# Data Analyst Mülakat Soruları İtalya 2026: SQL, Python ve Analitik

> İtalya iş piyasasında 2026 yılında veri analistleri için kapsamlı mülakat rehberi. SQL, Python pandas, Power BI ve iş senaryoları ile ilgili sorular ve cevaplar.

- Published: 2026-08-26
- Updated: 2026-08-26
- Author: Anthony Fillion-Maillet
- Reading time: 5 min

---

İtalya'da 2026 yılı data analyst mülakat soruları, SQL yetkinliği, Python veri manipülasyonu ve iş problemlerini analitik çözümlere dönüştürme becerisi üzerine yoğunlaşmaktadır. Milano, Roma ve Bologna'da 600'den fazla açık pozisyon ile Prometeia, Bending Spoons ve ABB gibi şirketler, adaylardan hem teknik derinlik hem de iş anlayışı beklemektedir.

> **İtalya Pazarı Özellikleri**
>
> İtalyan işverenler SQL ve Power BI becerilerine öncelik vermektedir. Pandas ile Python yetkinliği, özellikle Milano'daki teknoloji şirketlerinde adayları öne çıkarmaktadır. Giriş seviyesi maaşlar 28.000 ile 39.000 EUR arasında değişirken, kıdemli roller 80.000+ EUR'ya ulaşabilmektedir.

## Her Data Analyst Mülakatında Karşılaşılan SQL Soruları

SQL, İtalya'daki veri analisti mülakatlarının temelini oluşturmaktadır. Italgas ve Philip Morris gibi şirketlerdeki işe alım yöneticileri, adayları JOIN'ler, agregasyonlar ve pencere fonksiyonları konusunda test etmektedir. Bu sorular, adayın ilişkisel veritabanlarından anlamlı içgörüler çıkarıp çıkaramayacağını değerlendirmektedir.

### Soru 1: INNER JOIN ve LEFT JOIN arasındaki farkı pratik bir örnekle açıklayın

**Beklenen cevap:** INNER JOIN, yalnızca her iki tabloda eşleşme bulunan satırları döndürür. LEFT JOIN, sol tablodaki tüm satırları ve sağ tablodaki eşleşen satırları döndürür; eşleşme olmayan yerlerde NULL değerleri gösterir.

```sql
-- orders_analysis.sql
-- Tüm müşterileri ve siparişlerini bulun (siparişi olmayan müşteriler dahil)
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;

-- Sonuç: Siparişi olmayan müşteriler NULL order_id ve order_total ile görünür
-- INNER JOIN bu müşterileri tamamen hariç tutardı
```

Mülakatçılar, NULL değerlerinin ne zaman ortaya çıktığını anlayan ve bir birleştirme türünü diğerine tercih etmenin iş bağlamını açıklayabilen adaylar aramaktadır.

### Soru 2: Bir tablodaki en yüksek ikinci maaşı bulan bir sorgu yazın

Bu soru, alt sorgular, DISTINCT ve sonuç sınırlama bilgisini test etmektedir. Birden fazla geçerli yaklaşım mevcuttur.

```sql
-- salary_analysis.sql
-- Yaklaşım 1: MAX ile alt sorgu kullanımı
SELECT MAX(salary) AS second_highest
FROM employees
WHERE salary < (SELECT MAX(salary) FROM employees);

-- Yaklaşım 2: DENSE_RANK pencere fonksiyonu kullanımı
SELECT salary AS second_highest
FROM (
    SELECT salary, DENSE_RANK() OVER (ORDER BY salary DESC) AS rank
    FROM employees
) ranked
WHERE rank = 2;
```

Pencere fonksiyonu yaklaşımı eşitlikleri doğru şekilde ele almaktadır. Üç çalışan aynı en yüksek maaşı paylaşıyorsa, DENSE_RANK yine de gerçek ikinci en yüksek değeri döndürür. ROW_NUMBER kullanmak farklı sonuçlar verir, bu da [SQL pencere fonksiyonları](/technologies/data-analytics/interview-questions/sql-window-functions) anlayışını göstermektedir.

