Data-Scientist-Interviewvorbereitung

Data-Scientist-Interviewfragen

20 häufig gestellte Interviewfragen für Data Scientists. Data Science ist ein gefragtes Feld, das Produkt-, Kunden- und Geschäftsdaten in Entscheidungen, Experimente, Modelle und messbare Erkenntnisse übersetzt. Die Fragen decken verschiedene Niveaus ab, und du kannst mündliche Antworten in unserem Interview-Trainer üben.

Data-Scientist-KI-Interview startenKeine Kreditkarte erforderlich. 1 kostenlose Sitzung verfügbar.
Technisches Interview-Training auf EnglischEin Modus, in dem Nicht-Muttersprachler technische Interviews üben können.

Fragen für Einsteiger

1Wie unterscheiden sich Kovarianz und Korrelation beim Vergleich zweier numerischer Variablen?

Die Kovarianz E[(X − E[X])(Y − E[Y])] oder ihr Stichprobengegenstück zeigt, ob Abweichungen von beiden Mittelwerten meist gleiches Vorzeichen haben. Ihr Betrag hängt von den Maßeinheiten ab. Pearson-Korrelation teilt durch das Produkt der Standardabweichungen und liegt bei positiven Varianzen einheitenlos zwischen −1 und 1. Positive lineare Umskalierung ändert sie nicht, der Vorzeichenwechsel einer Variablen kehrt sie um. Keines der Maße belegt Kausalität. Null bedeutet keine Unabhängigkeit, denn ein nichtlinearer Zusammenhang kann linear unkorreliert sein. Ausreißer und gemischte Teilgruppen können beide verzerren. Ich prüfe ein Streudiagramm und für monotone Zusammenhänge ein Rangmaß.

Diese Frage mit einem KI-Coach beantworten

2Worin unterscheiden sich INNER JOIN, LEFT JOIN, RIGHT JOIN und FULL OUTER JOIN, und wie beeinflusst die Wahl die betrachtete Population und den Umgang mit NULL bei der Metrikberechnung?

Ein INNER JOIN liefert nur passende Zeilenpaare. Ein LEFT JOIN erhält zusätzlich jede ungematchte Zeile links und setzt deren rechte Spalten auf NULL. Ein RIGHT JOIN tut dies spiegelbildlich für die rechte Seite. Ein FULL OUTER JOIN erhält ungematchte Zeilen beider Seiten und ergänzt die jeweils fehlende Seite durch NULL. Für eine Nutzerkennzahl bleibt die gesamte Nutzerbasis etwa mit einem LEFT JOIN von Nutzern auf Aktivitäten erhalten. Ein INNER JOIN würde Nutzer ohne passende Aktivität ausschließen und könnte damit die Quote überhöhen. Mehrere Treffer pro Nutzer können wiederum den Nenner vervielfachen, wenn er einfach als Zeilenzahl berechnet wird. SUM und AVG ignorieren NULL, COUNT(spalte) zählt nur Nicht-NULL-Werte, COUNT(*) dagegen alle Zeilen. Arithmetik mit NULL ergibt normalerweise NULL. Ob ein fehlender Wert als null Aktivitäten behandelt werden darf, ergibt sich aus der Metrikdefinition.

-- Inner join silently shrinks denominator to purchasers only
SELECT COUNT(o.order_id) * 1.0 / COUNT(u.user_id) AS inner_conv_rate
FROM users u
INNER JOIN orders o ON u.user_id = o.user_id;

-- Left join preserves full user base for accurate metric computation
SELECT COUNT(o.order_id) * 1.0 / COUNT(u.user_id) AS true_conv_rate
FROM users u
LEFT JOIN orders o ON u.user_id = o.user_id;
Diese Frage mit einem KI-Coach beantworten

3Was leistet Randomisierung bei Produktexperimenten, das ein einfacher Vorher-nachher-Vergleich meist nicht leistet, und welche kausale Aussage soll ein A/B-Test ermöglichen?

