# คำถามสัมภาษณ์ Data Analyst อิตาลี 2026: SQL, Python และ Analytics

> 30 คำถามสัมภาษณ์ data analyst สำหรับอิตาลี 2026 Query SQL, Python pandas และ business analytics พร้อมคำตอบที่คาดหวัง

- Published: 2026-08-26
- Updated: 2026-08-26
- Author: Anthony Fillion-Maillet
- Tags: data-analyst, sql, python, interview, italy
- Reading time: 12 min

---

คำถามสัมภาษณ์ data analyst ในอิตาลีสำหรับปี 2026 เน้นหนักไปที่ความสามารถด้าน SQL การจัดการข้อมูลด้วย Python และความสามารถในการแปลงปัญหาทางธุรกิจเป็นโซลูชันเชิงวิเคราะห์ ด้วยตำแหน่งงานเปิดรับมากกว่า 600 ตำแหน่งในมิลาน โรม และโบโลญญา บริษัทอย่าง Prometeia, Bending Spoons และ ABB คาดหวังให้ผู้สมัครแสดงทั้งความลึกซึ้งทางเทคนิคและความเฉียบแหลมทางธุรกิจ

> **ลักษณะเฉพาะของตลาดอิตาลี**
>
> นายจ้างชาวอิตาลีให้ความสำคัญกับทักษะ SQL และ Power BI ความชำนาญ Python กับ pandas ทำให้ผู้สมัครโดดเด่น โดยเฉพาะที่บริษัทเทคโนโลยีในมิลาน เงินเดือนระดับ entry-level อยู่ระหว่าง €28,000 ถึง €39,000 ส่วนตำแหน่ง senior สามารถถึง €80,000+

## คำถาม SQL ที่ปรากฏในทุกการสัมภาษณ์ Data Analyst

SQL ยังคงเป็นพื้นฐานของการสัมภาษณ์ data analyst ในอิตาลี ผู้จัดการฝ่ายสรรหาที่บริษัทอย่าง Italgas และ Philip Morris ทดสอบผู้สมัครเกี่ยวกับ JOIN, aggregation และ window function คำถามเหล่านี้ประเมินว่าผู้สมัครสามารถดึง insight ที่มีความหมายจากฐานข้อมูลเชิงสัมพันธ์ได้หรือไม่

### คำถาม 1: อธิบายความแตกต่างระหว่าง INNER JOIN และ LEFT JOIN พร้อมตัวอย่างที่ใช้งานจริง

**คำตอบที่คาดหวัง:** INNER JOIN คืนค่าเฉพาะแถวที่มีการจับคู่ในทั้งสองตาราง LEFT JOIN คืนค่าแถวทั้งหมดจากตารางด้านซ้ายบวกกับแถวที่จับคู่จากตารางด้านขวา โดยมีค่า NULL ในตำแหน่งที่ไม่มีการจับคู่

```sql
-- 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
```

ผู้สัมภาษณ์มองหาผู้สมัครที่เข้าใจว่าค่า NULL ปรากฏเมื่อใด และสามารถอธิบายบริบททางธุรกิจสำหรับการเลือกประเภท join หนึ่งเหนืออีกประเภทหนึ่ง

### คำถาม 2: เขียน query เพื่อหาเงินเดือนสูงสุดอันดับสองในตาราง

คำถามนี้ทดสอบความรู้เกี่ยวกับ subquery, DISTINCT และการจำกัดผลลัพธ์ มีหลายวิธีที่ถูกต้อง

```sql
-- 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;
```

วิธี window function จัดการกับการเสมอกันได้อย่างถูกต้อง หากพนักงานสามคนแชร์เงินเดือนสูงสุด DENSE_RANK ยังคงคืนค่าเงินเดือนสูงสุดอันดับสองที่แท้จริง การใช้ ROW_NUMBER จะคืนค่าผลลัพธ์ที่แตกต่างกัน ซึ่งแสดงความเข้าใจเกี่ยวกับ [SQL window functions](/technologies/data-analytics/interview-questions/sql-window-functions)

