Skip to content
    ← Tagasi blogisse

    Andmeteadlase intervjuuküsimused: mida küsida ja kuidas hinnata

    Hea andmeteadlase intervjuu kontrollib kuut asja: varasemaid projekte, statistikat ja tõenäosust, programmeerimist ja SQL-i, andmete ettevalmistamist, masinõpet ning seda, kas kandidaat oskab tulemusi äripoolele selgitada. Siit leiad iga teema kohta küsimused, mida intervjuul päriselt esitada, ja kirjelduse, milline on tugev ja milline nõrk vastus. Kõige rohkem räägib kandidaadist see, kui ta suudab oma vastuse siduda konkreetse projekti, otsuse ja mõõdetava tulemusega. Lõpus näitame ka, kuidas sama küsimustikku kasutada siis, kui kandidaate on kümneid ja intervjuuaega vähe.

    Resyme
    resyme.ai
    Hinda kandidaate võrreldavalt
    Resyme.ai viib läbi kohandatud automatiseeritud intervjuusid ja võrdleb kandidaate objektiivselt, aidates vähendada eelsõelumiseks kuluvat aega.
    Tutvu Resyme.ai-ga

    Lühidalt

    • Andmeteadlase intervjuul hinnatakse tavaliselt programmeerimist, statistikat ja tõenäosust, masinõpet ning andmeanalüüsi, millele lisanduvad tootejuhtumid ja käitumuslikud küsimused.
    • Projektiküsimustes otsi kolme asja: millist äriprobleemi lahendati, mis meetodiga ja milline oli mõõdetav tulemus.
    • Tehnilised küsimused olgu lühikesed ja konkreetsed, näiteks SQL-päring kasutajate kuupõhise säilivuse leidmiseks.
    • Juhtumiülesanne, kus nõuded on ebaselged, näitab probleemilahendusoskust paremini kui teadmisküsimus.
    • Hinda kõiki kandidaate samade küsimuste ja sama skaalaga, siis on otsus võrreldav ja põhjendatav.

    Sisukord

    Mida andmeteadlase intervjuu peab kontrollima

    Andmeteadlane töötab mitme eriala ristumiskohas, seega ühe teema põhjal teda hinnata ei saa. TechTargeti intervjuujuhendi järgi keskendub intervjuu tavaliselt programmeerimisele, statistikale ja tõenäosusele, masinõppele ning andmeanalüüsile. Dataquesti 2026. aasta ülevaade jagab intervjuu kuueks teemaks: SQL, statistika ja A/B-testid, masinõpe, Python, tootejuhtumid ning käitumuslikud küsimused.

    Allolev tabel on hea selgroog, millele intervjuu üles ehitada. Vali iga teema alt kaks kuni neli küsimust vastavalt rollile: tootepõhine analüütik vajab rohkem SQL-i ja A/B-teste, masinõppeinsener rohkem mudelite hindamist ja juurutamist.

    Teema Mida see mõõdab Näidisküsimus Tugeva vastuse tunnus
    Kogemus ja projektid Tegelik panus ja tulemused Kirjelda projekti, mille tulemust sai mõõta. Ärikontekst, meetod, number
    Statistika ja tõenäosus Järelduste õigsus Kuidas tõlgendad usaldusvahemikku? Selgitab lihtsalt, nimetab eeldused
    Programmeerimine ja SQL Igapäevane töövõime Kirjuta päring kuupõhise säilivuse leidmiseks. Töötav lahendus, mõtleb äärejuhtudele
    Andmete ettevalmistus Usaldusväärne alus Kuidas käsitled puuduvaid väärtusi? Sõltub põhjusest, kontrollib mõju
    Masinõpe Mudeli valik ja mõõtmine Kuidas valid hindamismõõdiku? Seob mõõdiku äri kuluga
    Juhtum ja suhtlus Probleemilahendus, selgitamine Nõuded muutuvad poole projekti pealt. Mida teed? Küsib täpsustusi, teeb plaani

    Kui palkad ka arendajaid, kattuvad paljud tehnilised teemad. Programmeerimisküsimuste kohta leiad rohkem näiteid juhendist tarkvaraarendaja intervjuuküsimused.

    Küsimused kogemuse ja projektide kohta

    Alusta projektidest, sest siit saad konteksti kõigile järgmistele vastustele. CV-s on projektid sageli kirjas üldsõnaliselt, intervjuu ülesanne on need lahti rääkida. NoBsResume’i andmeteadlase CV-juhend soovitab kandidaatidel kirjeldada iga projekti juures probleemi või ärikonteksti, kasutatud meetodit või tööriista ning mõõdetavat tulemust. Sama loogikaga tasub küsida ka intervjuul.