Ein Vorher-nachher-Vergleich vermischt eine Produktänderung mit zeitlichen Einflüssen wie Saison, Wochentag, Marketingaktionen oder einer veränderten Nutzerbasis. Die zufällige Zuteilung geeigneter Einheiten zu einer zeitgleich beobachteten Test- und Kontrollgruppe gleicht beobachtete und unbeobachtete Merkmale im Erwartungswert aus. So schätzt die Kontrollgruppe im Mittel, welches Ergebnis unter den Testbedingungen ohne Zuteilung zur neuen Variante zu erwarten wäre. Die Differenz schätzt den kausalen Effekt der Zuteilung, sofern Versuchsdesign, Durchführung und Auswertung gültig sind und etwa keine relevanten Übertragungseffekte zwischen den Gruppen auftreten. Ein Signifikanztest quantifiziert die Evidenz gegen die Nullhypothese unter diesen Annahmen.

# Naive Before-After Comparison:
# Effect_estimate = Metric_t1 (Holiday Launch) - Metric_t0 (Pre-Holiday Baseline)
# Problem: Lift is confounded by holiday shopping surge and marketing spend.

# Randomized A/B Test:
# Effect_estimate = E[Metric_Holiday | Treatment] - E[Metric_Holiday | Control]
# Solution: Both arms experience the exact same external shocks simultaneously.
Diese Frage mit einem KI-Coach beantworten

4Was soll die explorative Datenanalyse vor der formalen Modellierung oder Experimenten typischerweise leisten, und wie unterscheidet sich EDA (Exploratory Data Analysis) von der konfirmatorischen Datenanalyse?

Die explorative Datenanalyse (Exploratory Data Analysis, EDA) ist ein offener Prozess, der darauf abzielt, die zugrunde liegende Struktur eines Datensatzes zu verstehen, Muster aufzudecken, Anomalien oder Datenqualitätsprobleme zu identifizieren, Verteilungsannahmen zu prüfen und Hypothesen zu generieren, bevor formale statistische Modelle erstellt oder Experimente durchgeführt werden. Der zentrale Unterschied zwischen EDA und konfirmatorischer Datenanalyse liegt in ihrer Zielsetzung und Methodik: Die EDA ist hypothesengenerierend, flexibel und explorativ – sie nutzt deskriptive Zusammenfassungen, Korrelationen und Visualisierungen, um ohne feste Vorab-Festlegungen zu untersuchen, was die Daten nahelegen. Im Gegensatz dazu ist die konfirmatorische Analyse (wie Hypothesentests oder A/B-Test-Auswertungen) hypothesenprüfend, strukturiert und inferentiell – sie ist darauf ausgelegt, vorab festgelegte, falsifizierbare Hypothesen rigoros zu testen und dabei statistische Fehlerraten (z. B. Fehler 1. Art) zu kontrollieren. Werden bei der EDA entdeckte Erkenntnisse auf demselben Datensatz als gesicherte Schlussfolgerungen behandelt, kann dies zu Data Dredging (p-Hacking) und Overfitting führen.

import numpy as np
import pandas as pd

# 1. EDA Phase: Open-ended discovery and hypothesis generation
df = pd.DataFrame({'engagement_score': np.random.normal(50, 10, 1000)})
summary = df['engagement_score'].describe()

# 2. Confirmatory Phase: Testing pre-registered hypothesis on fresh test/experiment data
# (e.g., two-sample t-test with fixed significance level alpha = 0.05)
Diese Frage mit einem KI-Coach beantworten

5Was bedeutet Target Leakage beim überwachten Lernen, und wie unterscheidet es sich von einer legitimen starken Korrelation zwischen Merkmal und Zielwert?

Target Leakage liegt vor, wenn ein Trainingsmerkmal Informationen über den Zielwert verrät, die zum vorgesehenen Vorhersagezeitpunkt nicht verfügbar sein dürfen. Wer Abwanderung vorhersagen will, darf beispielsweise keinen erst nach der Kündigung erfassten Kündigungszeitstempel verwenden. Die Zahl der Anmeldungen in den 30 Tagen vor der Vorhersage kann dagegen ein legitimes Merkmal sein, wenn sie zum Stichtag tatsächlich vorliegt. Dafür ist keine kausale Beziehung erforderlich. Beide Merkmale können offline wichtig erscheinen. Leakage kann die Validierung aber künstlich verbessern, während die Leistung unter realen Vorhersagebedingungen sinkt.