### คำถาม 3: วิธีการระบุและจัดการกับระเบียนที่ซ้ำกัน?

**คำตอบที่คาดหวัง:** ใช้ GROUP BY กับ HAVING COUNT(*) > 1 เพื่อระบุความซ้ำซ้อน วิธีการขึ้นอยู่กับกฎทางธุรกิจ: เก็บระเบียนแรก ระเบียนล่าสุด หรือรวมข้อมูล

```sql
-- 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
);
```

### คำถาม 4: อธิบาย CTE และเมื่อใดควรใช้แทน subquery

Common Table Expressions ปรับปรุงความสามารถในการอ่าน query และอนุญาตให้มี query แบบ recursive ผู้สัมภาษณ์ชาวอิตาลีมักขอให้ผู้สมัคร refactor subquery ที่ซับซ้อนเป็น CTE

```sql
-- 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 สามารถนำกลับมาใช้ซ้ำได้ภายใน query เดียวกัน ต่างจาก subquery ที่ต้องทำซ้ำ นี่เป็นสิ่งสำคัญสำหรับ query เชิงวิเคราะห์ที่ซับซ้อนซึ่งพบได้ทั่วไปในบทบาท data analyst

### คำถาม 5: ความแตกต่างระหว่าง WHERE และ HAVING คืออะไร?

**คำตอบที่คาดหวัง:** WHERE กรองแถวก่อน aggregation; HAVING กรองกลุ่มหลัง aggregation WHERE ไม่สามารถอ้างอิงฟังก์ชัน aggregate ได้; HAVING สามารถทำได้

```sql
-- 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
```

## คำถาม Python และ Pandas สำหรับบทบาท Data Analyst

บริษัทเทคโนโลยีในมิลาน โดยเฉพาะ Bending Spoons และ Amazon Italy คาดหวังความชำนาญ Python คำถามเหล่านี้ประเมินทักษะการจัดการข้อมูลด้วย pandas และ visualization พื้นฐาน

### คำถาม 6: วิธีจัดการค่าที่หายไปใน DataFrame pandas?

**คำตอบที่คาดหวัง:** วิธีการขึ้นอยู่กับประเภทข้อมูลและบริบททางธุรกิจ ตัวเลือกรวมถึงการลบแถว การเติมด้วย mean/median/mode การ forward-filling สำหรับ time series หรือการใช้ interpolation

```python
# 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()
```

ผู้สัมภาษณ์ประเมินว่าผู้สมัครเข้าใจหรือไม่ว่าการลบแถวแบบสุ่มสี่สุ่มห้าจะสูญเสียข้อมูล และกลยุทธ์การเติมต้องสอดคล้องกับเป้าหมายเชิงวิเคราะห์

### คำถาม 7: อธิบายความแตกต่างระหว่าง merge, join และ concat ใน pandas

**คำตอบที่คาดหวัง:** `merge()` รวม DataFrame บนคอลัมน์หรือ index (แบบ SQL join) `join()` เป็นวิธีที่สะดวกสำหรับ join แบบ index-based `concat()` ซ้อน DataFrame ในแนวตั้งหรือแนวนอนโดยไม่ต้อง matching

```python
# 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)
```

### คำถาม 8: วิธีการทำ group-by operation กับ multiple aggregation?

```python
# 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()
```

 syntax นี้ (named aggregation) กลายเป็นมาตรฐานใน pandas 1.0+ และยังคงใช้อยู่ใน [pandas 3.0](/blog/data-analytics/pandas-3-new-apis-breaking-changes-interview) ผู้สัมภาษณ์คาดหวังให้ผู้สมัครใช้แทนวิธีการแบบ dict ที่เก่ากว่า

### คำถาม 9: เขียนโค้ดเพื่อคำนวณอัตราการเติบโต month-over-month

```python
# 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
```

### คำถาม 10: วิธีการ pivot ข้อมูลใน pandas?