    Küsimused:

    1. Kirjelda projekti, mille üle oled kõige uhkem. Mis oli äriprobleem ja kes oli tulemuse kasutaja?
    2. Milline oli sinu isiklik panus ja mida tegid teised meeskonnaliikmed?
    3. Kuidas mõõtsite edu? Mis number muutus pärast teie lahenduse kasutuselevõttu?
    4. Kas mudel jõudis tootmisse? Kui jah, kes seda hooldab ja kuidas jälgite selle toimivust?
    5. Millise otsuse tegid tähtaja surve all teisiti, kui oleksid ideaalis teinud?
    6. Mida teeksid sama projektiga täna teisiti?

    Mida kuulata: tugev kandidaat räägib “mina” ja “meie” vahel selget vahet, nimetab konkreetse mõõdiku ning teab, mis juhtus pärast seda, kui mudel valmis sai. Otsast lõpuni juurutatud ja dokumenteeritud projekt kaalub rohkem kui märkmik, millel puudub ärikontekst. Nõrk vastus jääb tööriistade loetelu tasemele: “kasutasin XGBoosti ja Pandast” ilma selgituseta, miks ja mis tulemusega.

    Statistika ja tõenäosusteooria küsimused

    Statistika on andmeteadlase töö vundament: kui see on nõrk, võivad ka ilusad mudelid viia valede otsusteni. Kasulik võrdluspunkt on ülikooli baaskursus. Näiteks TalTechi tõenäosusteooria ja statistika kursus hõlmab tõenäosuste liitmis- ja korrutamisreegleid, täistõenäosust, Bayesi ja Bernoulli valemeid, jaotusi, kovariatsiooni ja korrelatsiooni, usaldusvahemikke, hüpoteesikontrolli ning vähimruutude meetodit. Seda taset peaks iga andmeteadlase kandidaat valdama.

    Küsimused:

    1. Selgita p-väärtust inimesele, kes statistikat ei tunne.
    2. Mis vahe on korrelatsioonil ja põhjuslikkusel? Too näide oma tööst.
    3. Test on 95% täpne ja haigus esineb 1% inimestel. Kui suur on tõenäosus, et positiivse tulemusega inimene on tõesti haige? Kuidas sellele vastuseni jõudsid?
    4. Kuidas planeeriksid A/B-testi uuele hinnastamislehele? Kuidas valid valimi suuruse?
    5. Mida tähendab 95% usaldusvahemik ja mida see ei tähenda?
    6. Millal kasutaksid mitteparameetrilist testi?

    Mida kuulata: kolmas küsimus on klassikaline Bayesi valemi ülesanne ja hea kandidaat jõuab järelduseni, et tõenäosus on üllatavalt madal, sest haigus on haruldane. Oluline on mõttekäik, mitte peastarvutuse kiirus. Tugev vastus A/B-testi kohta nimetab enne testi algust kokku lepitud mõõdiku, katse kestuse ja ohu, et tulemusi piilutakse liiga vara.

    Programmeerimise ja SQL-i kontrollimine

    Programmeerimisoskust ei saa jutu põhjal hinnata: kandidaat peab midagi päriselt kirjutama. Ülesanne olgu lühike, et see mahuks 15 kuni 20 minutiga ja et tulemust saaks kõigi kandidaatide vahel võrrelda. TechTarget toob näiteks kaks sobivat ülesannet: leia sortimata arvumassiivi kvartiilidevaheline ulatus ja kirjuta SQL-päring, mis leiab kasutajate kuupõhise aktiivse säilivuse.

    Küsimused ja ülesanded:

    1. Kirjuta Pythonis funktsioon, mis leiab sortimata massiivi kvartiilidevahelise ulatuse ilma valmisfunktsioonita.
    2. Kirjuta SQL-päring, mis näitab iga kuu kohta, mitu protsenti eelmise kuu aktiivsetest kasutajatest oli aktiivne ka sel kuul.
    3. Mis vahe on INNER JOIN-il ja LEFT JOIN-il? Millal annab vale valik vigase tulemuse?
    4. Kuidas kasutaksid aknafunktsiooni, et leida iga kliendi kolm viimast tellimust?
    5. Andmestik ei mahu mällu. Mida teed?
    6. Kuidas tagad, et sinu analüüsi saab keegi teine kuu aja pärast uuesti käivitada?