# Scenario: Predicting whether a user will cancel their subscription (is_churned)

# LEAKY FEATURE:
# 'cancellation_survey_submitted' -> Occurs after the decision to churn has executed.

# LEGITIMATE FEATURE:
# 'login_count_last_30_days' -> Observed strictly before the prediction cut-off date.
Diese Frage mit einem KI-Coach beantworten

6Wozu teilt man Daten in Trainings-, Validierungs- und Testsätze auf, und welche Rolle spielt jeder Satz bei der iterativen Modellentwicklung?

Der Trainingssatz dient zum Schätzen der Modellparameter, etwa Gewichte eines neuronalen Netzes oder Trennschwellen eines Entscheidungsbaums. Der Validierungssatz unterstützt die Auswahl von Architektur, Merkmalen und Hyperparametern und hilft, Überanpassung zu erkennen. Der Testsatz bleibt von diesen Entscheidungen getrennt und dient der abschließenden Schätzung der Leistung auf neuen Daten. Dazu sollte er die vorgesehenen Einsatzbedingungen möglichst gut repräsentieren. Wenn Testergebnisse für weitere Modellentscheidungen verwendet werden, braucht man für eine unabhängige Endbewertung einen frischen Testsatz.

from sklearn.model_selection import train_test_split
from sklearn.datasets import make_classification

X, y = make_classification(n_samples=1000, n_features=10, random_state=42)

# Step 1: Split off final test set (20%)
X_dev, X_test, y_dev, y_test = train_test_split(
    X, y, test_size=0.20, random_state=42, stratify=y
)

# Step 2: Split remaining development data into train (75% of dev = 60% total) and validation (25% of dev = 20% total)
X_train, X_val, y_train, y_val = train_test_split(
    X_dev, y_dev, test_size=0.25, random_state=42, stratify=y_dev
)

print(f"Train size: {len(X_train)}, Val size: {len(X_val)}, Test size: {len(X_test)}")
Diese Frage mit einem KI-Coach beantworten

7Was ist der Unterschied zwischen überwachtem und unüberwachtem Lernen, und wie bestimmen die Verfügbarkeit von Labels sowie geschäftliche Zielsetzungen, welches Paradigma gewählt werden sollte?

Algorithmen für überwachtes Lernen (Supervised Learning) erlernen eine mathematische Abbildung von Eingangsmerkmalen (X) auf bekannte Ziel-Labels (y), indem sie gelabelte historische Daten nutzen, um Ergebnisse für neue Beobachtungen vorherzusagen. Unüberwachtes Lernen (Unsupervised Learning) analysiert Datensätze, die ausschließlich Merkmale (X) enthalten, um inhärente Strukturen, natürliche Gruppierungen (Clustering) oder reduzierte Repräsentationen ohne vordefinierte Ziel-Labels zu entdecken. Die Wahl zwischen diesen Paradigmen wird von der Verfügbarkeit von Labels und den geschäftlichen Zielsetzungen bestimmt: Wenn Ground-Truth-Labels vorhanden oder einfach zu erheben sind und das geschäftliche Ziel in einer gezielten Vorhersage besteht (z. B. Betrugserkennung, Churn-Vorhersage, Preisprognosen), ist überwachtes Lernen die passende Wahl. Sind keine Ground-Truth-Labels vorhanden, ist deren Beschaffung unverhältnismäßig teuer oder besteht das Ziel in explorativer Analyse (z. B. Kundensegmentierung, Anomalieerkennung ohne bekannte Labels), wird unüberwachtes Lernen gewählt.

import numpy as np
from sklearn.linear_model import LogisticRegression
from sklearn.cluster import KMeans

X = np.array([[10, 2], [12, 3], [1, 8], [2, 9]])
y = np.array([0, 0, 1, 1])

# Supervised: Learns mapping X -> y
clf = LogisticRegression().fit(X, y)

# Unsupervised: Discovers clusters directly from X
kmeans = KMeans(n_clusters=2, random_state=42, n_init=10).fit(X)
Diese Frage mit einem KI-Coach beantworten

8Was ist eine North-Star-Metrik, und wie unterscheidet man sie von einer oberflächlichen Kennzahl?