### Soru 3: Tekrar eden kayıtları nasıl tanımlar ve işlersiniz?

**Beklenen cevap:** Tekrarları belirlemek için GROUP BY ile HAVING COUNT(*) > 1 kullanın. Yaklaşım iş kuralına bağlıdır: ilk kaydı tutmak, en güncelini tutmak veya bilgileri birleştirmek.

```sql
-- duplicate_detection.sql
-- Tekrar eden e-posta adreslerini bulun
SELECT email, COUNT(*) AS occurrence_count
FROM users
GROUP BY email
HAVING COUNT(*) > 1;

-- Her e-posta için yalnızca en erken kaydı tutun
DELETE FROM users
WHERE id NOT IN (
    SELECT MIN(id)
    FROM users
    GROUP BY email
);
```

### Soru 4: CTE'leri açıklayın ve bunları alt sorgular yerine ne zaman kullanacağınızı belirtin

Common Table Expressions sorgu okunabilirliğini artırır ve özyinelemeli sorgulara izin verir. İtalyan mülakatçılar sıklıkla adaylardan karmaşık bir alt sorguyu CTE'ye dönüştürmelerini ister.

```sql
-- revenue_analysis.sql
-- Aylık gelir hesaplaması için CTE
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'ler, tekrarlanması gereken alt sorguların aksine aynı sorgu içinde yeniden kullanılabilir. Bu, veri analisti rollerinde yaygın olan karmaşık analitik sorgular için önemlidir.

### Soru 5: WHERE ve HAVING arasındaki fark nedir?

**Beklenen cevap:** WHERE, agregasyondan önce satırları filtreler; HAVING, agregasyondan sonra grupları filtreler. WHERE, agregat fonksiyonlara referans veremez; HAVING verebilir.

```sql
-- sales_filter.sql
-- WHERE bireysel satırları filtreler
SELECT region, SUM(sales) AS total_sales
FROM transactions
WHERE transaction_date >= '2026-01-01'  -- Önce satırları filtrele
GROUP BY region
HAVING SUM(sales) > 100000;              -- Sonra agregat grupları filtrele
```

## Data Analyst Rolleri İçin Python ve Pandas Soruları

Milano'daki teknoloji şirketleri, özellikle Bending Spoons ve Amazon Italy, Python yetkinliği beklemektedir. Bu sorular, pandas ile veri manipülasyonu ve temel görselleştirme becerilerini değerlendirmektedir.

### Soru 6: Pandas DataFrame'de eksik değerleri nasıl işlersiniz?

**Beklenen cevap:** Yaklaşım, veri türüne ve iş bağlamına bağlıdır. Seçenekler arasında satırları silmek, ortalama/medyan/mod ile doldurmak, zaman serileri için ileri doldurma veya interpolasyon yer almaktadır.

```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']
})

# Her sütun için eksik değerleri kontrol edin
print(df.isnull().sum())

# Sayısal değerleri medyan ile doldurun (aykırı değerlere karşı dayanıklı)
df['sales'] = df['sales'].fillna(df['sales'].median())

# Kategorik değerleri mod ile doldurun
df['category'] = df['category'].fillna(df['category'].mode()[0])

# Zaman serileri için: ileri doldurma
df['sales_ffill'] = df['sales'].ffill()
```

Mülakatçılar, adayların körü körüne satır silmenin bilgi kaybına yol açtığını ve doldurma stratejisinin analitik hedefle uyumlu olması gerektiğini anlayıp anlamadığını değerlendirmektedir.

### Soru 7: Pandas'ta merge, join ve concat arasındaki farkı açıklayın

**Beklenen cevap:** `merge()`, DataFrame'leri sütunlar veya indeksler üzerinde birleştirir (SQL tarzı birleştirmeler). `join()`, indeks tabanlı birleştirmeler için bir kolaylık metodudur. `concat()`, DataFrame'leri eşleştirme yapmadan dikey veya yatay olarak yığınlar.

```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: sütun üzerinde SQL tarzı birleştirme
merged = pd.merge(orders, customers, on='customer_id', how='left')

# concat: DataFrame'leri yığınlama
df1 = pd.DataFrame({'A': [1, 2]})
df2 = pd.DataFrame({'A': [3, 4]})
stacked = pd.concat([df1, df2], ignore_index=True)
```

### Soru 8: Birden fazla agregasyonla group-by işlemi nasıl gerçekleştirirsiniz?

