimbare de preț sau un proces costisitor de implementat cere mai multă siguranță.

De aceea puterea se calculează înainte de test: dacă traficul disponibil nu permite detectarea unui efect relevant într-un timp rezonabil, e mai cinstit să spui asta de la început decât să rulezi un test care nu poate da un răspuns.

Ce urmărește intervievatorul: Verifică dacă înțelegi compromisurile, nu doar definițiile. Greșeala tipică este interpretarea unui test cu putere mică drept dovadă că nu există efect.

56 Senior

Explică paradoxul lui Simpson cu un exemplu și spune cum îl eviți.

Răspuns scurt: Paradoxul lui Simpson apare când o tendință vizibilă în fiecare subgrup se inversează la nivel agregat, pentru că subgrupurile au ponderi diferite. Îl eviți segmentând pe variabilele care influențează atât grupul, cât și rezultatul.

Exemplu ilustrativ: compari rata de conversie a două campanii, A și B, pe mobil și desktop.

            Campania A            Campania B
Desktop     90 / 300   = 30%      20 / 50    = 40%
Mobil       20 / 200   = 10%      60 / 450   = 13,3%
Total       110 / 500  = 22%      80 / 500   = 16%

Pe fiecare dispozitiv, B convertește mai bine. Pe total, A pare mult mai bună. Explicația: A a primit mai ales trafic de desktop, unde conversia e mare pentru oricine, iar B mai ales trafic de mobil, unde conversia e mică. Totalul compară de fapt amestecuri diferite de trafic, nu calitatea campaniilor.

Dispozitivul este o variabilă care influențează atât distribuția traficului între campanii, cât și rezultatul. Ignorarea ei duce la o concluzie inversă.

Unde apare des:

  • comparații între regiuni sau magazine cu mixuri diferite de produse;
  • evoluția unei metrici în timp, când compoziția clienților se schimbă (mai mulți clienți noi, care convertesc mai slab, pot scădea media chiar dacă fiecare segment se îmbunătățește);
  • comparații între echipe cu tipuri diferite de cazuri.

Cum îl eviți:

  • segmentezi pe variabilele relevante înainte de concluzie;
  • standardizezi: recalculezi metrica pentru fiecare grup folosind același mix de segmente;
  • separi explicit efectul de mix de efectul de rată (mix vs rate decomposition);
  • randomizezi, în experimente, ca segmentele să fie echilibrate.

La senior, întrebarea reală e: „cifra agregată s-a schimbat pentru că s-a schimbat comportamentul sau pentru că s-a schimbat compoziția?”.

Ce urmărește intervievatorul: Verifică dacă poți detecta concluziile false din agregare. La senior se așteaptă descompunerea efectului de mix.

57 Senior

Ce probleme apar dacă te uiți zilnic la rezultatele unui test A/B și îl oprești când devine semnificativ, sau dacă analizezi multe metrici deodată?

Răspuns scurt: Verificările repetate (peeking) și testarea multor metrici sau segmente cresc mult probabilitatea unui fals pozitiv peste nivelul α declarat. Soluțiile: durata fixată dinainte, metode secvențiale, corecții pentru comparații multiple și o metrică principală unică.

Un α de 0,05 garantează un risc de 5% de fals pozitiv doar dacă faci analiza o singură dată, la finalul planificat. Dacă te uiți în fiecare zi și oprești testul prima dată când p < 0,05, practic îți dai multe șanse să prinzi o fluctuație întâmplătoare. Rezultatele timpurii sunt instabile, iar p-value-ul oscilează. Cu suficiente verificări, rata reală de fals pozitive ajunge mult peste 5%.

Aceeași problemă apare la comparații multiple: dacă analizezi 20 de metrici sau 20 de segmente independente, te poți aștepta ca în medie una să iasă „semnificativă” din întâmplare, chiar dacă varianta nu are niciun efect.

Soluții:

  • Plan fixat dinainte: dimensiunea eșantionului, durata, metrica principală și testul statistic, scrise înainte de lansare.
  • Teste secvențiale: metode proiectate pentru verificări intermediare, de exemplu limite de tip O'Brien-Fleming, testul SPRT sau intervalele „always valid”. Multe platforme de experimentare le implementează.
  • Corecții pentru comparații multiple: Bonferroni (α împărțit la numărul de teste, conservator) sau Benjamini-Hochberg (controlează proporția de descoperiri false).
  • Ierarhia metricilor: o metrică principală decide; metricile secundare și segmentele generează ipoteze pentru teste viitoare.
PYTHON
from statsmodels.stats.multitest import multipletests
respins, p_corectat, _, _ = multipletests(p_values, alpha=0.05, method='fdr_bh')

La nivel senior, rolul tău este și cultural: să explici echipei de produs de ce „se vede deja câștigătorul după trei zile” nu e un motiv suficient pentru oprirea testului.

Ce urmărește intervievatorul: Este o greșeală foarte răspândită în companii. La senior se așteaptă atât soluțiile tehnice, cât și capacitatea de a le impune în proces.

Python și pandas

58 Junior

De ce ai folosi Python și pandas în loc de Excel pentru o analiză?

Răspuns scurt: Python și pandas sunt potrivite când datele sunt mari, când analiza trebuie repetată sau automatizată, când combini multe surse sau ai nevoie de statistică și modelare. Excel rămâne excelent pentru analize rapide, mici și pentru colaborarea cu business-ul.

Nu e o competiție; un analist bun le folosește pe amândouă. Diferențele practice:

  • Volum: o foaie Excel are limita de 1.048.576 de rânduri și devine lentă mult înainte de ea. pandas lucrează confortabil cu milioane de rânduri, limitat în principal de memoria RAM.
  • Reproductibilitate: un script descrie fiecare pas. Îl rulezi din nou pe datele de luna viitoare și obții același tip de rezultat, fără clicuri manuale. În Excel, pașii se pierd ușor, cu excepția Power Query.
  • Automatizare: un script poate citi zilnic fișiere dintr-un folder, interoga o bază de date, trimite rezultatul pe email sau îl salva pentru un dashboard.
  • Surse multiple: API-uri, baze de date, JSON, fișiere Parquet, toate în același cod.
  • Analiză avansată: statistică (scipy, statsmodels), modele (scikit-learn), vizualizări personalizate.
  • Versionare: codul se poate pune în Git, cu istoric și revizuire.

Unde Excel câștigă:

  • explorare rapidă pe un set mic;
  • livrabile pentru colegi care vor să modifice ei înșiși cifrele;
  • modele financiare interactive, de tipul „ce se întâmplă dacă”.
PYTHON
import pandas as pd
df = pd.read_csv('vanzari.csv', parse_dates=['data'])
raport = df.groupby(df['data'].dt.to_period('M'))['valoare'].sum()
raport.to_excel('raport_lunar.xlsx')

Combinația frecventă în practică: prelucrarea grea în SQL sau Python, iar rezultatul livrat în Excel sau Power BI. La interviu, un răspuns echilibrat arată mai multă maturitate decât „Python e mereu mai bun”.

Ce urmărește intervievatorul: Verifică dacă știi să alegi unealta după problemă. Răspunsurile extremiste în orice direcție sunt un semnal slab.

59 Junior

Care este diferența dintre o Series și un DataFrame și dintre loc și iloc?

Răspuns scurt: O Series este o coloană unidimensională cu index; un DataFrame este un tabel de Series care împart același index. loc selectează după etichete (nume de index și coloane), iloc după poziții numerice întregi.

Un DataFrame este structura tabelară din pandas: rânduri și coloane cu nume. Fiecare coloană este o Series, adică un vector de valori de același tip, cu un index care etichetează rândurile.

PYTHON
import pandas as pd
df = pd.DataFrame(
    {'client': ['Ana', 'Mihai', 'Ioana'], 'valoare': [120, 80, 310]},
    index=[101, 102, 103]
)
type(df['valoare'])    # Series
type(df[['valoare']])  # DataFrame (listă de coloane)

Diferența dintre loc și iloc devine clară când indexul nu este 0, 1, 2:

PYTHON
df.loc[101, 'client']        # 'Ana'  - eticheta 101
df.iloc[0, 0]                # 'Ana'  - prima poziție
df.loc[101:102]              # rândurile 101 ȘI 102 (capăt inclus)
df.iloc[0:2]                 # pozițiile 0 și 1 (capăt exclus)
df.loc[df['valoare'] > 100, ['client', 'valoare']]   # filtrare + coloane

Observă diferența la intervale: loc include capătul final, iloc îl exclude, ca la listele din Python.

loc este forma recomandată pentru filtrare combinată cu selecție de coloane și pentru atribuiri: df.loc[df['valoare'] > 100, 'segment'] = 'mare'. Această formă evită avertismentul SettingWithCopyWarning, care apare la atribuiri înlănțuite de tipul df[df['valoare'] > 100]['segment'] = 'mare'.

Indexul nu este doar un număr de rând: după un groupby, de exemplu, cheia de grupare devine index. reset_index() îl readuce ca o coloană obișnuită.

Ce urmărește intervievatorul: Este fundamentul pandas. Se verifică dacă știi că loc include capătul intervalului și că indexul poate fi orice etichetă.

60 Junior

Ce afișează codul următor și de ce: df[df['oras'] == 'Cluj' and df['valoare'] > 100]?

Răspuns scurt: Codul aruncă ValueError („The truth value of a Series is ambiguous”), pentru că and din Python cere un singur boolean. În pandas condițiile se combină cu & și |, iar fiecare condiție se pune între paranteze.

Expresia df['oras'] == 'Cluj' nu întoarce un singur True sau False, ci o Series de valori booleene, câte una pentru fiecare rând. Operatorul and din Python încearcă să transforme întreaga Series într-un singur boolean, ceea ce nu are sens, așa că pandas aruncă:

ValueError: The truth value of a Series is ambiguous. Use a.empty, a.bool(), a.item(), a.any() or a.all().

Varianta corectă folosește operatorii pe biți, aplicați element cu element:

PYTHON
rez = df[(df['oras'] == 'Cluj') & (df['valoare'] > 100)]
rez = df[(df['oras'] == 'Cluj') | (df['oras'] == 'Iași')]
rez = df[~df['status'].isin(['anulată', 'returnată'])]

Parantezele sunt obligatorii, pentru că & și | au prioritate mai mare decât == și >. Fără paranteze, df['oras'] == 'Cluj' & df['valoare'] > 100 încearcă să calculeze întâi 'Cluj' & df['valoare'], ceea ce dă o eroare de tip sau un rezultat neașteptat.

Alternative utile:

  • isin pentru mai multe valori, mai lizibil decât o serie de condiții cu |.
  • between(100, 500) pentru intervale (inclusiv la ambele capete, implicit).
  • df.query("oras == 'Cluj' and valoare > 100"), unde în interiorul șirului and și or sunt permise, pentru că query își interpretează propriul limbaj.

Valorile lipsă: NaN == 'Cluj' dă False, deci rândurile cu oraș lipsă sunt excluse fără avertisment, iar ~ le include în negație. Merită verificat explicit cu isna().

Ce urmărește intervievatorul: Un exercițiu clasic „ce afișează codul”. Arată dacă ai scris efectiv filtre în pandas sau doar ai citit despre ele.

61 Junior

Cum folosești groupby și agg în pandas pentru un raport pe categorii?

Răspuns scurt: groupby împarte DataFrame-ul după una sau mai multe coloane, iar agg aplică pe fiecare grup una sau mai multe funcții (sum, mean, count, nunique). Cu named aggregation dai nume clare coloanelor rezultate.

Mecanismul se numește „split-apply-combine”: împarte datele pe grupuri, aplică o funcție fiecărui grup, combină rezultatele într-un tabel. Este echivalentul lui GROUP BY din SQL.

PYTHON
import pandas as pd

raport = (
    df.groupby(['regiune', 'categorie'], as_index=False)
      .agg(
          venit=('valoare', 'sum'),
          nr_comenzi=('comanda_id', 'nunique'),
          clienti=('client_id', 'nunique'),
          cos_mediu=('valoare', 'mean'),
      )
      .sort_values('venit', ascending=False)
)
raport['pondere_pct'] = 100 * raport['venit'] / raport['venit'].sum()

Sintaxa cu perechi nume=(coloana, functie) se numește named aggregation, există din pandas 0.25 și produce coloane cu nume clare, fără indexuri pe mai multe niveluri. as_index=False păstrează coloanele de grupare ca și coloane obișnuite.

