# Top 25 pytan rekrutacyjnych z analityki danych w 2026 roku

> Kompletny przewodnik po 25 najczesciej zadawanych pytaniach na rozmowach kwalifikacyjnych z analityki danych w 2026 roku. Obejmuje SQL, Python, statystyke, Power BI i pytania behawioralne -- z gotowymi przykladami kodu i wzorcowymi odpowiedziami.

- Published: 2026-04-08
- Updated: 2026-04-08
- Author: SharpSkill
- Tags: data-analytics, interview, sql, python, power-bi, statistics
- Reading time: 12 min

---

Pytania rekrutacyjne z analityki danych w 2026 roku wykraczaja daleko poza znajomosc skladni SQL czy umiejetnosc tworzenia wykresow. Zespoly rekrutacyjne oceniaja kandydatow pod katem zdolnosci wyciagania wnioskow z nieuporzadkowanych zbiorow danych, komunikowania wynikow osobom nietechnicznym oraz laczenia kazdej metryki z konkretnym wynikiem biznesowym. Ponizszy przewodnik obejmuje 25 pytan, ktore najczesciej pojawiaja sie na rozmowach kwalifikacyjnych na stanowiska analityka danych na poziomie juniorskim, srednim i seniorskim.

> **Jak korzystac z tego przewodnika**
>
> Kazde pytanie zawiera zwiezla wzorcowa odpowiedz oraz, tam gdzie to istotne, gotowy do uruchomienia kod SQL lub Python. Warto najpierw samodzielnie napisac zapytanie, a dopiero potem sprawdzic rozwiazanie. Rekruterzy bardziej cenia proces rozumowania niz wyuczona na pamiec odpowiedz.

## Pytania SQL na rozmowach z analityki danych

SQL pozostaje najczesciej testowana umiejetnoscia na rozmowach rekrutacyjnych z zakresu analityki danych. Kazda firma korzystajaca z relacyjnej bazy danych oczekuje od analitykow samodzielnego pisania zapytan.

### 1. Jaka jest roznica miedzy WHERE a HAVING?

`WHERE` filtruje wiersze przed agregacja. `HAVING` filtruje grupy po agregacji. Pomylenie tych dwoch klauzul to jeden z najczestszych bledow na rozmowach technicznych.

```sql
-- monthly_revenue.sql
SELECT
  DATE_TRUNC('month', order_date) AS month,
  SUM(amount)                     AS revenue
FROM orders
WHERE status = 'completed'          -- row-level filter
GROUP BY month
HAVING SUM(amount) > 10000;         -- group-level filter
```

`WHERE` redukuje zbior danych zanim silnik bazy wykona `GROUP BY`. `HAVING` operuje na zagregowanym wyniku. Stosowanie `WHERE` wszedzie tam, gdzie to mozliwe, poprawia wydajnosc zapytania, poniewaz zmniejsza zbior roboczy na wczesniejszym etapie planu wykonania.

### 2. Wyjasnienie funkcji okienkowych na praktycznym przykladzie

Funkcje okienkowe obliczaja wartosc w obrebie zestawu wierszy powiazanych z biezacym wierszem, nie zwiekszajac przy tym liczby wynikow. Sa niezbedne przy tworzeniu rankingow, sum biezacych i porownan miedzyokresowych.

```sql
-- user_ranking.sql
SELECT
  user_id,
  purchase_date,
  amount,
  ROW_NUMBER() OVER (PARTITION BY user_id ORDER BY purchase_date) AS purchase_rank,
  SUM(amount)   OVER (PARTITION BY user_id ORDER BY purchase_date) AS running_total,
  LAG(amount)   OVER (PARTITION BY user_id ORDER BY purchase_date) AS prev_amount
FROM purchases;
```

`ROW_NUMBER` przypisuje kolejny numer w obrebie kazdego uzytkownika. `SUM(...) OVER(...)` oblicza sume biezaca bez koniecznosci stosowania self-joina. `LAG` pobiera wartosc z poprzedniego wiersza w celu bezposredniego porownania. Rekruterzy czesto prosza kandydatow o obliczenie wzrostu miesiac do miesiaca wlasnie wedlug tego wzorca.

