Câu Hỏi Phỏng Vấn Data Analyst Tại Ý 2026: SQL Nâng Cao, Python và Case Study

Phỏng vấn Data Analyst tại Ý tuân theo một định dạng có cấu trúc khác biệt so với các thị trường châu Âu khác. Các công ty Ý, từ các startup fintech tại Milan đến các doanh nghiệp lâu đời ở Rome, đều nhấn mạnh khả năng SQL, thao tác dữ liệu Python và tư duy phân tích case study. Hướng dẫn này trình bày các câu hỏi thực tế mà ứng viên đối mặt trong năm 2026.

Câu Hỏi SQL Mà Các Công Ty Ý Đặt Ra Năm 2026

SQL vẫn là nền tảng của mọi cuộc phỏng vấn Data Analyst tại Ý. Các công ty như Intesa Sanpaolo, Enel và UniCredit sử dụng đánh giá SQL tiêu chuẩn trước cuộc gọi kỹ thuật đầu tiên. Các câu hỏi dưới đây đến từ các cuộc phỏng vấn thực tế được thực hiện tại Milan, Rome và Turin.

Window Functions Cho Xếp Hạng và Running Totals

Window functions xuất hiện trong 80% các cuộc phỏng vấn Data Analyst tại Ý. Câu hỏi này kiểm tra tính toán doanh thu tích lũy:

-- 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;

Mệnh đề ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW được viết rõ ràng ở đây. Mặc dù PostgreSQL và MySQL 8+ mặc định sử dụng hành vi này với ORDER BY, người phỏng vấn mong đợi ứng viên thể hiện sự hiểu biết về frame boundaries. Bỏ qua nó trong BigQuery có thể tạo ra kết quả khác với các giá trị trùng lặp.

CTEs Cho Phân Tích Nhiều Bước

Common Table Expressions (CTEs) kiểm tra khả năng chia nhỏ vấn đề phức tạp của ứng viên. Người phỏng vấn Ý ưa thích mẫu này vì nó phản ánh cách các analyst ghi chép công việc của họ:

-- 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;

Cách tiếp cận CTE tách bước aggregation khỏi bước window function. Điều này ngăn chặn sự nhầm lẫn về thời điểm LAG được đánh giá, một nguồn lỗi phổ biến khi analyst cố gắng kết hợp các thao tác này trong một query duy nhất.

Để biết thêm các mẫu SQL được sử dụng trong phỏng vấn, xem module SQL Window Functions.

Câu Hỏi Python Pandas Cho Phỏng Vấn Tại Ý

Python đã vượt qua Excel trở thành công cụ được kỳ vọng cho thao tác dữ liệu trong các vị trí Data Analyst tại Ý. Các công ty kiểm tra pandas cụ thể vì nó cho thấy cách ứng viên xử lý các tác vụ làm sạch dữ liệu thực tế.

Làm Sạch Dữ Liệu và Chuyển Đổi Kiểu

Câu hỏi này xuất hiện trong các cuộc phỏng vấn tại các công ty thương mại điện tử Ý và kiểm tra khả năng chuẩn bị dữ liệu thực tế:

# 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

Định dạng số của Ý (dấu chấm làm dấu phân cách hàng nghìn, dấu phẩy làm dấu thập phân) bắt lỗi những ứng viên chỉ thực hành với dữ liệu định dạng Mỹ. Tham số errors='coerce' chuyển đổi các ngày không thể phân tích thành NaT thay vì raise exception, đây là hành vi được mong đợi trong các pipeline sản xuất.

GroupBy Với Multiple Aggregations

Câu hỏi này kiểm tra sự hiểu biết về các mẫu aggregation 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

Cú pháp named aggregation (recency=('order_date', lambda x: ...)) xuất hiện trong pandas 0.25 và vẫn là cách tiếp cận được ưa chuộng vào năm 2026. Người phỏng vấn Ý đặc biệt kiểm tra xem ứng viên có sử dụng cú pháp này thay vì cú pháp dictionary agg({'column': 'function'}) đã deprecated hay không.

Module Python Pandas Basics bao gồm các mẫu bổ sung cho việc chuẩn bị phỏng vấn.

Câu Hỏi Case Study Từ Các Công Ty Ý

Phỏng vấn tại Ý bao gồm vòng case study trong 70% các vị trí Data Analyst. Ứng viên nhận được dataset (thường là dữ liệu công ty đã được ẩn danh) và phải trình bày các phát hiện trong vòng 24-48 giờ.

Phân Tích Chuyển Đổi E-Commerce

Một case study điển hình từ công ty thương mại điện tử thời trang Ý:

"Phân tích dataset đính kèm gồm 50.000 phiên người dùng. Xác định tại sao chuyển đổi mobile giảm 15% trong tháng 8 so với tháng 7. Trình bày ba khuyến nghị có thể thực hiện được."