```python
# 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')
```

## คำถาม Business Analytics และการแก้ปัญหา

บริษัทอิตาลี โดยเฉพาะในด้านการเงิน (Prometeia) และการผลิต (ABB) ทดสอบการคิดเชิงวิเคราะห์นอกเหนือจากการเขียนโค้ดล้วนๆ คำถามเหล่านี้ประเมินว่าผู้สมัครกำหนดปัญหาและสื่อสารผลการค้นพบอย่างไร

### คำถาม 11: วิธีวัดความสำเร็จของแคมเปญการตลาด?

**คำตอบที่คาดหวัง:** กำหนด KPI ก่อนที่แคมเปญจะเริ่ม เมตริกทั่วไปได้แก่ conversion rate, cost per acquisition (CPA), return on ad spend (ROAS) และ customer lifetime value (CLV) เปรียบเทียบกับ control group หรือ baseline ประวัติศาสตร์

คำตอบที่แข็งแกร่งรวมถึง:
- เมตริก baseline ก่อนเปิดตัวแคมเปญ
- การเลือก attribution model (first-touch, last-touch, multi-touch)
- การทดสอบนัยสำคัญทางสถิติสำหรับผลลัพธ์
- การแบ่งกลุ่มตามช่องทาง กลุ่มเป้าหมาย หรือภูมิศาสตร์

### คำถาม 12: product manager รายงานว่ารายได้ลดลง 15% เดือนนี้ วิธีสืบสวน?

**คำตอบที่คาดหวัง:** แยกย่อยปัญหาอย่างเป็นระบบ:

1. **ตรวจสอบข้อมูล**: ตรวจสอบปัญหาคุณภาพข้อมูล ระเบียนที่หายไป หรือความล่าช้าในการรายงาน
2. **การวิเคราะห์แบ่งกลุ่ม**: แยกตามผลิตภัณฑ์ ภูมิภาค กลุ่มลูกค้า ช่องทาง
3. **แยกตัวแปร**: กำหนดว่าปริมาณลดลง ราคาเปลี่ยน หรือ mix เปลี่ยนแปลง
4. **ปัจจัยภายนอก**: ตรวจสอบฤดูกาล การดำเนินการของคู่แข่ง เหตุการณ์ทางเศรษฐกิจ
5. **ความสัมพันธ์กับเมตริกอื่น**: traffic เว็บไซต์, conversion rate, cart abandonment

### คำถาม 13: อธิบาย A/B testing และเมื่อใดไม่ควรใช้

**คำตอบที่คาดหวัง:** A/B testing เปรียบเทียบสองตัวแปร (control vs treatment) เพื่อวัดผลกระทบเชิงสาเหตุ ต้องการการกำหนดแบบสุ่ม ขนาดตัวอย่างที่เพียงพอ และเมตริกเดียวที่สนใจ

A/B testing ไม่ควรใช้เมื่อ:
- ขนาดตัวอย่างไม่เพียงพอสำหรับกำลังทางสถิติ
- การเปลี่ยนแปลงส่งผลกระทบต่อผู้ใช้ทุกคน (โครงสร้างพื้นฐาน ราคา)
- มี network effect (คุณสมบัติทางสังคมที่ผู้ใช้มีอิทธิพลต่อกัน)
- ข้อกังวลด้านจริยธรรมป้องกันการกักเก็บการเปลี่ยนแปลงที่เป็นประโยชน์

### คำถาม 14: วิธีอธิบายนัยสำคัญทางสถิติให้ stakeholder ที่ไม่ใช่นักเทคนิค?

**คำตอบที่คาดหวัง:** นัยสำคัญทางสถิติหมายความว่าความแตกต่างที่สังเกตได้ไม่น่าจะเกิดขึ้นโดยบังเอิญ P-value ต่ำกว่า 0.05 บ่งชี้ว่ามีความน่าจะเป็นน้อยกว่า 5% ที่ผลลัพธ์เกิดขึ้นโดยสุ่ม

การเปรียบเทียบ: โยนเหรียญ 10 ครั้งและได้หัว 7 ครั้งอาจเป็นบังเอิญ การได้หัว 95 ครั้งจาก 100 ครั้งมีนัยสำคัญทางสถิติเพราะบังเอิญเพียงอย่างเดียวไม่สามารถอธิบายได้

### คำถาม 15: ความแตกต่างระหว่างความสัมพันธ์และสาเหตุคืออะไร?

**คำตอบที่คาดหวัง:** ความสัมพันธ์วัดว่าตัวแปรสองตัวเคลื่อนที่ไปด้วยกันอย่างไร สาเหตุหมายความว่าตัวแปรหนึ่งส่งผลโดยตรงต่ออีกตัวหนึ่ง ยอดขายไอศกรีมและการจมน้ำเสียชีวิตมีความสัมพันธ์กัน (ทั้งคู่เพิ่มขึ้นในฤดูร้อน) แต่ไอศกรีมไม่ได้ทำให้เกิดการจมน้ำ

การสร้างสาเหตุต้องการ:
- ลำดับก่อนหลังทางเวลา (สาเหตุมาก่อนผล)
- ความสัมพันธ์
- การกำจัดตัวแปรรบกวน (การทดลองควบคุมแบบสุ่ม)

## คำถามประเมินทักษะทางเทคนิค

คำถามเหล่านี้ทดสอบความชำนาญเครื่องมือเฉพาะที่คาดหวังในตลาดอิตาลี

### คำถาม 16: เปรียบเทียบ Power BI และ Tableau สำหรับ enterprise analytics

บริษัทอิตาลี โดยเฉพาะในภาคการธนาคารและสาธารณูปโภค ใช้ Power BI มากเนื่องจากการรวมระบบ Microsoft ความแตกต่างหลัก:

| ด้าน | Power BI | Tableau |
|--------|----------|--------|
| ต้นทุน | ต่ำกว่า (รวม Office 365) | ค่าลิขสิทธิ์สูงกว่า |
| เส้นโค้งการเรียนรู้ | ง่ายกว่าสำหรับผู้ใช้ Excel | ชันกว่า มีพลังมากกว่า |
| การเตรียมข้อมูล | Power Query ในตัว | Prep ต้องการเครื่องมือแยก |
| Visualization | ดี กำลังปรับปรุง | ดีที่สุดในกลุ่ม |
| การนำไปใช้ระดับองค์กร | สูงกว่าในอิตาลี | พบได้ทั่วไปในบริษัทข้ามชาติ |

### คำถาม 17: DAX คืออะไร และให้ตัวอย่าง measure

**คำตอบที่คาดหวัง:** DAX (Data Analysis Expressions) เป็นภาษาสูตรของ Power BI สำหรับการคำนวณ Measure คำนวณค่าแบบไดนามิกตาม filter context