### 3. Jak identyfikowac i usuwac zduplikowane rekordy

Wykrywanie duplikatow to codzienna czynnosc analitykow pracujacych z logami zdarzen, eksportami z systemow CRM lub danymi od podmiotow zewnetrznych.

```sql
-- deduplicate_events.sql
WITH ranked AS (
  SELECT *,
    ROW_NUMBER() OVER (
      PARTITION BY user_id, event_type, DATE_TRUNC('minute', created_at)
      ORDER BY created_at
    ) AS rn
  FROM events
)
SELECT * FROM ranked WHERE rn = 1;
```

CTE przypisuje numer wiersza w obrebie kazdej grupy duplikatow. Zachowanie jedynie `rn = 1` zwraca pierwsze wystapienie. Takie podejscie pozwala zachowac oryginalne dane, jednoczesnie eliminujac szum.

### 4. Zapytanie obliczajace retencje w kohortach tygodniowych

Analiza retencji kohortowej to jedno z najczesciej zlecanych zadan w zespolach produktowych i growthowych. Wzorzec SQL jest spojny niezaleznie od uzywanej bazy danych.

```sql
-- weekly_cohort_retention.sql
WITH cohorts AS (
  SELECT
    user_id,
    DATE_TRUNC('week', MIN(event_date)) AS cohort_week
  FROM user_events
  GROUP BY user_id
),
activity AS (
  SELECT
    c.cohort_week,
    DATE_TRUNC('week', e.event_date) AS active_week,
    COUNT(DISTINCT e.user_id)        AS active_users
  FROM user_events e
  JOIN cohorts c ON c.user_id = e.user_id
  GROUP BY c.cohort_week, DATE_TRUNC('week', e.event_date)
)
SELECT
  cohort_week,
  EXTRACT(WEEK FROM active_week - cohort_week) AS weeks_since_signup,
  active_users
FROM activity
ORDER BY cohort_week, weeks_since_signup;
```

Pierwsze CTE identyfikuje tydzien rejestracji kazdego uzytkownika. Drugie CTE liczy unikatowych aktywnych uzytkownikow na kohorte na tydzien. Koncowe zapytanie przeksztalca wynik w macierz retencji. Rekruterzy oczekuja od kandydatow interpretacji biznesowej: gwaltowny spadek w pierwszym tygodniu sygnalizuje problem z onboardingiem, natomiast plaska krzywa od czwartego tygodnia wskazuje na stabilna baze uzytkownikow.

### 5. Czym jest CTE i kiedy nalezy go uzyc zamiast podzapytania?

Common Table Expression (CTE) to nazwany tymczasowy zbior wynikow definiowany za pomoca `WITH`. CTE poprawia czytelnosc kodu i umozliwia tworzenie zapytan rekurencyjnych. Podzapytania generuja gleboko zagniezdzony SQL, ktory trudno debugowac. CTE jest preferowane, gdy ta sama tabela pochodna jest uzywana wielokrotnie w zapytaniu lub gdy logika obejmuje trzy lub wiecej krokow transformacji.

## Pytania z Pythona w analityce danych

Pytania dotyczace Pythona koncentruja sie na bibliotece Pandas, procesach czyszczenia danych oraz umiejetnosci wyjasniania kodu w kontekscie biznesowym. Rekruterzy oczekuja pragmatycznych rozwiazan, a nie akademickich abstrakcji.

### 6. Jak obsluzyc brakujace wartosci w Pandas DataFrame

Brakujace dane zaburzaja agregacje i dane wejsciowe modeli. Podejscie zalezy od typu kolumny i kontekstu biznesowego.

```python
# handle_missing.py
import pandas as pd
import numpy as np

df = pd.read_csv('sales.csv')

# Inspect the extent of missing data
print(df.isnull().sum())
print(df.isnull().mean().round(3))  # percentage per column

# Strategy 1: drop rows where critical columns are null
df_clean = df.dropna(subset=['customer_id', 'amount'])

# Strategy 2: fill numeric columns with median (robust to outliers)
df['amount'] = df['amount'].fillna(df['amount'].median())

# Strategy 3: fill categorical columns with the mode
df['region'] = df['region'].fillna(df['region'].mode()[0])
```

Usuwanie wierszy jest odpowiednie, gdy wskaznik brakow nie przekracza 5%, a kolumna jest krytyczna. Imputacja mediana jest bezpieczniejsza niz srednia w przypadku rozkladow skosnych. Imputacja dominanta sprawdza sie w kolumnach kategorycznych z wyrazna wartoscia dominujaca. Dokumentowanie strategii imputacji jest kluczowe dla sciezki audytu.