Eine North-Star-Metrik bündelt den zentralen Nutzen, den ein Produkt seinen Nutzern tatsächlich bietet, und soll mit nachhaltigem Geschäftserfolg zusammenhängen. Gebuchte Übernachtungen können dafür bei einem Buchungsdienst näher am gelieferten Nutzen liegen als Downloads der App. Eine oberflächliche Kennzahl wie die kumulierte Zahl der Registrierungen kann auch dann wachsen, wenn die Nutzer kaum Nutzen erfahren und schnell wieder gehen. Eine gute North-Star-Metrik ist verständlich, durch Produktarbeit beeinflussbar und auf ihren Zusammenhang mit Nutzerbindung und Geschäftserfolg geprüft. Ergänzende Schutzkennzahlen helfen, unerwünschte Effekte einer einseitigen Optimierung zu erkennen.

Platform: Vacation Rental App
Vanity Metric: Cumulative app downloads (increases continuously even if 95% of users uninstall immediately).
North Star Metric: Nights booked per active user (reflects actual value exchange between guests and hosts).
Diese Frage mit einem KI-Coach beantworten

9Worin unterscheiden sich Data Drift und Concept Drift in der Praxis, und warum ist ihre korrekte Einordnung für die Modellpflege nach der Einführung entscheidend?

Eine Drift der Eingabedaten bedeutet, dass sich die Merkmalsverteilung P(X) verändert. Ein reiner Covariate Shift setzt zusätzlich voraus, dass P(Y|X) unverändert bleibt; allein aus einer beobachteten Drift der Eingabedaten lässt sich diese Annahme nicht ableiten. Concept Drift liegt dagegen vor, wenn sich die zugrunde liegende Beziehung P(Y|X) zwischen Eingaben und Zielgröße ändert. Identische Merkmalswerte entsprechen dann anderen Verhaltensweisen oder Ergebnissen der Zielgröße. Die richtige Einordnung ist für die Modellpflege nach der Einführung entscheidend, weil beide Arten von Drift gleichzeitig auftreten können und unterschiedliche Maßnahmen erfordern. Bei einem reinen Covariate Shift bleiben die bisherigen bedingten Beziehungen in den durch die Daten abgedeckten Bereichen gültig. Die Pflege konzentriert sich darauf, neue Bereiche des Merkmalsraums durch Trainingsdaten abzudecken, die Vorverarbeitung anzupassen oder Beobachtungen neu zu gewichten. Bei Concept Drift können einige historische Beziehungen an Relevanz verlieren. Prüfen Sie aktuelle Daten mit bekannten Zielwerten und die betroffenen Teilgruppen. Entscheiden Sie anschließend, ob ältere Beispiele neu gewichtet werden sollen, ob das Modell neu trainiert oder anders gestaltet werden muss oder ob die Entscheidungsstrategie geändert werden sollte. Drift bedeutet nicht automatisch einen wesentlichen Leistungsabfall.

# Data Drift (Covariate Shift):
# User demographics or devices change (P(X) shifts),
# but genuine vs fraudulent transaction patterns remain identical (P(Y|X) unchanged).

# Concept Drift:
# Fraudsters adapt tactics to mimic normal shopping patterns;
# identical feature inputs now have a higher probability of fraud (P(Y|X) shifts).
Diese Frage mit einem KI-Coach beantworten

10Was ist der Unterschied zwischen einem Populationsparameter und einer Stichprobenstatistik, und wie wirkt sich die Stichprobenvariabilität auf die Interpretation von Metriken aus?

