คำถามสัมภาษณ์ Data Analyst อิตาลี 2026: SQL ขั้นสูง, Python และ Case Study

การสัมภาษณ์ Data Analyst ในอิตาลีเป็นไปตามรูปแบบที่มีโครงสร้างซึ่งแตกต่างจากตลาดยุโรปอื่นๆ บริษัทอิตาลี ตั้งแต่สตาร์ทอัพ fintech ในมิลานไปจนถึงองค์กรที่มั่นคงในโรม ต่างเน้นความสามารถด้าน SQL การจัดการข้อมูลด้วย Python และการวิเคราะห์กรณีศึกษาทางธุรกิจ คู่มือนี้ครอบคลุมคำถามจริงที่ผู้สมัครต้องเผชิญในปี 2026

คำถาม SQL ที่บริษัทอิตาลีถามในปี 2026

SQL ยังคงเป็นพื้นฐานของการสัมภาษณ์ Data Analyst ทุกครั้งในอิตาลี บริษัทเช่น Intesa Sanpaolo, Enel และ UniCredit ใช้การประเมิน SQL มาตรฐานก่อนการโทรทางเทคนิคครั้งแรก คำถามด้านล่างมาจากการสัมภาษณ์จริงที่เกิดขึ้นในมิลาน โรม และตูริน

Window Functions สำหรับ Ranking และ Running Totals

Window functions ปรากฏใน 80% ของการสัมภาษณ์ Data Analyst ในอิตาลี คำถามนี้ทดสอบการคำนวณรายได้สะสม:

-- 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;

ประโยค ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW เขียนอย่างชัดเจนที่นี่ แม้ว่า PostgreSQL และ MySQL 8+ จะใช้พฤติกรรมนี้เป็นค่าเริ่มต้นกับ ORDER BY แต่ผู้สัมภาษณ์คาดหวังให้ผู้สมัครแสดงความเข้าใจเกี่ยวกับ frame boundaries การละเว้นมันใน BigQuery อาจให้ผลลัพธ์ที่แตกต่างกับค่าซ้ำ

CTEs สำหรับการวิเคราะห์หลายขั้นตอน

Common Table Expressions (CTEs) ทดสอบความสามารถของผู้สมัครในการแยกปัญหาที่ซับซ้อน ผู้สัมภาษณ์ชาวอิตาลีชอบรูปแบบนี้เพราะสะท้อนวิธีที่นักวิเคราะห์บันทึกงานของตน:

-- 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;

แนวทาง CTE แยกขั้นตอน aggregation จากขั้นตอน window function ซึ่งป้องกันความสับสนเกี่ยวกับเวลาที่ LAG ถูกประเมิน ซึ่งเป็นแหล่งข้อผิดพลาดทั่วไปเมื่อนักวิเคราะห์พยายามรวมการดำเนินการเหล่านี้ใน query เดียว

สำหรับรูปแบบ SQL เพิ่มเติมที่ใช้ในการสัมภาษณ์ ดู โมดูล SQL Window Functions

คำถาม Python Pandas สำหรับการสัมภาษณ์ในอิตาลี

Python ได้แซงหน้า Excel ในฐานะเครื่องมือที่คาดหวังสำหรับการจัดการข้อมูลในตำแหน่ง Data Analyst ในอิตาลี บริษัทต่างๆ ทดสอบ pandas โดยเฉพาะเพราะเผยให้เห็นว่าผู้สมัครจัดการกับงานทำความสะอาดข้อมูลในโลกจริงอย่างไร

การทำความสะอาดข้อมูลและการแปลงประเภท

คำถามนี้ปรากฏในการสัมภาษณ์ที่บริษัท e-commerce อิตาลีและทดสอบการเตรียมข้อมูลในทางปฏิบัติ:

# 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

รูปแบบตัวเลขอิตาลี (จุดเป็นตัวคั่นหลักพัน จุลภาคเป็นทศนิยม) จับผู้สมัครที่ฝึกฝนเฉพาะกับข้อมูลรูปแบบสหรัฐฯ พารามิเตอร์ errors='coerce' แปลงวันที่ที่ไม่สามารถแยกวิเคราะห์ได้เป็น NaT แทนที่จะ raise exception ซึ่งเป็นพฤติกรรมที่คาดหวังใน pipeline การผลิต

