คำถามสัมภาษณ์ Data Analyst 2026: คู่มือครบถ้วน SQL, Python และ Analytics

คำถามสัมภาษณ์ data analyst ในปี 2026 ทดสอบสามด้านหลัก: ความชำนาญใน SQL การจัดการข้อมูลด้วย Python และการแก้ปัญหาทางธุรกิจ บริษัทอย่าง Google, Meta และ Amazon ได้กำหนดมาตรฐานการคัดกรองทางเทคนิคของตนตามทักษะเหล่านี้ โดย SQL window functions และการดำเนินการ pandas ปรากฏในการสัมภาษณ์มากกว่า 80% ตาม รายงานแนวโน้มการจ้างงานของ Glassdoor 2026

SQL Window Functions: หัวข้อสัมภาษณ์ที่พบบ่อยที่สุด

Window functions ปรากฏในการคัดกรองทางเทคนิคของ data analyst เกือบทุกครั้ง ต่างจาก aggregate functions ที่รวมแถวเข้าด้วยกัน window functions ทำการคำนวณข้ามชุดของแถวที่เกี่ยวข้องกับแถวปัจจุบันในขณะที่ยังคงรักษาข้อมูลของแต่ละแถวไว้

คำถาม: คำนวณเงินเดือนของพนักงานแต่ละคนเป็นเปอร์เซ็นต์ของเงินเดือนรวมของแผนก

-- employee_salary_percentage.sql
SELECT 
    employee_id,
    department,
    salary,
    -- SUM as window function preserves each row
    ROUND(
        salary * 100.0 / SUM(salary) OVER (PARTITION BY department),
        2
    ) AS pct_of_dept_salary
FROM employees
ORDER BY department, pct_of_dept_salary DESC;

ประโยค PARTITION BY สร้าง window แยกต่างหากสำหรับแต่ละแผนก เงินเดือนของพนักงานแต่ละคนถูกหารด้วยยอดรวมของแผนกตน ไม่ใช่ยอดรวมของบริษัท ความแตกต่างนี้มักจะดักผู้สมัครที่ใช้ subquery หรือ join แทน

คำถาม: หา running total ของยอดขายตามวันที่ โดยรีเซ็ตทุกเดือน

-- monthly_running_total.sql
SELECT
    sale_date,
    amount,
    SUM(amount) OVER (
        PARTITION BY DATE_TRUNC('month', sale_date)
        ORDER BY sale_date
        -- Default frame: RANGE BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW
    ) AS monthly_running_total
FROM sales
ORDER BY sale_date;

ผู้สัมภาษณ์คาดหวังให้ผู้สมัครรู้พฤติกรรมเริ่มต้นของ window frame หากไม่มีประโยค ROWS หรือ RANGE ที่ชัดเจน frame จะขยายจากจุดเริ่มต้นของ partition ไปจนถึงแถวปัจจุบัน ซึ่งสร้าง running total ฝึกฝน pattern เหล่านี้กับ โมดูล SQL window functions

CTEs และ Subqueries: การจัดระเบียบ Query ที่ซับซ้อน

Common Table Expressions ทำให้ query อ่านง่ายและบำรุงรักษาได้ ผู้สัมภาษณ์ประเมินว่าผู้สมัครจัดโครงสร้าง query อย่างมีตรรกะหรือเขียนคำสั่งแบบ monolithic

คำถาม: หาลูกค้าที่ทำการซื้อในเดือนติดต่อกัน

-- consecutive_month_purchasers.sql
WITH monthly_purchases AS (
    -- Step 1: Get distinct customer-month combinations
    SELECT DISTINCT
        customer_id,
        DATE_TRUNC('month', purchase_date) AS purchase_month
    FROM orders
),
with_prev_month AS (
    -- Step 2: Add previous purchase month for each customer
    SELECT
        customer_id,
        purchase_month,
        LAG(purchase_month) OVER (
            PARTITION BY customer_id 
            ORDER BY purchase_month
        ) AS prev_purchase_month
    FROM monthly_purchases
)
-- Step 3: Filter to consecutive months only
SELECT DISTINCT customer_id
FROM with_prev_month
WHERE purchase_month = prev_purchase_month + INTERVAL '1 month';

Pattern นี้รวม CTEs กับ window function LAG การแบ่ง query เป็นขั้นตอนที่มีชื่อแสดงให้เห็นกระบวนการคิด ซึ่งผู้สัมภาษณ์ให้คุณค่าเท่ากับคำตอบที่ถูกต้อง