Alte operații utile pe grupuri:

  • transform: întoarce un rezultat de aceeași lungime ca DataFrame-ul inițial, util pentru a pune totalul grupului pe fiecare rând: df['total_regiune'] = df.groupby('regiune')['valoare'].transform('sum'). Este echivalentul unei window functions din SQL.
  • filter: păstrează doar grupurile care îndeplinesc o condiție, de exemplu clienții cu cel puțin 3 comenzi.
  • size() numără rândurile, inclusiv cele cu NaN; count() numără valorile nenule pe coloană.

Atenție: implicit, groupby elimină grupurile în care cheia este NaN. Dacă vrei să le vezi, folosește dropna=False (din pandas 1.1). Altfel, totalul din raport poate fi mai mic decât totalul real.

Ce urmărește intervievatorul: Este operația folosită cel mai des în pandas. Se verifică dacă știi named aggregation, transform și comportamentul cu NaN în cheie.

62 Junior

Care este diferența dintre merge, join și concat în pandas?

Răspuns scurt: merge combină două DataFrame-uri pe baza unor coloane cheie, ca un JOIN din SQL; join este o variantă de merge pe index; concat lipește DataFrame-uri unul sub altul (ca UNION ALL) sau unul lângă altul.

merge este echivalentul lui JOIN:

PYTHON
rez = comenzi.merge(
    clienti,
    left_on='client_id', right_on='id',
    how='left',
    validate='many_to_one',
    indicator=True
)
print(rez['_merge'].value_counts())
  • how poate fi inner (implicit), left, right, outer sau cross.
  • validate='many_to_one' verifică faptul că cheia e unică în clienti. Dacă nu e, pandas aruncă o eroare în loc să multiplice rânduri în tăcere. E una dintre cele mai utile opțiuni pentru a preveni fan-out-ul.
  • indicator=True adaugă coloana _merge cu valorile both, left_only, right_only, ideală pentru a vedea câte comenzi nu și-au găsit clientul.
  • Coloanele cu același nume în ambele tabele primesc sufixele _x și _y, configurabile prin suffixes.

join este o scurtătură care unește pe index: df1.join(df2, how='left'). Comod când ai deja cheia ca index, de exemplu după un groupby.

concat lipește obiecte:

PYTHON
toate = pd.concat([ian, feb, mar], ignore_index=True)       # unul sub altul
lat = pd.concat([df_a, df_b], axis=1)                       # unul lângă altul, aliniat pe index

Cu concat, coloanele sunt aliniate după nume: dacă un fișier lunar are o coloană în plus, ea apare cu NaN în celelalte, un semnal util că structura s-a schimbat. ignore_index=True evită indexurile duplicate.

Ca regulă: combinare pe chei, merge; aceeași structură de date din mai multe perioade, concat.

Ce urmărește intervievatorul: Verifică dacă știi echivalențele cu SQL și uneltele de control, precum validate și indicator. Puțini juniori le folosesc, deși previn erori mari.

63 Junior

Cum detectezi și tratezi valorile lipsă în pandas?

Răspuns scurt: Le detectezi cu isna().sum() pe coloane, apoi le tratezi cu dropna (eliminare), fillna (completare cu o valoare, mediană pe grup sau ffill) sau le păstrezi ca NaN, știind că majoritatea agregărilor le ignoră.

Primul pas este o imagine de ansamblu:

PYTHON
df.isna().sum()                       # număr de lipsuri pe coloană
df.isna().mean().round(3) * 100       # procent
df[df['pret'].isna()].head()          # inspectezi rândurile

Apoi alegi tratamentul, în funcție de cauză:

PYTHON
df = df.dropna(subset=['client_id'])                  # rândurile fără cheie nu sunt utilizabile
df['regiune'] = df['regiune'].fillna('Necunoscut')
df['pret'] = df['pret'].fillna(
    df.groupby('categorie')['pret'].transform('median'))
df['curs'] = df.sort_values('data')['curs'].ffill()   # ultima valoare cunoscută

dropna() fără subset elimină rândurile care au lipsă în orice coloană și poate șterge mult mai multe date decât te aștepți. Folosește-l mereu cu subset.

Lucruri bune de știut:

  • pandas reprezintă lipsurile ca NaN (pentru numere), None sau NaT (pentru date). isna() le detectează pe toate.
  • O coloană de întregi cu un singur NaN devine float64. Tipul nullable Int64 (cu majusculă) păstrează întregii: df['cant'].astype('Int64').
  • sum(), mean(), count() ignoră NaN implicit, deci media se calculează doar pe valorile existente.
  • NaN == NaN este False, deci nu folosi df['x'] == np.nan, ci df['x'].isna().
  • Valorile „ascunse” precum șirul gol, „-” sau „N/A” nu sunt NaN. Le transformi la citire cu pd.read_csv(..., na_values=['-', 'N/A', '']).

La final verifici din nou isna().sum() și notezi câte valori ai modificat.

Ce urmărește intervievatorul: Testează practica de bază în curățare. Greșelile tipice: dropna fără subset și ignorarea valorilor lipsă mascate ca text.

64 Junior

Ce afișează acest cod? s = pd.Series([10, None, 30]); print(s.mean(), s.count(), len(s), s.sum())

Răspuns scurt: Afișează 20.0 2 3 40.0: media ignoră valoarea lipsă (40 / 2), count numără doar valorile nenule, len numără toate elementele, iar suma ignoră NaN și este float pentru că seria a devenit float64.

Pas cu pas:

PYTHON
import pandas as pd
s = pd.Series([10, None, 30])
print(s.dtype)       # float64 - None devine NaN, iar NaN există doar pentru float
print(s.mean())      # 20.0  -> (10 + 30) / 2, NaN ignorat
print(s.count())     # 2     -> doar valorile nenule
print(len(s))        # 3     -> toate pozițiile
print(s.sum())       # 40.0

Deci rezultatul liniei din întrebare este 20.0 2 3 40.0.

De ce contează la interviu: aceste diferențe produc erori reale în rapoarte.

  • Dacă valoarea lipsă înseamnă „nu s-a vândut nimic”, media corectă este 40 / 3 = 13,33, nu 20. Trebuie s.fillna(0).mean(). Dacă înseamnă „nu știm”, 20 poate fi alegerea corectă, dar trebuie spus.
  • count() și len() diferă, deci pentru „câte rânduri am” folosești len(df) sau df.shape[0], iar pentru „câte valori completate” count().
  • skipna=False schimbă comportamentul: s.mean(skipna=False) întoarce nan.
  • O serie complet goală are sum() egal cu 0, dar mean() egal cu NaN. Implicit, sum pe valori doar NaN dă tot 0, ceea ce poate ascunde o problemă de date; parametrul min_count=1 face ca rezultatul să fie NaN.

Același comportament există în SQL: AVG ignoră NULL, iar COUNT(coloana) numără doar valorile nenule. Un analist trebuie să decidă conștient cum tratează lipsurile, nu să lase valorile implicite să decidă.

Ce urmărește intervievatorul: Un exercițiu scurt care arată dacă înțelegi semantica valorilor lipsă. Mulți răspund 13,33 sau 3 la count.

65 Mid

De ce operațiile vectorizate sunt mai rapide decât apply sau buclele for în pandas?

Răspuns scurt: Operațiile vectorizate rulează în cod compilat (NumPy) peste întreaga coloană, pe când apply și buclele apelează o funcție Python pentru fiecare rând, cu un cost mare per apel. Pe date mari diferența poate fi de ordine de mărime.

Python este un limbaj interpretat; fiecare apel de funcție și fiecare operație pe un obiect are un cost. O coloană pandas este stocată intern ca un vector NumPy compact, iar o operație de tipul df['a'] * df['b'] se execută într-o buclă în C peste tot vectorul.

PYTHON
import numpy as np

# Lent: o funcție Python pe fiecare rând
df['total'] = df.apply(lambda r: r['cant'] * r['pret'], axis=1)

# Rapid: vectorizat
df['total'] = df['cant'] * df['pret']

# Condiții: np.where în loc de apply cu if
df['segment'] = np.where(df['total'] >= 1000, 'mare', 'mic')

# Mai multe condiții: np.select
cond = [df['total'] >= 5000, df['total'] >= 1000]
df['segment'] = np.select(cond, ['mare', 'mediu'], default='mic')

apply(axis=1) este deosebit de lent, pentru că pentru fiecare rând construiește o Series nouă. iterrows() are aceeași problemă. Pe câteva mii de rânduri nu observi diferența; pe milioane, varianta vectorizată termină în fracțiuni de secundă, iar apply poate dura minute.

Alternative vectorizate pentru operații frecvente:

  • text: accesorul .str (df['email'].str.lower(), .str.contains());
  • date: accesorul .dt (df['data'].dt.month);
  • mapări: map cu un dicționar sau un merge cu un tabel de corespondență;
  • intervale: pd.cut pentru grupare pe praguri.

apply rămâne potrivit când logica e cu adevărat complexă și nu se poate exprima vectorizat, de exemplu apelarea unei biblioteci externe pe fiecare valoare, sau când datele sunt mici și lizibilitatea contează mai mult.

Ce urmărește intervievatorul: Verifică dacă scrii cod pandas eficient. La mid se așteaptă să recunoști imediat un apply care poate fi înlocuit.

66 Mid

Care este diferența dintre pivot, pivot_table și melt în pandas?

Răspuns scurt: pivot rearanjează datele din format lung în format lat fără agregare și dă eroare la duplicate; pivot_table face același lucru cu agregare (sum, mean) și totaluri; melt face operația inversă, din format lat în format lung.

Datele pentru analiză stau de obicei în format lung: un rând pe observație (regiune, lună, venit). Rapoartele pentru oameni sunt adesea în format lat: regiunile pe rânduri, lunile pe coloane.

PYTHON
# Lung -> lat, cu agregare
tabel = pd.pivot_table(
    df,
    index='regiune',
    columns='luna',
    values='venit',
    aggfunc='sum',
    fill_value=0,
    margins=True,          # rând și coloană de total ("All")
)

pivot face doar rearanjarea, fără agregare: df.pivot(index='regiune', columns='luna', values='venit'). Dacă există mai multe rânduri pentru aceeași pereche regiune-lună, aruncă ValueError: Index contains duplicate entries. Asta poate fi chiar util: îți semnalează că datele nu sunt la granularitatea pe care o credeai.

melt face inversul, foarte util pentru fișiere Excel primite cu câte o coloană pe lună:

PYTHON
lung = lat.melt(
    id_vars=['regiune'],
    value_vars=['ian', 'feb', 'mar'],
    var_name='luna',
    value_name='venit',
)

Formatul lung e mai bun pentru groupby, filtre, grafice (seaborn și Power BI îl preferă) și stocare. Formatul lat e mai bun pentru citire. În Power Query, operația echivalentă cu melt se numește Unpivot.

Alte unelte apropiate: pd.crosstab pentru tabele de frecvențe între două variabile categoriale (cu normalize pentru procente) și stack / unstack pentru mutarea nivelurilor de index între rânduri și coloane.

Ce urmărește intervievatorul: Verifică dacă înțelegi formatele lung și lat, o noțiune care apare în toate uneltele de analiză. Mulți nu știu de melt.

67 Mid

Cum lucrezi cu date calendaristice în pandas, de exemplu pentru vânzări pe săptămână sau lună?

Răspuns scurt: Convertești coloana cu pd.to_datetime, extragi componente cu accesorul .dt (an, lună, zi a săptămânii) și agregi pe perioade cu resample (pe index de tip dată) sau cu groupby pe pd.Grouper sau dt.to_period.

Primul pas este tipul corect. O coloană citită din CSV este de obicei text:

PYTHON
df['data'] = pd.to_datetime(df['data'], format='%d.%m.%Y', errors='coerce')
print(df['data'].isna().sum())   # câte valori nu s-au putut interpreta

Specificarea formatului evită ambiguitățile de tipul zi/lună și face conversia mai rapidă. dayfirst=True este o alternativă când formatul variază.

Accesorul .dt:

PYTHON
df['an'] = df['data'].dt.year
df['luna'] = df['data'].dt.to_period('M')   # 2025-03
df['zi_sapt'] = df['data'].dt.day_name()
df['weekend'] = df['data'].dt.dayofweek >= 5  # luni = 0

Agregare pe perioade:

PYTHON
lunar = df.set_index('data').resample('MS')['valoare'].sum()      # început de lună
saptamanal = df.groupby(pd.Grouper(key='data', freq='W-MON'))['valoare'].sum()
mobil_7z = df.set_index('data').resample('D')['valoare'].sum().rolling(7).mean()

Avantajul lui resample: generează și perioadele fără date, cu valoarea 0 pentru sum, deci seria e continuă. Un groupby pe lună simplu ar sări peste lunile goale. Alias-urile de frecvență s-au schimbat în pandas 2.2 (de exemplu 'M' devine 'ME' pentru sfârșit de lună în resample), deci verifică versiunea dacă apar avertismente.