Ein Populationsparameter ist eine feste, in der Regel unbekannte numerische Eigenschaft einer gesamten Grundgesamtheit (wie der wahre Populationsmittelwert μ oder der Anteilswert p). Eine Stichprobenstatistik ist eine numerische Kennzahl, die aus beobachteten Stichprobendaten berechnet wird (wie der Stichprobenmittelwert x̄ oder der Stichprobenanteil p̂) und dazu dient, den unbekannten Parameter zu schätzen. Stichprobenvariabilität bezeichnet die natürliche Schwankung von Stichprobenstatistiken über verschiedene Zufallsstichproben hinweg, die aus derselben Grundgesamtheit gezogen werden. Aufgrund dieser Variabilität unterliegt jede einzelne Stichprobenmetrik einem Zufallsfehler und stimmt selten exakt mit dem wahren Populationsparameter überein. Bei der Interpretation von Metriken führt das Ignorieren dieser Variabilität dazu, dass bloßes Rauschen mit einer echten Veränderung verwechselt wird. Analysten müssen die Unsicherheit der Schätzung mithilfe von Standardfehlern, Konfidenzintervallen oder Hypothesentests quantifizieren, bevor sie schlussfolgern, dass ein beobachteter Unterschied echt ist.

import numpy as np

# True population parameter (mean = 50, standard deviation = 10)
pop_mean = 50.0
pop_std = 10.0

# Draw multiple independent samples of size n=30
np.random.seed(42)
sample_means = [np.mean(np.random.normal(pop_mean, pop_std, size=30)) for _ in range(5)]

for i, sm in enumerate(sample_means, 1):
    print(f"Sample {i} Mean (Statistic): {sm:.2f} | Error: {sm - pop_mean:+.2f}")
Diese Frage mit einem KI-Coach beantworten

Fragen für Fortgeschrittene

11Was ist ein Punktschätzer, und wie beeinflussen Verzerrung und Varianz seine Genauigkeit?

Ein Punktschätzer liefert aus einer Stichprobe einen einzelnen Schätzwert für einen Populationsparameter. Über mögliche Stichproben hinweg ist die Verzerrung der erwartete Fehler. Die Varianz zeigt, wie stark die Schätzwerte streuen. Bei quadratischem Verlust entspricht der mittlere quadratische Fehler (MSE) der Varianz plus der quadrierten Verzerrung, sofern die Momente existieren. Eine kleine Verzerrung kann sinnvoll sein, wenn sie die Varianz ausreichend senkt.

Diese Frage mit einem KI-Coach beantworten

12Wie lässt sich ein Konfidenzintervall für einen Populationsmittelwert verengen?

Erhöhen Sie bei festem Konfidenzniveau die Zahl unabhängiger Beobachtungen oder senken Sie die Messvarianz durch ein geeignetes Studiendesign. Für ein Standardintervall des Mittelwerts wird der Standardfehler als s geteilt durch die Quadratwurzel aus n geschätzt. Ein niedrigeres Konfidenzniveau verengt das Intervall ebenfalls, ändert jedoch die angestrebte Überdeckungswahrscheinlichkeit. Auch ein enges Intervall kann um einen verzerrten Schätzwert liegen.

Diese Frage mit einem KI-Coach beantworten

13Wie ermitteln Sie für jeden Nutzer und Kalendertag den zuerst gestreamten Titel?

Ermitteln Sie das Datum jeder Sitzung in der Zeitzone des Berichts. Nummerieren Sie die Zeilen mit ROW_NUMBER(), partitioniert nach user_id und Datum und sortiert nach Startzeit und stabiler eindeutiger Stream-ID. Behalten Sie Rang eins und schlagen Sie den Titel nach. Legen Sie fest, ob bei gleichzeitigen Starts wie gefordert eine Sitzung gewählt oder nach einer anderen Regel alle zurückgegeben werden.

Diese Frage mit einem KI-Coach beantworten

14Wie bildest du Kohorten für eine Aktivierungs- oder Bindungsanalyse, damit Änderungen in der Nutzerzusammensetzung und unvollständige Beobachtungsfenster den Vergleich nicht verzerren?