```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]
})

# Adlandırılmış sütunlarla birden fazla agregasyon
result = df.groupby('region').agg(
    total_sales=('sales', 'sum'),
    avg_sales=('sales', 'mean'),
    total_quantity=('quantity', 'sum'),
    transaction_count=('sales', 'count')
).reset_index()
```

Bu sözdizimi (adlandırılmış agregasyon) pandas 1.0+ sürümünde standart haline geldi ve [pandas 3.0](/blog/data-analytics/pandas-3-new-apis-breaking-changes-interview)'da güncel kalmaya devam etmektedir. Mülakatçılar, adayların eski sözlük tabanlı yaklaşım yerine bunu kullanmasını beklemektedir.

### Soru 9: Aydan aya büyüme oranını hesaplayan kod yazın

```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]
})

# Yüzde değişimini hesaplayın
df['mom_growth'] = df['revenue'].pct_change() * 100

# Alternatif: netlik için manuel hesaplama
df['prev_revenue'] = df['revenue'].shift(1)
df['growth_manual'] = ((df['revenue'] - df['prev_revenue']) / df['prev_revenue']) * 100
```

### Soru 10: Pandas'ta veriyi nasıl pivot edersiniz?

```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: satırlar=tarih, sütunlar=bölge, değerler=satış
pivot_table = df.pivot(index='date', columns='region', values='sales')