    Mida kuulata: hea kandidaat küsib enne kirjutamist, mida teha tühjade väärtuste ja korduvate ridadega. Ta kontrollib tulemust väikese näite peal ja oskab öelda, kus tema lahendus suurte andmemahtude puhul aeglaseks muutub. Viimane küsimus eristab inimest, kes on töötanud meeskonnas, sellest, kes on teinud ainult üksiku analüüsi: versioonihaldus, keskkonna kirjeldamine ja korratavad töövood on töö osa.

    Andmete puhastamine ja uuriv analüüs

    Suur osa andmeteadlase päevast kulub andmete hankimisele, puhastamisele ja kontrollimisele. Kandidaat, kes läheb kohe keeruka mudeli juurde, ilma et oleks andmeid vaadanud, teeb sama ka sinu ettevõttes. Kogenud praktikud alustavad lihtsast: vaatavad jaotusi, teevad mõistlikkuse kontrolli ja ehitavad algmudeli, millega keerukamaid lahendusi võrrelda.

    Küsimused:

    1. Said uue andmestiku. Mida teed esimese tunni jooksul?
    2. Kuidas käsitled puuduvaid väärtusi? Millal kustutad read ja millal asendad väärtused?
    3. Kuidas tuvastad erindeid ja kuidas otsustad, kas need on viga või päris signaal?
    4. Kuidas kontrollid, kas andmestik on kallutatud, näiteks kas mõni kliendirühm on alaesindatud?
    5. Kirjelda olukorda, kus andmetes oli viga, mis oleks peaaegu viinud vale järelduseni.

    Mida kuulata: puuduvate väärtuste kohta on ainus õige vastus “oleneb”, millele järgneb selgitus, millest. Tugev kandidaat küsib, miks väärtus puudub: kas tegu on juhusliku tõrkega või süsteemse mustriga, näiteks vormiväljaga, mille täitmine oli vabatahtlik. Viienda küsimuse vastus näitab, kas kandidaadil on päris kogemus, sest vigaste andmetega on kokku puutunud igaüks, kes on tootmisandmetega töötanud.

    Masinõpe ja mudeli tulemuslikkuse hindamine

    Masinõppe küsimustes ei ole eesmärk kontrollida, kas kandidaat oskab algoritme nimetada. Eesmärk on näha, kas ta valib meetodi probleemi järgi ja oskab mõõta, kas mudel aitab äril paremaid otsuseid teha.

    Küsimused:

    1. Kuidas valid ja konstrueerid tunnuseid? Kuidas mõõdad mõne tunnuse mõju mudeli tulemusele?
    2. Klassid on tugevalt tasakaalust väljas, näiteks 1% pettusjuhtumeid. Milliseid mõõdikuid kasutad ja miks mitte täpsust?
    3. Mis on üle- ja alasobitamine? Kuidas neid ära tunned ja mida teed?
    4. Millal eelistaksid lihtsat logistilist regressiooni keerukale ansamblimudelile?
    5. Kuidas valideerid ajas muutuvate andmete mudelit, näiteks müügiprognoosi?
    6. Mudel töötas testandmetel hästi, aga tootmises halvasti. Mis võivad olla põhjused?

    Mida kuulata: tunnuste valikul ei piisa automaatsetest meetoditest, arvesse tuleb võtta valdkonna teadmisi, ärikonteksti ja dubleerivaid tunnuseid. Teise küsimuse tugev vastus seob mõõdiku vea hinnaga: kui vahele jäänud pettus maksab palju rohkem kui valehäire, eelistab kandidaat saagist ja ütleb seda otse. Kuuendale küsimusele vastates nimetab kogenud kandidaat andmete lekkimist, andmejaotuse nihet ja erinevust treening- ning tootmiskeskkonna andmetöötluses.

    Praktiline juhtum probleemilahenduse kontrollimiseks

    Juhtumiülesanne näitab, kuidas kandidaat mõtleb, kui õiget vastust ei ole. DataCampi intervjuuküsimuste juhend soovitab hinnata kohanemis- ja probleemilahendusoskust olukorraga, kus nõuded on ebaselged või muutuvad pidevalt. Just selline on andmeteadlase igapäev.

    Näidisjuhtumid, mida saab kohandada oma valdkonnale:

    1. E-pood: tellimuste arv langes eelmisel nädalal 15%. Kuidas selgitad välja, miks?
    2. Teenusettevõte: juht tahab teada, millised kliendid lähiajal lahkuvad. Andmeid on kaks aastat. Kuidas alustad ja mida esimesena küsid?
    3. Muutuv nõue: ehitasid kuu aega prognoosimudelit, kuid äripool muutis eesmärki. Mida teed olemasoleva tööga ja kuidas räägid juhiga?