Pentru diferențe între date: (df['livrare'] - df['comanda']).dt.days. Pentru fusuri orare: dt.tz_localize și dt.tz_convert. Pentru comparații cu anul trecut, shift(12) pe o serie lunară.

Ce urmărește intervievatorul: Seriile de timp apar în aproape orice analiză de business. Se verifică conversia corectă și generarea perioadelor lipsă.

68 Mid

Ce înseamnă SettingWithCopyWarning în pandas și cum îl rezolvi?

Răspuns scurt: Avertismentul apare când modifici un obiect care poate fi o copie a unui DataFrame, nu originalul, de obicei după o indexare înlănțuită. Modificarea poate să nu se aplice. Îl rezolvi cu .loc într-un singur pas sau cu .copy() explicit.

Exemplul clasic:

PYTHON
mari = df[df['valoare'] > 1000]
mari['segment'] = 'mare'          # SettingWithCopyWarning

df[df['valoare'] > 1000]['segment'] = 'mare'   # nici nu modifică df

Filtrarea df[df['valoare'] > 1000] poate întoarce fie o vedere asupra datelor originale, fie o copie, iar pandas nu garantează care dintre ele. În al doilea exemplu, atribuirea se face pe un obiect temporar care dispare imediat, deci df rămâne neschimbat. Avertismentul îți spune: „nu sunt sigur că modifici ce crezi că modifici”.

Soluții, în funcție de intenție:

PYTHON
# Vrei să modifici df original
df.loc[df['valoare'] > 1000, 'segment'] = 'mare'

# Vrei un DataFrame nou, independent
mari = df[df['valoare'] > 1000].copy()
mari['segment'] = 'mare'

# Stil funcțional, fără ambiguitate
mari = df.query('valoare > 1000').assign(segment='mare')

Nu rezolva problema dezactivând avertismentul cu pd.options.mode.chained_assignment = None. Asta doar ascunde un bug potențial.

Context de versiune: pandas 2.x introduce Copy-on-Write, opțional în 2.0 și 2.1 (pd.options.mode.copy_on_write = True) și comportamentul implicit în pandas 3.0. Cu Copy-on-Write, orice rezultat al unei indexări se comportă ca o copie, deci atribuirile înlănțuite nu mai modifică niciodată originalul, iar regula „folosește .loc pe original” devine și mai importantă.

Ce urmărește intervievatorul: Avertismentul apare la aproape toți cei care învață pandas. Intervievatorul verifică dacă înțelegi cauza, nu doar cum îl faci să dispară.

69 Mid

Scrie o funcție Python care primește un DataFrame de comenzi și întoarce, pentru fiecare lună, venitul, numărul de clienți unici și variația procentuală față de luna anterioară.

Răspuns scurt: Funcția validează coloanele, convertește data, filtrează comenzile valide, grupează pe lună cu agregări numite, completează lunile lipsă și calculează variația cu pct_change; întoarce un DataFrame curat, fără efecte asupra datelor primite.

O soluție care tratează și cazurile limită:

PYTHON
import pandas as pd

def raport_lunar(comenzi: pd.DataFrame, status_valid=('plătită',)) -> pd.DataFrame:
    necesare = {'data', 'client_id', 'valoare', 'status'}
    lipsa = necesare - set(comenzi.columns)
    if lipsa:
        raise ValueError(f'Lipsesc coloanele: {sorted(lipsa)}')

    df = comenzi.copy()
    df['data'] = pd.to_datetime(df['data'], errors='coerce')
    df = df[df['status'].isin(status_valid) & df['data'].notna()]

    lunar = (
        df.groupby(df['data'].dt.to_period('M'))
          .agg(venit=('valoare', 'sum'), clienti=('client_id', 'nunique'))
    )
    if lunar.empty:
        return lunar.reset_index()

    toate = pd.period_range(lunar.index.min(), lunar.index.max(), freq='M')
    lunar = lunar.reindex(toate, fill_value=0)
    lunar['variatie_pct'] = (lunar['venit'].pct_change() * 100).round(1)
    lunar.index.name = 'luna'
    return lunar.reset_index()

Decizii pe care le explici în timp ce scrii:

  • comenzi.copy(): funcția nu modifică DataFrame-ul primit, deci apelantul nu are surprize.
  • Validarea coloanelor dă un mesaj clar în loc de un KeyError confuz.
  • Datele care nu pot fi interpretate sunt eliminate explicit; într-o versiune de producție le-ai număra și le-ai raporta.
  • reindex pe toate lunile asigură că o lună fără vânzări apare cu 0, iar variația se calculează față de luna calendaristică anterioară, nu față de ultima lună cu date.
  • După o lună cu venit 0, pct_change dă infinit; merită menționat și, eventual, înlocuit cu NaN.

La interviu, scrie întâi varianta simplă, apoi adaugă cazurile limită și spune cum ai testa funcția: un DataFrame mic, construit manual, cu rezultatul cunoscut.

Ce urmărește intervievatorul: Este un exercițiu de live coding tipic pentru mid. Se urmăresc structura, tratarea cazurilor limită și explicarea deciziilor, nu doar un groupby.

70 Senior

Ai de analizat un fișier CSV de câțiva GB care nu încape confortabil în memorie. Ce opțiuni ai?

Răspuns scurt: Citești doar coloanele necesare, cu tipuri compacte (category, int32), procesezi în bucăți (chunksize), convertești în Parquet, sau folosești unelte făcute pentru volume mari precum DuckDB, Polars ori o bază de date, care lucrează direct pe fișier.

Opțiuni, de la cele mai simple la cele mai puternice:

Citește doar ce îți trebuie și cu tipuri compacte. Implicit, pandas folosește int64, float64 și object pentru text, care ocupă mult. O coloană text cu puține valori distincte (regiune, status) ocupă mult mai puțin ca category.

PYTHON
df = pd.read_csv(
    'mare.csv',
    usecols=['data', 'regiune', 'valoare'],
    dtype={'regiune': 'category', 'valoare': 'float32'},
    parse_dates=['data'],
)
df.info(memory_usage='deep')

Procesare în bucăți, când rezultatul final e mic:

PYTHON
total = None
for bucata in pd.read_csv('mare.csv', usecols=['regiune', 'valoare'], chunksize=1_000_000):
    p = bucata.groupby('regiune')['valoare'].sum()
    total = p if total is None else total.add(p, fill_value=0)

Funcționează pentru sume și numărări; mediana sau valorile unice cer altă abordare, pentru că nu se pot combina simplu din rezultate parțiale.

Format columnar. Convertește o dată în Parquet: e comprimat, păstrează tipurile și permite citirea doar a coloanelor necesare.

Motoare analitice. DuckDB rulează SQL direct pe CSV sau Parquet, din Python, cu procesare paralelă și fără să încarce tot fișierul în memorie:

PYTHON
import duckdb
rez = duckdb.sql("SELECT regiune, SUM(valoare) FROM 'mare.parquet' GROUP BY 1").df()

Polars oferă un API similar cu pandas, cu evaluare lazy (scan_csv) și execuție paralelă.

La nivel senior, întrebarea corectă este și „de ce lucrez cu un fișier de câțiva GB pe laptop?”. Dacă analiza e recurentă, datele ar trebui să stea într-un data warehouse, iar agregarea să se facă acolo.

Ce urmărește intervievatorul: Verifică dacă știi să scalezi dincolo de pandas pe date mici. La senior se apreciază și întrebarea despre arhitectură.

71 Senior

Cum te asiguri că o analiză făcută în Python este reproductibilă și poate fi preluată de un coleg?

Răspuns scurt: Fixezi mediul (versiuni de pachete), separi codul de date și de configurare, transformi pașii importanți din notebook în funcții testate, folosești Git, documentezi sursele și ipotezele și verifici că totul rulează de la zero pe altă mașină.

O analiză este reproductibilă dacă altcineva, sau tu peste șase luni, poate obține aceleași rezultate pornind de la aceleași date. În practică, multe notebook-uri rulează doar pe laptopul autorului și doar dacă celulele sunt executate într-o anumită ordine.

Practici concrete:

  • Mediu fixat: un mediu virtual (venv, conda, uv) și un fișier cu versiunile exacte (requirements.txt cu versiuni fixate, pyproject.toml cu lock file). O schimbare de versiune în pandas poate modifica rezultate sau comportamente.
  • Structură de proiect: date brute separate și neatinse, cod în module, rezultate generate într-un folder separat. Nicio cale absolută de tipul C:/Users/ion/Desktop/.
  • Configurare externă: perioada analizei, conexiunile și pragurile într-un fișier de configurare sau ca parametri, iar parolele în variabile de mediu, niciodată în cod.
  • Notebook-uri pentru explorare, module pentru logică: funcțiile de curățare și calcul ajung în fișiere .py, cu teste mici (pytest) pe date construite manual. Notebook-ul final doar le apelează. Înainte de a-l preda, rulează „Restart and Run All”.
  • Aleatoriu controlat: random_state sau seed fixat pentru eșantionări și modele.
  • Versionare: Git pentru cod; datele mari nu intră în Git, dar documentezi de unde și când au fost extrase.
  • Documentare: un README scurt cu întrebarea de business, sursele, definițiile metricilor, ipotezele și cum se rulează.
PYTHON
def curata_comenzi(df: pd.DataFrame) -> pd.DataFrame:
    # o singură responsabilitate, ușor de testat
    ...

Testul final: un coleg clonează repository-ul, instalează mediul și rulează analiza fără să îți scrie nicio întrebare.

Ce urmărește intervievatorul: La senior se verifică maturitatea inginerească a analizei. Un răspuns slab se rezumă la „îi trimit notebook-ul”.

Power BI, DAX și modelarea datelor

72 Junior

Din ce componente este format Power BI și cum arată fluxul de lucru tipic?

Răspuns scurt: Power BI Desktop (aplicația de autor) conține Power Query pentru import și transformare, modelul de date cu relații și măsuri DAX și pânza de rapoarte. Raportul se publică în Power BI Service, unde se partajează, se programează reîmprospătarea și se construiesc dashboard-uri și aplicații.

Fluxul tipic al unui raport:

  • Conectare la surse din Power BI Desktop: Excel, CSV, SQL Server, PostgreSQL, SharePoint, API-uri și multe altele.
  • Transformare în Power Query: curățare, schimbare de tipuri, combinare de tabele, aceleași concepte ca în Power Query din Excel, scrise în limbajul M.
  • Modelare: în Model view definești relațiile dintre tabele, tabelul calendar, ierarhiile și ascunzi coloanele tehnice.
  • Calcule în DAX: măsuri precum venitul total, marja sau creșterea față de anul anterior.
  • Vizualizare: pe pânza raportului adaugi grafice, tabele, carduri, slicere, apoi configurezi interacțiunile dintre ele.
  • Publicare în Power BI Service (aplicația web): raportul ajunge într-un workspace.
  • Operare: reîmprospătare programată (pentru surse locale e nevoie de un gateway), partajare, aplicații pentru utilizatorii finali, securitate la nivel de rând, abonamente pe email.

Alte noțiuni utile: un semantic model (denumit anterior dataset) poate fi folosit de mai multe rapoarte, ceea ce asigură aceleași definiții de metrici. Un dashboard în Service este o pagină cu elemente fixate din mai multe rapoarte, diferit de un raport cu mai multe pagini.

Partajarea și unele funcționalități depind de licență (Free, Pro, Premium Per User, capacitate Fabric/Premium), iar detaliile se schimbă periodic, deci merită verificată documentația Microsoft actuală.

La interviu, arată că înțelegi că un raport bun se construiește în primul rând în model, nu pe pânză.

Ce urmărește intervievatorul: Verifică dacă ai lucrat cap-coadă cu Power BI, nu doar cu grafice. Mulți juniori nu știu de gateway sau de semantic model.

73 Junior

Ce este o schemă stea și care e diferența dintre tabelele de fapte și cele de dimensiuni?

Răspuns scurt: O schemă stea are în centru un tabel de fapte (evenimente măsurabile: vânzări, cu chei și valori numerice) legat prin relații unu-la-mulți de tabele de dimensiuni (descrieri: client, produs, dată). Este modelul recomandat în Power BI.

Tabelul de fapte conține evenimentele de business la o granularitate clară, de exemplu o linie de vânzare: data, cheia produsului, cheia clientului, cheia magazinului, cantitatea, valoarea. Are multe rânduri și coloane predominant numerice.

Tabelele de dimensiuni descriu contextul: Produs (nume, categorie, brand), Client (oraș, segment), Calendar (zi, lună, trimestru, an), Magazin. Au mai puține rânduri, câte unul pentru fiecare entitate, și multe coloane descriptive folosite pentru filtrare și grupare.

