Perguntas de Entrevista Data Analyst Itália 2026: SQL Avançado, Python e Estudos de Caso

As entrevistas de Data Analyst na Itália seguem um formato estruturado que difere de outros mercados europeus. As empresas italianas, desde startups fintech de Milão até grandes empresas de Roma, enfatizam o domínio de SQL, manipulação de dados com Python e raciocínio sobre casos de negócio. Este guia cobre as perguntas que os candidatos enfrentam em 2026.

Perguntas SQL que as Empresas Italianas Fazem em 2026

SQL continua sendo a base de cada entrevista de Data Analyst na Itália. Empresas como Intesa Sanpaolo, Enel e UniCredit utilizam avaliações SQL padronizadas antes da primeira chamada técnica. As perguntas abaixo vêm de entrevistas reais realizadas em Milão, Roma e Turim.

Funções de Janela para Ranking e Totais Acumulados

As funções de janela aparecem em 80% das entrevistas de Data Analyst na Itália. Esta pergunta avalia o cálculo de receita acumulada:

-- Calcular o total acumulado da receita diária por categoria de produto
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;

A cláusula ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW é explícita aqui. Embora PostgreSQL e MySQL 8+ adotem esse comportamento por padrão com ORDER BY, os entrevistadores esperam que os candidatos demonstrem conhecimento dos limites do frame. Omiti-la no BigQuery pode produzir resultados diferentes com valores duplicados.

CTE para Análise em Múltiplas Etapas

As expressões de tabela comuns (CTE) avaliam a capacidade de um candidato de decompor problemas complexos. Os entrevistadores italianos favorecem esse padrão porque reflete como os analistas documentam seu trabalho:

-- Encontrar clientes que aumentaram gastos em 20%+ trimestre a trimestre
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;

A abordagem CTE separa a etapa de agregação da etapa de função de janela. Isso evita confusão sobre quando LAG avalia, uma fonte comum de erros quando analistas tentam combinar essas operações em uma única consulta.

Para mais padrões SQL usados em entrevistas, consultar o módulo SQL Window Functions.

Perguntas Python Pandas para Entrevistas Italianas

Python ultrapassou Excel como a ferramenta esperada para manipulação de dados em cargos de Data Analyst na Itália. As empresas avaliam especificamente pandas porque revela como os candidatos lidam com tarefas reais de limpeza de dados.

Limpeza de Dados e Conversão de Tipos

Esta pergunta aparece em entrevistas de empresas de e-commerce italianas e avalia a preparação prática de dados:

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

def clean_sales_data(df: pd.DataFrame) -> pd.DataFrame:
    """Limpar dados brutos de vendas de exportação ERP italiana."""
    # Criar cópia para evitar modificar o original
    cleaned = df.copy()
    
    # Formato numérico italiano: 1.234,56 -> 1234.56
    if cleaned['revenue'].dtype == 'object':
        cleaned['revenue'] = (
            cleaned['revenue']
            .str.replace('.', '', regex=False)  # Remover separador de milhares
            .str.replace(',', '.', regex=False)  # Vírgula decimal para ponto
            .astype(float)
        )
    
    # Parsear formato de data italiano: 15/09/2026
    cleaned['order_date'] = pd.to_datetime(
        cleaned['order_date'], 
        format='%d/%m/%Y',
        errors='coerce'
    )
    
    # Tratar valores faltantes de acordo com tipo de coluna
    cleaned['customer_segment'] = cleaned['customer_segment'].fillna('Unknown')
    cleaned['revenue'] = cleaned['revenue'].fillna(0)
    
    # Remover duplicatas mantendo primeira ocorrência
    cleaned = cleaned.drop_duplicates(
        subset=['order_id'], 
        keep='first'
    )
    
    return cleaned

O formato numérico italiano (ponto como separador de milhares, vírgula como decimal) pega candidatos que só praticaram com dados em formato americano. O parâmetro errors='coerce' converte datas não parseáveis em NaT em vez de lançar uma exceção, que é o comportamento esperado em pipelines de produção.

GroupBy com Múltiplas Agregações

Esta pergunta avalia a compreensão de padrões de agregação em pandas:

# customer_metrics.py
import pandas as pd

def calculate_customer_metrics(orders_df: pd.DataFrame) -> pd.DataFrame:
    """Calcular métricas a nível de cliente para análise RFM."""
    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()
    
    # Calcular tempo de vida do cliente em dias
    metrics['customer_lifetime'] = (
        metrics['last_order'] - metrics['first_order']
    ).dt.days
    
    return metrics

A sintaxe de agregação nomeada (recency=('order_date', lambda x: ...)) apareceu no pandas 0.25 e continua sendo a abordagem preferida em 2026. Os entrevistadores italianos verificam especificamente se os candidatos usam essa sintaxe em vez da sintaxe de dicionário obsoleta agg({'column': 'function'}).

O módulo Python Pandas Basics cobre padrões adicionais para preparação de entrevistas.

