2026年イタリアのデータアナリスト面接質問: SQL、Python、分析スキル完全ガイド

2026年のイタリアにおけるデータアナリスト面接では、SQLの習熟度、Pythonによるデータ操作、そしてビジネス課題を分析的解決策に変換する能力が重視されます。ミラノ、ローマ、ボローニャを中心に600以上の求人が存在し、Prometeia、Bending Spoons、ABBなどの企業は、技術的な深さとビジネス感覚の両方を求めています。

すべてのデータアナリスト面接で出題されるSQL質問

SQLはイタリアのデータアナリスト面接の基盤です。ItalgasやPhilip Morrisなどの企業の採用担当者は、JOIN、集計、ウィンドウ関数について候補者をテストします。これらの質問は、候補者がリレーショナルデータベースから意味のある洞察を抽出できるかどうかを評価するものです。

質問1: INNER JOINとLEFT JOINの違いを実例で説明してください

期待される回答: INNER JOINは両方のテーブルに一致が存在する行のみを返します。LEFT JOINは左テーブルのすべての行と、右テーブルの一致する行を返し、一致がない場合はNULL値が入ります。

-- orders_analysis.sql
-- Find all customers and their orders (including customers with no orders)
SELECT 
    c.customer_id,
    c.customer_name,
    o.order_id,
    o.order_total
FROM customers c
LEFT JOIN orders o ON c.customer_id = o.customer_id;

-- Result: Customers without orders appear with NULL order_id and order_total
-- INNER JOIN would exclude those customers entirely

面接官は、NULL値がいつ出現するかを理解し、どちらのJOINタイプを選択するかのビジネスコンテキストを説明できる候補者を求めています。

質問2: テーブル内で2番目に高い給与を見つけるクエリを書いてください

この質問は、サブクエリ、DISTINCT、結果制限の知識をテストします。複数の有効なアプローチが存在します。

-- salary_analysis.sql
-- Approach 1: Using subquery with MAX
SELECT MAX(salary) AS second_highest
FROM employees
WHERE salary < (SELECT MAX(salary) FROM employees);

-- Approach 2: Using DENSE_RANK window function
SELECT salary AS second_highest
FROM (
    SELECT salary, DENSE_RANK() OVER (ORDER BY salary DESC) AS rank
    FROM employees
) ranked
WHERE rank = 2;

ウィンドウ関数アプローチは同率を正しく処理します。3人の従業員が最高給与を共有している場合でも、DENSE_RANKは実際の2番目に高い値を返します。ROW_NUMBERを使用すると異なる結果になり、これはSQLウィンドウ関数の理解を示すものです。

質問3: 重複レコードをどのように特定し処理しますか？

期待される回答: GROUP BYとHAVING COUNT(*) > 1を使用して重複を特定します。アプローチはビジネスルールに依存します：最初のレコードを保持する、最新のものを保持する、または情報をマージするなど。

-- duplicate_detection.sql
-- Find duplicate email addresses
SELECT email, COUNT(*) AS occurrence_count
FROM users
GROUP BY email
HAVING COUNT(*) > 1;

-- Keep only the earliest record for each email
DELETE FROM users
WHERE id NOT IN (
    SELECT MIN(id)
    FROM users
    GROUP BY email
);

質問4: CTEとは何か、サブクエリの代わりにいつ使用すべきか説明してください

Common Table Expressions（CTE）はクエリの可読性を向上させ、再帰クエリを可能にします。イタリアの面接官は、複雑なサブクエリをCTEにリファクタリングするよう候補者に求めることがよくあります。

-- revenue_analysis.sql
-- CTE for monthly revenue calculation
WITH monthly_revenue AS (
    SELECT 
        DATE_TRUNC('month', order_date) AS month,
        SUM(order_total) AS revenue
    FROM orders
    WHERE order_date >= '2025-01-01'
    GROUP BY DATE_TRUNC('month', order_date)
),
revenue_growth AS (
    SELECT 
        month,
        revenue,
        LAG(revenue) OVER (ORDER BY month) AS prev_month_revenue,
        revenue - LAG(revenue) OVER (ORDER BY month) AS growth
    FROM monthly_revenue
)
SELECT * FROM revenue_growth WHERE growth > 0;

CTEは同じクエリ内で再利用可能ですが、サブクエリは繰り返す必要があります。これはデータアナリストの役割で一般的な複雑な分析クエリにおいて重要です。

質問5: WHEREとHAVINGの違いは何ですか？

期待される回答: WHEREは集計前に行をフィルタリングし、HAVINGは集計後にグループをフィルタリングします。WHEREは集計関数を参照できませんが、HAVINGは参照できます。

-- sales_filter.sql
-- WHERE filters individual rows
SELECT region, SUM(sales) AS total_sales
FROM transactions
WHERE transaction_date >= '2026-01-01'  -- Filter rows first
GROUP BY region
HAVING SUM(sales) > 100000;              -- Then filter aggregated groups