    Mida kuulata: esimeses juhtumis peaks kandidaat enne hüpoteeside juurde minemist kontrollima, kas langus on päris: kas mõõtmine muutus, kas tegu on hooajalisusega, kas mõni kanal katkes. Teises juhtumis küsib ta, mida tähendab “lahkumine” ja mida ettevõte prognoosiga teha kavatseb. Kolmas juhtum näitab, kas kandidaat oskab tehtud tööd uuesti kasutada ja muutust rahulikult vastu võtta.

    Tulemuste selgitamine ja koostöö

    Andmeteadlase väärtus sünnib siis, kui keegi tema analüüsi põhjal otsuse teeb. TechTarget rõhutab, et hea andmeteadlane peab lisaks mudelite loomisele oskama tulemusi äriliselt tõlgendada, suhelda ja meeskondi toetada.

    Küsimused:

    1. Selgita oma viimast mudelit nii, nagu räägiksid müügijuhiga.
    2. Kirjelda olukorda, kus sinu analüüs näitas midagi, mida juht kuulda ei tahtnud. Kuidas sellest rääkisid?
    3. Kuidas otsustad, kas tulemus on piisavalt kindel, et selle põhjal otsus teha?
    4. Kuidas tegid koostööd andmeinseneri või arendajaga, et mudel tootmisse jõuaks?

    Mida kuulata: tugev kandidaat räägib alguses järeldusest ja alles siis meetodist. Ta ütleb ausalt, kui kindel tulemus on, ning pakub välja järgmise sammu. Pehmete oskuste hindamise kohta leiad rohkem juhendist pehmete oskuste hindamine värbamisel.

    Kuidas vastuseid võrreldavalt hinnata

    Küsimustik on vaid pool tööst. Teine pool on see, kuidas vastuseid hinnata, nii et kahe intervjueerija hinded oleksid võrreldavad ja otsust saaks hiljem põhjendada. Lihtne neljaastmeline skaala töötab iga teema puhul:

    Hinne Kirjeldus
    1 Vastus on üldsõnaline või vale, konkreetne näide puudub
    2 Teab mõistet, kuid ei seo seda oma kogemusega
    3 Õige vastus koos konkreetse näitega oma tööst
    4 Õige vastus, näide, mõõdetav tulemus ja kaalutletud alternatiivid

    Kirjuta iga küsimuse juurde enne intervjuud üles, milline näeb välja 4-palline vastus. Nii hindad kandidaati kokkulepitud kriteeriumi, mitte üldmulje järgi. Pane teemadele kaalud rolli järgi: masinõppeinseneri puhul võib masinõpe anda 30% koondhindest, tooteanalüütiku puhul SQL ja A/B-testid. Põhjalikuma raamistiku leiad juhendist objektiivsed hindamiskriteeriumid värbamisel.

    Vastuste salvestamine ja kirjalik ülestähendus aitavad hiljem kandidaate võrrelda ja otsust põhjendada. Vaata, kuidas seda teha korrektselt, juhenditest intervjuu transkriptsioon värbajale ja andmekaitse videointervjuus.

    Kuidas kontrollida, kas CV-s kirjeldatu peab paika

    Andmeteaduse CV-des on palju tööriistade nimesid ja projektide kirjeldusi, mida on raske kontrollida. Kõige tõhusam viis on süvitsi küsimine: lase kandidaadil oma projekt läbi rääkida ja küsi iga väite kohta “miks” ja “kuidas”.

    • Küsi detaili, mida teab ainult tegija. “Mis oli andmestiku suurus? Mitu tunnust jäi lõppmudelisse? Mis oli algmudeli tulemus?”
    • Küsi ebaõnnestumise kohta. Inimene, kes on projekti päriselt teinud, mäletab, mis läks valesti.
    • Muuda tingimust. “Mida oleksid teinud, kui andmeid oleks olnud kümme korda vähem?” Pähe õpitud vastus ei kohandu, päris arusaam kohandub.
    • Võrdle CV ja LinkedIni kirjeldusi intervjuu vastustega. Ajajoon, rollid ja tööriistad peaksid omavahel klappima.

    Rohkem võtteid leiad juhendist aususe kontroll intervjuus. Kui tahad tehnilisi oskusi kontrollida tööproovi abil, vaata ka juhendit tehniliste oskuste valideerimine.