Python Pandas: พื้นฐานการจัดการข้อมูล

คำถาม Pandas ทดสอบทักษะการทำความสะอาดข้อมูล การรวม และการแปลง ผู้สัมภาษณ์นำเสนอ dataset ที่ยุ่งเหยิงและขอให้ผู้สมัครดึง insight ออกมา

คำถาม: จาก DataFrame ของ session ผู้ใช้ คำนวณระยะเวลา session เฉลี่ยตามกลุ่มผู้ใช้ โดยไม่รวม session ที่สั้นกว่า 10 วินาที

# session_analysis.py
import pandas as pd

def analyze_sessions(df: pd.DataFrame) -> pd.DataFrame:
    """Calculate average session duration by user segment.
    
    Args:
        df: DataFrame with columns [user_id, segment, session_start, session_end]
    
    Returns:
        DataFrame with average duration per segment
    """
    # Calculate duration in seconds
    df['duration_seconds'] = (
        df['session_end'] - df['session_start']
    ).dt.total_seconds()
    
    # Filter short sessions and aggregate
    return (
        df[df['duration_seconds'] >= 10]
        .groupby('segment')
        .agg(
            avg_duration=('duration_seconds', 'mean'),
            session_count=('user_id', 'count')
        )
        .round(2)
        .reset_index()
    )

คำตอบแสดงให้เห็น method chaining การจัดการ datetime และฟังก์ชัน agg พร้อม output ที่มีชื่อ ผู้สัมภาษณ์ตรวจสอบว่าผู้สมัครกรองก่อนการรวมไม่ใช่หลัง ซึ่งจะทำให้ค่าเฉลี่ยเบี่ยงเบน

คำถาม: รวมสอง DataFrame และจัดการค่าที่หายไปอย่างเหมาะสม

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

def merge_user_data(
    users: pd.DataFrame,
    transactions: pd.DataFrame
) -> pd.DataFrame:
    """Merge user demographics with transaction history.
    
    Users without transactions get total_spent = 0.
    Transactions without user data are excluded.
    """
    merged = pd.merge(
        users,
        transactions.groupby('user_id')['amount'].sum().reset_index(),
        on='user_id',
        how='left'  # Keep all users, even without transactions
    )
    
    # Fill NaN for users with no transactions
    merged['amount'] = merged['amount'].fillna(0)
    merged.rename(columns={'amount': 'total_spent'}, inplace=True)
    
    return merged

พารามิเตอร์ how='left' และการจัดการ fillna ที่ชัดเจนแสดงให้เห็นความใส่ใจใน edge cases ผู้สมัครที่ใช้ how='inner' จะสูญเสียผู้ใช้ที่ไม่มีธุรกรรม ซึ่งเปลี่ยนประชากรการวิเคราะห์

แนวคิดสถิติ: สิ่งที่ Analyst ต้องอธิบายได้ชัดเจน

คำถามสถิติประเมินว่าผู้สมัครสามารถนำแนวคิดไปใช้กับปัญหาทางธุรกิจจริงและสื่อสารผลการค้นพบกับผู้มีส่วนได้ส่วนเสียได้หรือไม่

คำถาม: Product manager อ้างว่า checkout flow ใหม่เพิ่ม conversion 5% การทดสอบดำเนินเป็นเวลาหนึ่งสัปดาห์กับผู้ใช้ 10,000 คนต่อ variant ผลลัพธ์นี้มีนัยสำคัญทางสถิติหรือไม่?

คำตอบที่สมบูรณ์กล่าวถึงขนาดตัวอย่าง statistical power และ practical significance:

1. คำนวณ standard error: สำหรับอัตรา conversion SE = sqrt(p(1-p)/n) ด้วย conversion baseline 10% และ n=10,000 SE ประมาณ 0.003

2. คำนวณ z-score: การเพิ่มขึ้น 5% แบบสัมพัทธ์หมายความว่า conversion ใหม่คือ 10.5% ความแตกต่าง 0.5 จุดเปอร์เซ็นต์หารด้วย pooled SE กำหนดนัยสำคัญ

3. พิจารณา practical significance: แม้ว่า p < 0.05 การเพิ่มขึ้น 0.5 จุดเปอร์เซ็นต์อาจไม่คุ้มกับต้นทุนวิศวกรรมของ flow ใหม่

4. ตรวจสอบ confounds: หนึ่งสัปดาห์ครอบคลุม pattern สุดสัปดาห์เทียบกับวันธรรมดา แต่อาจพลาดรอบรายเดือนหรือผลกระทบตามฤดูกาล

