Data-Scientist-Interviewfragen

Wann würdest du den Median statt des Mittelwerts berichten?

Wenn die Verteilung schief ist oder Ausreißer enthält, die ein Mittelwert nicht übersteht — Einkommen, Latenz, Zeit bis zum Kauf. Ein Vorstandsgehalt oder ein einziger 30-Sekunden-Ausreißer zieht den Mittelwert an eine Stelle, an der kein typischer Datenpunkt tatsächlich liegt, während der Median dort bleibt, wo der Großteil der Daten sitzt. In der Praxis berichtest du beides plus ein Perzentil wie p95, denn die Lücke zwischen Mittelwert und Median ist selbst informativ über die Schiefe.

Was bedeutet ein p-Wert eigentlich, und was ist die häufigste Fehlinterpretation?

Ein p-Wert ist die Wahrscheinlichkeit, Daten so extrem (oder extremer) zu beobachten, wenn die Nullhypothese wahr wäre — er ist nicht die Wahrscheinlichkeit, dass die Nullhypothese wahr ist, und auch nicht die Wahrscheinlichkeit, dass dein Ergebnis Zufall ist. Die verbreitete Fehllesart behandelt p < 0,05 als „95 % sicher, dass der Effekt real ist", was eine Aussage über die Daten gegeben die Hypothese mit einer Aussage über die Hypothese gegeben die Daten vermischt. Genau diese Verwechslung treibt p-Hacking an: führe genug Tests durch, und einer überschreitet 0,05 rein zufällig.

Was sagt dir ein 95 %-Konfidenzintervall wirklich?

Würdest du den Stichprobenprozess viele Male wiederholen und jedes Mal auf dieselbe Weise ein Intervall bilden, würden 95 % dieser Intervalle den wahren Parameter enthalten — das ist eine Aussage über das Verfahren, nicht eine 95%ige Wahrscheinlichkeit, dass genau dieses Intervall den wahren Wert enthält. Ein breites Intervall ist ehrliche Information: Es bedeutet meist, dass die Stichprobe zu klein ist, um viel auszusagen, und eine Punktschätzung ohne dieses Intervall ist eine Zahl, die mehr Sicherheit vorgibt, als die Daten hergeben.

Wann greifst du in SQL zu einer Window-Function statt zu GROUP BY?

GROUP BY fasst Zeilen zu einer pro Gruppe zusammen, wodurch du die Detailebene pro Zeile verlierst. Eine Window-Function wie ROW_NUMBER() OVER (PARTITION BY user_id ORDER BY created_at) berechnet einen Wert über eine Partition, behält aber jede Zeile — genau das brauchst du für „letzte Bestellung pro Kunde", laufende Summen oder einen Rang innerhalb einer Gruppe. Zu einem Self-Join oder einer Subquery zu greifen, wo eine Window-Function reichen würde, ist das klassische Zeichen von jemandem, der SQL gelernt hat, bevor Window-Functions üblich wurden.

Wie entscheidest du zwischen Regression und Klassifikation für dieselbe Business-Frage?

Es hängt davon ab, was das Ziel tatsächlich ist und wie das Ergebnis verwendet wird, nicht davon, welches Modell isoliert betrachtet besser abschneidet. „Wird dieser Nutzer in 30 Tagen abwandern" ist von Natur aus eine Klassifikation mit einem Schwellenwert, den du an die Business-Kosten von falsch-positiven gegenüber falsch-negativen Ergebnissen anpasst; „wie viel Umsatz wird dieser Account generieren" ist eine Regression, und sie in Buckets umzuwandeln wirft Information weg, die das Business meist braucht. Manchmal ist die ehrliche Antwort, das kontinuierliche Ziel zu modellieren und die Klassifikation nachgelagert abzuleiten, damit du keinen willkürlichen Schwellenwert direkt ins Modell einbaust.

Erkläre den Bias-Varianz-Trade-off an einem konkreten Beispiel.

Ein Modell mit hohem Bias — etwa eine lineare Regression auf Daten mit echter Krümmung — underfittet: Es liegt auf Train- und Test-Daten gleichermaßen konsistent in dieselbe Richtung falsch. Ein Modell mit hoher Varianz — ein tiefer, ungestutzter Decision Tree — overfittet: Es merkt sich das Rauschen der Trainingsdaten, und die Performance schwankt stark zwischen Trainings- und Testdaten. Regularisierung, Cross-Validation und einfachere Feature-Sets tauschen alle etwas Bias gegen eine echte Reduktion der Varianz, und das Ziel ist der Punkt, an dem der Testfehler — nicht der Trainingsfehler — minimal ist.

Wie bestimmst du die Stichprobengröße, bevor du einen A/B-Test startest?

Du brauchst vier Eingaben: die Baseline-Conversion-Rate, den minimal relevanten nachweisbaren Effekt, statistische Power (meist 80 %) und das Signifikanzniveau (meist 0,05). Kleinere Effekte und höhere Power erfordern beide mehr Traffic, weshalb Teams, die diesen Schritt überspringen, entweder unterpowerte Tests fahren, die einen echten Effekt nicht erkennen können, oder monatelang eine Änderung testen, die zu klein ist, um relevant zu sein. Eine Power-Berechnung vor dem Start macht aus „der Test zeigte keinen Unterschied" eine echte Antwort statt eines Schulterzuckens.

Was sind die häufigsten Wege, wie dir ein A/B-Test ein falsches Ergebnis liefert, obwohl die Statistik korrekt gerechnet ist?

Ständiges Nachschauen bei den Ergebnissen und ein frühes Stoppen, sobald sie signifikant aussehen, treibt die False-Positive-Rate weit über 5 % hinaus, weil du eigentlich viele implizite Tests über die Zeit hinweg durchführst. Ein Sample Ratio Mismatch — die tatsächliche Aufteilung weicht von der beabsichtigten 50/50-Verteilung ab — deutet meist auf einen Bug in der Assignment-Logik hin und macht das Ergebnis ungültig, noch bevor du überhaupt auf die Metrik schaust. Neuheitseffekte blähen kurzfristige Uplifts auf, die dann wieder abklingen, und Netzwerkeffekte zwischen Test- und Kontrollgruppe (zwei Nutzer aus demselben sozialen Graph, einer in jeder Gruppe) verletzen die Unabhängigkeitsannahme, auf der die Teststatistik beruht.

Warum impliziert Korrelation keine Kausalität, und zu welchen Werkzeugen greifst du, wenn du kein Experiment durchführen kannst?

Zwei Variablen können sich gemeinsam bewegen, weil eine die andere verursacht, weil eine dritte Variable beide verursacht (ein Confounder), oder durch reinen Zufall in einem groß genugen Datensatz. Wenn Randomisierung nicht möglich ist, greifst du zu quasi-experimentellen Designs: Difference-in-Differences, Regression Discontinuity um einen Schwellenwert herum, Instrumentalvariablen oder Propensity-Score-Matching, um einen randomisierten Vergleich aus Beobachtungsdaten anzunähern. Jedes davon stützt sich auf eine Annahme, die du nicht vollständig prüfen kannst, weshalb das ehrliche Ergebnis die Schätzung plus eine klare Aussage darüber ist, was sie zum Einsturz bringen würde.