### 7. Merge, join i concatenate: kiedy stosowac poszczegolne metody

Pandas oferuje kilka sposobow laczenia ramek danych (DataFrames). Wybor zalezy od tego, czy operacja jest wierszowa czy kolumnowa, oraz czy wymagane jest dopasowanie na podstawie klucza.

```python
# combine_dataframes.py
import pandas as pd

orders = pd.read_csv('orders.csv')
customers = pd.read_csv('customers.csv')

# Key-based merge (equivalent to SQL JOIN)
result = orders.merge(customers, on='customer_id', how='left')

# Stack rows from multiple sources
all_events = pd.concat([events_q1, events_q2], ignore_index=True)

# Add columns side-by-side (same row count required)
combined = pd.concat([features, labels], axis=1)
```

`merge` jest wlasciwym wyborem przy laczeniach opartych na kluczu. `concat` z domyslnym `axis=0` laczy wiersze. `concat` z `axis=1` dodaje kolumny. Uzycie `how='left'` zachowuje wszystkie wiersze z lewej ramki danych, co odpowiada SQL-owemu `LEFT JOIN`.

### 8. Grupowanie, agregacja i transformacja danych sprzedazowych

Operacje GroupBy sa odpowiednikiem SQL-owego `GROUP BY` w Pandas. Ten wzorzec pojawia sie niemal w kazdym zadaniu analitycznym typu take-home.

```python
# sales_analysis.py
import pandas as pd

df = pd.read_csv('transactions.csv', parse_dates=['date'])

# Monthly revenue by product category
monthly = (
    df.groupby([pd.Grouper(key='date', freq='M'), 'category'])
    .agg(revenue=('amount', 'sum'), orders=('order_id', 'nunique'))
    .reset_index()
)

# Add a column with each category's share of total monthly revenue
monthly['share'] = (
    monthly.groupby('date')['revenue']
    .transform(lambda x: x / x.sum())
    .round(4)
)

print(monthly.head(10))
```

`agg` z nazwana agregacja utrzymuje czytelnosc wynikow. `transform` rozsyla obliczenie na poziomie grupy z powrotem do kazdego wiersza, co eliminuje potrzebe dodatkowego merge'a. Ta kombinacja pokrywa wiekszosc zadan raportowania ad-hoc.

### 9. Wykrywanie i obsluga wartosci odstajacych w zbiorze danych

Wykrywanie wartosci odstajacych okresla, czy skrajne wartosci sa bledami wprowadzania danych, sygnalami oszustwa, czy autentycznymi przypadkami brzegowymi.

```python
# detect_outliers.py
import pandas as pd
import numpy as np

df = pd.read_csv('transactions.csv')

# IQR method
Q1 = df['amount'].quantile(0.25)
Q3 = df['amount'].quantile(0.75)
IQR = Q3 - Q1
lower = Q1 - 1.5 * IQR
upper = Q3 + 1.5 * IQR

outliers = df[(df['amount'] < lower) | (df['amount'] > upper)]
print(f'Outliers found: {len(outliers)} ({len(outliers)/len(df)*100:.1f}%)')

# Cap instead of remove (winsorization)
df['amount_capped'] = df['amount'].clip(lower=lower, upper=upper)
```

Metoda IQR oznacza wartosci przekraczajace 1,5-krotnosc rozstepu miedzykwartylowego. Obcinanie (winsoryzacja) zachowuje liczbe wierszy, jednoczesnie ograniczajac wplyw wartosci ekstremalnych. Calkowite usuwanie jest uzasadnione wylacznie wtedy, gdy wartosci odstajace reprezentuja oczywiste bledy.