ผู้สัมภาษณ์ให้คุณค่ากับผู้สมัครที่ตั้งคำถามกับสมมติฐานมากกว่าคำนวณ p-value แบบกลไก โมดูลหลักการ data visualization ครอบคลุมวิธีการนำเสนอผลการค้นพบเหล่านี้

คำถาม: อธิบายความแตกต่างระหว่าง correlation และ causation พร้อมตัวอย่างทางธุรกิจ

ยอดขายไอศกรีมและการเสียชีวิตจากการจมน้ำมี correlation เป็นบวก ทั้งสองเพิ่มขึ้นในฤดูร้อนเนื่องจากตัวแปร confounding คืออุณหภูมิ การแนะนำให้ลดการผลิตไอศกรีมเพื่อป้องกันการจมน้ำเป็นการเข้าใจผิดว่า correlation คือ causation

ในการวิเคราะห์ธุรกิจ: ค่าใช้จ่ายโฆษณาและรายได้มักมี correlation แต่ความสัมพันธ์อาจสะท้อนว่าบริษัทเพิ่มค่าใช้จ่ายโฆษณาเมื่อการคาดการณ์รายได้แข็งแกร่งอยู่แล้ว ไม่ใช่ว่าโฆษณาขับเคลื่อนรายได้ การสร้าง causation ต้องใช้การทดลองที่ควบคุมหรือเทคนิค causal inference เช่น difference-in-differences

คำถาม Business Case: แปลปัญหาเป็น Query

คำถาม case study ทดสอบความสามารถในการแยกปัญหาทางธุรกิจที่คลุมเครือเป็นขั้นตอนการวิเคราะห์ที่เป็นรูปธรรม

คำถาม: User retention ลดลง 15% เมื่อเดือนที่แล้ว จะสืบสวนอย่างไร?

แนวทางที่มีโครงสร้าง:

1. ตรวจสอบ metric: ยืนยันว่าคำจำกัดความของ retention ตรงกับการคำนวณในอดีต ตรวจสอบปัญหา data pipeline หรือการเปลี่ยนแปลง tracking

2. แบ่งกลุ่มการลดลง: แยก retention ตาม cohort ผู้ใช้ ช่องทางการได้มา ประเภทอุปกรณ์ และภูมิศาสตร์ การลดลง 15% โดยรวมอาจเป็นการลดลง 50% ในกลุ่มเดียวที่ปกปิดความมั่นคงในที่อื่น

3. ระบุเวลา: retention ลดลงทีละน้อยหรือกะทันหัน? การลดลงอย่างกะทันหันบ่งบอกถึงการเปลี่ยนแปลงผลิตภัณฑ์หรือ bug การลดลงทีละน้อยชี้ไปที่ปัจจัยตลาดหรือการแข่งขัน

4. เชื่อมโยงกับเหตุการณ์: จัดแนว timeline กับการเปิดตัวผลิตภัณฑ์ แคมเปญการตลาด การเปิดตัวของคู่แข่ง และเหตุการณ์ภายนอก

5. สร้างสมมติฐาน: จาก pattern การแบ่งกลุ่ม เสนอคำอธิบายที่ทดสอบได้และข้อมูลที่จำเป็นเพื่อยืนยันหรือปฏิเสธแต่ละข้อ

-- retention_by_cohort.sql
WITH user_cohorts AS (
    SELECT
        user_id,
        DATE_TRUNC('week', created_at) AS cohort_week
    FROM users
),
weekly_activity AS (
    SELECT
        user_id,
        DATE_TRUNC('week', activity_date) AS activity_week
    FROM user_events
)
SELECT
    c.cohort_week,
    a.activity_week,
    COUNT(DISTINCT a.user_id) AS active_users,
    COUNT(DISTINCT c.user_id) AS cohort_size,
    ROUND(
        COUNT(DISTINCT a.user_id) * 100.0 / COUNT(DISTINCT c.user_id),
        1
    ) AS retention_pct
FROM user_cohorts c
LEFT JOIN weekly_activity a 
    ON c.user_id = a.user_id 
    AND a.activity_week >= c.cohort_week
GROUP BY c.cohort_week, a.activity_week
ORDER BY c.cohort_week, a.activity_week;

Query การวิเคราะห์ cohort นี้สร้างข้อมูลที่จำเป็นสำหรับขั้นตอนที่ 2 โมดูล cohort retention ครอบคลุมรูปแบบต่างๆ ของ pattern นี้