Perguntas de Estudos de Caso de Empresas Italianas

As entrevistas italianas incluem uma rodada de estudo de caso em 70% das posições de Data Analyst. O candidato recebe um conjunto de dados (geralmente dados de empresa anonimizados) e deve apresentar descobertas em 24-48 horas.

Análise de Conversão E-Commerce

Um estudo de caso típico de uma empresa italiana de e-commerce de moda:

"Analisar o conjunto de dados anexo de 50.000 sessões de usuário. Identificar por que a conversão mobile caiu 15% em agosto comparado a julho. Apresentar três recomendações acionáveis."

Entregáveis esperados:

1. Desdobramento do funil por tipo de dispositivo: Comparar desktop vs mobile em cada etapa (landing, visualização de produto, adicionar ao carrinho, checkout, compra)
2. Análise por segmento: Verificar se a queda afeta todas as fontes de tráfego ou canais específicos (o social pago frequentemente tem baixo desempenho em mobile)
3. Investigação técnica: Procurar aumentos no tempo de carregamento, taxas de erro ou mudanças de UI que coincidiram com a queda

# conversion_funnel.py
import pandas as pd

def analyze_funnel(sessions_df: pd.DataFrame) -> pd.DataFrame:
    """Calcular funil de conversão por dispositivo e mês."""
    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()
    
    # Calcular taxas de conversão
    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

Os entrevistadores italianos avaliam a apresentação tanto quanto a análise. Estruturar as descobertas como "problema, evidência, recomendação" com números específicos supera uma narrativa exploratória extensa.

Avaliação de Risco em Serviços Financeiros

Bancos como Intesa Sanpaolo e UniCredit utilizam estudos de caso focados em métricas de risco:

"Usando o conjunto de dados de empréstimos fornecido, construir um modelo de scoring simples para prever risco de inadimplência. Explicar o raciocínio de seleção de features."

Isso avalia a compreensão de:

• Feature engineering: Razão dívida/renda, agregação do histórico de pagamentos, utilização de crédito
• Tratamento de dados desbalanceados: As taxas de inadimplência são tipicamente 2-5%, exigindo amostragem estratificada ou técnicas de oversampling
• Consciência regulatória: As regulamentações bancárias italianas (diretrizes do Banca d'Italia) exigem modelos explicáveis, portanto abordagens de caixa preta obtêm pontuações mais baixas

O que os Entrevistadores Italianos Buscam Além das Habilidades Técnicas

As habilidades técnicas levam os candidatos à rodada final. O fit cultural determina a oferta. As empresas italianas avaliam:

Estilo de comunicação: Os italianos valorizam a construção de relacionamentos. Apressar-se através das apresentações para "ir direto ao ponto" é percebido como grosseiro. É necessário dedicar tempo durante as apresentações.

Sinais de colaboração: Perguntas como "Conte-me sobre uma vez em que discordou de um stakeholder" avaliam se os candidatos podem navegar nas hierarquias italianas, que tendem a ser mais formais que empresas nórdicas ou americanas.

Curiosidade pelo domínio: Fazer perguntas informadas sobre a indústria da empresa demonstra preparação. Um analista entrevistando na Luxottica deveria entender a dinâmica do mercado de óculos. Na Ferrari, o conhecimento de métricas automotivas de luxo importa.

Expectativas Salariais e Contexto do Mercado 2026

Salários de Data Analyst na Itália para 2026, baseados em dados do Glassdoor e LinkedIn:

Milão paga 15-20% mais que outras cidades italianas devido à concentração de serviços financeiros e empresas de tecnologia. Os cargos remote-first em empresas internacionais frequentemente superam as taxas locais porque competem por talento paneuropeu.

O contratto a tempo indeterminato (contrato permanente) italiano continua sendo o tipo de emprego preferido. Os contratos de prazo determinado (tempo determinato) se convertem em permanentes após 24 meses de acordo com a legislação trabalhista atual.

Preparação para Entrevistas de Data Analyst na Itália: Pontos-Chave

• As funções de janela SQL e CTEs aparecem em 80% dos testes técnicos. É necessário praticar os padrões específicos mostrados acima, não tutoriais genéricos
• As perguntas de Python pandas focam em limpeza de dados com formatos italianos (decimais com vírgula, datas europeias) e agregações groupby com sintaxe nomeada
• Os estudos de caso exigem apresentações estruturadas com recomendações quantificadas. "Aumentar conversão em X%" supera "melhorar experiência do usuário"
• O teste técnico geralmente dura 60-90 minutos no Codility ou HackerRank. É necessário praticar código cronometrado para evitar ficar sem tempo
• O fit cultural importa mais em entrevistas italianas do que em processos americanos ou britânicos. É preciso preparar-se para perguntas de construção de relacionamento
• Os salários aumentaram 8-12% em 2026 devido à escassez de talentos. Os candidatos que dominam tanto SQL quanto Python obtêm ofertas premium

Para preparação adicional de entrevistas, o guia de Perguntas de Entrevista Data Analytics cobre tópicos mais amplos, e o artigo SQL Window Functions oferece prática SQL mais aprofundada.