GroupBy กับ Multiple Aggregations

คำถามนี้ทดสอบความเข้าใจรูปแบบ aggregation ของ 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

ไวยากรณ์ named aggregation (recency=('order_date', lambda x: ...)) ปรากฏใน pandas 0.25 และยังคงเป็นแนวทางที่นิยมในปี 2026 ผู้สัมภาษณ์ชาวอิตาลีตรวจสอบโดยเฉพาะว่าผู้สมัครใช้สิ่งนี้แทนไวยากรณ์ dictionary agg({'column': 'function'}) ที่ deprecated แล้ว

โมดูล Python Pandas Basics ครอบคลุมรูปแบบเพิ่มเติมสำหรับการเตรียมสัมภาษณ์

คำถามกรณีศึกษาจากบริษัทอิตาลี

การสัมภาษณ์ในอิตาลีรวมถึงรอบกรณีศึกษาใน 70% ของตำแหน่ง Data Analyst ผู้สมัครได้รับ dataset (โดยปกติจะเป็นข้อมูลบริษัทที่ไม่ระบุตัวตน) และต้องนำเสนอผลการวิเคราะห์ภายใน 24-48 ชั่วโมง

การวิเคราะห์ Conversion E-Commerce

กรณีศึกษาทั่วไปจากบริษัท e-commerce แฟชั่นอิตาลี:

"วิเคราะห์ dataset ที่แนบมาจาก 50,000 เซสชันผู้ใช้ ระบุว่าทำไม conversion บนมือถือลดลง 15% ในเดือนสิงหาคมเมื่อเทียบกับเดือนกรกฎาคม นำเสนอคำแนะนำที่สามารถดำเนินการได้สามข้อ"

สิ่งที่คาดหวัง:

1. การวิเคราะห์ funnel ตามประเภทอุปกรณ์: เปรียบเทียบ desktop vs mobile ในแต่ละขั้นตอน (landing, ดูสินค้า, เพิ่มลงตะกร้า, checkout, ซื้อ)
2. การวิเคราะห์เซกเมนต์: ตรวจสอบว่าการลดลงส่งผลกระทบต่อแหล่ง traffic ทั้งหมดหรือช่องทางเฉพาะ (paid social มักทำงานได้ไม่ดีบนมือถือ)
3. การสืบสวนทางเทคนิค: มองหาการเพิ่มขึ้นของเวลาโหลดหน้า อัตราข้อผิดพลาด หรือการเปลี่ยนแปลง UI ที่ตรงกับการลดลง

# 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

ผู้สัมภาษณ์ชาวอิตาลีประเมินการนำเสนอพอๆ กับการวิเคราะห์ การจัดโครงสร้างผลการวิเคราะห์เป็น "ปัญหา หลักฐาน คำแนะนำ" พร้อมตัวเลขเฉพาะดีกว่าการเล่าเรื่องแบบสำรวจที่ยาวเหยียด

การประเมินความเสี่ยงบริการทางการเงิน

ธนาคารเช่น Intesa Sanpaolo และ UniCredit ใช้กรณีศึกษาที่เน้นตัวชี้วัดความเสี่ยง:

"ใช้ dataset สินเชื่อที่ให้มา สร้างโมเดล scoring อย่างง่ายเพื่อทำนายความเสี่ยงการผิดนัดชำระ อธิบายเหตุผลในการเลือก feature ของคุณ"

สิ่งนี้ทดสอบความเข้าใจเกี่ยวกับ:

• Feature engineering: อัตราส่วนหนี้ต่อรายได้ การรวมประวัติการชำระเงิน การใช้วงเงินสินเชื่อ
• การจัดการข้อมูลที่ไม่สมดุล: อัตราการผิดนัดชำระโดยปกติอยู่ที่ 2-5% ต้องใช้ stratified sampling หรือเทคนิค oversampling
• ความตระหนักด้านกฎระเบียบ: กฎระเบียบธนาคารอิตาลี (แนวทาง Banca d'Italia) ต้องการโมเดลที่อธิบายได้ ดังนั้นแนวทาง black-box จะได้คะแนนต่ำกว่า

สิ่งที่ผู้สัมภาษณ์ชาวอิตาลีมองหานอกเหนือจากทักษะทางเทคนิค

ทักษะทางเทคนิคนำผู้สมัครไปสู่รอบสุดท้าย ความเหมาะสมทางวัฒนธรรมกำหนดข้อเสนอ บริษัทอิตาลีประเมิน:

รูปแบบการสื่อสาร: ชาวอิตาลีให้คุณค่ากับการสร้างความสัมพันธ์ การรีบผ่านการพูดคุยเบื้องต้นเพื่อ "เข้าประเด็น" ถือว่าหยาบคาย ใช้เวลาระหว่างการแนะนำตัว

สัญญาณการทำงานร่วมกัน: คำถามเช่น "เล่าเกี่ยวกับครั้งที่คุณไม่เห็นด้วยกับ stakeholder" ทดสอบว่าผู้สมัครสามารถนำทางลำดับชั้นในที่ทำงานอิตาลีได้หรือไม่ ซึ่งมักจะเป็นทางการมากกว่าบริษัทนอร์ดิกหรือสหรัฐฯ

ความอยากรู้เกี่ยวกับโดเมน: การถามคำถามที่มีข้อมูลเกี่ยวกับอุตสาหกรรมของบริษัทแสดงถึงการเตรียมตัว นักวิเคราะห์ที่สัมภาษณ์ที่ Luxottica ควรเข้าใจไดนามิกของตลาดแว่นตา ที่ Ferrari ความรู้เกี่ยวกับตัวชี้วัดยานยนต์หรูมีความสำคัญ

ความคาดหวังด้านเงินเดือนและบริบทตลาด 2026

เงินเดือน Data Analyst ในอิตาลีสำหรับปี 2026 ตามข้อมูลจาก Glassdoor และ LinkedIn:

มิลานจ่ายสูงกว่าเมืองอื่นๆ ในอิตาลี 15-20% เนื่องจากการกระจุกตัวของบริการทางการเงินและบริษัทเทคโนโลยี บทบาท remote-first ในบริษัทข้ามชาติมักเกินอัตราท้องถิ่นเพราะแข่งขันเพื่อ talent ทั่วยุโรป

Contratto a tempo indeterminato ของอิตาลี (สัญญาถาวร) ยังคงเป็นประเภทการจ้างงานที่นิยม สัญญาระยะเวลาแน่นอน (tempo determinato) แปลงเป็นถาวรหลังจาก 24 เดือนภายใต้กฎหมายแรงงานปัจจุบัน

การเตรียมตัวสำหรับการสัมภาษณ์ Data Analyst อิตาลี: ประเด็นสำคัญ

• SQL window functions และ CTEs ปรากฏใน 80% ของการคัดกรองทางเทคนิค ฝึกฝนรูปแบบเฉพาะที่แสดงด้านบน ไม่ใช่ tutorial ทั่วไป
• คำถาม Python pandas เน้นการทำความสะอาดข้อมูลด้วยรูปแบบอิตาลี (ทศนิยมเป็นจุลภาค วันที่แบบยุโรป) และ aggregation groupby ด้วยไวยากรณ์ named
• กรณีศึกษาต้องการการนำเสนอที่มีโครงสร้างพร้อมคำแนะนำที่ระบุปริมาณได้ "เพิ่ม conversion ขึ้น X%" ดีกว่า "ปรับปรุงประสบการณ์ผู้ใช้"
• การทดสอบทางเทคนิคมักใช้เวลา 60-90 นาทีบน Codility หรือ HackerRank ฝึกเขียนโค้ดภายใต้เวลาจำกัดเพื่อหลีกเลี่ยงการหมดเวลา
• ความเหมาะสมทางวัฒนธรรมมีความสำคัญมากกว่าในการสัมภาษณ์ในอิตาลีเมื่อเทียบกับกระบวนการในสหรัฐฯ หรือสหราชอาณาจักร เตรียมตัวสำหรับคำถามการสร้างความสัมพันธ์
• เงินเดือนเพิ่มขึ้น 8-12% ในปี 2026 เนื่องจากการขาดแคลน talent ผู้สมัครที่มีทั้ง SQL และ Python จะได้รับข้อเสนอระดับพรีเมียม

สำหรับการเตรียมสัมภาษณ์เพิ่มเติม คู่มือ Data Analytics Interview Questions ครอบคลุมหัวข้อที่กว้างขึ้น และ บทความ SQL Window Functions ให้การฝึก SQL ที่ลึกซึ้งยิ่งขึ้น