## Pytania ze statystyki i rachunku prawdopodobienstwa

Bieglosc statystyczna odroznia analitykow, ktorzy jedynie raportuja liczby, od tych, ktorzy potrafia je poprawnie interpretowac. Ponizsze pytania weryfikuja fundamentalne zrozumienie tych zagadnien.

### 10. Wyjasnienie wartosci p w prostych slowach

Wartosc p (p-value) to prawdopodobienstwo zaobserwowania wyniku co najmniej tak ekstremalnego jak uzyskany, przy zalozeniu, ze hipoteza zerowa jest prawdziwa. Wartosc p rowna 0,03 nie oznacza, ze istnieje 3% szans na prawdziwosc hipotezy zerowej. Oznacza, ze gdyby hipoteza zerowa byla prawdziwa, wyniki tak ekstremalne pojawilyby sie przypadkowo w 3% przypadkow. Prog (alfa) jest zazwyczaj ustalany na poziomie 0,05, ale jego wybor zalezy od kosztu falszywego alarmu w danym kontekscie biznesowym.

### 11. Kiedy stosowac mediane zamiast sredniej

Srednia jest wrazliwa na wartosci skrajne. Dane o dochodach, kwotach transakcji czy dlugosciach sesji to klasyczne przyklady, w ktorych mediana lepiej oddaje typowa tendencje centralna. Zbior danych z kilkoma transakcjami o duzej wartosci moze przesunac srednia znacznie powyzej poziomu doswiadczanego przez typowego klienta. Raportowanie mediany obok sredniej, z uwzglednieniem odchylenia standardowego, daje interesariuszom pelny obraz sytuacji.

### 12. Jaka jest roznica miedzy korelacja a przyczynowoscia?

Korelacja mierzy sile i kierunek liniowej zaleznosci miedzy dwiema zmiennymi. Przyczynowosc oznacza, ze jedna zmienna bezposrednio wplywa na druga. Sprzedaz lodow i liczba utoniec koreluja ze soba, poniewaz obie rosna latem, a nie dlatego, ze jedna powoduje druga. Ustalenie przyczynowosci wymaga kontrolowanego eksperymentu (testu A/B) lub rygorystycznego schematu wnioskowania przyczynowego, takiego jak metoda roznic w roznicach (difference-in-differences) lub zmiennych instrumentalnych.

### 13. Bledy typu I i typu II z przykladem biznesowym

Blad typu I (falszywie pozytywny) wystepuje, gdy test blednie odrzuca hipoteze zerowa. Przyklad: stwierdzenie, ze nowy widok koszyka zwieksza konwersje, podczas gdy w rzeczywistosci nie ma zadnego efektu, co prowadzi do niepotrzebnej zmiany produktu. Blad typu II (falszywie negatywny) wystepuje, gdy test nie wykrywa rzeczywistego efektu. Przyklad: zachowanie starego widoku koszyka, poniewaz test nie mial wystarczajacej wielkosci proby, aby wykryc rzeczywisty wzrost konwersji o 2%. Zwiekszenie wielkosci proby zmniejsza ryzyko bledu typu II. Obnizenie progu alfa zmniejsza ryzyko bledu typu I, ale jednoczesnie zwieksza ryzyko bledu typu II.

## Pytania dotyczace Power BI i wizualizacji danych

Pytania z wizualizacji oceniaja, czy kandydat potrafi dobrac odpowiedni typ wykresu, budowac latwe w utrzymaniu dashboardy oraz komunikowac wnioski z danych osobom nietechnicznym.

### 14. Czym jest DAX i czym rozni sie od SQL?

DAX (Data Analysis Expressions) to jezyk formul uzywany w Power BI, Analysis Services i Excel Power Pivot. W przeciwienstwie do SQL, ktory operuje na zbiorach wierszy, DAX dziala w ramach kontekstu filtru, ktory zmienia sie dynamicznie w zaleznosci od slicerow, filtrow i kontekstu wiersza. Funkcja `CALCULATE` w DAX modyfikuje kontekst filtru przed obliczeniem wyrazenia -- to koncept bez bezposredniego odpowiednika w SQL.