```
// 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)
```

### คำถาม 18: อธิบาย ETL และความสำคัญใน analytics

**คำตอบที่คาดหวัง:** ETL ย่อมาจาก Extract, Transform, Load ข้อมูลเคลื่อนย้ายจากระบบต้นทาง (ERP, CRM, web logs) ผ่านการแปลง (การทำความสะอาด, aggregation, joining) เข้าสู่ data warehouse เพื่อการวิเคราะห์

ทางเลือกสมัยใหม่รวมถึง ELT (โหลดข้อมูลดิบก่อน แปลงใน warehouse) และเครื่องมือเช่น [dbt](/blog/data-analytics/dbt-data-analysts-modeling-testing-interview-2026) ที่แยก transformation logic ออกจาก orchestration

### คำถาม 19: ความแตกต่างระหว่างระบบ OLTP และ OLAP คืออะไร?

| ด้าน | OLTP | OLAP |
|--------|------|------|
| วัตถุประสงค์ | การประมวลผลธุรกรรม | Query เชิงวิเคราะห์ |
| Data model | Normalized (3NF) | Denormalized (star/snowflake) |
| ประเภท query | ง่าย บ่อย | ซับซ้อน aggregate |
| ปริมาณข้อมูลต่อ query | เล็ก | ใหญ่ |
| ตัวอย่าง | การบันทึกคำสั่งซื้อ ธนาคาร | Data warehouse รายงาน BI |

### คำถาม 20: วิธีเพิ่มประสิทธิภาพ SQL query ที่ช้า?

**คำตอบที่คาดหวัง:** ปฏิบัติตามแนวทางที่เป็นระบบ:

1. **วิเคราะห์ execution plan**: ระบุ full table scan, index ที่หายไป
2. **เพิ่ม index ที่เหมาะสม**: บนคอลัมน์ใน WHERE, JOIN, ORDER BY
3. **เขียน pattern ที่ไม่มีประสิทธิภาพใหม่**: แทนที่ correlated subquery ด้วย JOIN
4. **จำกัดข้อมูลแต่เนิ่นๆ**: กรองก่อน join ตารางใหญ่
5. **ใช้ query hints อย่างประหยัด**: เฉพาะเมื่อ optimizer เลือกไม่ดี