Richte die Kohorten am gleichen Nutzungsalter aus, etwa Tag 7 oder 30 nach Registrierung, und berechne die Kennzahl nur für Gruppen mit ausreichend langer Beobachtung. Kennzeichne jüngere Kohorten, deren Fenster noch offen ist. Sie als nicht aktiviert oder abgewandert zu zählen, würde die Kennzahl verzerren. Vergleiche wichtige Teilgruppen wie Akquisitionskanal, Plattform oder Land getrennt. Für einen bereinigten Gesamtvergleich kann man die Gruppenquoten auf eine gemeinsame Referenzzusammensetzung standardisieren. Das reduziert Verzerrungen durch beobachtete Zusammensetzungsänderungen.

WITH user_cohorts AS (
    SELECT 
        user_id,
        DATE_TRUNC('week', signup_time) AS cohort_week,
        signup_time,
        acquisition_channel
    FROM users
    -- Exclude cohorts that have not reached 7 full days of maturity
    WHERE signup_time <= CURRENT_DATE - INTERVAL '7 days'
),
user_activity AS (
    SELECT DISTINCT 
        c.user_id,
        c.cohort_week,
        c.acquisition_channel,
        1 AS retained_d7
    FROM user_cohorts c
    JOIN events e ON c.user_id = e.user_id
    WHERE e.event_time >= c.signup_time + INTERVAL '7 days'
      AND e.event_time < c.signup_time + INTERVAL '8 days'
)
SELECT 
    c.cohort_week,
    c.acquisition_channel,
    COUNT(c.user_id) AS cohort_size,
    COUNT(a.user_id) AS d7_active_users,
    ROUND(100.0 * COUNT(a.user_id) / COUNT(c.user_id), 2) AS d7_retention_pct
FROM user_cohorts c
LEFT JOIN user_activity a ON c.user_id = a.user_id
GROUP BY 1, 2
ORDER BY 1 DESC, 2;
Diese Frage mit einem KI-Coach beantworten

15Dein Modell erreicht offline eine AUC von 0,99, verliert aber im Shadow-Test stark an Leistung. Wie grenzt du Target Leakage ein und weist es nach?

Behandle Leakage als Hypothese. Prüfe zuerst, ob Population, Labels und Messverfahren in beiden Umgebungen vergleichbar sind. Nutze Merkmalswichtigkeit, SHAP oder Permutationsanalysen, um verdächtige Signale zu finden. Modelle mit einzelnen Merkmalen und Ablationen zeigen, wie stark der Score von ihnen abhängt. Prüfe für Kandidaten Quelllogik, Änderungsverlauf und tatsächliche Verfügbarkeit am Vorhersagestichtag. Ein erst nach Kündigung befüllter Kündigungsgrund ist beispielsweise für einen früheren Abwanderungsscore unzulässig. Rekonstruiere die Eingaben aus zeitpunktgerechten Snapshots oder Ereignisprotokollen und wiederhole die Evaluation. Ein hoher Einzelmerkmals-Score allein beweist kein Leakage.

from sklearn.metrics import roc_auc_score
from sklearn.tree import DecisionTreeClassifier

leakage_candidates = {}
for col in X_train.columns:
    clf = DecisionTreeClassifier(max_depth=2)
    clf.fit(X_train[[col]], y_train)
    preds = clf.predict_proba(X_test[[col]])[:, 1]
    auc = roc_auc_score(y_test, preds)
    if auc > 0.85:
        leakage_candidates[col] = auc

print("Candidate Leaky Features:", leakage_candidates)
Diese Frage mit einem KI-Coach beantworten

16Wie wählen Sie bei strukturierten realen Daten zwischen gewöhnlichem, stratifiziertem und Group-K-Fold?