# Tekrarlar olduğunda agregasyon için pivot_table
agg_pivot = pd.pivot_table(df, values='sales', index='date', 
                           columns='region', aggfunc='sum')
```

## İş Analitiği ve Problem Çözme Soruları

İtalyan şirketler, özellikle finans (Prometeia) ve üretim (ABB) sektörlerinde, salt kodlamanın ötesinde analitik düşünmeyi test etmektedir. Bu sorular, adayların problemleri nasıl çerçevelediklerini ve bulguları nasıl ilettiklerini değerlendirmektedir.

### Soru 11: Bir pazarlama kampanyasının başarısını nasıl ölçersiniz?

**Beklenen cevap:** Kampanya başlamadan önce KPI'ları tanımlayın. Yaygın metrikler arasında dönüşüm oranı, müşteri edinme maliyeti (CPA), reklam harcamalarının getirisi (ROAS) ve müşteri yaşam boyu değeri (CLV) yer almaktadır. Kontrol grubu veya tarihsel temel çizgiyle karşılaştırın.

Güçlü bir cevap şunları içerir:
- Kampanya lansmanından önceki temel metrikler
- Atıf modeli seçimi (first-touch, last-touch, multi-touch)
- Sonuçlar için istatistiksel anlamlılık testi
- Kanal, hedef kitle veya coğrafyaya göre segmentasyon

### Soru 12: Bir ürün yöneticisi bu ay gelirin %15 düştüğünü bildiriyor. Bunu nasıl araştırırsınız?

**Beklenen cevap:** Problemi sistematik olarak ayrıştırın:

1. **Veriyi doğrulayın**: Veri kalitesi sorunlarını, eksik kayıtları veya raporlama gecikmelerini kontrol edin
2. **Segment analizi**: Ürün, bölge, müşteri segmenti, kanal bazında ayırın
3. **Değişkeni izole edin**: Hacim mi düştü, fiyat mı değişti, mix mi kaydı belirleyin
4. **Dış faktörler**: Mevsimsellik, rakip eylemleri, ekonomik olayları kontrol edin
5. **Diğer metriklerle korelasyon**: Web sitesi trafiği, dönüşüm oranı, sepet terk etme

### Soru 13: A/B testini açıklayın ve ne zaman kullanılmaması gerektiğini belirtin

**Beklenen cevap:** A/B testi, nedensel etkiyi ölçmek için iki varyantı (kontrol vs. işlem) karşılaştırır. Rastgele atama, yeterli örneklem boyutu ve tek bir ilgi metriği gerektirir.

A/B testi şu durumlarda kullanılmamalıdır:
- İstatistiksel güç için örneklem boyutu yetersiz olduğunda
- Değişiklik tüm kullanıcıları etkilediğinde (altyapı, fiyatlandırma)
- Ağ etkileri mevcut olduğunda (kullanıcıların birbirini etkilediği sosyal özellikler)
- Etik kaygılar yararlı bir değişikliği askıya almayı engellediğinde

### Soru 14: İstatistiksel anlamlılığı teknik olmayan bir paydaşa nasıl açıklarsınız?

**Beklenen cevap:** İstatistiksel anlamlılık, gözlemlenen farkın rastgele şansla gerçekleşmesinin muhtemel olmadığı anlamına gelir. 0.05'in altındaki bir p-değeri, sonucun rastgele gerçekleşme olasılığının %5'ten az olduğunu gösterir.

Analoji: Bir madeni parayı 10 kez atıp 7 tura gelmesi şans olabilir. 100 atıştan 95 tura gelmesi istatistiksel olarak anlamlıdır çünkü tek başına şans bunu açıklayamaz.

### Soru 15: Korelasyon ve nedensellik arasındaki fark nedir?

**Beklenen cevap:** Korelasyon, iki değişkenin birlikte nasıl hareket ettiğini ölçer. Nedensellik, bir değişkenin diğerini doğrudan etkilediği anlamına gelir. Dondurma satışları ve boğulmalar korelasyon gösterir (her ikisi de yazın artar), ancak dondurma boğulmaya neden olmaz.

Nedenselliği kurmak şunları gerektirir:
- Zamansal öncelik (neden etkiden önce gelir)
- Korelasyon
- Karıştırıcı değişkenlerin eliminasyonu (randomize kontrollü deney)

## Teknik Beceri Değerlendirme Soruları

Bu sorular, İtalya pazarında beklenen belirli araç yetkinliğini test etmektedir.

### Soru 16: Kurumsal analitik için Power BI ve Tableau'yu karşılaştırın

İtalyan şirketleri, özellikle bankacılık ve kamu hizmetlerinde, Microsoft ekosistem entegrasyonu nedeniyle Power BI'ı yoğun şekilde kullanmaktadır. Temel farklar:

| Özellik | Power BI | Tableau |
|---------|----------|--------|
| Maliyet | Daha düşük (Office 365'e dahil) | Daha yüksek lisanslama |
| Öğrenme eğrisi | Excel kullanıcıları için daha kolay | Daha dik, daha güçlü |
| Veri hazırlama | Power Query yerleşik | Prep ayrı araç gerektirir |
| Görselleştirme | İyi, gelişiyor | Sınıfının en iyisi |
| Kurumsal benimseme | İtalya'da daha yüksek | Çok uluslu firmalarda yaygın |

### Soru 17: DAX nedir ve örnek bir ölçü verin

**Beklenen cevap:** DAX (Data Analysis Expressions), Power BI'ın hesaplamalar için formül dilidir. Ölçüler, filtre bağlamına göre değerleri dinamik olarak hesaplar.

