Pertanyaan Wawancara Data Analyst Italia 2026: SQL Tingkat Lanjut, Python, dan Studi Kasus

Wawancara Data Analyst di Italia mengikuti format terstruktur yang berbeda dari pasar Eropa lainnya. Perusahaan Italia, mulai dari startup fintech berbasis di Milan hingga perusahaan mapan di Roma, menekankan kemampuan SQL, manipulasi data Python, dan penalaran kasus bisnis. Panduan ini membahas pertanyaan aktual yang dihadapi kandidat pada tahun 2026.

Pertanyaan SQL yang Diajukan Perusahaan Italia di 2026

SQL tetap menjadi fondasi setiap wawancara Data Analyst di Italia. Perusahaan seperti Intesa Sanpaolo, Enel, dan UniCredit menggunakan penilaian SQL terstandarisasi sebelum panggilan teknis pertama. Pertanyaan berikut berasal dari wawancara nyata yang dilakukan di Milan, Roma, dan Turin.

Window Functions untuk Ranking dan Running Totals

Window functions muncul di 80% wawancara Data Analyst di Italia. Pertanyaan ini menguji perhitungan pendapatan kumulatif:

-- Calculate running total of daily revenue by product category
SELECT 
    order_date,
    category,
    daily_revenue,
    SUM(daily_revenue) OVER (
        PARTITION BY category 
        ORDER BY order_date
        ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW
    ) AS cumulative_revenue
FROM (
    SELECT 
        DATE(order_timestamp) AS order_date,
        p.category,
        SUM(oi.quantity * oi.unit_price) AS daily_revenue
    FROM order_items oi
    JOIN products p ON oi.product_id = p.id
    GROUP BY DATE(order_timestamp), p.category
) daily_sales
ORDER BY category, order_date;

Klausa ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW ditulis secara eksplisit di sini. Meskipun PostgreSQL dan MySQL 8+ secara default menggunakan perilaku ini dengan ORDER BY, pewawancara mengharapkan kandidat menunjukkan pemahaman tentang frame boundaries. Menghilangkannya di BigQuery dapat menghasilkan hasil yang berbeda dengan nilai duplikat.

CTEs untuk Analisis Multi-Langkah

Common Table Expressions (CTEs) menguji kemampuan kandidat untuk memecah masalah kompleks. Pewawancara Italia menyukai pola ini karena mencerminkan cara analis mendokumentasikan pekerjaan mereka:

-- Find customers who increased spending by 20%+ quarter over quarter
WITH quarterly_spending AS (
    SELECT 
        customer_id,
        DATE_TRUNC('quarter', order_date) AS quarter,
        SUM(total_amount) AS quarter_total
    FROM orders
    WHERE order_date >= '2025-01-01'
    GROUP BY customer_id, DATE_TRUNC('quarter', order_date)
),
spending_growth AS (
    SELECT 
        customer_id,
        quarter,
        quarter_total,
        LAG(quarter_total) OVER (
            PARTITION BY customer_id ORDER BY quarter
        ) AS prev_quarter_total
    FROM quarterly_spending
)
SELECT 
    customer_id,
    quarter,
    quarter_total,
    prev_quarter_total,
    ROUND(
        (quarter_total - prev_quarter_total) / prev_quarter_total * 100, 
        2
    ) AS growth_pct
FROM spending_growth
WHERE prev_quarter_total IS NOT NULL
  AND (quarter_total - prev_quarter_total) / prev_quarter_total >= 0.20
ORDER BY growth_pct DESC;

Pendekatan CTE memisahkan langkah agregasi dari langkah window function. Ini mencegah kebingungan tentang kapan LAG dievaluasi, sumber kesalahan umum ketika analis mencoba menggabungkan operasi ini dalam satu query.

Untuk pola SQL lebih lanjut yang digunakan dalam wawancara, lihat modul SQL Window Functions.

Pertanyaan Python Pandas untuk Wawancara di Italia

Python telah melampaui Excel sebagai alat yang diharapkan untuk manipulasi data dalam peran Data Analyst di Italia. Perusahaan menguji pandas secara khusus karena mengungkapkan bagaimana kandidat menangani tugas pembersihan data dunia nyata.