データアナリスト職のためのPythonとpandas質問

ミラノのテック企業、特にBending SpoonsやAmazon Italyでは、Pythonの習熟度が期待されます。これらの質問は、pandasによるデータ操作スキルと基本的な可視化能力を評価します。

質問6: pandasのDataFrameで欠損値をどのように処理しますか？

期待される回答: アプローチはデータ型とビジネスコンテキストに依存します。オプションには、行の削除、平均/中央値/最頻値での補完、時系列データの前方補完、または補間の使用があります。

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

df = pd.DataFrame({
    'date': pd.date_range('2026-01-01', periods=5),
    'sales': [100, np.nan, 150, np.nan, 200],
    'category': ['A', 'B', np.nan, 'A', 'B']
})

# Check missing values per column
print(df.isnull().sum())

# Fill numeric with median (robust to outliers)
df['sales'] = df['sales'].fillna(df['sales'].median())

# Fill categorical with mode
df['category'] = df['category'].fillna(df['category'].mode()[0])

# For time series: forward fill
df['sales_ffill'] = df['sales'].ffill()

面接官は、行を無条件に削除すると情報が失われること、そして補完戦略が分析目的と一致する必要があることを候補者が理解しているかを評価します。

質問7: pandasのmerge、join、concatの違いを説明してください

期待される回答: merge()はカラムまたはインデックスでDataFrameを結合します（SQLスタイルのJOIN）。join()はインデックスベースの結合のための便利なメソッドです。concat()はマッチングなしでDataFrameを垂直または水平にスタックします。

# dataframe_combining.py
import pandas as pd

orders = pd.DataFrame({'order_id': [1, 2], 'customer_id': [101, 102]})
customers = pd.DataFrame({'customer_id': [101, 103], 'name': ['Alice', 'Bob']})

# merge: SQL-style join on column
merged = pd.merge(orders, customers, on='customer_id', how='left')

# concat: stack DataFrames
df1 = pd.DataFrame({'A': [1, 2]})
df2 = pd.DataFrame({'A': [3, 4]})
stacked = pd.concat([df1, df2], ignore_index=True)

質問8: 複数の集計を伴うグループバイ操作をどのように実行しますか？

# groupby_aggregation.py
import pandas as pd

df = pd.DataFrame({
    'region': ['North', 'North', 'South', 'South'],
    'product': ['A', 'B', 'A', 'B'],
    'sales': [100, 150, 200, 50],
    'quantity': [10, 15, 20, 5]
})

# Multiple aggregations with named columns
result = df.groupby('region').agg(
    total_sales=('sales', 'sum'),
    avg_sales=('sales', 'mean'),
    total_quantity=('quantity', 'sum'),
    transaction_count=('sales', 'count')
).reset_index()

この構文（名前付き集計）はpandas 1.0以降で標準となり、pandas 3.0でも引き続き使用されています。面接官は、古い辞書ベースのアプローチではなく、この構文を使用することを期待しています。

質問9: 月次成長率を計算するコードを書いてください

# mom_growth.py
import pandas as pd

df = pd.DataFrame({
    'month': pd.date_range('2026-01-01', periods=6, freq='MS'),
    'revenue': [10000, 12000, 11500, 14000, 15500, 16000]
})

# Calculate percentage change
df['mom_growth'] = df['revenue'].pct_change() * 100

# Alternative: manual calculation for clarity
df['prev_revenue'] = df['revenue'].shift(1)
df['growth_manual'] = ((df['revenue'] - df['prev_revenue']) / df['prev_revenue']) * 100

質問10: pandasでデータをピボットする方法は？

# pivot_example.py
import pandas as pd

df = pd.DataFrame({
    'date': ['2026-01', '2026-01', '2026-02', '2026-02'],
    'region': ['North', 'South', 'North', 'South'],
    'sales': [100, 150, 120, 180]
})

# Pivot: rows=date, columns=region, values=sales
pivot_table = df.pivot(index='date', columns='region', values='sales')

# pivot_table for aggregation when duplicates exist
agg_pivot = pd.pivot_table(df, values='sales', index='date', 
                           columns='region', aggfunc='sum')

ビジネス分析と問題解決に関する質問

イタリアの企業、特に金融（Prometeia）や製造業（ABB）では、純粋なコーディングを超えた分析的思考をテストします。これらの質問は、候補者が問題をどのようにフレーミングし、発見を伝えるかを評価します。

質問11: マーケティングキャンペーンの成功をどのように測定しますか？

期待される回答: キャンペーン開始前にKPIを定義します。一般的な指標には、コンバージョン率、顧客獲得コスト（CPA）、広告費用対効果（ROAS）、顧客生涯価値（CLV）が含まれます。コントロールグループまたは過去のベースラインと比較します。

