İtalya'da Data Analyst Mülakat Soruları 2026: İleri SQL, Python ve Vaka Çalışmaları

İtalya'daki Data Analyst mülakatları, diğer Avrupa pazarlarından farklı yapılandırılmış bir format izler. Milano'daki fintech startup'larından Roma'nın köklü şirketlerine kadar İtalyan işletmeleri, SQL yetkinliği, Python veri manipülasyonu ve iş vakası muhakemesine özel önem verir. Bu rehber, adayların 2026 yılında karşılaştığı gerçek soruları kapsar.

İtalyan Şirketlerin 2026'da Sorduğu SQL Soruları

SQL, İtalya'daki her Data Analyst mülakatının temelini oluşturmaya devam ediyor. Intesa Sanpaolo, Enel ve UniCredit gibi şirketler, ilk teknik görüşmeden önce standartlaştırılmış SQL değerlendirmeleri uygular. Aşağıdaki sorular Milano, Roma ve Torino'da gerçekleştirilen gerçek mülakatlardan alınmıştır.

Sıralama ve Kümülatif Toplamlar için Pencere Fonksiyonları

Pencere fonksiyonları, İtalyan Data Analyst mülakatlarının %80'inde karşımıza çıkar. Bu soru, kümülatif gelir hesaplamasını test eder:

-- 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;

ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW cümlesi burada açıkça belirtilmiştir. PostgreSQL ve MySQL 8+ ORDER BY ile bu davranışı varsayılan olarak uygulasa da, mülakatçılar adayların çerçeve sınırları konusunda farkındalık göstermesini bekler. BigQuery'de bu ifadenin atlanması, yinelenen değerlerde farklı sonuçlar üretebilir.

Çok Adımlı Analiz için CTE'ler

Common Table Expressions (CTE'ler), adayın karmaşık sorunları parçalara ayırma becerisini test eder. İtalyan mülakatçılar bu kalıbı tercih eder çünkü analistlerin çalışmalarını belgeleme şeklini yansıtır:

-- 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;

CTE yaklaşımı, toplama adımını pencere fonksiyonu adımından ayırır. Bu, LAG'ın ne zaman değerlendirildiği konusundaki kafa karışıklığını önler — analistler bu işlemleri tek bir sorguda birleştirmeye çalıştığında sık karşılaşılan bir hata kaynağı.

Mülakatlarda kullanılan daha fazla SQL kalıbı için SQL Window Functions modülüne bakılabilir.

İtalyan Mülakatlarında Python Pandas Soruları

Python, İtalya'daki Data Analyst pozisyonlarında veri manipülasyonu için beklenen araç olarak Excel'in önüne geçti. Şirketler özellikle pandas'ı test eder çünkü bu, adayların gerçek dünya veri temizleme görevlerini nasıl ele aldığını ortaya koyar.

Veri Temizleme ve Tür Dönüşümü

Bu soru İtalyan e-ticaret şirketlerindeki mülakatlarda ortaya çıkar ve pratik veri hazırlığını test eder:

# 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

İtalyan sayı formatı (binlik ayırıcı olarak nokta, ondalık ayırıcı olarak virgül), yalnızca ABD formatındaki verilerle pratik yapan adayları şaşırtır. errors='coerce' parametresi, ayrıştırılamayan tarihleri istisna fırlatmak yerine NaT'ye dönüştürür — bu, üretim pipeline'larında beklenen davranıştır.

Çoklu Agregasyonlarla GroupBy

Bu soru, pandas agregasyon kalıplarının anlaşılmasını test eder:

# 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

İsimlendirilmiş agregasyon söz dizimi (recency=('order_date', lambda x: ...)) pandas 0.25'te ortaya çıktı ve 2026'da tercih edilen yaklaşım olmaya devam ediyor. İtalyan mülakatçılar, adayların kullanımdan kaldırılmış agg({'column': 'function'}) sözlük söz dizimi yerine bunu kullanıp kullanmadığını özellikle kontrol eder.

Python Pandas Basics modülü mülakat hazırlığı için ek kalıplar içerir.

İtalyan Şirketlerden Vaka Çalışması Soruları

İtalyan mülakatları, Data Analyst pozisyonlarının %70'inde vaka çalışması turu içerir. Aday bir veri seti (genellikle anonimleştirilmiş şirket verileri) alır ve 24-48 saat içinde bulgularını sunmalıdır.

E-Ticaret Dönüşüm Analizi

Bir İtalyan moda e-ticaret şirketinden tipik bir vaka çalışması:

"Ekli 50.000 kullanıcı oturumu veri setini analiz edin. Mobil dönüşümün Ağustos'ta Temmuz'a kıyasla neden %15 düştüğünü belirleyin. Üç uygulanabilir öneri sunun."