```
// DAX'ta Yıldan Yıla Büyüme ölçüsü
YoY Growth % = 
VAR CurrentYearSales = SUM(Sales[Amount])
VAR PreviousYearSales = CALCULATE(
    SUM(Sales[Amount]),
    DATEADD(Calendar[Date], -1, YEAR)
)
RETURN
DIVIDE(CurrentYearSales - PreviousYearSales, PreviousYearSales, 0)
```

### Soru 18: ETL'i ve analitikte önemini açıklayın

**Beklenen cevap:** ETL, Extract, Transform, Load anlamına gelir. Veriler kaynak sistemlerden (ERP, CRM, web logları) dönüşüm yoluyla (temizleme, agregasyon, birleştirme) analiz için veri ambarına taşınır.

Modern alternatifler arasında ELT (önce ham veriyi yükle, ambarda dönüştür) ve dönüşüm mantığını orkestrasyondan ayıran [dbt](/blog/data-analytics/dbt-data-analysts-modeling-testing-interview-2026) gibi araçlar yer almaktadır.

### Soru 19: OLTP ve OLAP sistemleri arasındaki farklar nelerdir?

| Özellik | OLTP | OLAP |
|---------|------|------|
| Amaç | İşlem işleme | Analitik sorgular |
| Veri modeli | Normalize (3NF) | Denormalize (star/snowflake) |
| Sorgu türü | Basit, sık | Karmaşık, agregat |
| Sorgu başına veri hacmi | Küçük | Büyük |
| Örnekler | Sipariş girişi, bankacılık | Veri ambarı, BI raporları |

### Soru 20: Yavaş bir SQL sorgusunu nasıl optimize edersiniz?

**Beklenen cevap:** Sistematik bir yaklaşım izleyin:

1. **Yürütme planını analiz edin**: Tam tablo taramalarını, eksik indeksleri tanımlayın
2. **Uygun indeksler ekleyin**: WHERE, JOIN, ORDER BY'daki sütunlarda
3. **Verimsiz kalıpları yeniden yazın**: Korelasyonlu alt sorguları JOIN'lerle değiştirin
4. **Veriyi erken sınırlayın**: Büyük tabloları birleştirmeden önce filtreleyin
5. **Sorgu ipuçlarını dikkatli kullanın**: Yalnızca optimize edici kötü seçimler yaptığında

```sql
-- query_optimization.sql
-- Önce: korelasyonlu alt sorgu (yavaş)
SELECT * FROM orders o
WHERE o.total > (SELECT AVG(total) FROM orders WHERE customer_id = o.customer_id);