Pembersihan Data dan Konversi Tipe

Pertanyaan ini muncul dalam wawancara di perusahaan e-commerce Italia dan menguji persiapan data praktis:

# sales_data_cleaning.py
import pandas as pd
import numpy as np

def clean_sales_data(df: pd.DataFrame) -> pd.DataFrame:
    """Clean raw sales data from Italian ERP export."""
    # Create copy to avoid modifying original
    cleaned = df.copy()
    
    # Italian number format: 1.234,56 -> 1234.56
    if cleaned['revenue'].dtype == 'object':
        cleaned['revenue'] = (
            cleaned['revenue']
            .str.replace('.', '', regex=False)  # Remove thousand separator
            .str.replace(',', '.', regex=False)  # Decimal comma to point
            .astype(float)
        )
    
    # Parse Italian date format: 15/09/2026
    cleaned['order_date'] = pd.to_datetime(
        cleaned['order_date'], 
        format='%d/%m/%Y',
        errors='coerce'
    )
    
    # Handle missing values based on column type
    cleaned['customer_segment'] = cleaned['customer_segment'].fillna('Unknown')
    cleaned['revenue'] = cleaned['revenue'].fillna(0)
    
    # Remove duplicates keeping first occurrence
    cleaned = cleaned.drop_duplicates(
        subset=['order_id'], 
        keep='first'
    )
    
    return cleaned

Format angka Italia (titik sebagai pemisah ribuan, koma sebagai desimal) menangkap kandidat yang hanya berlatih dengan data format AS. Parameter errors='coerce' mengonversi tanggal yang tidak dapat diurai menjadi NaT daripada menimbulkan exception, yang merupakan perilaku yang diharapkan dalam pipeline produksi.

GroupBy dengan Multiple Aggregations

Pertanyaan ini menguji pemahaman pola agregasi pandas:

# customer_metrics.py
import pandas as pd

def calculate_customer_metrics(orders_df: pd.DataFrame) -> pd.DataFrame:
    """Calculate customer-level metrics for RFM analysis."""
    reference_date = orders_df['order_date'].max()
    
    metrics = orders_df.groupby('customer_id').agg(
        recency=('order_date', lambda x: (reference_date - x.max()).days),
        frequency=('order_id', 'nunique'),
        monetary=('revenue', 'sum'),
        avg_order_value=('revenue', 'mean'),
        first_order=('order_date', 'min'),
        last_order=('order_date', 'max')
    ).reset_index()
    
    # Calculate customer lifetime in days
    metrics['customer_lifetime'] = (
        metrics['last_order'] - metrics['first_order']
    ).dt.days
    
    return metrics

Sintaks named aggregation (recency=('order_date', lambda x: ...)) muncul di pandas 0.25 dan tetap menjadi pendekatan yang disukai pada 2026. Pewawancara Italia secara khusus memeriksa apakah kandidat menggunakan ini dibandingkan sintaks dictionary agg({'column': 'function'}) yang sudah deprecated.

Modul Python Pandas Basics mencakup pola tambahan untuk persiapan wawancara.

Pertanyaan Studi Kasus dari Perusahaan Italia

Wawancara Italia mencakup putaran studi kasus di 70% posisi Data Analyst. Kandidat menerima dataset (biasanya data perusahaan yang dianonimkan) dan harus mempresentasikan temuan dalam 24-48 jam.

Analisis Konversi E-Commerce

Studi kasus tipikal dari perusahaan e-commerce fashion Italia:

"Analisis dataset terlampir dari 50.000 sesi pengguna. Identifikasi mengapa konversi mobile turun 15% di Agustus dibandingkan Juli. Presentasikan tiga rekomendasi yang dapat ditindaklanjuti."

Deliverable yang diharapkan:

1. Breakdown funnel berdasarkan tipe perangkat: Bandingkan desktop vs mobile di setiap tahap (landing, view produk, tambah ke keranjang, checkout, pembelian)
2. Analisis segmen: Periksa apakah penurunan mempengaruhi semua sumber traffic atau channel spesifik (paid social sering underperform di mobile)
3. Investigasi teknis: Cari peningkatan waktu muat halaman, tingkat error, atau perubahan UI yang bertepatan dengan penurunan

# conversion_funnel.py
import pandas as pd

def analyze_funnel(sessions_df: pd.DataFrame) -> pd.DataFrame:
    """Calculate conversion funnel by device and month."""
    sessions_df['month'] = sessions_df['session_start'].dt.to_period('M')
    
    funnel = sessions_df.groupby(['month', 'device_type']).agg(
        sessions=('session_id', 'nunique'),
        product_views=('viewed_product', 'sum'),
        add_to_cart=('added_to_cart', 'sum'),
        checkouts=('started_checkout', 'sum'),
        purchases=('completed_purchase', 'sum')
    ).reset_index()
    