Entscheidend sind Zielverteilung und Beobachtungsabhängigkeit. Standard-K-Fold teilt ungefähr gleich groß. KFold aus scikit-learn mischt standardmäßig nicht; aktivieren Sie Zufallsmischung nur bei passender Aufgabe. Es setzt unabhängige und identisch verteilte Beobachtungen (IID) voraus und passt etwa bei Regression oder ausgeglichenen Daten. Stratified K-Fold erhält ungefähr Klassenanteile und verhindert bei Klassifikation mit Ungleichgewicht Folds ohne ausreichende Minderheitsbeispiele. Group K-Fold hält Nutzer, Patienten oder Geräte vollständig in einem Validierungsfold. Zufällige Zeilensplits korrelierter Entitätsbeobachtungen können Leistung für neue Entitäten überschätzen, weil Identität gelernt wird. Group K-Fold prüft unbekannte Entitäten. Für zukünftige Beobachtungen bekannter Entitäten wählen Sie chronologische Splits entsprechend dem Einsatz; bei Bedarf kombinieren Sie Gruppen- und Zeitgrenzen.

from sklearn.model_selection import KFold, StratifiedKFold, GroupKFold, StratifiedGroupKFold

# Standard IID Regression:
cv_kfold = KFold(n_splits=5, shuffle=True, random_state=42)

# Imbalanced Classification (IID samples):
cv_strat = StratifiedKFold(n_splits=5, shuffle=True, random_state=42)

# Grouped entities (e.g., repeated patient visits):
cv_group = GroupKFold(n_splits=5)

# Grouped entities with target imbalance:
cv_strat_group = StratifiedGroupKFold(n_splits=5)
Diese Frage mit einem KI-Coach beantworten

17Wie wählen Sie für tabellarische Klassifikation unter Latenz- und Driftanforderungen zwischen logistischer Regression, Gradient Boosted Trees und nicht linearen neuronalen Modellen?

Benchmarken Sie alle geeigneten Baselines mit repräsentativer zeitlicher Validierung beziehungsweise Gruppenvalidierung auf Produktionshardware. Logistische Regression bietet günstiges lineares Scoring und transparente Koeffizienten, benötigt aber passende Kodierung und Interaktionen. Auch sie kann unter Drift selbstsicher falsch extrapolieren. Gradientenverstärkte Entscheidungsbäume (GBDTs) sind auf Tabellendaten oft stark, die native Unterstützung kategorialer und fehlender Werte hängt aber von Implementierung und Konfiguration ab. Gewöhnliche Bäume mit konstanten Blättern extrapolieren außerhalb des von den Trainingsdaten abgedeckten Bereichs schlecht; das garantiert keine Sicherheit. Neuronale Modelle können bei multimodalen Daten, Embeddings oder ausreichenden Trainingsdaten helfen, doch Latenz und Drift hängen vom Aufbau und Deployment ab. Vergleichen Sie das 95. und 99. Perzentil der gesamten Latenz (p95/p99), einschließlich der Zeit für den Merkmalsabruf. Vergleichen Sie außerdem Kalibrierung, Speicherbedarf, Wartungsaufwand, die Leistung in einzelnen Segmenten und Robustheit. Keine Familie garantiert allgemein die Einhaltung einer Servicevereinbarung (SLA) mit Latenzen im Millisekundenbereich oder Driftresistenz.

decision_matrix = {
    "Logistic Regression": {"Latency": "<1ms (Ultra-low)", "Drift Behavior": "Linear extrapolation", "Tabular Baseline": "Moderate (needs feature engineering)"},
    "GBDT (XGB/LightGBM)": {"Latency": "1-15ms (Fast)",      "Drift Behavior": "Leaf clamping (no extrapolation)", "Tabular Baseline": "State of the Art"},
    "Tabular Neural Net":  {"Latency": "10-50ms+ (Higher)",    "Drift Behavior": "Nonlinear extrapolation", "Tabular Baseline": "Competitive / High tuning cost"}
}
for model, traits in decision_matrix.items():
    print(f"{model}: Latency={traits['Latency']}, Tabular Perf={traits['Tabular Baseline']}")
Diese Frage mit einem KI-Coach beantworten

Fragen für Erfahrene

18Sie können aus einer Vorschlagsverteilung ziehen, benötigen aber einen Mittelwert unter einer Zielverteilung. Wie funktioniert Importance Sampling und wann versagt es?