強い回答に含まれる要素：

• キャンペーン開始前のベースライン指標
• アトリビューションモデルの選択（ファーストタッチ、ラストタッチ、マルチタッチ）
• 結果に対する統計的有意性テスト
• チャネル、オーディエンス、地域別のセグメンテーション

質問12: プロダクトマネージャーが今月の売上が15%減少したと報告しました。どのように調査しますか？

期待される回答: 問題を体系的に分解します：

1. データの検証: データ品質の問題、欠落レコード、またはレポートの遅延をチェック
2. セグメント分析: 製品、地域、顧客セグメント、チャネル別に分解
3. 変数の分離: ボリュームが減少したのか、価格が変わったのか、ミックスがシフトしたのかを判断
4. 外部要因: 季節性、競合他社の行動、経済イベントをチェック
5. 他の指標との相関: ウェブサイトトラフィック、コンバージョン率、カート放棄率

質問13: A/Bテストについて説明し、使用すべきでない場合について述べてください

期待される回答: A/Bテストは2つのバリアント（コントロール対トリートメント）を比較し、因果的影響を測定します。ランダム割り当て、十分なサンプルサイズ、単一の関心指標が必要です。

A/Bテストを使用すべきでない場合：

• サンプルサイズが統計的検出力に不十分
• 変更がすべてのユーザーに影響する（インフラストラクチャ、価格設定）
• ネットワーク効果が存在する（ユーザーが互いに影響を与えるソーシャル機能）
• 有益な変更を差し控えることに倫理的懸念がある

質問14: 統計的有意性を非技術者にどのように説明しますか？

期待される回答: 統計的有意性とは、観察された差異がランダムな偶然によって発生した可能性が低いことを意味します。p値が0.05未満であれば、結果がランダムに発生した確率が5%未満であることを示します。

例え話：コインを10回投げて7回表が出るのは偶然かもしれません。しかし、100回投げて95回表が出るのは統計的に有意です。なぜなら、偶然だけでは説明できないからです。

質問15: 相関と因果の違いは何ですか？

期待される回答: 相関は2つの変数がどのように一緒に動くかを測定します。因果は、一方の変数が他方に直接影響を与えることを意味します。アイスクリームの売上と溺死事故は相関します（両方とも夏に増加）が、アイスクリームが溺死の原因ではありません。

因果関係を確立するには：

• 時間的先行性（原因が結果に先行する）
• 相関
• 交絡変数の排除（ランダム化比較試験）

技術スキル評価の質問

これらの質問は、イタリア市場で期待される特定のツールの習熟度をテストします。

質問16: エンタープライズ分析におけるPower BIとTableauの比較

イタリアの企業、特に銀行や公共事業では、Microsoftエコシステムとの統合によりPower BIが多く使用されています。主な違い：

質問17: DAXとは何か、メジャーの例を示してください

期待される回答: DAX（Data Analysis Expressions）はPower BIの計算用数式言語です。メジャーはフィルターコンテキストに基づいて動的に値を計算します。

// Year-over-Year Growth measure in DAX
YoY Growth % = 
VAR CurrentYearSales = SUM(Sales[Amount])
VAR PreviousYearSales = CALCULATE(
    SUM(Sales[Amount]),
    DATEADD(Calendar[Date], -1, YEAR)
)
RETURN
DIVIDE(CurrentYearSales - PreviousYearSales, PreviousYearSales, 0)

質問18: ETLとその分析における重要性を説明してください

期待される回答: ETLはExtract（抽出）、Transform（変換）、Load（ロード）の略です。データはソースシステム（ERP、CRM、ウェブログ）から変換（クリーニング、集計、結合）を経て、分析用のデータウェアハウスにロードされます。

現代的な代替手段には、ELT（最初に生データをロードし、ウェアハウスで変換）や、変換ロジックをオーケストレーションから分離するdbtなどのツールがあります。

質問19: OLTPとOLAPシステムの違いは何ですか？

質問20: 遅いSQLクエリをどのように最適化しますか？

期待される回答: 体系的なアプローチに従います：

1. 実行計画の分析: フルテーブルスキャン、欠落インデックスを特定
2. 適切なインデックスの追加: WHERE、JOIN、ORDER BYのカラムに対して
3. 非効率なパターンの書き換え: 相関サブクエリをJOINに置き換え
4. 早期のデータ制限: 大きなテーブルを結合する前にフィルタリング
5. クエリヒントは控えめに使用: オプティマイザが不適切な選択をした場合のみ

-- query_optimization.sql
-- Before: correlated subquery (slow)
SELECT * FROM orders o
WHERE o.total > (SELECT AVG(total) FROM orders WHERE customer_id = o.customer_id);

