Vorstellungsgespräch als Data Scientist: Fragen und Antworten

Du sitzt vor dem Bildschirm, das Interview steht in fünf Minuten an, und dein Magen zieht sich zusammen. Was, wenn sie eine Frage zu einem Algorithmus stellen, den du seit der Uni nicht mehr benutzt hast? Oder wenn das Live-Coding eine komplizierte SQL-Abfrage verlangt? Keine Panik. Die meisten Gespräche folgen einem klaren Muster, und dieses Muster kannst du lernen.

Die ersten zehn Minuten: Screening#

Hier geht es um Basics. Der Interviewer will wissen, ob du die Stellenausschreibung gelesen hast, realistische Gehaltsvorstellungen hast und ins Team passt. Diese Fragen wirken einfach. Gerade deshalb fallen hier viele Kandidaten durch, die zu unvorbereitet oder zu arrogant wirken.

Warum bewerben Sie sich bei uns?

Der Interviewer sucht nach konkretem Interesse am Produkt oder an der Unternehmenskultur. Er will hören, dass du dich mit der Firma beschäftigt hast. Eine gute Antwort verbindet deine Fähigkeiten mit ihren Problemen. Ein schlechtes Signal ist eine allgemeine Antwort wie "Sie sind ein großes Unternehmen". Schau dir vorher die Karriereseite und die aktuellen Stellenangebote an, um konkrete Punkte zu finden.

Beispielantwort: "Ich verfolge die Arbeit von Firma X seit Ihrem Tech-Blog-Post über die Optimierung der Empfehlungsengine. Mich fasziniert, wie Sie das Cold-Start-Problem mit einem hybriden Ansatz aus kollaborativem Filtern und NLP lösen. Genau an solchen Schnittstellen zwischen Datenqualität und Modellperformance möchte ich arbeiten."

Was sind Ihre Gehaltsvorstellungen?

Sei konkret, aber flexibel. Nenne einen Jahresbrutto-Bereich, der für deine Erfahrung und die Region realistisch ist. Recherchiere vorher auf Vergleichsportalen. Die Spanne für Data Scientists variiert stark, oft zwischen 55.000 und 90.000 Euro für Berufseinsteiger in Deutschland, in Führungspositionen deutlich mehr. Diese Zahlen sind nur Richtwerte, überprüfe immer die aktuellen Daten für deine spezifische Situation.

Die technische Runde: Fachliche Fragen#

Jetzt wird es ernst. Hier prüft man, ob du die Grundlagen beherrschst und Probleme strukturiert lösen kannst. Du musst nicht jede Antwort aus dem Effeff hersagen. Der Weg zur Lösung zählt.

Was ist der Unterschied zwischen L1- und L2-Regularisierung?

Das ist eine Klassiker-Frage, um dein Verständnis von Overfitting zu testen. L1 (Lasso) kann Koeffizienten auf genau null setzen, was zu einer Feature-Auswahl führt. L2 (Ridge) schrumpft die Koeffizienten nur, setzt sie aber nie auf null. Erkläre, wann man welches bevorzugt. Wenn du dir unsicher bist, sag das und leite her, was passieren müsste.

Erklären Sie den Bias-Variance-Tradeoff.

Hier geht es nicht um eine auswendiggelernte Definition. Ein guter Kandidat erklärt das Konzept mit einem anschaulichen Beispiel, etwa einem Modell, das Trainingsdaten perfekt abbildet (niedriger Bias), aber auf neuen Daten versagt (hohe Varianz). Zeige, dass du verstehst, wie Regularisierung oder mehr Daten helfen können.

Wie würden Sie ein fehlendes Wert-Problem in einem Datensatz angehen?

Es gibt keine richtige Antwort, aber es gibt einen guten Prozess. Zuerst analysierst du das Muster der fehlenden Werte: sind sie zufällig (MCAR), abhängig von anderen Variablen (MAR) oder vom Wert selbst (MNAR)? Dann listest du Optionen auf: Zeilen löschen, Mittelwert/Median/Modus imputation, oder fortgeschrittene Methoden wie KNN oder multiple Imputation. Begründe deine Wahl für den konkreten Anwendungsfall.

Schreiben Sie eine SQL-Abfrage, um die drei Produkte mit dem höchsten Umsatz pro Kategorie zu finden.

Das ist eine praktische Aufgabe. Du brauchst wahrscheinlich eine Window-Funktion. Denke laut, während du schreibst. Strukturiere deine Gedanken: Ich gruppiere nach Kategorie und Produkt, summiere den Umsatz und nutze dann ROW_NUMBER() oder DENSE_RANK(), partitioniert nach Kategorie und sortiert nach Umsatz. Auch wenn du die exakte Syntax nicht kennst, zeige den logischen Aufbau. Du kannst deine SQL-Kenntnisse mit unserem kostenlosen ATS-Check testen, um zu sehen, wie gut deine Bewerbung die technischen Anforderungen widerspiegelt.

Verhalten und Teamfit: Behavioral Questions#

Hier zählt deine Erfahrung. Der Interviewer will sehen, wie du in realen Situationen reagierst. Nutze die STAR-Methode: Situation, Task, Action, Result. Sei spezifisch.