       Calendar
           |
Produs - Vanzari - Client
           |
        Magazin

Relațiile sunt unu-la-mulți, de la dimensiune la fapte, cu filtrarea pe o singură direcție: alegi o categorie în Produs, iar filtrul curge spre Vanzari.

De ce schema stea în Power BI:

  • Performanță: motorul VertiPaq comprimă bine coloanele din dimensiuni și scanează eficient faptele.
  • DAX mai simplu: măsurile se comportă previzibil când filtrele vin din dimensiuni.
  • Ușurință în folosire: utilizatorii găsesc atributele grupate logic.
  • Reutilizare: aceeași dimensiune Calendar filtrează și vânzările, și bugetul.

Alternativele au probleme: un singur tabel lat duplică textul pe milioane de rânduri și complică analizele pe mai multe fapte; o schemă „snowflake” (dimensiuni legate de alte dimensiuni, ca Produs - Categorie) funcționează, dar adaugă relații și e de obicei aplatizată în Power Query.

Primul lucru de stabilit înainte de modelare este granularitatea faptelor.

Ce urmărește intervievatorul: Modelarea este fundamentul Power BI. Se verifică dacă știi de ce schema stea e recomandată, nu doar cum arată.

74 Junior

Care este diferența dintre o coloană calculată și o măsură în Power BI?

Răspuns scurt: O coloană calculată se evaluează la reîmprospătare, rând cu rând, și se stochează în model; o măsură se calculează la momentul afișării, în contextul filtrelor din vizual. Pentru agregări (totaluri, procente, rate) folosești măsuri.

Coloana calculată adaugă o coloană nouă într-un tabel. Formula se evaluează pentru fiecare rând la reîmprospătarea datelor, iar rezultatul ocupă memorie ca orice altă coloană.

Valoare linie = Vanzari[Cantitate] * Vanzari[PretUnitar]
Segment pret = IF(Produs[Pret] >= 500, "Premium", "Standard")

Este potrivită când ai nevoie de valoarea la nivel de rând, de exemplu pentru a o folosi ca axă, filtru sau slicer.

Măsura nu are valori stocate. Se calculează de fiecare dată când un vizual o afișează, ținând cont de filtrele active: regiunea selectată, luna de pe axă, produsul din slicer.

Venit = SUMX(Vanzari, Vanzari[Cantitate] * Vanzari[PretUnitar])
Marja % = DIVIDE([Venit] - [Cost], [Venit])

De ce marja procentuală trebuie să fie măsură: dacă o calculezi ca o coloană pe fiecare rând și apoi o aduni sau o mediezi într-un vizual, obții un rezultat greșit. Marja totală este (venit total - cost total) / venit total, nu media marjelor de pe rânduri. Măsura calculează raportul corect la orice nivel de agregare.

Reguli practice:

  • Pentru numere afișate și agregate, măsuri.
  • Pentru atribute de filtrare sau grupare, coloane, preferabil create în Power Query sau în sursă, unde compresia e mai bună.
  • Evită coloanele calculate pe tabelele mari de fapte când același rezultat se poate obține cu o măsură.
  • DIVIDE tratează automat împărțirea la zero, spre deosebire de operatorul /.

Ce urmărește intervievatorul: Este probabil cea mai frecventă întrebare de Power BI. Greșeala tipică e calcularea ratelor în coloane și agregarea lor ulterioară.

75 Junior

Ce înseamnă cardinalitatea și direcția de filtrare a unei relații în Power BI?

Răspuns scurt: Cardinalitatea descrie câte rânduri dintr-un tabel corespund unui rând din celălalt (unu-la-mulți, unu-la-unu, mulți-la-mulți). Direcția de filtrare arată în ce sens se propagă filtrele: single (de la dimensiune la fapte) sau both (în ambele sensuri).

O relație leagă o coloană dintr-un tabel de o coloană din altul, de exemplu Produs[ProdusID] cu Vanzari[ProdusID].

Cardinalitatea:

  • **Unu-la-mulți (1:*)**: un produs apare o dată în Produs și de multe ori în Vanzari. Este tipul normal între dimensiuni și fapte și cel spre care trebuie să tinzi.
  • Unu-la-unu (1:1): fiecare valoare apare o singură dată în ambele tabele. De obicei e un semn că cele două tabele pot fi unite într-unul.
  • **Mulți-la-mulți (*:*)**: valorile se repetă în ambele părți, de exemplu un tabel de buget la nivel de categorie și lună legat de vânzări. Funcționează, dar trebuie folosit cu atenție.

Power BI detectează cardinalitatea din date. Dacă te aștepți la 1:* și Power BI propune *:*, înseamnă că tabelul de dimensiune are chei duplicate, o problemă de date de investigat, nu de acceptat.

Direcția de filtrare (cross filter direction):

  • Single: filtrul trece de la partea „1” spre partea „mulți”. Selectezi categoria „Electronice”, iar vânzările se filtrează. Este setarea implicită și recomandată.
  • Both: filtrul trece în ambele sensuri. Util în cazuri precise, de exemplu ca un slicer de produse să arate doar produsele vândute în perioada selectată. Dar poate produce ambiguitate când există mai multe căi între tabele, încetinește modelul și face rezultatele greu de explicat.

Alternativa mai controlată la „Both” este să activezi filtrarea bidirecțională doar într-o măsură, cu CROSSFILTER(..., Both) în interiorul lui CALCULATE.

Relațiile pot fi active (linie continuă) sau inactive (punctată); o relație inactivă se folosește explicit cu USERELATIONSHIP.

Ce urmărește intervievatorul: Verifică dacă înțelegi cum circulă filtrele în model. Greșeala tipică este setarea „Both” peste tot, ca să „meargă” un vizual.

76 Junior

De ce ai nevoie de un tabel calendar în Power BI și cum îl creezi?

Răspuns scurt: Un tabel calendar continuu, fără goluri, permite time intelligence (YTD, anul anterior), grupări consistente pe lună și filtrarea mai multor tabele de fapte după aceeași dată. Îl creezi în DAX, Power Query sau sursă și îl marchezi ca Date Table.

Coloanele de dată din tabelele de fapte au două probleme: conțin doar zilele în care au existat tranzacții și nu au atributele de care ai nevoie pentru raportare (nume de lună, trimestru, an fiscal, zi lucrătoare). În plus, dacă ai vânzări și buget în tabele separate, ai nevoie de o singură dimensiune de dată care să le filtreze pe amândouă.

Un tabel calendar creat în DAX:

Calendar =
ADDCOLUMNS(
    CALENDAR(DATE(2023, 1, 1), DATE(2026, 12, 31)),
    "An", YEAR([Date]),
    "Luna nr", MONTH([Date]),
    "Luna", FORMAT([Date], "MMM yyyy"),
    "Trimestru", "T" & QUARTER([Date]),
    "Zi saptamana nr", WEEKDAY([Date], 2)
)

CALENDARAUTO() poate genera intervalul automat din datele modelului, dar e mai bine să controlezi explicit capetele.

Pași obligatorii după creare:

  • Mark as Date Table pe coloana Date. Asta îi spune motorului că tabelul e continuu și unic, iar funcțiile de time intelligence se bazează pe el.
  • Relație unu-la-mulți de la Calendar[Date] la coloana de dată din fiecare tabel de fapte. Dacă tabelul de fapte are dată și oră, creezi o coloană doar cu data.
  • Sortarea coloanei Luna după Luna nr (Sort by Column), altfel lunile apar în ordine alfabetică.
  • Dezactivarea opțiunii Auto date/time din setări, care creează tabele de dată ascunse pentru fiecare coloană și umflă modelul.

Atributele specifice firmei (an fiscal, sărbători legale, săptămâni comerciale) se adaugă în calendar, într-un singur loc.

Ce urmărește intervievatorul: Fără tabel calendar, time intelligence dă rezultate greșite. Se verifică și detaliile practice: Mark as Date Table și Sort by Column.

77 Mid

Ce face funcția CALCULATE în DAX și de ce este considerată cea mai importantă?

Răspuns scurt: CALCULATE evaluează o expresie într-un context de filtru modificat: adaugă, înlocuiește sau elimină filtre. Aproape toate calculele de business, precum venitul pe un segment, procentul din total sau comparațiile în timp, se construiesc pe ea.

Orice măsură DAX se evaluează într-un context de filtru: filtrele venite din rândul și coloana vizualului, din slicere și din filtrele paginii. CALCULATE(expresie, filtru1, filtru2, ...) schimbă acest context înainte de a evalua expresia.

Venit = SUM(Vanzari[Valoare])

Venit online = CALCULATE([Venit], Canal[Nume] = "Online")

Venit toate regiunile = CALCULATE([Venit], REMOVEFILTERS(Regiune))

% din total regiuni = DIVIDE([Venit], [Venit toate regiunile])

Venit Electronice sau IT =
CALCULATE([Venit], Produs[Categorie] IN {"Electronice", "IT"})

Ce trebuie înțeles:

  • Un filtru simplu de tipul Canal[Nume] = "Online" înlocuiește orice filtru existent pe acea coloană. Dacă utilizatorul a selectat „Magazin” în slicer, măsura arată totuși venitul online.
  • KEEPFILTERS(Canal[Nume] = "Online") intersectează filtrul cu cel existent, deci respectă selecția utilizatorului.
  • REMOVEFILTERS (sau ALL folosit ca modificator) elimină filtrele de pe un tabel sau o coloană, baza calculelor de pondere.
  • Argumentele de filtru pot fi și tabele, de exemplu FILTER(Produs, Produs[Pret] > 500), dar filtrarea pe coloane este de obicei mai eficientă decât FILTER pe un tabel întreg.
  • Folosit în context de rând, de exemplu într-o coloană calculată sau în SUMX, CALCULATE produce context transition: rândul curent devine filtru.

Un mod bun de a explica la interviu: CALCULATE răspunde la întrebarea „care ar fi valoarea acestei măsuri dacă filtrele ar fi altele?”.

Ce urmărește intervievatorul: Este întrebarea centrală la interviurile de Power BI pentru mid. Se verifică diferența dintre înlocuirea și intersectarea filtrelor.

78 Mid

Explică diferența dintre contextul de rând și contextul de filtru în DAX și ce este context transition.

Răspuns scurt: Contextul de rând este „rândul curent” dintr-o coloană calculată sau un iterator și nu filtrează nimic. Contextul de filtru este setul de filtre active. Context transition transformă rândul curent în filtru când apelezi CALCULATE sau o măsură.

Contextul de rând există când DAX parcurge un tabel rând cu rând: în coloanele calculate și în iteratoare precum SUMX, AVERAGEX, FILTER. Îți permite să citești valorile rândului curent, dar nu filtrează alte tabele.

Valoare = SUMX(Vanzari, Vanzari[Cantitate] * Vanzari[Pret])

Contextul de filtru este setul de filtre aplicate modelului: celula din matrice (de exemplu Regiune = Nord, Luna = martie), slicere, filtre de pagină. Agregările precum SUM îl respectă.

Capcana apare într-o coloană calculată în tabelul Client:

Total gresit = SUM(Vanzari[Valoare])
Total corect = CALCULATE(SUM(Vanzari[Valoare]))

Prima formulă dă pe fiecare client totalul general al tuturor vânzărilor, pentru că în coloana calculată există un context de rând, dar niciun context de filtru: SUM nu știe de clientul curent. A doua formulă folosește context transition: CALCULATE transformă rândul curent din Client în filtru, filtru care se propagă prin relație spre Vanzari. Rezultatul este totalul fiecărui client.

O regulă importantă: orice referință la o măsură este înfășurată implicit într-un CALCULATE. De aceea SUMX(Client, [Venit]) funcționează corect pe fiecare client.

Consecințe practice:

  • Context transition într-un iterator pe un tabel mare (de exemplu SUMX(Vanzari, [Venit])) poate fi foarte lent.
  • Dacă tabelul iterat are rânduri duplicate, transition-ul filtrează toate rândurile identice simultan, iar rezultatele pot fi multiplicate.

Înțelegerea acestor două contexte separă utilizatorii care copiază formule de cei care pot depana DAX.

Ce urmărește intervievatorul: Verifică înțelegerea profundă a DAX. Mulți candidați scriu formule care funcționează fără să știe de ce, iar întrebarea îi expune rapid.

79 Mid

Cum calculezi în DAX venitul de la începutul anului (YTD), venitul din aceeași perioadă a anului trecut și variația procentuală?