-- Sonra: pencere fonksiyonu (daha hızlı)
SELECT * FROM (
    SELECT *, AVG(total) OVER (PARTITION BY customer_id) AS avg_total
    FROM orders
) sub
WHERE total > avg_total;
```

## Davranışsal ve Senaryo Tabanlı Sorular

İtalyan mülakatçılar, teknik yeteneklerin yanı sıra kültürel uyumu ve iletişim becerilerini de değerlendirmektedir.

### Soru 21: Analizinizin paydaşların beklentileriyle çeliştiği bir durumu tanımlayın

**Güçlü cevap yapısı:**
- Durum: paydaşların neye inandığı
- Analiz: verilerin gerçekte ne gösterdiği
- İletişim: bulguların diplomatik olarak nasıl sunulduğu
- Sonuç: hangi kararın alındığı ve etkisi

Mülakatçıların aradığı temel davranışlar: entelektüel dürüstlük, diplomatik iletişim ve veriye dayalı sonuçlara bağlı kalmak.

### Soru 22: Birden fazla acil veri talebini nasıl önceliklendirirsiniz?

**Beklenen cevap:**
- Her talebin iş etkisini değerlendirin
- Son teslim tarihlerini netleştirin ve mümkün olduğunda müzakere edin
- Hızlı kazanımları derin analize karşı belirleyin
- Gerçekçi zaman çizelgelerini proaktif olarak iletin
- Kaynak kısıtlamalarını yönetime iletin

### Soru 23: Analizlerinizde veri kalitesini nasıl sağlarsınız?

**Beklenen cevap:**
- Analizden önce kaynak veriyi doğrulayın (null kontrolleri, aralık kontrolleri, referans bütünlüğü)
- Varsayımları açıkça belgeleyin
- Birden fazla veri kaynağını çapraz referansla doğrulayın
- Otomatik veri kalite kontrolleri uygulayın
- Aykırı değerleri hariç tutmadan önce manuel olarak inceleyin

### Soru 24: Yeni bir araç veya teknoloji öğrenme yaklaşımınızı tanımlayın

**Beklenen cevap:**
- Resmi dokümantasyon ve eğitimlerle başlayın
- Kavramları uygulamak için küçük bir proje oluşturun
- Topluluklara katılın (Reddit, Stack Overflow, yerel buluşmalar)
- Anlayışı pekiştirmek için başkalarına öğretin

## İtalya Pazarına Özgü Sorular

### Soru 25: İtalya'da veri analitiğini etkileyen düzenlemeler nelerdir?

**Beklenen cevap:** GDPR birincil düzenlemedir. Temel gereksinimler şunları içerir:
- Kişisel veri işleme için açık onay
- Silme hakkı (veri silme talepleri)
- Veri minimizasyonu (yalnızca gerekli verileri toplayın)
- Yüksek riskli işleme için gizlilik etki değerlendirmeleri

Sektöre özgü: İtalyan bankacılığı (Bank of Italy düzenlemeleri), sağlık (İtalyan HIPAA eşdeğeri yasalar), kamu sektörü (CAD ve AGID yönergeleri).

### Soru 26: Analitik veri setlerinde PII'yi nasıl işlersiniz?

**Beklenen cevap:**
- Takma adlandırma: tanımlayıcıları tokenlerle değiştirin
- Agregasyon: birey değil grup düzeyinde raporlayın
- Veri maskeleme: hassas kısımları gizleyin (e-posta: a***@gmail.com)
- Erişim kontrolleri: hassas veriler için rol tabanlı izinler
- Saklama politikaları: artık ihtiyaç duyulmadığında verileri silin

### Soru 27: Bulut veri platformlarıyla ne tür deneyiminiz var?

İtalyan şirketler giderek daha fazla bulut platformları kullanmaktadır. Pazarda yaygın olanlar:
- [Google BigQuery](/technologies/data-analytics/interview-questions/bigquery-advanced) (Google Cloud)
- Amazon Redshift (AWS)
- Azure Synapse (Microsoft ekosistem entegrasyonu)
- Snowflake (buluttan bağımsız)

### Soru 28: Analitik bulguları yöneticilere nasıl iletirsiniz?

**Beklenen cevap:**
- Metodoloji değil öneriyle başlayın
- Yöneticilerin saniyeler içinde yorumlayabileceği görselleştirmeler kullanın
- İş etkisini sayısallaştırın (gelir, maliyet, risk)
- Soruları önceden tahmin edin ve yedek slaytlar hazırlayın
- Jargondan kaçının; teknik terimleri çevirin

### Soru 29: Bir e-ticaret işletmesi için hangi metrikleri takip edersiniz?

**Beklenen cevap:**
- **Edinme**: trafik kaynakları, edinme başına maliyet
- **Davranış**: hemen çıkma oranı, oturum başına sayfa, sitede geçirilen süre
- **Dönüşüm**: huni aşamasına göre dönüşüm oranı, sepet terk etme
- **Elde tutma**: tekrar satın alma oranı, müşteri yaşam boyu değeri
- **Gelir**: ortalama sipariş değeri, ziyaretçi başına gelir

### Soru 30: Veri analitiği trendlerini nasıl takip ediyorsunuz?

**Beklenen cevap:**
- Sektör yayınlarını takip edin: Towards Data Science, Analytics Vidhya
- Kaggle yarışmalarına katılın
- Konferanslara katılın: PyData, Milano veya Roma'daki yerel veri bilimi buluşmaları
- Yeni araç sürümleri için dokümantasyon okuyun
- Kişisel projelerde yeni teknolojilerle deney yapın

## İtalya 2026 Data Analyst Mülakatları İçin Hazırlık Stratejisi

- **SQL ustalığı**: [LeetCode Database problemleri](https://leetcode.com/problemset/database/) ve StrataScratch'te pratik yapın. İtalyan şirketler JOIN'ler, pencere fonksiyonları ve CTE'leri yoğun şekilde test etmektedir
- **Python yetkinliği**: [Kaggle](https://www.kaggle.com/learn/pandas)'da pandas alıştırmalarını tamamlayın. Veri temizleme ve agregasyona odaklanın
- **Araç aşinalığı**: Power BI becerileri İtalyan işletmelerde yüksek değer görmektedir. Tableau çok uluslu şirketlerde yaygındır
- **İş bağlamı**: İş sorularını analitik yaklaşımlara dönüştürmeyi gösteren önceki iş örnekleri hazırlayın
- **İtalyanca dil**: Birçok teknoloji şirketi İngilizce çalışsa da, İtalyanca yetkinliği geleneksel sektörlerdeki (bankacılık, üretim, kamu hizmetleri) fırsatları artırmaktadır

---

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