Take-Home Assignments: สิ่งที่ผู้ประเมินพิจารณา

หลายบริษัทรวม take-home assignments ที่ใช้เวลา 2 ถึง 4 ชั่วโมง ผู้ประเมินให้คะแนนงานที่ส่งตามคุณภาพโค้ด ความเข้มงวดในการวิเคราะห์ และการสื่อสาร

Assignment ทั่วไป: จาก dataset ธุรกรรม e-commerce ระบุปัจจัยที่ทำนาย customer churn

งานที่ส่งที่แข็งแกร่งมีลักษณะดังนี้:

• การวิเคราะห์เชิงสำรวจก่อน: สถิติสรุป กราฟการกระจาย และการประเมินค่าที่หายไปก่อนการ modeling
• Feature engineering: สร้าง features ที่เกี่ยวข้องเช่น recency, frequency, monetary value (RFM) และตัวบ่งชี้แนวโน้ม
• เหตุผลการเลือก model: อธิบายว่าทำไม logistic regression หรือ random forest เหมาะกับปัญหา ไม่ใช่แค่รันค่าเริ่มต้น
• แนวทาง validation: ใช้ time-based splits แทน random splits เพื่อหลีกเลี่ยง data leakage
• การสื่อสารที่ชัดเจน: สรุปผู้บริหารที่ด้านบน รายละเอียดทางเทคนิคในภาคผนวก visualizations ที่สนับสนุนข้อสรุป

# churn_analysis_structure.py
import pandas as pd
from sklearn.model_selection import TimeSeriesSplit
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import precision_recall_curve, auc

def create_rfm_features(df: pd.DataFrame, analysis_date: str) -> pd.DataFrame:
    """Create Recency, Frequency, Monetary features per customer."""
    analysis_dt = pd.to_datetime(analysis_date)
    
    rfm = df.groupby('customer_id').agg(
        recency=('order_date', lambda x: (analysis_dt - x.max()).days),
        frequency=('order_id', 'nunique'),
        monetary=('order_total', 'sum')
    ).reset_index()
    
    return rfm

def evaluate_with_time_split(
    X: pd.DataFrame, 
    y: pd.Series,
    n_splits: int = 5
) -> list:
    """Evaluate model using time-based cross-validation."""
    tscv = TimeSeriesSplit(n_splits=n_splits)
    scores = []
    
    for train_idx, val_idx in tscv.split(X):
        model = RandomForestClassifier(n_estimators=100, random_state=42)
        model.fit(X.iloc[train_idx], y.iloc[train_idx])
        
        y_pred_proba = model.predict_proba(X.iloc[val_idx])[:, 1]
        precision, recall, _ = precision_recall_curve(y.iloc[val_idx], y_pred_proba)
        scores.append(auc(recall, precision))
    
    return scores

โค้ดแสดงให้เห็น feature engineering ที่เกี่ยวข้องกับ domain และวิธีการ validation ที่เหมาะสมสำหรับข้อมูล time-series

ประเด็นสำคัญสำหรับการสัมภาษณ์ Data Analyst ในปี 2026

• SQL window functions พร้อม PARTITION BY และ ORDER BY ปรากฏในการคัดกรองทางเทคนิคส่วนใหญ่ ฝึกฝนการคำนวณ running totals เปอร์เซ็นต์ และการจัดอันดับ

• คำถาม Python pandas เน้น method chaining, groupby aggregations และ merge operations พร้อมการจัดการค่าที่หายไปอย่างเหมาะสม

• คำถามสถิติต้องการการอธิบายแนวคิดในแง่ธุรกิจ ผู้สัมภาษณ์ประเมินความสามารถในการสื่อสาร ไม่ใช่แค่ความรู้ทางเทคนิค

• คำถาม business case ทดสอบการแยกปัญหาอย่างมีโครงสร้าง เริ่มด้วยการตรวจสอบ metric แล้วแบ่งกลุ่มเพื่อแยกปัญหา

• Take-home assignments ได้รับคะแนนจากคุณภาพโค้ดและการสื่อสารเท่ากับความถูกต้องในการวิเคราะห์ รวมสรุปผู้บริหารและอธิบายตัวเลือกของตน

• โมดูล BigQuery ขั้นสูง และ โมดูลพื้นฐาน Python pandas มีคำถามฝึกฝนเพิ่มเติมที่สอดคล้องกับ pattern การสัมภาษณ์ปัจจุบัน