Răspuns scurt: Cu TOTALYTD sau CALCULATE plus DATESYTD pentru YTD, cu SAMEPERIODLASTYEAR sau DATEADD pentru anul anterior și cu DIVIDE pentru variație, toate pe un tabel calendar marcat ca Date Table.

Funcțiile de time intelligence modifică filtrul pe dată. Ele presupun un tabel calendar continuu, marcat ca Date Table și legat de faptele tale.

Venit = SUM(Vanzari[Valoare])

Venit YTD = TOTALYTD([Venit], Calendar[Date])
-- echivalent: CALCULATE([Venit], DATESYTD(Calendar[Date]))

Venit AA = CALCULATE([Venit], SAMEPERIODLASTYEAR(Calendar[Date]))

Venit YTD AA = CALCULATE([Venit YTD], SAMEPERIODLASTYEAR(Calendar[Date]))

Variatie % = DIVIDE([Venit] - [Venit AA], [Venit AA])

Venit luna anterioara = CALCULATE([Venit], DATEADD(Calendar[Date], -1, MONTH))

Pentru un an fiscal care începe pe 1 iulie: DATESYTD(Calendar[Date], "30/6"), unde argumentul este ziua de final a anului fiscal.

De reținut:

  • Perioade incomplete. Dacă suntem pe 15 martie, SAMEPERIODLASTYEAR aplicat pe luna martie întoarce martie complet de anul trecut, dacă filtrul curent conține tot martie din calendar. Comparația dintre o lună incompletă și una completă arată o scădere falsă. Soluția obișnuită este limitarea calendarului la ultima dată cu date sau o coloană de tip „are date” folosită ca filtru.
  • Lipsa bazei. DIVIDE întoarce BLANK când anul trecut nu are valori, în loc de eroare.
  • Totaluri. Pe rândul de total al unei matrice pe luni, măsura YTD arată valoarea la ultima lună din context, comportament corect, dar care trebuie explicat utilizatorilor.

Variante utile: DATESMTD, DATESQTD, PARALLELPERIOD și, pentru perioade mobile, DATESINPERIOD(Calendar[Date], MAX(Calendar[Date]), -12, MONTH).

Ce urmărește intervievatorul: Comparațiile în timp sunt prezente în aproape orice raport. Intervievatorul verifică dacă știi problema perioadelor incomplete.

80 Mid

Care este diferența dintre modurile Import și DirectQuery în Power BI și când alegi fiecare?

Răspuns scurt: Import copiază datele în modelul comprimat din Power BI, oferă viteză maximă și tot DAX-ul, dar datele sunt actuale doar la ultima reîmprospătare. DirectQuery trimite interogări la sursă la fiecare interacțiune: date mereu actuale și volum mare, dar viteză dependentă de sursă și unele limitări.

Import încarcă datele în motorul VertiPaq, columnar și comprimat în memorie. Avantaje: rapoarte foarte rapide, toate funcțiile DAX și Power Query disponibile, independență față de sursă după încărcare. Dezavantaje: datele sunt la fel de vechi ca ultima reîmprospătare, iar mărimea modelului este limitată de licență și de capacitate. Numărul de reîmprospătări programate pe zi diferă între licențe.

DirectQuery nu stochează datele. Fiecare vizual generează interogări SQL către sursă la fiecare clic sau filtru. Avantaje: date aproape în timp real, volume care nu ar încăpea în model, datele rămân în sursă (uneori o cerință de securitate). Dezavantaje: performanța depinde total de sursă și de rețea, unele transformări Power Query și funcții DAX sunt restricționate, iar un raport cu multe vizuale poate trimite multe interogări simultan și poate încărca baza de date.

Composite model combină cele două: dimensiunile și agregatele în Import, tabelul mare de detaliu în DirectQuery. Tabelele de agregare (aggregations) pot răspunde rapid la majoritatea vizualelor, iar DirectQuery se folosește doar la detaliu.

Există și Direct Lake, în Microsoft Fabric, care citește direct fișiere Delta din OneLake cu performanță apropiată de Import.

Cum alegi:

  • implicit, Import, cu reîmprospătare programată sau incrementală (incremental refresh, pentru tabelele mari);
  • DirectQuery când actualitatea la minut este o cerință reală sau volumul nu permite importul, iar sursa este un warehouse capabil să răspundă rapid.

Întreabă business-ul cât de proaspete trebuie să fie datele. Răspunsul „în timp real” se transformă adesea în „de câteva ori pe zi”.

Ce urmărește intervievatorul: Verifică dacă înțelegi compromisul dintre viteză și actualitate. Răspunsul bun menționează modelul compus și întrebarea despre actualitatea reală necesară.

81 Mid

Ce este row-level security în Power BI și cum o configurezi?

Răspuns scurt: Row-level security (RLS) restricționează rândurile pe care le vede fiecare utilizator, pe baza unor roluri cu filtre DAX. Poate fi statică (rol pe regiune) sau dinamică, folosind USERPRINCIPALNAME() și un tabel care mapează utilizatorii la date.

Cazul tipic: un singur raport de vânzări, dar fiecare manager regional trebuie să vadă doar regiunea lui. În loc de un raport pentru fiecare regiune, definești securitatea în model.

RLS statică: în Power BI Desktop, Modeling, Manage roles, creezi un rol „Nord” cu filtrul [Regiune] = "Nord" pe tabelul Regiune. În Power BI Service adaugi utilizatorii sau grupurile în rolul respectiv. Simplu, dar ai nevoie de un rol pentru fiecare valoare.

RLS dinamică: un tabel Acces (Email, Regiune) legat de dimensiunea Regiune și un singur rol cu filtrul:

[Email] = USERPRINCIPALNAME()

Filtrul se aplică pe tabelul Acces și se propagă prin relații spre regiuni și apoi spre vânzări. Adăugarea unui manager nou înseamnă doar un rând nou în tabel, fără modificări în model. Pentru ca filtrul să treacă de la tabelul de acces spre dimensiune, relația poate necesita filtrare bidirecțională cu opțiunea „Apply security filter in both directions”, sau o modelare în care tabelul de acces filtrează direct dimensiunea.

Lucruri de știut:

  • Testează cu „View as” în Desktop și în Service, inclusiv pentru un utilizator fără niciun rând în tabelul de acces, care ar trebui să nu vadă nimic.
  • RLS se aplică utilizatorilor cu rol de Viewer. Membrii, contributorii și administratorii workspace-ului văd toate datele.
  • Măsurile de tip „% din total” calculează procentul din datele vizibile utilizatorului, nu din total general.
  • Pentru restricționarea coloanelor sau tabelelor întregi există object-level security, configurată cu unelte externe precum Tabular Editor.

Ce urmărește intervievatorul: Securitatea datelor este o cerință frecventă în companii. Se verifică RLS dinamică și faptul că membrii workspace-ului o ocolesc.

82 Senior

Un raport Power BI se încarcă greu. Cum identifici cauza și ce optimizezi?

Răspuns scurt: Măsori cu Performance Analyzer ce vizual și ce interogare DAX durează, analizezi modelul cu DAX Studio și VertiPaq Analyzer (coloane mari, cardinalitate), apoi reduci modelul, simplifici măsurile, elimini relațiile bidirecționale inutile și reduci numărul de vizuale pe pagină.

Abordarea pornește de la măsurare, nu de la presupuneri.

Performance Analyzer (în Power BI Desktop) înregistrează pentru fiecare vizual timpul petrecut în interogarea DAX, în randarea vizualului și în altele. Dacă interogarea DAX domină, problema e în model sau în măsuri. Dacă domină randarea, problema e numărul de vizuale sau tipul lor. Poți copia interogarea și o poți analiza în DAX Studio, cu Server Timings, care arată cât lucrează Formula Engine (single-thread) față de Storage Engine.

Modelul, analizat cu VertiPaq Analyzer:

  • Coloane cu cardinalitate mare (identificatori unici, timestamp-uri cu secunde, text liber) ocupă cel mai mult. Le elimini dacă nu sunt necesare, separi data de oră, rotunjești.
  • Coloanele calculate pe tabele mari se mută în Power Query sau în sursă.
  • Auto date/time dezactivat.
  • Schemă stea în locul unui tabel lat sau al unui model cu multe relații bidirecționale.
  • Tipuri de date corecte: numerele stocate ca text se comprimă prost.

DAX:

  • FILTER pe tabele întregi înlocuit cu filtre pe coloane în CALCULATE.
  • Variabile (VAR) pentru a nu recalcula aceeași expresie.
  • Iteratoare cu context transition pe tabele mari evitate.
  • DIVIDE în loc de IF cu împărțire.

Raportul:

  • Mai puține vizuale pe pagină; fiecare vizual înseamnă cel puțin o interogare.
  • Tabele cu zeci de mii de rânduri mutate pe o pagină de detaliu sau în paginated reports.
  • Interacțiunile inutile dintre vizuale dezactivate.

Pentru DirectQuery: performanța sursei, indexuri și tabele de agregare. Raportează la final timpii înainte și după fiecare schimbare.

Ce urmărește intervievatorul: La senior se așteaptă o metodă bazată pe măsurare și cunoașterea uneltelor externe, nu doar sfaturi generale.

83 Senior

Când apar relațiile mulți-la-mulți și filtrarea bidirecțională în Power BI și ce riscuri au?

Răspuns scurt: Apar când legi tabele cu granularități diferite (buget pe categorie și lună, vânzări pe produs și zi) sau entități cu apartenență multiplă. Riscurile: totaluri greu de interpretat, căi ambigue de filtrare, performanță slabă și rezultate surprinzătoare.

Două situații tipice:

Granularități diferite. Bugetul este la nivel de categorie și lună, vânzările la nivel de produs și zi. Dacă legi bugetul direct de Produs[Categorie], relația e mulți-la-mulți, pentru că o categorie apare de mai multe ori în ambele tabele. Soluția mai curată: o dimensiune Categorie cu valori unice, legată unu-la-mulți atât de Produs, cât și de Buget, plus calendarul legat de buget prin prima zi a lunii. Astfel ambele fapte se filtrează din dimensiuni comune.

Apartenență multiplă. Un client poate face parte din mai multe segmente de marketing. Modelul corect folosește un tabel de legătură (bridge) ClientSegment, cu relații unu-la-mulți din Client și din Segment. Pentru ca filtrul pe segment să ajungă la vânzări trebuie ca filtrul să treacă prin tabelul de legătură în sens invers, de unde nevoia de filtrare bidirecțională între bridge și client.

Riscuri:

  • Totaluri neaditive: un client din două segmente apare în ambele, deci suma pe segmente e mai mare decât totalul. Este corect matematic, dar trebuie explicat clar în raport.
  • Ambiguitate: cu mai multe relații bidirecționale, între două tabele pot exista mai multe căi de filtrare. Power BI dezactivează unele relații sau dă rezultate greu de prevăzut.
  • Performanță: filtrele bidirecționale extind propagarea și încetinesc interogările.
  • Securitate: RLS combinată cu filtre bidirecționale poate filtra mai mult sau mai puțin decât te aștepți.

Recomandarea: relații unu-la-mulți cu direcție single implicit, iar bidirecționalitatea activată doar în măsurile care au nevoie de ea, cu CROSSFILTER.

Ce urmărește intervievatorul: Verifică dacă poți modela situații reale, nu doar schema stea din manual. La senior se așteaptă soluția cu tabel de legătură și explicarea totalurilor.

KPI, vizualizare și studii de caz

84 Junior

Ce este un KPI și cum diferă de o metrică oarecare? Dă exemple pentru un magazin online.

Răspuns scurt: O metrică este orice valoare măsurată; un KPI este o metrică aleasă pentru că reflectă direct un obiectiv de business, are o țintă și un responsabil și declanșează decizii. Exemple: rata de conversie, valoarea medie a comenzii, rata de retenție.

Un magazin online poate măsura sute de lucruri: vizite, afișări, clicuri pe bannere, timp pe pagină, numărul de produse vizualizate. Toate sunt metrici. Un KPI (Key Performance Indicator) este una dintre puținele metrici care spun dacă afacerea își atinge obiectivele.

Un KPI bun are câteva caracteristici:

  • Legătură directă cu un obiectiv: dacă obiectivul este creșterea profitabilă, venitul net și marja contează mai mult decât numărul de vizite.
  • Definiție precisă: „rata de conversie” poate fi comenzi / sesiuni sau cumpărători / vizitatori unici. Fără definiție scrisă, două echipe raportează cifre diferite pentru același KPI.
  • Țintă și context: o valoare fără comparație (țintă, perioada anterioară, aceeași perioadă de anul trecut) nu spune dacă e bine sau rău.
  • Responsabil: cineva urmărește indicatorul și acționează când se abate.
  • Acționabilitate: o schimbare a indicatorului duce la o decizie concretă.

