Bild vom Autor
# Einführung
Jeder weiß, worauf es in Knowledge-Science-Interviews ankommt: SQL, Python, Modelle für maschinelles LernenStatistiken, manchmal ein Systemdesign oder eine Fallstudie. Wenn das in den Interviews zur Sprache kommt, wird es doch getestet, oder? Nicht ganz. Ich meine, sie testen sicher alles, was ich aufgelistet habe, aber sie testen nicht nur das: Hinter all den technischen Aufgaben, die die Unternehmen tatsächlich evaluieren, steckt eine verborgene Ebene.
Bild vom Autor | Imgflip
Es ist quick eine Ablenkung: Während Sie denken, Sie würden Ihre Programmierkenntnisse unter Beweis stellen, schauen sich die Arbeitgeber etwas anderes an.
Dass etwas anderes ein versteckter Lehrplan ist – die Fähigkeiten, die tatsächlich zeigen, ob Sie in der Rolle und im Unternehmen erfolgreich sein können.
Bild vom Autor | Servietten-KI
# 1. Können Sie Geschäfte in Daten umwandeln (und zurück)?
Dies ist einer der Die größten Fähigkeiten, die von Datenwissenschaftlern verlangt werden. Arbeitgeber möchten sehen, ob Sie ein vages Geschäftsproblem (z. B. „Welche Kunden sind am wertvollsten?“) in eine Datenanalyse oder ein Modell für maschinelles Lernen umwandeln und die Erkenntnisse dann für Entscheidungsträger in eine einfache Sprache umwandeln können.
Was Sie erwartet:
- Fallstudien im lockeren Rahmen: Zum Beispiel: „Die Zahl der täglich aktiven Nutzer unserer App ist gering. Wie würden Sie das Engagement verbessern?“
- Folgefragen, die Sie dazu zwingen, Ihre Analyse zu begründen: Zum Beispiel: „Welche Kennzahl würden Sie verfolgen, um zu wissen, ob sich das Engagement verbessert?“, „Warum haben Sie diese Kennzahl anstelle von Sitzungsdauer oder Bindung gewählt?“, „Wenn es der Führung nur um den Umsatz geht, wie würden Sie Ihre Lösung neu formulieren?“
Was sie wirklich testen:
Bild vom Autor | Servietten-KI
- Klarheit: Können Sie Ihre Punkte in einfachem Englisch ohne zu viele Fachbegriffe erläutern?
- Priorisierung: Können Sie die wichtigsten Erkenntnisse hervorheben und erklären, warum sie wichtig sind?
- Zielgruppenbewusstsein: Ändern Sie Ihre Sprache je nach Zielgruppe (technisch oder nicht technisch)?
- Selbstvertrauen ohne Arroganz: Können Sie Ihre Vorgehensweise klar erklären, ohne zu defensiv zu werden?
# 2. Verstehen Sie Kompromisse?
Bei Ihrer Arbeit müssen Sie ständig Kompromisse eingehen, z Genauigkeit vs. Interpretierbarkeit oder Bias vs. Varianz. Arbeitgeber möchten, dass Sie dies auch in Vorstellungsgesprächen tun.
Was Sie erwartet:
- Fragen wie: „Würden Sie a zufälliger Wald oder hier logistische Regression?“
- Keine richtige Antwort: Szenarien, in denen beide Antworten richtig sein könnten, sie sich aber für das Warum Ihrer Wahl interessieren.
Was sie wirklich testen:
Bild vom Autor | Servietten-KI
- Kein allgemein „bestes“ Modell: Verstehen Sie das?
- Framing-Kompromisse: Können Sie das im Klartext sagen?
- Geschäftsausrichtung: Zeigen Sie das Bewusstsein, Ihre Modellauswahl an den Geschäftsanforderungen auszurichten, anstatt nach technischer Perfektion zu streben?
# 3. Können Sie mit unvollständigen Daten arbeiten?
Die Datensätze in Interviews sind selten sauber. In der Regel fehlen Werte, Duplikate und andere Inkonsistenzen. Dies soll die tatsächlichen Daten widerspiegeln, mit denen Sie arbeiten müssen.
Was Sie erwartet:
- Unvollkommene Daten: Tabellen mit inkonsistenten Formaten (z. B. Datumsangaben werden als 19.09.2025 und 25.09.19 angezeigt), Duplikate, versteckte Lücken (z. B. fehlende Werte nur in bestimmten Zeitbereichen, z. B. jedes Wochenende), Randfälle (z. B. detrimental Mengen in einer Spalte „Verkaufte Artikel“ oder Kunden mit einem Alter von 200 oder 0)
- Frage zum analytischen Denken: Fragen dazu, wie Sie Annahmen validieren würden
Was sie wirklich testen:
Bild vom Autor | Servietten-KI
- Ihr Gespür für Datenqualität: Halten Sie inne und hinterfragen Sie die Daten, anstatt gedankenlos zu programmieren?
- Priorisierung bei der Datenbereinigung: Wissen Sie, welche Probleme es wert sind, zuerst bereinigt zu werden und welche den größten Einfluss auf Ihre Analyse haben?
- Beurteilung bei Mehrdeutigkeit: Machen Sie Annahmen explizit, damit Ihre Analyse clear ist und Sie unter Berücksichtigung der Risiken vorankommen können?
# 4. Denken Sie in Experimenten?
Experimentieren ist ein großer Teil der Datenwissenschaft. Auch wenn die Rolle nicht ausdrücklich experimentell ist, müssen Sie A/B-Checks, Pilotversuche und Validierungen durchführen.