Für normalisierte Zieldichte p und Vorschlagsdichte q nutze ich w(x) = p(x)/q(x). Der Mittelwert von w(Xi)f(Xi) schätzt E_p[f], wenn q den relevanten Träger von p abdeckt und der Erwartungswert existiert. Ist p nur bis auf einen Faktor bekannt, verwende ich Σwi f(Xi)/Σwi; bei endlicher Stichprobe meist verzerrt, unter passenden Bedingungen konsistent. Fehlt q dort, wo p wichtige Masse hat, hilft keine größere Stichprobe. Schlechte Überlappung oder unpassende Verteilungsschwänze lassen wenige Gewichte dominieren. Ich prüfe Gewichtskonzentration, effektive Stichprobengröße und Unsicherheit und verbessere q oder verwende Mischungen.

Diese Frage mit einem KI-Coach beantworten

19Wie entwirfst du eine zentrale semantische Schicht für einheitliche Geschäftskennzahlen über mehrere Analyseteams hinweg?

Definiere Entitäten, Dimensionen, Maße und abgeleitete Kennzahlen deklarativ und versioniert, getrennt von physischer Speicherung und Anzeige. Lege Granularität, Join-Pfade, Filter und Zeitlogik fest. Zentrale Kennzahlen haben gemeinsame Verantwortliche, Fachdomänen pflegen ihre Modelle innerhalb derselben Regeln. Automatische Prüfungen kontrollieren Definitionen und Änderungen. BI, Notebooks und Dienste greifen über geeignete Schnittstellen auf dieselben Definitionen zu. Rollenrechte, mandantengerechte Caches und versionierte Voraggregationen halten Zugriff und Ergebnisse konsistent.

semantic_model:
  name: orders
  node_relation:
    alias: fct_orders
  dimensions:
    - name: order_date
      type: time
      type_params:
        time_granularity: day
    - name: country
      type: categorical
  measures:
    - name: total_revenue
      expr: revenue_usd
      agg: sum
    - name: distinct_buyers
      expr: user_id
      agg: count_distinct

metrics:
  - name: average_order_value
    description: "Governed metric for AOV across all BI tools"
    type: ratio
    type_params:
      numerator: total_revenue
      denominator: distinct_buyers
Diese Frage mit einem KI-Coach beantworten

20Wie testest du einen neuen Matching-Algorithmus auf einem zweiseitigen Marktplatz, wenn Gruppen um dasselbe Angebot konkurrieren und sich räumlich oder zeitlich beeinflussen?

Bei Nutzerrandomisierung kann bevorzugtes Matching der Testgruppe Aufträge aus der Kontrollgruppe abziehen. Lege daher zuerst fest, ob du die Wirkung einer marktweiten Einführung schätzen willst. Randomisiere hinreichend getrennte Märkte oder Cluster, möglichst nach vergleichbaren Ausgangsdaten geblockt. Alternativ randomisiere ganze Märkte in Zeitblöcken. Wähle deren Länge anhand von Nachwirkungen wie Fahrerpositionen und definiere Übergangszeiten vorab. Prüfe Effekte über Marktgrenzen und zwischen Blöcken. Verwende eine Inferenz, die zum Randomisierungsschema und zu räumlicher und zeitlicher Abhängigkeit passt. Randomisierte Cluster erfordern nicht grundsätzlich synthetische Kontrollen.

import pandas as pd
import numpy as np

def generate_switchback_schedule(n_days=14, window_minutes=60, washout_minutes=15):
    total_windows = int((n_days * 24 * 60) / window_minutes)
    np.random.seed(42)
    treatments = np.random.binomial(1, 0.5, size=total_windows)
    schedule = []
    for i, trt in enumerate(treatments):
        start_min = i * window_minutes
        eval_start_min = start_min + washout_minutes
        end_min = (i + 1) * window_minutes
        schedule.append({
            'window_id': i,
            'treatment': trt,
            'start_min': start_min,
            'eval_start_min': eval_start_min,
            'end_min': end_min
        })
    return pd.DataFrame(schedule)
Diese Frage mit einem KI-Coach beantworten

Übe Interviews auf deinem Smartphone: Datenwissenschaftler

Antworte laut und erhalte KI-Feedback in der Android-App.

EngineerSpeak bei Google Play herunterladen
Zum Download scannen