    Meie vaade

    Andmeteadlase värbamisel näeme sama mustrit ikka ja jälle: tugev CV, palju tööriistu, muljetavaldavad projektid, aga esimesel intervjuul selgub, et kandidaadi tegelik panus oli palju väiksem. Iga sellise intervjuu peale kulub värbaja ja tehnilise juhi tund, mida saanuks kasutada tugevama kandidaadiga.

    Seepärast usume, et esimene voor peab olema struktureeritud, valdkonnapõhine ja kõigile kandidaatidele ühesugune. Kui iga kandidaat vastab samadele käitumispõhistele küsimustele ja vastuseid hinnatakse samade kriteeriumide järgi, on võrdlus õiglane ning otsust on lihtne põhjendada.

    Resyme.ai on loodud just selleks. Meie platvorm viib läbi automatiseeritud videointervjuud, kohandab küsimused rolli ja valdkonna järgi, võrdleb vastuseid CV ja LinkedIni profiiliga esitatuga ning järjestab kandidaadid aususe, teadmiste ja oskuste alusel. Nii jõuab tehnilise juhi lauale väiksem hulk kandidaate ning nende kohta on olemas üksikasjalik aruanne, salvestis ja transkript.

    Raul

    Andmeteadlase esimene voor automaatselt

    Kui kandidaate on palju ja tehnilise juhi aeg piiratud, saad selle artikli küsimustiku viia ellu automaatintervjuuna. Resyme.ai pakub valdkonnaspetsiifilisi intervjuuküsimusi enam kui 20 erialal, analüüsib käitumismustreid, tuvastab pettusekatseid ja koostab iga kandidaadi kohta üksikasjaliku aruande koos heliklippide, video ja transkriptiga.

    Resyme

    Alustada saad tasuta paketiga, mis sisaldab piiratud arvu intervjuusid. Ettevõtetele on Company pakett hinnaga 599 € kuus ja intervjuu eest 5,99 €, personalibüroodele Agency pakett hinnaga 4500 € kuus ja intervjuu eest 4,50 €. Lisaks saab maksta kasutuse järgi ning suurklientidele on olemas Enterprise-lahendus. Vaata pakette ja alusta Resyme.ai-s.

    Kui automaatintervjuu on sulle uus, loe enne juhendit intervjuu automatiseerimine värbamises.

    Korduma kippuvad küsimused

    Mitu küsimust peaks andmeteadlase intervjuul olema?

    Tunnine tehniline intervjuu mahutab tavaliselt 10 kuni 15 küsimust ja ühe lühikese praktilise ülesande. Vali iga teema alt kaks kuni neli küsimust, pannes rõhu sellele, mida roll kõige rohkem vajab. Parem on vähem küsimusi ja põhjalikud lisaküsimused kui pikk nimekiri pealiskaudseid vastuseid.

    Kas andmeteadlasele tasub anda kodutöö?

    Lühike ja selgelt piiritletud kodutöö annab hea pildi kandidaadi tööviisist, kuid see peaks võtma paar tundi, mitte terve nädalavahetuse. Lepi enne kokku hindamiskriteeriumid ja aruta lahendus kandidaadiga intervjuul läbi. Nii näed ka seda, kas ta oskab oma valikuid põhjendada.

    Kuidas erinevad küsimused nooremale ja vanemale andmeteadlasele?

    Noorema kandidaadi puhul kontrolli põhitõdesid: statistikat, SQL-i, andmete puhastamist ja õppimisvõimet. Vanemalt kandidaadilt oota mudelite tootmisse viimise kogemust, äriotsuste mõjutamist, ebaselgete ülesannete lahtimõtestamist ja nooremate kolleegide juhendamist. Juhtumiülesanne sobib mõlemale, erineb vaid ootuste tase.

    Kas andmeteadlase esimese vooru saab automatiseerida?

    Jah. Struktureeritud küsimused ja ühtne hindamisskaala sobivad hästi automaatintervjuuks, kus iga kandidaat vastab samadele küsimustele ajal, mis talle sobib. Värbaja saab seejärel võrrelda aruandeid ja salvestisi ning kutsuda tehnilisse vooru vaid sobivaimad.

    Allikad

    TechTarget: Tips to prep for a data science interview Dataquest: 31 Data Scientist Interview Questions and Answers for 2026 NoBsResume: andmeteadlase CV näidis ja mall TalTech ÕIS: tõenäosusteooria ja matemaatilise statistika kursus DataCamp: andmeteadlase intervjuuküsimused

    Soovitused