```sql
-- 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;
```

## คำถามพฤติกรรมและตามสถานการณ์

ผู้สัมภาษณ์ชาวอิตาลีประเมินความเข้ากันได้ทางวัฒนธรรมและทักษะการสื่อสารควบคู่ไปกับความสามารถทางเทคนิค

### คำถาม 21: อธิบายครั้งที่การวิเคราะห์ของคุณขัดแย้งกับสิ่งที่ stakeholder คาดหวัง

**โครงสร้างคำตอบที่แข็งแกร่ง:**
- สถานการณ์: stakeholder เชื่ออะไร
- การวิเคราะห์: ข้อมูลแสดงอะไรจริงๆ
- การสื่อสาร: ผลการค้นพบถูกนำเสนออย่างมีการทูตอย่างไร
- ผลลัพธ์: การตัดสินใจอะไรถูกทำและผลกระทบ

พฤติกรรมหลักที่ผู้สัมภาษณ์มองหา: ความซื่อสัตย์ทางปัญญา การสื่อสารอย่างมีการทูต และการยืนหยัดในข้อสรุปที่ขับเคลื่อนด้วยข้อมูล

### คำถาม 22: วิธีจัดลำดับความสำคัญของคำขอข้อมูลเร่งด่วนหลายรายการ?

**คำตอบที่คาดหวัง:**
- ประเมินผลกระทบทางธุรกิจของแต่ละคำขอ
- ชี้แจงกำหนดเวลาและเจรจาเมื่อเป็นไปได้
- ระบุ quick wins vs การวิเคราะห์เชิงลึก
- สื่อสาร timeline ที่สมจริงอย่างกระตือรือร้น
- ยกระดับข้อจำกัดทรัพยากรต่อฝ่ายบริหาร

### คำถาม 23: วิธีรับรองคุณภาพข้อมูลในการวิเคราะห์?

**คำตอบที่คาดหวัง:**
- ตรวจสอบข้อมูลต้นทางก่อนการวิเคราะห์ (null check, range check, referential integrity)
- บันทึกสมมติฐานอย่างชัดเจน
- Cross-reference หลายแหล่งข้อมูล
- ใช้การตรวจสอบคุณภาพข้อมูลอัตโนมัติ
- ตรวจสอบ outlier ด้วยตนเองก่อนยกเว้น

### คำถาม 24: อธิบายแนวทางการเรียนรู้เครื่องมือหรือเทคโนโลยีใหม่

**คำตอบที่คาดหวัง:**
- เริ่มต้นด้วยเอกสารอย่างเป็นทางการและ tutorial
- สร้างโปรเจกต์เล็กๆ เพื่อใช้แนวคิด
- เข้าร่วมชุมชน (Reddit, Stack Overflow, meetup ท้องถิ่น)
- สอนผู้อื่นเพื่อเสริมความเข้าใจ

## คำถามเฉพาะอุตสาหกรรมสำหรับตลาดอิตาลี

### คำถาม 25: กฎระเบียบอะไรที่ส่งผลกระทบต่อ data analytics ในอิตาลี?

**คำตอบที่คาดหวัง:** GDPR เป็นกฎระเบียบหลัก ข้อกำหนดหลักรวมถึง:
- ความยินยอมที่ชัดเจนสำหรับการประมวลผลข้อมูลส่วนบุคคล
- สิทธิ์ในการลบ (คำขอลบข้อมูล)
- การลดข้อมูล (รวบรวมเฉพาะข้อมูลที่จำเป็น)
- การประเมินผลกระทบความเป็นส่วนตัวสำหรับการประมวลผลที่มีความเสี่ยงสูง

เฉพาะภาค: การธนาคารอิตาลี (ข้อบังคับ Bank of Italy), สาธารณสุข (กฎหมายอิตาลีที่เทียบเท่า HIPAA), ภาครัฐ (แนวทาง CAD และ AGID)

### คำถาม 26: วิธีจัดการ PII ใน dataset เชิงวิเคราะห์?

**คำตอบที่คาดหวัง:**
- Pseudonymization: แทนที่ identifier ด้วย token
- Aggregation: รายงานที่ระดับกลุ่ม ไม่ใช่รายบุคคล
- Data masking: ซ่อนส่วนที่ละเอียดอ่อน (email: a***@gmail.com)