Beklenen çıktılar:

1. Cihaz türüne göre huni dökümü: Her aşamada (iniş, ürün görüntüleme, sepete ekleme, ödeme, satın alma) masaüstü ile mobili karşılaştırma
2. Segment analizi: Düşüşün tüm trafik kaynaklarını mı yoksa belirli kanalları mı etkilediğini kontrol etme (ücretli sosyal medya genellikle mobilde daha düşük performans gösterir)
3. Teknik inceleme: Düşüşle eş zamanlı olan sayfa yüklenme süresi artışları, hata oranları veya UI değişiklikleri arama

# 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

İtalyan mülakatçılar sunumu analiz kadar değerlendirir. Bulguları belirli rakamlarla "sorun, kanıt, öneri" şeklinde yapılandırmak, uzun keşifsel anlatımı yener.

Finansal Hizmetlerde Risk Değerlendirmesi

Intesa Sanpaolo ve UniCredit gibi bankalar risk metriklerine odaklanan vaka çalışmaları kullanır:

"Sağlanan kredi veri setini kullanarak, temerrüt riskini tahmin etmek için basit bir skorlama modeli oluşturun. Özellik seçimi gerekçenizi açıklayın."

Bu şunların anlaşılmasını test eder:

• Özellik mühendisliği: Borç-gelir oranı, ödeme geçmişi agregasyonu, kredi kullanımı
• Dengesiz veri işleme: Temerrüt oranları tipik olarak %2-5'tir, bu da katmanlı örnekleme veya oversampling tekniklerini gerektirir
• Düzenleyici farkındalık: İtalyan bankacılık düzenlemeleri (Banca d'Italia yönergeleri) açıklanabilir modeller gerektirir, bu nedenle kara kutu yaklaşımları daha düşük puan alır

İtalyan Mülakatçıların Teknik Becerilerin Ötesinde Aradıkları

Teknik beceriler adayları final turuna taşır. Kültürel uyum teklifi belirler. İtalyan şirketler şunları değerlendirir:

İletişim tarzı: İtalyanlar ilişki kurmaya değer verir. "Sadede gelmek" için sohbeti aceleye getirmek kaba olarak algılanır. Tanışmalar sırasında zaman ayırmak gerekir.

İş birliği sinyalleri: "Bir paydaşla anlaşamadığın bir durumu anlat" gibi sorular, adayların Nordik veya ABD şirketlerinden daha resmi olma eğiliminde olan İtalyan iş yeri hiyerarşilerinde gezinip gezinemeyeceğini test eder.

Alan merakı: Şirketin sektörü hakkında bilinçli sorular sormak hazırlık gösterir. Luxottica'da mülakata giren bir analist, gözlük pazarı dinamiklerini anlamalıdır. Ferrari'de lüks otomotiv metrikleri bilgisi önemlidir.

Maaş Beklentileri ve 2026 Pazar Bağlamı

2026 yılında İtalya'daki Data Analyst maaşları, Glassdoor ve LinkedIn verilerine göre:

Milano, finansal hizmetler ve teknoloji şirketlerinin yoğunlaşması nedeniyle diğer İtalyan şehirlerinden %15-20 daha fazla ödeme yapar. Uluslararası şirketlerdeki remote-first roller, pan-Avrupa yetenekleri için rekabet ettiklerinden genellikle yerel oranları aşar.

İtalyan contratto a tempo indeterminato (belirsiz süreli sözleşme) tercih edilen istihdam türü olmaya devam ediyor. Belirli süreli sözleşmeler (tempo determinato), mevcut iş hukuku uyarınca 24 aydan sonra kalıcı hale geçer.

İtalyan Data Analyst Mülakatlarına Hazırlanma: Temel Çıkarımlar

• SQL pencere fonksiyonları ve CTE'ler teknik testlerin %80'inde görülür. Genel öğreticiler yerine yukarıda gösterilen belirli kalıplar üzerinde pratik yapılmalıdır
• Python pandas soruları İtalyan formatlarıyla (ondalık virgül, Avrupa tarihleri) veri temizleme ve isimlendirilmiş söz dizimli groupby agregasyonlarına odaklanır
• Vaka çalışmaları, nicelleştirilmiş önerilerle yapılandırılmış sunumlar gerektirir. "Dönüşümü %X artır" ifadesi, "kullanıcı deneyimini iyileştir" ifadesini yener
• Teknik test genellikle Codility veya HackerRank'ta 60-90 dakika sürer. Süre dolmadan önce bitirebilmek için zamanlı kodlama pratiği yapılmalıdır
• Kültürel uyum, İtalyan mülakatlarında ABD veya İngiltere süreçlerinden daha önemlidir. İlişki kurma sorularına hazırlanılmalıdır
• Yetenek kıtlığı nedeniyle 2026'da maaşlar %8-12 arttı. Hem SQL hem de Python becerisine sahip adaylar prim teklifler alıyor

Ek mülakat hazırlığı için Data Analytics Interview Questions rehberi daha geniş konuları kapsar ve SQL Window Functions makalesi daha derin SQL pratiği sağlar.