### 15. Roznica miedzy trybem Import a DirectQuery

Tryb Import laduje dane do silnika in-memory Power BI (VertiPaq), zapewniajac szybkie odpowiedzi na zapytania, ale wymagajac zaplanowanych odswiezan. DirectQuery wysyla zapytania do zrodlowej bazy danych w czasie rzeczywistym, gwarantujac aktualnosc danych, lecz uzalezniony od wydajnosci systemu zrodlowego. W 2026 roku Microsoft Fabric wprowadza tryb Direct Lake, ktory odczytuje pliki Parquet z OneLake bez importowania danych czy odpytywania endpointu SQL, laczac szybkosc trybu Import z niemal natychmiastowa aktualizacja danych.

### 16. Kiedy uzywac wykresu slupkowego, a kiedy liniowego

Wykresy slupkowe porownuja kategorie dyskretne (przychod wedlug regionu, liczba zamowien wedlug produktu). Wykresy liniowe pokazuja trendy w ciaglych przedzialach czasowych (dzienni aktywni uzytkownicy, miesieczny wskaznik odpywu). Uzycie wykresu liniowego dla danych kategorycznych sugeruje trend miedzy niepowiazanymi kategoriami, co wprowadza odbiorcow w blad. Czeste pytanie uzupelniajace dotyczy wykresow kolowych: powinny byc ograniczone do prezentowania czesci calkowitych, gdy liczba segmentow nie przekracza pieciu, poniewaz ludzkie oko z trudem porownuje katy.

### 17. Jak zoptymalizowac wolny raport w Power BI

Wolne raporty zazwyczaj wynikaja z nadmiernej liczby kolumn w modelu danych, zlozonych miar DAX obliczanych wiersz po wierszu lub wizualizacji odpytujacych miliony wierszy. Lista krokow optymalizacyjnych obejmuje: usuniecie nieuzywanych kolumn w celu zmniejszenia rozmiaru modelu, zastapienie funkcji iteracyjnych (`SUMX`, `FILTER`) ich nieiteracyjnymi odpowiednikami tam, gdzie to mozliwe, ograniczenie liczby wizualizacji na stronie do ponizej 15 oraz stosowanie tabel agregacji dla wymiarow o wysokiej kardynalnosci. Performance Analyzer wbudowany w Power BI Desktop dokladnie wskazuje, ktora wizualizacja lub zapytanie DAX stanowi waskie gardlo.

## Pytania behawioralne i studium przypadku

Umiejetnosci techniczne pozwalaja kandydatom dostac sie na rozmowe. Pytania behawioralne decyduja o tym, czy otrzymaja oferte. Kazda odpowiedz powinna byc sformulowana wedlug schematu STAR: Sytuacja, Zadanie, Dzialanie, Rezultat.

### 18. Opis sytuacji, w ktorej analiza danych zmienila decyzje biznesowa

Silne odpowiedzi zawieraja konkretna metryke, ktora ulegla zmianie, zastosowana metode analizy oraz wplyw wyrazony w wartosci pieniaznej lub procentowej. Slabe odpowiedzi opisuja dashboard bez powiazania go z wynikiem biznesowym. Przykladowa struktura: "Analiza odpywu klientow w produkcie SaaS wykazala, ze uzytkownicy, ktorzy nie ukonczyli onboardingu w ciagu 48 godzin, mieli o 60% wyzszy wskaznik odpywu po 30 dniach. Zespol produktowy wdrozyl automatyczna sekwencje e-maili uruchamiana po 24 godzinach, co zmniejszylo 30-dniowy odpyw o 8 punktow procentowych."

### 19. Jak radzic sobie ze sprzecznymi zapotrzebowaniami na dane od interesariuszy

To pytanie weryfikuje umiejetnosci priorytetyzacji i komunikacji. Zalecane podejscie: wyjasnij pytanie biznesowe stojace za kazdym zapotrzebowaniem, zidentyfikuj wspolne metryki, zaproponuj jeden dashboard obslugujacy oba potrzeby i przejrzyscie udokumentuj kompromisy. Odmowa interesariuszowi jest dopuszczalna, gdy jest poparta obawami dotyczacymi zarzadzania danymi lub ograniczeniami zasobow, pod warunkiem zaproponowania alternatywy.