- การควบคุมการเข้าถึง: สิทธิ์ตามบทบาทสำหรับข้อมูลที่ละเอียดอ่อน
- นโยบายการเก็บรักษา: ลบข้อมูลเมื่อไม่จำเป็นอีกต่อไป

### คำถาม 27: ประสบการณ์กับแพลตฟอร์มข้อมูล cloud?

บริษัทอิตาลีใช้แพลตฟอร์ม cloud มากขึ้น พบได้ทั่วไปในตลาด:
- [Google BigQuery](/technologies/data-analytics/interview-questions/bigquery-advanced) (Google Cloud)
- Amazon Redshift (AWS)
- Azure Synapse (การรวมระบบ Microsoft)
- Snowflake (cloud-agnostic)

### คำถาม 28: วิธีสื่อสารผลการวิเคราะห์ให้ผู้บริหาร?

**คำตอบที่คาดหวัง:**
- นำด้วยคำแนะนำ ไม่ใช่วิธีการ
- ใช้ visualization ที่ผู้บริหารสามารถตีความได้ในไม่กี่วินาที
- ระบุผลกระทบทางธุรกิจเป็นตัวเลข (รายได้ ต้นทุน ความเสี่ยง)
- คาดการณ์คำถามและเตรียมสไลด์สำรอง
- หลีกเลี่ยงศัพท์เฉพาะ; แปลคำศัพท์ทางเทคนิค

### คำถาม 29: เมตริกอะไรที่จะติดตามสำหรับธุรกิจ e-commerce?

**คำตอบที่คาดหวัง:**
- **การได้มา**: แหล่ง traffic, cost per acquisition
- **พฤติกรรม**: bounce rate, pages per session, time on site
- **การแปลง**: conversion rate ตามขั้นตอน funnel, cart abandonment
- **การรักษา**: repeat purchase rate, customer lifetime value
- **รายได้**: average order value, revenue per visitor

### คำถาม 30: วิธีติดตามเทรนด์ data analytics?

**คำตอบที่คาดหวัง:**
- ติดตามสิ่งพิมพ์ในอุตสาหกรรม: Towards Data Science, Analytics Vidhya
- เข้าร่วมการแข่งขัน Kaggle
- เข้าร่วมการประชุม: PyData, meetup data science ท้องถิ่นในมิลานหรือโรม
- อ่านเอกสารสำหรับเครื่องมือรุ่นใหม่
- ทดลองกับเทคโนโลยีใหม่ในโปรเจกต์ส่วนตัว

## กลยุทธ์การเตรียมตัวสำหรับการสัมภาษณ์ Data Analyst ในอิตาลี 2026

- **ความเชี่ยวชาญ SQL**: ฝึกบน [LeetCode Database problems](https://leetcode.com/problemset/database/) และ StrataScratch บริษัทอิตาลีทดสอบ JOIN, window functions และ CTE มาก
- **ความชำนาญ Python**: ทำแบบฝึกหัด pandas บน [Kaggle](https://www.kaggle.com/learn/pandas) เน้น data cleaning และ aggregation
- **ความคุ้นเคยกับเครื่องมือ**: ทักษะ Power BI มีค่ามากใน enterprise อิตาลี Tableau พบได้ทั่วไปในบริษัทข้ามชาติ
- **บริบททางธุรกิจ**: เตรียมตัวอย่างจากงานก่อนหน้าที่แสดงการแปลคำถามทางธุรกิจเป็นแนวทางเชิงวิเคราะห์
- **ภาษาอิตาลี**: แม้ว่าบริษัทเทคโนโลยีหลายแห่งดำเนินงานเป็นภาษาอังกฤษ ความคล่องแคล่วภาษาอิตาลีปรับปรุงโอกาสในอุตสาหกรรมดั้งเดิม (ธนาคาร การผลิต สาธารณูปโภค)

---

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