Các deliverable được mong đợi:

1. Phân tích funnel theo loại thiết bị: So sánh desktop vs mobile ở mỗi giai đoạn (landing, xem sản phẩm, thêm vào giỏ, checkout, mua hàng)
2. Phân tích phân khúc: Kiểm tra xem sự sụt giảm ảnh hưởng đến tất cả nguồn traffic hay các kênh cụ thể (paid social thường hoạt động kém trên mobile)
3. Điều tra kỹ thuật: Tìm kiếm sự gia tăng thời gian tải trang, tỷ lệ lỗi hoặc thay đổi UI trùng với thời điểm sụt giảm

# 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

Người phỏng vấn Ý đánh giá phần trình bày quan trọng như phần phân tích. Cấu trúc các phát hiện theo dạng "vấn đề, bằng chứng, khuyến nghị" với các con số cụ thể tốt hơn một narrative khám phá dài dòng.

Đánh Giá Rủi Ro Dịch Vụ Tài Chính

Các ngân hàng như Intesa Sanpaolo và UniCredit sử dụng case study tập trung vào các chỉ số rủi ro:

"Sử dụng dataset cho vay được cung cấp, xây dựng một mô hình scoring đơn giản để dự đoán rủi ro vỡ nợ. Giải thích lý do chọn đặc trưng của bạn."

Điều này kiểm tra sự hiểu biết về:

• Feature engineering: Tỷ lệ nợ trên thu nhập, tổng hợp lịch sử thanh toán, mức độ sử dụng tín dụng
• Xử lý dữ liệu mất cân bằng: Tỷ lệ vỡ nợ thường là 2-5%, yêu cầu stratified sampling hoặc kỹ thuật oversampling
• Nhận thức về quy định: Quy định ngân hàng Ý (hướng dẫn của Banca d'Italia) yêu cầu các mô hình có thể giải thích được, vì vậy các phương pháp black-box được đánh giá thấp hơn

Những Điều Người Phỏng Vấn Ý Tìm Kiếm Ngoài Kỹ Năng Kỹ Thuật

Kỹ năng kỹ thuật đưa ứng viên đến vòng cuối cùng. Sự phù hợp văn hóa quyết định offer. Các công ty Ý đánh giá:

Phong cách giao tiếp: Người Ý coi trọng việc xây dựng mối quan hệ. Vội vã bỏ qua phần chào hỏi xã giao để "đi thẳng vào vấn đề" được coi là thô lỗ. Hãy dành thời gian trong phần giới thiệu.

Tín hiệu hợp tác: Các câu hỏi như "Kể về lần bạn không đồng ý với một stakeholder" kiểm tra xem ứng viên có thể điều hướng phân cấp nơi làm việc của Ý hay không, thường có xu hướng chính thức hơn so với các công ty Bắc Âu hoặc Mỹ.

Sự tò mò về lĩnh vực: Đặt các câu hỏi có hiểu biết về ngành của công ty cho thấy sự chuẩn bị. Một analyst phỏng vấn tại Luxottica nên hiểu về động lực thị trường kính mắt. Tại Ferrari, kiến thức về các chỉ số ô tô hạng sang rất quan trọng.

Kỳ Vọng Về Lương và Bối Cảnh Thị Trường 2026

Mức lương Data Analyst tại Ý cho năm 2026, dựa trên dữ liệu Glassdoor và LinkedIn:

Milan trả cao hơn 15-20% so với các thành phố khác của Ý do tập trung các dịch vụ tài chính và công ty công nghệ. Các vị trí remote-first tại các công ty quốc tế thường vượt mức lương địa phương vì cạnh tranh nhân tài toàn châu Âu.

Contratto a tempo indeterminato của Ý (hợp đồng không thời hạn) vẫn là loại hình việc làm được ưa chuộng. Hợp đồng có thời hạn (tempo determinato) được chuyển đổi thành không thời hạn sau 24 tháng theo luật lao động hiện hành.

Chuẩn Bị Phỏng Vấn Data Analyst Ý: Những Điểm Chính

• SQL window functions và CTEs xuất hiện trong 80% các bài kiểm tra kỹ thuật. Thực hành các mẫu cụ thể được trình bày ở trên, không phải các tutorial chung chung
• Câu hỏi Python pandas tập trung vào làm sạch dữ liệu với định dạng Ý (dấu thập phân là dấu phẩy, ngày tháng châu Âu) và aggregation groupby với cú pháp named
• Case study yêu cầu trình bày có cấu trúc với các khuyến nghị được định lượng. "Tăng chuyển đổi lên X%" tốt hơn "cải thiện trải nghiệm người dùng"
• Bài test kỹ thuật thường kéo dài 60-90 phút trên Codility hoặc HackerRank. Thực hành coding có giới hạn thời gian để tránh hết giờ
• Sự phù hợp văn hóa quan trọng hơn trong các cuộc phỏng vấn tại Ý so với quy trình tại Mỹ hoặc Anh. Chuẩn bị cho các câu hỏi xây dựng mối quan hệ
• Mức lương tăng 8-12% trong năm 2026 do thiếu hụt nhân tài. Ứng viên có cả SQL và Python nhận được offer cao hơn

Để chuẩn bị phỏng vấn bổ sung, hướng dẫn Data Analytics Interview Questions bao gồm các chủ đề rộng hơn, và bài viết SQL Window Functions cung cấp thực hành SQL chuyên sâu hơn.