### 20. Wyjasnienie zlozonej analizy osobom nietechnicznym

Rekruterzy czesto prosza kandydatow o wyjasnienie koncepcji takiej jak regresja czy analiza kohortowa, tak jakby rozmawiali z menedzerem marketingu. Najlepsze odpowiedzi uzywaja analogii, unikaja zargonu i osadzaja wyjasnienie w kontekscie wyniku biznesowego. "Analiza kohortowa grupuje klientow wedlug miesiaca rejestracji i sledzi, ilu z nich pozostaje aktywnych po trzech miesiacach. Wykres pokazuje, ze uzytkownicy zarejestrowani w styczniu utrzymali sie lepiej niz ci z lutego, co pokrywa sie ze zmianami w onboardingu wdrozonymi pod koniec grudnia."

> **Schemat STAR -- krotkie przypomnienie**
>
> Sytuacja: okresl kontekst. Zadanie: zdefiniuj cel. Dzialanie: opisz podjete kroki. Rezultat: skwantyfikuj wplyw. Rekruterzy penalizuja ogolnikowe odpowiedzi pomijajace etap Rezultatu.

## Czyszczenie danych i pytania o ETL

Problemy z jakoscia danych pochaniaja znaczna czesc czasu pracy analityka. Ponizsze pytania weryfikuja praktyczne umiejetnosci przetwarzania danych.

### 21. Jak walidowac dane po uruchomieniu potoku ETL

Kontrole walidacyjne powinny obejmowac: liczbe wierszy (zrodlo vs. cel), wskazniki pustych wartosci w kolumnach krytycznych, integralnosc referencyjna miedzy tabelami oraz zmiany w rozkladzie wartosci (wykrywanie cichych zmian schematu). Automatyczne kontrole uruchamiane po kazdym wykonaniu potoku zapobiegaja przedostawaniu sie blednych danych na dashboardy.

```python
# etl_validation.py
import pandas as pd

def validate_pipeline(source_df: pd.DataFrame, target_df: pd.DataFrame) -> dict:
    checks = {}
    # Row count match
    checks['row_count_match'] = len(source_df) == len(target_df)
    # Null rate on critical columns
    for col in ['user_id', 'event_date', 'amount']:
        null_rate = target_df[col].isnull().mean()
        checks[f'{col}_null_rate'] = round(null_rate, 4)
    # Revenue reconciliation
    source_total = source_df['amount'].sum()
    target_total = target_df['amount'].sum()
    checks['revenue_diff_pct'] = round(
        abs(source_total - target_total) / source_total * 100, 2
    )
    return checks

results = validate_pipeline(source, target)
for check, value in results.items():
    print(f'{check}: {value}')
```

Funkcja zwraca slownik wynikow walidacji, ktory moze zasilac system alertow. Roznica w przychodach powyzej 0,01% powinna uruchomic dochodzenie.

### 22. Jaka jest roznica miedzy danymi znormalizowanymi a zdenormalizowanymi?

Dane znormalizowane minimalizuja redundancje poprzez podzial informacji na powiazane tabele (3NF). Dane zdenormalizowane lacza tabele w szersze, bardziej plaskie struktury zoptymalizowane pod katem analitycznych zapytan odczytowych. Systemy OLTP faworyzuja normalizacje ze wzgledu na integralnosc danych. Hurtownie danych i narzedzia BI preferuja denormalizacje (schemat gwiazdy, schemat platka sniegu) ze wzgledu na szybkosc zapytan. Zrozumienie tego kompromisu jest fundamentalne dla projektowania wydajnych potokow danych.

## Pytania z zaawansowanej analityki

Stanowiska seniorskie wymagaja znajomosci eksperymentowania, prognozowania i miedzyzespolowej strategii danych.