-- After: window function (faster)
SELECT * FROM (
    SELECT *, AVG(total) OVER (PARTITION BY customer_id) AS avg_total
    FROM orders
) sub
WHERE total > avg_total;

行動面接とシナリオベースの質問

イタリアの面接官は、技術力とともに文化的適合性とコミュニケーション能力を評価します。

質問21: 分析結果がステークホルダーの期待と矛盾した経験を説明してください

強い回答の構成:

• 状況：ステークホルダーが信じていたこと
• 分析：データが実際に示したこと
• コミュニケーション：発見をどのように外交的に伝えたか
• 結果：どのような決定が下され、その影響は何だったか

面接官が求める主要な行動：知的誠実さ、外交的なコミュニケーション、データに基づく結論への確信

質問22: 複数の緊急データリクエストをどのように優先順位付けしますか？

期待される回答:

• 各リクエストのビジネスインパクトを評価
• 締め切りを明確にし、可能な場合は交渉
• クイックウィンと深い分析を識別
• 現実的なタイムラインを積極的に伝える
• リソース制約をマネジメントにエスカレーション

質問23: 分析でデータ品質をどのように確保しますか？

期待される回答:

• 分析前にソースデータを検証（NULLチェック、範囲チェック、参照整合性）
• 仮定を明示的に文書化
• 複数のデータソースを相互参照
• 自動化されたデータ品質チェックを実装
• 外れ値を除外する前に手動でレビュー

質問24: 新しいツールや技術を学ぶアプローチを説明してください

期待される回答:

• 公式ドキュメントとチュートリアルから開始
• 概念を適用するための小さなプロジェクトを構築
• コミュニティに参加（Reddit、Stack Overflow、ローカルミートアップ）
• 理解を固めるために他者に教える

イタリア市場に特化した質問

質問25: イタリアでデータ分析に影響する規制は何ですか？

期待される回答: GDPRが主要な規制です。主な要件には以下が含まれます：

• 個人データ処理に対する明示的な同意
• 消去権（データ削除リクエスト）
• データ最小化（必要なデータのみを収集）
• 高リスク処理に対するプライバシー影響評価

セクター固有：イタリアの銀行（イタリア銀行規制）、医療（イタリア版HIPAA相当法）、公共セクター（CADおよびAGIDガイドライン）

質問26: 分析データセットでPIIをどのように扱いますか？

期待される回答:

• 仮名化：識別子をトークンに置き換え
• 集計：個人レベルではなくグループレベルでレポート
• データマスキング：機密部分を隠す（email: a***@gmail.com）
• アクセス制御：機密データに対するロールベースの権限
• 保持ポリシー：不要になったデータを削除

質問27: クラウドデータプラットフォームの経験はありますか？

イタリアの企業はますますクラウドプラットフォームを使用しています。市場で一般的なもの：

• Google BigQuery（Google Cloud）
• Amazon Redshift（AWS）
• Azure Synapse（Microsoftエコシステム統合）
• Snowflake（クラウド非依存）

質問28: 分析結果を経営陣にどのように伝えますか？

期待される回答:

• 方法論ではなく、推奨事項をリードに
• 経営陣が数秒で解釈できる可視化を使用
• ビジネスインパクトを定量化（収益、コスト、リスク）
• 質問を予測し、バックアップスライドを準備
• 専門用語を避け、技術用語を翻訳

質問29: Eコマースビジネスでどのような指標を追跡しますか？

期待される回答:

• 獲得: トラフィックソース、顧客獲得コスト
• 行動: 直帰率、セッションあたりのページ数、サイト滞在時間
• コンバージョン: ファネル段階別コンバージョン率、カート放棄率
• リテンション: リピート購入率、顧客生涯価値
• 収益: 平均注文額、訪問者あたりの収益

質問30: データ分析のトレンドをどのように把握していますか？

期待される回答:

• 業界出版物をフォロー：Towards Data Science、Analytics Vidhya
• Kaggleコンペティションに参加
• カンファレンスに参加：PyData、ミラノやローマのローカルデータサイエンスミートアップ
• 新しいツールリリースのドキュメントを読む
• 個人プロジェクトで新技術を実験

2026年イタリアのデータアナリスト面接準備戦略

• SQLマスタリー: LeetCode Databaseの問題とStrataScrachで練習。イタリアの企業はJOIN、ウィンドウ関数、CTEを重点的にテストします
• Python習熟度: Kaggleでpandasの演習を完了。データクリーニングと集計に焦点を当てます
• ツールの習熟: Power BIスキルはイタリアの企業で高く評価されています。Tableauは多国籍企業で一般的です
• ビジネスコンテキスト: ビジネス上の質問を分析的アプローチに変換した過去の仕事の例を準備
• イタリア語: 多くのテック企業は英語で運営されていますが、イタリア語の流暢さは伝統的な産業（銀行、製造業、公共事業）での機会を向上させます