    # Calculate conversion rates
    funnel['view_rate'] = funnel['product_views'] / funnel['sessions']
    funnel['cart_rate'] = funnel['add_to_cart'] / funnel['product_views']
    funnel['checkout_rate'] = funnel['checkouts'] / funnel['add_to_cart']
    funnel['purchase_rate'] = funnel['purchases'] / funnel['checkouts']
    funnel['overall_conversion'] = funnel['purchases'] / funnel['sessions']
    
    return funnel

Pewawancara Italia mengevaluasi presentasi sama pentingnya dengan analisis. Menyusun temuan sebagai "masalah, bukti, rekomendasi" dengan angka spesifik lebih baik daripada narasi eksplorasi yang panjang.

Penilaian Risiko Layanan Keuangan

Bank seperti Intesa Sanpaolo dan UniCredit menggunakan studi kasus yang berfokus pada metrik risiko:

"Menggunakan dataset pinjaman yang disediakan, bangun model scoring sederhana untuk memprediksi risiko default. Jelaskan alasan pemilihan fitur Anda."

Ini menguji pemahaman tentang:

• Feature engineering: Rasio utang terhadap pendapatan, agregasi riwayat pembayaran, pemanfaatan kredit
• Menangani data tidak seimbang: Tingkat default biasanya 2-5%, memerlukan stratified sampling atau teknik oversampling
• Kesadaran regulasi: Regulasi perbankan Italia (pedoman Banca d'Italia) memerlukan model yang dapat dijelaskan, sehingga pendekatan black-box mendapat nilai lebih rendah

Hal yang Dicari Pewawancara Italia Selain Keterampilan Teknis

Keterampilan teknis membawa kandidat ke putaran final. Kesesuaian budaya menentukan tawaran. Perusahaan Italia mengevaluasi:

Gaya komunikasi: Orang Italia menghargai membangun hubungan. Terburu-buru melewati basa-basi untuk "langsung ke inti" terkesan kasar. Luangkan waktu selama perkenalan.

Sinyal kolaborasi: Pertanyaan seperti "Ceritakan tentang waktu ketika Anda tidak setuju dengan stakeholder" menguji apakah kandidat dapat menavigasi hierarki tempat kerja Italia, yang cenderung lebih formal daripada perusahaan Nordic atau AS.

Keingintahuan domain: Mengajukan pertanyaan yang terinformasi tentang industri perusahaan menunjukkan persiapan. Analis yang wawancara di Luxottica harus memahami dinamika pasar kacamata. Di Ferrari, pengetahuan tentang metrik otomotif mewah penting.

Ekspektasi Gaji dan Konteks Pasar 2026

Gaji Data Analyst di Italia untuk 2026, berdasarkan data Glassdoor dan LinkedIn:

Milan membayar 15-20% lebih tinggi dari kota Italia lainnya karena konsentrasi layanan keuangan dan perusahaan teknologi. Peran remote-first di perusahaan internasional sering melebihi tarif lokal karena bersaing untuk talenta pan-Eropa.

Contratto a tempo indeterminato Italia (kontrak permanen) tetap menjadi tipe pekerjaan yang disukai. Kontrak jangka tetap (tempo determinato) dikonversi menjadi permanen setelah 24 bulan di bawah hukum ketenagakerjaan saat ini.

Persiapan Wawancara Data Analyst Italia: Poin Penting

• SQL window functions dan CTEs muncul di 80% screening teknis. Latih pola spesifik yang ditunjukkan di atas, bukan tutorial generik
• Pertanyaan Python pandas berfokus pada pembersihan data dengan format Italia (desimal koma, tanggal Eropa) dan agregasi groupby dengan sintaks named
• Studi kasus memerlukan presentasi terstruktur dengan rekomendasi yang dikuantifikasi. "Tingkatkan konversi sebesar X%" lebih baik daripada "perbaiki pengalaman pengguna"
• Tes teknis biasanya berlangsung 60-90 menit di Codility atau HackerRank. Latih coding dengan batas waktu untuk menghindari kehabisan waktu
• Kesesuaian budaya lebih penting dalam wawancara Italia daripada proses AS atau UK. Siapkan pertanyaan membangun hubungan
• Gaji meningkat 8-12% di 2026 karena kekurangan talenta. Kandidat dengan SQL dan Python mendapatkan tawaran premium

Untuk persiapan wawancara tambahan, panduan Data Analytics Interview Questions mencakup topik yang lebih luas, dan artikel SQL Window Functions menyediakan latihan SQL yang lebih mendalam.