### 23. Jak zaprojektowac test A/B od podstaw

Test A/B wymaga pieciu elementow: jasna hipoteza ("Zmiana koloru przycisku CTA z szarego na zielony zwieksza wskaznik klikalnosci o 5%"), glowna metryka (wskaznik klikalnosci), obliczenie wielkosci proby na podstawie oczekiwanego efektu i pozadanej mocy testu (zwykle 80%), losowy podzial uzytkownikow na grupe kontrolna i testowa oraz z gory ustalony czas trwania testu uwzgledniajacy sezonowosc tygodniowa. Prowadzenie testu przez co najmniej dwa pelne cykle biznesowe zapobiega znieksztalceniu wynikow przez efekt dnia tygodnia.

> **Najczestsze bledy w testach A/B**
>
> Podgladanie wynikow przed osiagnieciem istotnosci statystycznej zawyza wskaznik falszywych alarmow. Nalezy wczesniej zarejestrowac plan analizy, wielkosc proby i czas trwania testu przed jego uruchomieniem.

### 24. Analiza lejka sprzedazowego i identyfikacja najwazniejszych odpywow

Analiza lejka sledzi progresje uzytkownikow przez kolejne etapy (np. wizyta na stronie glownej, wyswietlenie produktu, dodanie do koszyka, przejscie do kasy, zakup). Optymalizacja o najwyzszym wplywie celuje w etap z najwieksza bezwzgledna utrata uzytkownikow, a nie z najwieksza utrata procentowa. Spadek o 40% z 1000 uzytkownikow na etapie wyswietlenia produktu do 600 przy dodaniu do koszyka oznacza 400 utraconych uzytkownikow. Spadek o 50% ze 100 uzytkownikow na etapie kasy do 50 przy zakupie oznacza jedynie 50 utraconych uzytkownikow. Priorytetyzacja pierwszego waskiego gardla przynosi wiecej calkowitych konwersji.

### 25. Jak zbudowac dashboard KPI, z ktorego interesariusze faktycznie beda korzystac

Dashboardy zawodza, gdy prezentuja zbyt wiele metryk bez hierarchii. Skuteczny dashboard KPI stosuje zasade odwroconej piramidy: jedna lub dwie metryki glowne na gorze (np. miesieczny przychod cykliczny, wskaznik NPS), metryki wspierajace w srodku (wskaznik konwersji, wskaznik odpywu, srednia wartosc zamowienia) oraz szczegoly diagnostyczne dostepne przez drill-downy. Ograniczenie widoku najwyzszego poziomu do siedmiu lub mniej metryk zmniejsza obciazenie poznawcze. Dodanie automatycznych adnotacji ("Przychod spadl o 12% 5 marca z powodu awarii bramki platniczej") dostarcza kontekst, ktorego brakuje surowym liczbom.

## Podsumowanie

- Funkcje okienkowe SQL, CTE i zapytania kohortowe pojawiaja sie niemal na kazdej rozmowie technicznej z zakresu analityki danych. Pisanie ich z pamieci to podstawowe oczekiwanie.
- Bieglosc w Pandas pokrywa 80% zadan analitycznych ad-hoc. Kluczowe sa `merge`, `groupby`, `transform` i obsluga wartosci pustych.
- Rozumowanie statystyczne (wartosci p, korelacja vs. przyczynowosc, projektowanie eksperymentow) odroznia analitykow raportujacych liczby od tych, ktorzy potrafia je poprawnie interpretowac.
- Pytania o Power BI i wizualizacje testuja dobor wykresow, podstawy DAX i optymalizacje wydajnosci dashboardow.
- Odpowiedzi behawioralne sformulowane wedlug schematu STAR, zawierajace skwantyfikowane wyniki, sa znacznie lepiej oceniane niz ogolnikowe narracje.
- [Cwicz moduly rozmow kwalifikacyjnych z analityki danych na SharpSkill](/technologies/data-analytics/interview-questions/sql-window-functions), aby przejsc przez te koncepcje w formie cwiczen na czas.
- Dla powiazanego przygotowania, [przewodnik po rozmowach z Data Science](/blog/data-science/top-25-data-science-interview-questions-2026) obejmuje pytania z uczenia maszynowego i modelowania statystycznego, ktore pokrywaja sie z rolami seniorskich analitykow danych.

---

Source: SharpSkill (https://sharpskill.dev), tech interview preparation for your real stack.
HTML version of this page: https://sharpskill.dev/pl/blog/data-analytics/data-analytics-interview-questions-2026