Exemple pentru e-commerce:

  • Rata de conversie: comenzi / sesiuni.
  • Valoarea medie a comenzii (AOV): venit / număr de comenzi.
  • Venit și marjă brută.
  • Rata clienților care revin într-un interval dat.
  • Costul de achiziție al unui client (CAC).
  • Rata de retur.

Metrici precum numărul de afișări ale paginii sunt „vanity metrics” dacă nu sunt legate de rezultate: cresc ușor și arată bine, dar nu spun nimic despre sănătatea afacerii.

Un dashboard executiv bun are puțini KPI, cu definiție vizibilă, nu zeci de metrici.

Ce urmărește intervievatorul: Verifică dacă gândești în termeni de business, nu doar de date. Greșeala tipică este prezentarea oricărei cifre ca KPI.

85 Junior

Cum alegi tipul de grafic potrivit pentru datele pe care vrei să le prezinți?

Răspuns scurt: Pornești de la întrebarea la care răspunde graficul: evoluție în timp (linie), comparație între categorii (bare), compoziție (bare stivuite, rar plăcintă), distribuție (histogramă, box plot), relație între două variabile (scatter). Apoi simplifici până rămâne doar mesajul.

Tipul de grafic urmează întrebarea, nu invers.

  • Evoluție în timp: grafic cu linie. Vânzări pe luni, utilizatori activi pe zi. Pentru câteva perioade discrete, barele verticale funcționează și ele.
  • Comparație între categorii: bare orizontale, sortate după valoare. Etichetele lungi (nume de produse, orașe) se citesc mult mai ușor pe orizontală.
  • Compoziție (părți dintr-un întreg): bare stivuite sau bare 100%. Graficul plăcintă merge doar pentru două-trei felii cu diferențe clare; ochiul compară prost unghiurile.
  • Distribuție: histogramă pentru o variabilă, box plot pentru comparația distribuțiilor între grupuri.
  • Relație între două variabile numerice: scatter plot, eventual cu linie de tendință.
  • O singură cifră importantă: un card cu valoarea, comparația cu perioada anterioară și o mică linie de tendință.
  • Valori exacte pentru consultare: tabel, nu grafic.

Reguli care fac diferența:

  • Axa Y a graficelor cu bare începe de la zero; altfel diferențele par mai mari decât sunt. La liniile de evoluție, o axă care nu pornește de la zero e acceptabilă dacă e clar marcată.
  • Culoarea se folosește pentru a evidenția, nu pentru decor: o culoare pentru categoria discutată, gri pentru restul.
  • Fără 3D, fără umbre, fără două axe Y dacă se poate evita.
  • Titlul spune concluzia: „Vânzările online au depășit magazinul fizic în martie”, nu „Vânzări pe canale”.
  • Prea multe serii pe aceeași linie devin ilizibile; folosește small multiples (mai multe grafice mici cu aceeași scală).

La interviu, poți primi un grafic prost și cererea să îl îmbunătățești; aplică aceste reguli cu voce tare.

Ce urmărește intervievatorul: Verifică dacă vizualizezi pentru a comunica, nu pentru a decora. Graficele plăcintă cu multe felii și axele trunchiate sunt semnale negative.

86 Junior

Ce principii urmezi când construiești un dashboard pentru management?

Răspuns scurt: Pornești de la deciziile pe care trebuie să le ia utilizatorii, alegi puțini indicatori cu definiții clare, îi ordonezi de la general la detaliu, adaugi context (țintă, perioada anterioară), păstrezi un aspect consistent și testezi dashboard-ul cu utilizatorii reali.

Un dashboard e util dacă cineva ia decizii mai bune sau mai rapide folosindu-l. Principii practice:

  • Audiența și deciziile. Înainte de a construi, întreabă: cine îl folosește, cât de des, ce decizii ia pe baza lui? Un director general care îl deschide săptămânal are nevoie de altceva decât un manager de operațiuni care îl verifică de mai multe ori pe zi.
  • Puțini indicatori. Cei mai importanți KPI sus, ca niște carduri. Dacă totul e important, nimic nu iese în evidență.
  • Ierarhie vizuală. Citirea se face de obicei din stânga sus spre dreapta jos: rezumatul primul, apoi tendințele, apoi detaliul. Paginile de detaliu sau drill-through pentru cine vrea să sape.
  • Context pentru fiecare cifră. Comparație cu ținta, cu perioada anterioară sau cu anul trecut. Formatarea condiționată pentru abateri semnificative, nu pentru orice variație.
  • Consistență. Aceleași culori pentru aceleași categorii pe toate paginile, aceleași formate de număr, filtre în același loc.
  • Definiții vizibile. Un tooltip sau o pagină cu definițiile metricilor și data ultimei actualizări.
  • Performanță. Un dashboard care se încarcă greu nu va fi folosit.

Greșeli frecvente: cererea „pune tot ce avem” rezolvată literal, grafice alese pentru că arată spectaculos, lipsa datei de actualizare, filtre ascunse care schimbă cifrele fără ca utilizatorul să știe.

Procesul contează la fel de mult ca designul: o schiță pe hârtie validată cu utilizatorii, o primă versiune simplă, apoi îmbunătățiri pe baza modului în care e folosit efectiv. În Power BI Service poți vedea statisticile de utilizare ale rapoartelor.

Ce urmărește intervievatorul: Verifică dacă pornești de la utilizator și de la decizii. Răspunsul slab descrie doar elemente vizuale.

87 Mid

Managerul îți spune: „Vânzările au scăzut luna asta”. Cum abordezi analiza?

Răspuns scurt: Clarifici metrica și comparația, verifici dacă scăderea e reală, descompui venitul în trafic, conversie și valoare medie a comenzii, segmentezi pe canal, regiune, produs și tip de client, apoi formulezi o concluzie cu pași următori.

Un cadru structurat, pe care îl poți spune cu voce tare la interviu:

1. Clarificare. Ce înseamnă „vânzări”: venit, număr de comenzi, unități? Față de ce: luna trecută, aceeași lună de anul trecut, ținta? Cât de mare e scăderea? O scădere mică poate fi variație normală.

2. Verificarea datelor. Luna e completă? A apărut o problemă de tracking sau de integrare? S-a schimbat definiția (de exemplu, retururile scăzute acum, dar nu înainte)? O parte importantă din „scăderi” se dovedesc probleme de date.

3. Context. Sezonalitate (luna are mai puține zile sau zile lucrătoare, sărbători), comparație cu anul trecut, evenimente cunoscute: campanii oprite, schimbări de preț, probleme pe site, concurență.

4. Descompunere. Venit = sesiuni x rata de conversie x valoarea medie a comenzii. Care factor s-a schimbat? Fiecare duce la alte cauze: traficul la marketing, conversia la site sau prețuri, valoarea coșului la mix de produse sau reduceri.

5. Segmentare. Pe canal de achiziție, dispozitiv, regiune, categorie de produs, clienți noi vs existenți. Scăderea e generală sau concentrată? De obicei, una sau două segmente explică cea mai mare parte.

SQL
SELECT canal,
       SUM(CASE WHEN luna = '2025-03' THEN venit END) AS martie,
       SUM(CASE WHEN luna = '2025-02' THEN venit END) AS februarie
FROM venit_lunar
GROUP BY canal
ORDER BY martie - februarie;

6. Concluzie și acțiune. „Scăderea vine în principal din traficul plătit pe mobil, după reducerea bugetului de campanii; restul canalelor sunt stabile.” Separă clar faptele de ipoteze.

Ce urmărește intervievatorul: Este studiul de caz clasic la interviurile de analist. Se urmărește structura, verificarea datelor înainte de concluzii și descompunerea metricii.

88 Mid

Definește valoarea medie a comenzii, rata de conversie, CAC și valoarea pe viață a clientului (LTV) și spune cum le-ai folosi împreună.

Răspuns scurt: AOV este venitul împărțit la numărul de comenzi; conversia, comenzile împărțite la sesiuni; CAC, costul de achiziție împărțit la clienții noi; LTV, profitul estimat adus de un client pe toată relația. Împreună arată dacă achiziția e rentabilă.

Definiții, cu precizările care contează:

  • AOV (Average Order Value) = venit / număr de comenzi, într-o perioadă. Trebuie stabilit dacă venitul include TVA, transport și retururi.
  • Rata de conversie = comenzi / sesiuni sau cumpărători unici / vizitatori unici. Cele două variante dau valori diferite, deci definiția se scrie explicit.
  • CAC (Customer Acquisition Cost) = costuri de achiziție (reclame, comisioane, uneori salariile echipei de marketing) / numărul de clienți noi din aceeași perioadă. Contează dacă e CAC pe tot (blended) sau pe canal, și dacă se raportează la clienții noi reali, nu la toate comenzile.
  • LTV (Customer Lifetime Value): valoarea adusă de un client pe toată durata relației. O aproximare simplă: AOV x numărul mediu de comenzi pe an x marja brută x durata medie de viață în ani. Variantele mai bune se calculează pe cohorte reale.

Cum se folosesc împreună:

  • Venit = trafic x conversie x AOV, descompunerea folosită pentru diagnostic.
  • LTV / CAC arată dacă merită să plătești pentru clienți noi. Dacă un client aduce în timp mai puțin profit decât a costat atragerea lui, creșterea accelerează pierderea.
  • Perioada de recuperare (payback): în câte luni marja adusă de un client acoperă CAC-ul. Contează pentru fluxul de numerar.

Capcane:

  • LTV calculat pe venit, nu pe marjă, supraestimează mult valoarea.
  • CAC care include clienții veniți organic pare mai mic decât costul real al canalelor plătite.

Leagă-le mereu de decizii concrete, de exemplu redistribuirea bugetului între canale.

Ce urmărește intervievatorul: Verifică familiaritatea cu metricile de business și cu capcanele lor. La mid se așteaptă precizarea definițiilor, nu doar formulele de manual.

89 Mid

Cum ai defini și calcula rata de churn pentru un serviciu pe bază de abonament?

Răspuns scurt: Churn-ul este proporția clienților activi la începutul perioadei care au renunțat în acea perioadă. Trebuie definit ce înseamnă „a renunța” (anulare, neplată, inactivitate), tratați clienții noi din perioadă și ales între churn de clienți și churn de venit.

Formula de bază pentru churn lunar de clienți:

churn = clienți activi la începutul lunii care au plecat în timpul lunii
        / clienți activi la începutul lunii

Clienții noi din aceeași lună nu intră nici la numitor, nici la numărător; altfel rata se distorsionează în lunile cu multe achiziții.

Deciziile de definiție sunt partea cea mai importantă:

  • Ce înseamnă plecarea: anularea explicită, expirarea fără reînnoire, neplata după perioada de grație? Abonamentele anuale nu pot pleca lunar în același mod ca cele lunare, deci se analizează separat.
  • Pauze și reactivări: un client care suspendă abonamentul o lună e plecat? Un client care revine după două luni e nou sau reactivat?
  • Momentul: data cererii de anulare sau data la care se termină perioada plătită?
SQL
WITH inceput AS (
  SELECT client_id FROM abonamente
  WHERE data_start < '2025-03-01'
    AND (data_sfarsit IS NULL OR data_sfarsit >= '2025-03-01')
)
SELECT ROUND(100.0 * COUNT(*) FILTER (
         WHERE a.data_sfarsit >= '2025-03-01' AND a.data_sfarsit < '2025-04-01')
       / COUNT(*), 2) AS churn_martie_pct
FROM inceput i
JOIN abonamente a USING (client_id);

Interogarea presupune un singur abonament pe client; cu mai multe abonamente, întâi agregi la nivel de client.

Pe lângă churn de clienți, contează churn-ul de venit: pierderea unui client mare cântărește mai mult decât a zece clienți mici. Net revenue retention include și creșterile de abonament ale clienților rămași.

Analiza utilă nu se oprește la rată: churn pe cohorte și pe segmente, motivele declarate la anulare și semnalele care preced plecarea, de exemplu scăderea utilizării.

Ce urmărește intervievatorul: Verifică dacă știi că definiția churn-ului este o decizie de business. Greșeala tipică este includerea clienților noi la numitor.

90 Mid

Cum prezinți rezultatele unei analize unui stakeholder care nu are pregătire tehnică?

Răspuns scurt: Începi cu concluzia și recomandarea, apoi aduci două-trei dovezi clare, explici în limbajul business-ului ce înseamnă pentru el, menționezi limitele într-o formă simplă și lași detaliile tehnice în anexă, pentru cine le cere.

Greșeala obișnuită a analiștilor este să prezinte în ordinea în care au lucrat: datele, curățarea, metoda, graficele, iar concluzia la final. Un manager vrea opusul.