Was Sie erwartet:
Was sie wirklich testen:
Bild vom Autor | Servietten-KI
- Ihre Fähigkeit, Experimente zu entwerfen: Definieren Sie klar Kontrolle vs. Behandlung, führen Sie eine Randomisierung durch und berücksichtigen Sie die Stichprobengröße?
- Kritische Interpretation der Ergebnisse: Berücksichtigen Sie bei der Interpretation der Experimentergebnisse statistische Signifikanz vs. praktische Signifikanz, Konfidenzintervalle und sekundäre Effekte?
# 5. Können Sie bei Unklarheiten ruhig bleiben?
Die meisten Interviews sind mehrdeutig gestaltet. Die Interviewer möchten sehen, wie Sie mit unvollständigen und unvollständigen Informationen und Anweisungen umgehen. Stellen Sie sich vor, genau das bekommen Sie bei Ihrem eigentlichen Job.
Was Sie erwartet:
- Vage Fragen mit fehlendem Kontext: Zum Beispiel: „Wie würden Sie das Kundenengagement messen?“
- Zurück zu Ihren klärenden Fragen: Sie könnten beispielsweise versuchen, das Obige zu klären, indem Sie fragen: „Wollen wir, dass das Engagement anhand der aufgewendeten Zeit oder der Anzahl der Sitzungen gemessen wird?“. Dann könnte der Interviewer Sie auf den Punkt bringen, indem er fragt: „Was würden Sie wählen, wenn die Führung es nicht weiß?“
Was sie wirklich testen:
Bild vom Autor | Servietten-KI
- Denkweise unter Unsicherheit: Erstarren Sie oder bleiben Sie ruhig und pragmatisch?
- Problemstrukturierung: Können Sie eine vage Anfrage ordnen?
- Annahmen treffen: Machen Sie Ihre Annahmen explizit, damit sie in den folgenden Analyseiterationen hinterfragt und verfeinert werden können?
- Geschäftliche Argumentation: Binden Sie Ihre Annahmen an Geschäftsziele oder an willkürliche Vermutungen?
# 6. Wissen Sie, wann „besser“ der Feind von „intestine“ ist?
Arbeitgeber wollen, dass Sie pragmatisch sind, das heißt: Können Sie so schnell und einfach wie möglich möglichst nützliche Ergebnisse liefern? Ein Kandidat, der sechs Monate damit verbringen würde, die Genauigkeit des Modells um 1 % zu verbessern, ist, gelinde gesagt, nicht genau das, wonach er sucht.
Was Sie erwartet:
- Pragmatismus-Frage: Können Sie eine einfache Lösung finden, die 80 % des Issues löst?
- Probing: Ein Interviewer drängt Sie, zu erklären, warum Sie hier aufhören würden.
Was sie wirklich testen:
Bild vom Autor | Servietten-KI
- Urteil: Wissen Sie, wann Sie mit der Optimierung aufhören sollten?
- Geschäftsausrichtung: Können Sie Lösungen mit geschäftlichen Auswirkungen verbinden?
- Ressourcenbewusstsein: Respektieren Sie Zeit, Kosten und Teamkapazität?
- Iterative Denkweise: Liefern Sie jetzt etwas Nützliches und verbessern es später, anstatt zu viel Zeit damit zu verbringen, eine „perfekte“ Lösung zu entwickeln?
# 7. Können Sie mit Pushback umgehen?
Datenwissenschaft ist kollaborativ und Ihre Ideen werden in Frage gestellt, weshalb die Interviews dies widerspiegeln.
Was Sie erwartet:
- Check zum kritischen Denken: Interviewer versuchen, Sie zu provozieren und Löcher in Ihren Ansatz zu bohren
- Ausrichtungstest: Fragen wie „Was ist, wenn die Führung anderer Meinung ist?“
Was sie wirklich testen:
Bild vom Autor | Servietten-KI
- Resilienz auf dem Prüfstand: Bleiben Sie ruhig, wenn Ihr Ansatz in Frage gestellt wird?
- Klarheit der Argumentation: Sind Ihre Gedanken für Sie klar und können Sie sie anderen erklären?
- Anpassungsfähigkeit: Wie reagieren Sie, wenn der Interviewer eine Lücke in Ihrem Ansatz aufdeckt? Nehmen Sie es mit Würde zur Kenntnis oder fühlen Sie sich beleidigt und rennen weinend und schreiend Schimpfwörter aus dem Büro?
# Abschluss
Sie sehen, bei technischen Vorstellungsgesprächen geht es nicht wirklich darum, was Sie dachten. Bedenken Sie, dass es bei all diesen technischen Überprüfungen im Wesentlichen um Folgendes geht:
- Geschäftsprobleme übersetzen
- Kompromisse managen
- Umgang mit chaotischen, mehrdeutigen Daten und Situationen
- Wissen, wann optimiert werden muss und wann gestoppt werden muss
- Unter Druck zusammenarbeiten
Nate Rosidi ist Datenwissenschaftler und in der Produktstrategie tätig. Er ist außerdem außerordentlicher Professor für Analytik und Gründer von StrataScratch, einer Plattform, die Datenwissenschaftlern hilft, sich mit echten Interviewfragen von Prime-Unternehmen auf ihre Interviews vorzubereiten. Nate schreibt über die neuesten Tendencies auf dem Karrieremarkt, gibt Ratschläge zu Vorstellungsgesprächen, stellt Knowledge-Science-Projekte vor und behandelt alles rund um SQL.