Beschreiben Sie eine Situation, in der Sie einen Konflikt im Team hatten. Wie haben Sie ihn gelöst?

Der Interviewer sucht nach Reife und Kommunikationsfähigkeit. Wähle ein echtes Beispiel, bei dem du eine Lösung gefunden hast, ohne jemanden zu beschuldigen. Zeige, dass du zuhören und kompromittieren kannst. Ein gutes Ergebnis ist nicht "ich hatte recht", sondern "wir haben eine bessere Lösung gefunden".

Wie kommunizieren Sie komplexe technische Ergebnisse an nicht-technische Stakeholder?

Das ist entscheidend für den Joballtag. Beschreibe eine konkrete Präsentation. Vielleicht hast du einem Marketingteam erklärt, wie ein Vorhersagemodell funktioniert. Erkläre, wie du Fachbegriffe vermieden hast, Analogien verwendet hast und auf die geschäftlichen Auswirkungen fokussiert warst. Zeige, dass du die Perspektive deines Gegenübers verstehst.

Erzählen Sie von einem Projekt, das nicht wie geplant verlief. Was haben Sie gelernt?

Ehrlichkeit ist hier Trumpf. Wähle ein echtes Scheitern, aber fokussiere auf das, was du daraus gelernt hast. Vielleicht hast du ein Modell zu komplex gebaut und es aufgrund von Overfitting vereinfachen müssen. Zeige, dass du aus Fehlern lernst und Prozesse anpasst.

Typische Fehler, die dich den Job kosten#

Viele Kandidaten scheitern nicht an den schwierigen Fragen, sondern an vermeidbaren Fehlern. Die häufigsten: zu allgemeine Antworten, die nach Standard klingen. Keine konkreten Beispiele aus der eigenen Arbeit. Unvorbereitung auf die Stellenausschreibung. Und das Schlimmste: keine Fragen an das Ende des Gesprächs. Bereite drei bis fünf Fragen vor, die zeigen, dass du dich mit der Rolle beschäftigt hast. Du kannst die Stellenbeschreibung analysieren, um die wichtigsten Anforderungen zu verstehen und gezielte Fragen zu formulieren.

Vorbereitungs-Checkliste für dein Data Science Interview#

• Lies die Stellenausschreibung dreimal durch und identifiziere die drei wichtigsten technischen Anforderungen.
• Wiederhole die Grundlagen der Statistik, Wahrscheinlichkeit und der gängigsten Algorithmen.
• Übe SQL-Probleme auf Online-Plattformen, besonders Window-Funktionen und Joins.
• Bereite für jedes deiner Projekte eine kurze Erklärung vor: Problem, Ansatz, Ergebnis, Learnings.
• Recherchiere das Unternehmen: Produkte, Tech-Stack, aktuelle News, Unternehmenskultur.
• Formuliere fünf Fragen, die du am Ende stellen kannst, sowohl technische als auch kulturelle.
• Führe ein Mock-Interview mit einem Freund oder Kollegen durch, am besten per Video.
• Überprüfe deine Gehaltsvorstellungen mit aktuellen Daten für deine Region und Erfahrungsstufe.

Kostenlose Tools#

• jobrise.io/de/free-ats-checker/
• jobrise.io/de/free-jd-decoder/
• jobrise.io/de/jobs/
• jobrise.io/de/blog/

Häufige Fragen#

Wie lange dauert ein typisches Data Scientist Vorstellungsgespräch?

Ein erstes Screening dauert meist 30 bis 45 Minuten. Technische Interviews oder Case Studies können 60 bis 90 Minuten dauern. Manche Unternehmen haben mehrere Runden, die sich über zwei bis drei Wochen erstrecken.

Muss ich im Interview Code schreiben?

In den meisten Fällen ja. Erwarte zumindest SQL-Aufgaben, oft auch Python oder Pseudocode. Manchmal bekommst du ein Take-Home-Assignment, das du in Ruhe lösen kannst. Frage im Vorfeld nach dem genauen Ablauf.

Welche Programmiersprache ist wichtiger: Python oder R?

Python ist in der Industrie deutlich verbreiteter, besonders für Machine Learning und Deep Learning. R wird noch in manchen Forschungsbereichen oder bei statistischen Analysen verwendet. Für die meisten Stellen ist Python die sicherere Wahl.

Wie gehe ich mit einer Frage um, die ich nicht beantworten kann?

Sei ehrlich. Sage, dass du die Antwort nicht weißt, aber erkläre, wie du vorgehen würdest, um sie zu finden. Zeige Problemlösungskompetenz statt zu bluffen. Das wird oft positiver bewertet als eine falsche Antwort.

Soll ich nach dem Gehalt fragen, wenn es nicht angesprochen wird?

Warte damit, bis du ein Angebot hast oder bis der Arbeitgeber das Thema anspricht. In Deutschland ist es üblich, dass der Arbeitgeber zuerst eine Zahl nennt. Wenn du früh nach dem Gehalt fragst, kann das desinteressiert wirken. Nutze die Zeit, um deinen Wert zu demonstrieren.