O structură care funcționează (inspirată de principiul piramidei):

  • Concluzia în prima frază: „Clienții veniți din campaniile de pe rețelele sociale revin mai rar decât cei din căutări; propun mutarea unei părți din buget și un test de o lună.”
  • Dovezile principale, două sau trei, fiecare cu un grafic simplu al cărui titlu spune mesajul.
  • Ce înseamnă pentru ei: în bani, timp, clienți, risc, nu în coeficienți statistici.
  • Limitele și gradul de încredere, formulate simplu: „Datele acoperă doar ultimele trei luni, deci recomand să confirmăm cu un test.”
  • Pașii următori, clari, cu cine face ce.

Tehnici utile:

  • Înlocuiește jargonul: în loc de „p-value 0,01” spui „diferența e mult prea mare ca să fie întâmplătoare”; în loc de „mediană” poți spune „clientul tipic”.
  • Folosește comparații concrete: „echivalentul a două săptămâni de vânzări”.
  • Pregătește răspunsuri la întrebările probabile: „de unde vin datele?”, „se aplică și în alte regiuni?”.
  • Detaliile metodologice în anexă sau în notițe, nu pe slide-ul principal.
  • Adaptează formatul: un email de cinci rânduri pentru o concluzie simplă, o prezentare scurtă pentru o decizie importantă, un dashboard pentru o întrebare recurentă.

O analiză corectă, dar prezentată neclar, nu schimbă nicio decizie. Pentru un analist, comunicarea face parte din livrabil, nu e un pas opțional.

Ce urmărește intervievatorul: Abilitatea de comunicare este adesea factorul decisiv între candidați cu aceleași competențe tehnice. Se verifică dacă pornești de la concluzie.

91 Senior

O metrică importantă a crescut brusc peste noapte, mult peste orice variație obișnuită. Cum verifici dacă schimbarea e reală?

Răspuns scurt: Tratezi schimbarea ca suspectă până la proba contrarie: verifici pipeline-ul și sursele (încărcări duplicate, schimbări de tracking, definiții modificate), descompui creșterea pe segmente ca să vezi unde e concentrată, compari cu surse independente și abia apoi cauți explicații de business.

Când o metrică se mișcă mult mai mult decât de obicei, cea mai probabilă explicație este o problemă de date, nu o schimbare de comportament. Ordinea verificărilor:

1. Pipeline și încărcare. S-a rulat încărcarea de două ori? Există rânduri duplicate pe cheie? A apărut un fan-out după o schimbare într-un JOIN? Volumul de rânduri pe oră arată o anomalie?

2. Instrumentare și sursă. A fost lansată o versiune nouă a aplicației sau a site-ului? S-a schimbat implementarea tracking-ului (un eveniment trimis de două ori, un tag nou)? Au apărut boți sau trafic automat? S-a schimbat configurarea consimțământului pentru cookie-uri?

3. Definiții. S-a modificat logica metricii în model, dbt sau DAX? S-au adăugat clienți sau produse dintr-o sursă nouă?

4. Segmentare. Unde e concentrată creșterea: o singură platformă, o singură țară, o versiune de aplicație, o singură sursă de trafic, un singur client? O creștere reală e de obicei mai răspândită; o eroare tehnică e foarte concentrată.

SQL
SELECT platforma, versiune_app, COUNT(*) AS evenimente
FROM evenimente
WHERE moment >= CURRENT_DATE - INTERVAL '2 days'
GROUP BY 1, 2
ORDER BY 3 DESC;

5. Surse independente. Comenzile din sistemul de facturare, încasările din procesatorul de plăți, datele din altă unealtă de analytics. Dacă doar o sursă arată creșterea, problema e în acea sursă.

6. Explicații de business: o campanie, o mențiune în presă, un client mare nou, o reducere de preț.

Comunicare: anunți rapid că investighezi, apoi revii cu concluzia și, dacă a fost o eroare, cu un test care să o prevină.

Ce urmărește intervievatorul: La senior se verifică scepticismul sănătos și o metodă de depanare a datelor. Răspunsul slab sărbătorește creșterea fără verificări.

92 Senior

Cum ajuți o echipă de produs să își aleagă metrica principală (north star) și metricile de protecție?

Răspuns scurt: Metrica principală trebuie să reflecte valoarea primită de client și să anticipeze rezultatele financiare; o descompui în factori pe care echipele îi pot influența și adaugi metrici de protecție (guardrails) care împiedică optimizarea ei în detrimentul calității, al costurilor sau al experienței clientului.

O north star metric este metrica în jurul căreia se aliniază echipele de produs. Criterii bune:

  • Reflectă valoarea pentru client, nu doar pentru companie. Pentru o platformă de cursuri online, „lecții finalizate de cursanți activi pe săptămână” spune mai mult decât „conturi create”.
  • Anticipează rezultatele de business: dacă metrica crește, venitul și retenția ar trebui să urmeze. Relația trebuie verificată pe date istorice, nu presupusă.
  • Se poate influența și măsura frecvent, ca echipele să vadă efectul muncii lor în săptămâni, nu în ani.
  • Este ușor de înțeles de toată compania.

Apoi construiești un arbore de metrici: metrica principală se descompune în factori (număr de utilizatori activi x lecții pe utilizator x rata de finalizare), iar fiecare echipă își asumă unul dintre factori. Astfel, un experiment al unei echipe se leagă de obiectivul general.

Metricile de protecție (guardrails) previn efectele secundare. Orice metrică optimizată agresiv poate fi „păcălită”: lecții făcute mai scurte ca să crească finalizările, notificări excesive care cresc activitatea pe termen scurt și dezabonările pe termen lung. Exemple de guardrails: rata de dezabonare de la notificări, tichetele de suport, timpul de încărcare, rambursările, evaluările cursurilor.

Rolul analistului:

  • să valideze cu date dacă metrica propusă se corelează cu retenția și venitul;
  • să scrie definiția exactă și să o implementeze într-un singur loc;
  • să atragă atenția asupra metricilor „vanity”;
  • să revizuiască periodic alegerea, pentru că produsul și strategia se schimbă.

Disputele despre metrică sunt de fapt dispute despre strategie; analistul facilitează discuția cu date, nu o decide singur.

Ce urmărește intervievatorul: La senior se verifică gândirea strategică și cunoașterea efectelor secundare ale optimizării unei singure metrici.

93 Senior

Primești de la diverse departamente cereri pentru zeci de rapoarte, iar unele cifre se contrazic între ele. Cum aduci ordine?

Răspuns scurt: Inventariezi cererile și rapoartele existente, prioritizezi după impactul asupra deciziilor, definești un set comun de metrici cu definiții unice (single source of truth), construiești modele de date reutilizabile și oferi self-service controlat, cu reguli clare de proprietate.

Situația e frecventă: fiecare departament are propriul Excel, propriul raport și propria definiție a „clientului activ”. În ședințe se discută despre ale cui cifre sunt corecte, nu despre decizii.

Pași:

1. Inventar. Ce rapoarte există, cine le folosește efectiv, ce decizii susțin. Multe rapoarte nu mai sunt deschise de nimeni; statisticile de utilizare din Power BI Service sau o întrebare directă le scot la iveală.

2. Prioritizare. Pentru fiecare cerere: ce decizie permite, cât de des, ce se pierde fără ea, cât efort cere. O matrice simplă impact-efort ajută la o discuție transparentă cu managementul. Nu toate cererile trebuie onorate.

3. Dicționar de metrici. Pentru indicatorii importanți scrii o definiție unică: formula, sursa, filtrele, granularitatea, responsabilul de business. Diferențele dintre departamente se rezolvă explicit, cu acordul lor, iar unde e nevoie de variante, acestea primesc nume diferite („venit facturat” și „venit încasat”).

4. Un singur strat de date. Definițiile se implementează o singură dată: în modele de date (de exemplu cu dbt) și într-un semantic model Power BI certificat, pe care îl folosesc toate rapoartele.

5. Self-service controlat. Utilizatorii avansați își construiesc propriile rapoarte peste modelul certificat, fără să redefinească metricile. Echipa de date se ocupă de model, nu de fiecare grafic.

6. Proces. Un singur canal de cereri, criterii de prioritizare cunoscute, un proprietar pentru fiecare raport și retragerea periodică a celor nefolosite.

Rezultatul nu e doar mai puțină muncă pentru echipa de date, ci încredere în cifre, ceea ce face ca analizele să fie folosite.

Ce urmărește intervievatorul: La senior se urmărește capacitatea de a rezolva probleme organizaționale, nu doar tehnice. Răspunsul slab propune doar să construiești mai repede rapoartele.

Comportamentale și HR

94 Junior

Povestește-mi despre tine și spune de ce vrei să lucrezi ca Data Analyst.

Răspuns scurt: Un răspuns bun durează un minut-două și leagă trei lucruri: ce ai făcut până acum relevant pentru date, ce ai construit sau învățat concret (proiecte, unelte) și de ce te atrage rolul, legat de firma și postul la care aplici.

Întrebarea deschide aproape orice interviu și este o ocazie de a da direcția discuției. Nu e o invitație de a-ți povesti tot CV-ul.

O structură simplă, prezent-trecut-viitor:

  • Prezent: ce faci acum și ce legătură are cu datele. „Lucrez în departamentul de vânzări, unde am preluat raportarea lunară în Excel.”
  • Trecut: experiența sau învățarea relevantă, cu un exemplu concret. „Am automatizat raportul cu Power Query și am învățat SQL ca să extrag datele direct din bază. Am construit un proiect personal în care am analizat date publice despre transport, cu Python și un dashboard în Power BI.”
  • Viitor: de ce acest rol și această firmă. „Îmi place momentul în care o întrebare vagă devine o concluzie clară. Rolul vostru combină SQL și Power BI cu lucrul direct cu echipa de produs, exact direcția în care vreau să cresc.”

Pentru cei care se reorientează profesional, experiența anterioară este un avantaj, nu ceva de ascuns: cunoașterea domeniului (vânzări, contabilitate, logistică, marketing) este foarte valoroasă pentru un analist, pentru că știi ce întrebări contează.

Ce să eviți:

  • recitarea CV-ului cronologic;
  • motivații generice („datele sunt viitorul”);
  • detalii personale fără legătură cu rolul;
  • un răspuns de cinci minute.

Pregătește răspunsul dinainte și repetă-l cu voce tare, dar nu îl memora cuvânt cu cuvânt. Adaptează partea de final pentru fiecare companie, după ce ai citit anunțul și ai înțeles ce face echipa.

Ce urmărește intervievatorul: Intervievatorul evaluează claritatea, motivația și potrivirea cu rolul. Greșeala tipică este un monolog lung fără legătură cu postul.

95 Junior

Povestește un proiect de analiză de care ești mândru. Ce ai făcut concret și ce impact a avut?

Răspuns scurt: Folosește metoda STAR: Situația și întrebarea de business, Sarcina ta, Acțiunile concrete (date, unelte, decizii de analiză, obstacole) și Rezultatul (ce s-a decis sau schimbat). Pune accentul pe contribuția ta și pe raționament, nu doar pe unelte.

Este întrebarea în care se vede dacă ai lucrat efectiv cu date. Un model de răspuns structurat cu STAR:

  • Situația: „Într-un proiect personal, am analizat un set de date public cu comenzile unui magazin online, ca să înțeleg de ce unele categorii au rată mare de retur.”
  • Sarcina: „Mi-am propus să identific factorii asociați cu retururile și să fac un dashboard pe care l-ar putea folosi un manager de categorie.”
  • Acțiunile: „Am curățat datele în pandas: am găsit comenzi duplicate și prețuri salvate ca text cu virgulă. Am calculat rata de retur pe categorie, mărime și canal. Am observat că o parte importantă din retururi provenea dintr-o singură categorie și din comenzile cu mai multe mărimi ale aceluiași produs. Am verificat că rezultatul nu e un efect de mix, segmentând pe canal. Am construit un raport în Power BI cu trei pagini: rezumat, categorii, detaliu.”
  • Rezultatul: „Concluzia a fost că problema ținea de ghidul de mărimi, nu de calitate. Am propus o recomandare concretă și un indicator de urmărit.”

La un proiect de la locul de muncă, contează impactul real: o decizie luată, timp economisit. Dacă nu poți da cifre din motive de confidențialitate, descrie calitativ efectul.

Ce caută intervievatorul:

  • ce ai făcut tu, nu echipa („am”, nu „am făcut noi”);
  • deciziile de analiză și motivul lor;
  • un obstacol și cum l-ai depășit;
  • legătura cu o decizie de business.

Pregătește două-trei astfel de povești, pe care le poți adapta la mai multe întrebări comportamentale.

Ce urmărește intervievatorul: Verifică experiența practică și capacitatea de a explica raționamentul. Răspunsurile vagi, de tipul „am făcut un dashboard”, nu conving.

96 Junior

Ce faci dacă descoperi o greșeală într-un raport pe care l-ai trimis deja managerilor?

Răspuns scurt: Evaluezi rapid impactul, anunți proactiv persoanele afectate cu o explicație scurtă și cifrele corectate, verifici dacă eroarea a influențat decizii, apoi identifici cauza și adaugi o verificare care să prevină repetarea.

Întrebarea verifică integritatea și maturitatea profesională. Erorile se întâmplă oricui; contează cum reacționezi.

Un model de răspuns:

  • Evaluarea impactului. „Primul pas ar fi să înțeleg cât de mare e greșeala și ce afectează: o cifră secundară sau concluzia principală? Cine a primit raportul și dacă s-a luat deja vreo decizie pe baza lui.”
  • Comunicare rapidă și directă. „Aș anunța eu, înainte să o descopere altcineva, cu un mesaj scurt: ce era greșit, cifrele corecte, dacă se schimbă concluzia. Dacă impactul e mare, aș vorbi întâi cu managerul meu și apoi direct cu cei care au folosit raportul.”
  • Corectarea. Versiune nouă a raportului, marcată clar, ca să nu circule două variante.
  • Cauza. Un JOIN care a dublat rânduri, un filtru de dată greșit, date incomplete la momentul extragerii?
  • Prevenirea. O verificare nouă în procesul meu: reconcilierea totalului cu o sursă independentă, controlul numărului de rânduri, o recitire a cifrelor de către un coleg pentru rapoartele importante.

Exemplu scurt de formulare: „În raportul de luni, venitul pe regiunea Vest a fost supraestimat din cauza unor comenzi duplicate în export. Cifra corectă este mai mică, iar clasamentul regiunilor rămâne același. Am atașat versiunea corectată și am adăugat o verificare de duplicate.”

Ce să eviți: să ascunzi greșeala sperând că nu o observă nimeni, să dai vina pe sursa de date fără a-ți asuma partea ta sau să corectezi în tăcere raportul. Încrederea în cifre este principalul capital al unui analist, iar ea se păstrează prin transparență.

Ce urmărește intervievatorul: Se verifică onestitatea și responsabilitatea. Intervievatorii apreciază candidații care au un proces de verificare, nu pe cei care pretind că nu greșesc.

97 Junior

Cum înveți o unealtă sau o tehnică nouă de care ai nevoie la muncă?

Răspuns scurt: Pornești de la o problemă concretă, înveți fundamentele din documentația oficială sau un curs structurat, aplici imediat pe un caz real mic, ceri feedback și îți notezi ce ai învățat. Un exemplu concret din experiența ta face răspunsul credibil.

Uneltele de date se schimbă des: funcții noi în Excel, actualizări lunare în Power BI, versiuni noi de pandas, unelte noi precum DuckDB sau dbt. Intervievatorul vrea să știe dacă te poți adapta fără să ai nevoie de cineva care să te ducă de mână.

O structură de răspuns:

  • Problema concretă: „Când a trebuit să construiesc primul raport în Power BI, nu știam DAX.”
  • Fundamentele: „Am pornit de la documentația Microsoft și de la un curs structurat, ca să înțeleg conceptele de bază, contextul de filtru și CALCULATE, nu doar formule copiate.”
  • Aplicarea imediată: „Am refăcut în Power BI un raport pe care îl aveam deja în Excel, ca să pot compara cifrele și să știu sigur că sunt corecte.”
  • Feedback: „Am rugat un coleg mai experimentat să se uite peste model și mi-a arătat că foloseam coloane calculate acolo unde trebuiau măsuri.”
  • Consolidare: „Mi-am făcut un fișier cu formulele și tiparele pe care le folosesc des.”

Cum te ții la curent în general: documentația oficială și notele de lansare ale uneltelor pe care le folosești, comunități (forumuri, grupuri locale de utilizatori), proiecte personale pe seturi de date publice, citirea codului scris de colegi.

Ce să eviți: o listă lungă de cursuri terminate fără nimic aplicat, sau afirmația că înveți „orice foarte repede” fără exemplu.

La nivel junior, capacitatea de a învăța contează adesea mai mult decât lista actuală de unelte. Un exemplu concret, cu o greșeală pe care ai corectat-o pe parcurs, arată mai mult decât o declarație generală.

Ce urmărește intervievatorul: Verifică autonomia și metoda de învățare. Răspunsurile convingătoare au un exemplu concret și un rezultat aplicat.

98 Mid

Un manager îți cere să „găsești date care să arate” că proiectul lui a avut succes. Cum gestionezi situația?

Răspuns scurt: Reformulezi cererea într-o întrebare deschisă (a avut proiectul efectul dorit?), stabilești împreună criteriile de succes înainte de analiză, prezinți rezultatele oneste, inclusiv părțile pozitive și limitele, și propui pași de îmbunătățire dacă rezultatul nu e cel sperat.

Situația este frecventă și delicată: managerul nu cere neapărat să falsifici date, dar așteaptă o anumită concluzie. Un analist care livrează mereu ce i se cere să confirme își pierde credibilitatea, iar deciziile luate pe analize părtinitoare costă firma.

Model de răspuns cu STAR:

  • Situația: „Un manager de marketing mi-a cerut o analiză care să arate succesul unei campanii, pentru o prezentare către conducere.”
  • Sarcina: să ofer o analiză utilă și corectă, păstrând relația bună cu el.
  • Acțiunile: „Am reformulat împreună întrebarea: ce trebuia să schimbe campania și cum măsurăm asta? Am convenit dinainte metrica și perioada de comparație. Am făcut analiza și am găsit că numărul de clienți noi crescuse, dar o parte importantă erau clienți care oricum ar fi venit, iar valoarea comenzilor lor era mai mică. I-am prezentat întâi lui, înainte de ședința cu conducerea, ca să nu fie surprins.”
  • Rezultatul: „Prezentarea a inclus atât rezultatele pozitive, cât și ce nu a funcționat, plus o propunere de test pentru următoarea campanie. Managerul a apreciat că a putut prezenta un plan, nu doar cifre.”

Principii de menționat:

  • criteriile de succes se stabilesc înainte de a te uita la rezultate;
  • prezinți datele, nu o selecție convenabilă (de exemplu, perioada care arată cel mai bine);
  • ești diplomat: pornești de la ce a mers și oferi soluții;
  • dacă presiunea continuă pentru o prezentare înșelătoare, escaladezi la managerul tău.

Intervievatorul vrea să vadă că ai coloană vertebrală profesională fără să fii conflictual.

Ce urmărește intervievatorul: Testează integritatea și abilitățile de gestionare a stakeholderilor. Răspunsurile extreme („fac ce mi se cere” sau „refuz”) sunt semnale negative.

99 Mid

Ai primit o cerință vagă, de exemplu „vreau să înțeleg mai bine clienții noștri”. Cum procedezi?

Răspuns scurt: Pui întrebări care clarifică decizia din spatele cererii, termenul și formatul dorit, propui un plan scurt cu întrebări concrete și o primă versiune, confirmi direcția cu solicitantul și abia apoi investești timp mare în analiză.

Cererile vagi sunt normale; oamenii din business știu ce problemă au, nu neapărat ce analiză le trebuie. Riscul este să lucrezi o săptămână la ceva ce nu răspunde nevoii reale.

Pași, prezentați ca model de răspuns:

1. Întrebări de clarificare:

  • „Ce decizie vreți să luați pe baza acestei analize?” (de exemplu, unde să concentrați bugetul de marketing, ce produse să promovați)
  • „Ce v-a făcut să puneți întrebarea acum? S-a întâmplat ceva?”
  • „Despre ce clienți vorbim: toți, cei noi, cei care au plecat?”
  • „Când aveți nevoie și în ce formă: o discuție, o prezentare, un dashboard?”

2. Reformulare scrisă, în două-trei întrebări concrete: „Care sunt principalele segmente de clienți după valoare și frecvență? Prin ce se diferențiază clienții care revin de cei care cumpără o singură dată? Ce canale aduc clienții cu cea mai mare valoare?” Trimiți reformularea și ceri confirmare.

3. O primă versiune rapidă: câteva grafice simple sau o segmentare de bază, prezentate după una-două zile, nu după două săptămâni. Reacția solicitantului îți arată ce contează cu adevărat.

4. Iterare: aprofundezi doar direcțiile utile.

Un exemplu de încheiere: „În ultima situație de acest fel, după prima întâlnire am aflat că, de fapt, managerul voia să știe de ce clienții din aplicația mobilă comandă mai rar, o întrebare mult mai precisă și mai ușor de rezolvat.”

La mid se așteaptă să gestionezi singur această clarificare, fără să aștepți o specificație completă de la altcineva.

Ce urmărește intervievatorul: Verifică autonomia și orientarea către nevoia reală. Greșeala tipică este începerea analizei fără a înțelege decizia din spate.

100 Senior

Cum ai convinge echipa sau conducerea să schimbe o decizie importantă pe baza unei analize, când nu ai autoritate directă asupra lor?

Răspuns scurt: Înțelegi întâi motivele și interesele celor care au luat decizia, construiești o analiză solidă, verificată și cu limite asumate, implici devreme oamenii-cheie, prezinți o recomandare clară cu riscurile ei și propui un pas mic, ușor de testat, în locul unei schimbări totale.

La nivel senior, valoarea unui analist se măsoară prin deciziile pe care le influențează. Rareori ai autoritate formală, deci trebuie să convingi.

Model de răspuns cu STAR:

  • Situația: „Conducerea plănuia extinderea unei oferte de reduceri permanente, pe baza creșterii vânzărilor din perioada de test.”
  • Sarcina: „Analiza mea arăta că creșterea venea în mare parte din clienți existenți care și-au mutat cumpărăturile în perioada cu reducere, iar marja totală scăzuse.”
  • Acțiunile: „Am verificat rezultatul împreună cu un coleg, ca să fiu sigur înainte să contrazic un plan deja susținut. Am vorbit separat cu managerul de produs care propusese oferta, ca să înțeleg obiectivul lui real, atragerea clienților noi. I-am arătat analiza lui întâi și am construit împreună o alternativă: reduceri doar pentru prima comandă. Apoi am prezentat conducerii concluzia într-o singură pagină, cu impactul în marjă, incertitudinea și un test de o lună pentru varianta alternativă.”
  • Rezultatul: „S-a decis testul. Indiferent de rezultat, decizia finală s-a luat pe date.”

Principii:

  • începi cu obiectivele celorlalți, nu cu ale tale;
  • credibilitatea se construiește în timp, prin analize corecte și recunoașterea propriilor erori;
  • aliații contează: oamenii care au contribuit la soluție o susțin;
  • un pas mic și reversibil (un test, un pilot) e mult mai ușor de aprobat decât o răsturnare completă;
  • accepți că uneori decizia rămâne alta; rolul tău este să o faci informată.

Ce urmărește intervievatorul: La senior se verifică influența fără autoritate și maturitatea în relația cu conducerea. Răspunsul slab se rezumă la „le-am arătat datele”.

Întrebări de interviu pe tehnologii

Pregătire de interviu pentru alte meserii

Exerciții rezolvate pentru Data Analyst

← Toate întrebările de interviu

Tudor Andrei Dumitrescu
Cine coordonează pregătirea de interviu

Tudor Andrei Dumitrescu

Senior Software Developer · fondatorul Academiei Programatorilor

LinkedIn
  1. 2019 Junior JavaCognizant Softvision
  2. 2021 Mid JavaCognizant Softvision
  3. 2022 Team LeaderEndava
  4. 2023 Senior Software DeveloperUniCredit
  5. Acum Senior Software DeveloperHCLTech
Certificat de absolvire Instructor / Preparator formare, Tudor Andrei Dumitrescu
Certificat de formator autorizatMinisterul Muncii și Ministerul Educației · 2022
Certificat de absolvire Instructor / Preparator formare, Tudor Andrei Dumitrescu

Certificat de formator autorizat · Ministerul Muncii și Ministerul Educației · 2022

Din 2020 construiește Academia Programatorilor, iar din 2026 și JoburiIT.ro. Întrebările de aici urmăresc ce se cere la interviurile de Data Analyst, de la junior la mid, iar pe JoburiIT.ro îți poți certifica apoi cunoștințele.

De la întrebări la primul job de Data Analyst

Traseul de carieră îți pune cursurile în ordine, cu exerciții verificate automat și proiecte despre care poți vorbi la interviu. Primele lecții sunt gratuite.