데이터 분석가 면접 질문: 완벽한 준비 가이드

미국 노동통계국은 2033년까지 데이터 분석가의 고용이 36% 성장할 것으로 전망합니다 — 전체 직업 평균의 7배 이상 — 연봉 중위값은 103,500달러입니다 [1]. 모든 산업의 조직들이 원시 데이터를 비즈니스 의사결정으로 전환할 분석가를 채용하고 있지만, 기술 격차는 여전히 큽니다. LinkedIn의 2024년 인력 보고서는 데이터 분석을 3년 연속 모든 직업 범주에서 가장 수요가 높은 기술로 선정했습니다 [2]. 이는 면접관이 기술적 역량뿐 아니라 인사이트를 전달하는 능력, 데이터 품질에 대해 비판적으로 사고하는 능력, 측정 가능한 비즈니스 성과를 이끄는 능력도 평가한다는 것을 의미합니다.

이 가이드는 SQL과 통계적 추론부터 이해관계자 커뮤니케이션과 비즈니스 영향까지 데이터 분석가 면접 질문의 전 범위를 다룹니다. 단순히 데이터를 조회하는 지원자와 실행 가능한 인텔리전스를 제공하는 지원자를 구분하는 답변 프레임워크를 소개합니다.

핵심 요점

• 데이터 분석가 면접은 SQL 숙련도, 통계적 추론, 비즈니스 커뮤니케이션을 균등하게 테스트합니다
• 라이브 코딩 과제(SQL 또는 Python), 과제형 분석, 사례 연구 발표를 예상하십시오
• 행동 질문은 모호한 요구사항, 상충하는 이해관계자 우선순위, 데이터 품질 문제에 대한 대처 방법을 평가합니다
• 처음부터 끝까지의 분석을 보여주는 포트폴리오 사례를 준비하십시오: 질문 정의, 데이터 준비, 분석, 시각화, 비즈니스 제안
• 해당 산업의 핵심 지표와 데이터 생태계에 대한 지식은 기술적 역량만큼 중요합니다

기술 및 SQL 질문

1. 지난 90일간 총 주문 금액 기준 상위 5명의 고객을 찾는 SQL 쿼리를 작성하십시오. 취소된 주문은 제외합니다.

면접관이 보는 포인트: 실용적인 SQL 능력, 엣지 케이스에 대한 주의, 깔끔한 쿼리 구조.

답변 프레임워크: 이것은 기본적인 SQL 능력을 테스트합니다 — JOIN, 집계, 필터링, 정렬. 강력한 답변은 다음을 다룹니다: (1) CURRENT_DATE - INTERVAL '90 days' 또는 동등한 구문을 사용한 올바른 날짜 필터링, (2) WHERE 절을 통한 취소된 주문의 명시적 제외, (3) 고객과 주문 테이블 간의 적절한 JOIN, (4) SUM 집계가 포함된 GROUP BY, (5) ORDER BY DESC와 LIMIT 5 [3]. 엣지 케이스를 논의하십시오: 부분적으로 취소된 주문이 있는 고객의 경우는? 90일 기간에 주문일과 결제일 중 어느 것을 사용해야 합니까? "저는 다음과 같이 작성하겠습니다: SELECT c.customer_id, c.name, SUM(o.total_amount) as total_value FROM customers c JOIN orders o ON c.customer_id = o.customer_id WHERE o.order_date >= CURRENT_DATE - INTERVAL '90 days' AND o.status != 'canceled' GROUP BY c.customer_id, c.name ORDER BY total_value DESC LIMIT 5; 또한 면접관에게 'total_amount'가 할인 전인지 후인지, 반품을 차감해야 하는지 물을 것입니다."

2. SQL에서 WHERE 절과 HAVING 절의 차이를 설명하십시오.

면접관이 보는 포인트: 구문뿐 아니라 쿼리 실행 순서에 대한 이해.

답변 프레임워크: WHERE는 집계 전에 행을 필터링하고, HAVING은 집계 후에 그룹을 필터링합니다 [4]. 이 구분이 중요한 이유는 WHERE가 집계 함수(SUM, COUNT, AVG)를 참조할 수 없지만 HAVING은 참조할 수 있기 때문입니다. SQL 실행 순서는: FROM/JOIN, WHERE, GROUP BY, HAVING, SELECT, ORDER BY, LIMIT입니다. 실용적인 예시를 제공하십시오: "지난달 5건 이상 주문한 고객을 찾으려면 날짜 필터에 WHERE를, 주문 수에 HAVING을 사용합니다: WHERE order_date >= '2026-01-01' ... HAVING COUNT(*) > 5. 카운트 조건을 WHERE에 넣으면 집계가 아직 계산되지 않았으므로 구문 오류가 발생합니다."

3. 분석 중인 데이터셋의 결측 데이터를 어떻게 처리하시겠습니까?

면접관이 보는 포인트: 분석적 성숙도 — 결측 데이터가 단순한 기술적 문제가 아니라 조사해야 할 문제임을 이해하는 것.

답변 프레임워크: 먼저 결측 메커니즘을 진단합니다 [5]: (1) 완전 무작위 결측(MCAR) — 결측이 관측 또는 비관측 데이터와 무관; 안전하게 삭제 또는 대체 가능. (2) 무작위 결측(MAR) — 결측이 관측 변수에 의존; 해당 변수를 사용한 대체가 적절. (3) 비무작위 결측(MNAR) — 결측이 비관측 값 자체에 의존(예: 고소득자가 소득 질문을 건너뜀); 신중한 모델링이나 민감도 분석이 필요. 그런 다음 적절한 전략을 선택합니다: 삭제(목록별 또는 쌍별), 대체(평균, 중위값, 최빈값, 회귀 기반 또는 다중 대체), 또는 플래그 지정(결측 지시 변수를 생성하여 모델에 포함). "이커머스 분석에서 고객 기록의 23%에 'referral_source' 필드가 누락되어 있음을 발견했습니다. 조사 결과 웹사이트 리디자인 이전에는 해당 필드가 수집되지 않았음이 밝혀졌습니다 — 가입 날짜에 의존하는 MAR이었습니다. 리디자인 후 가입의 알려진 분포를 사용하여 이전 코호트의 추천 소스를 대체하고, 이 가정을 보고서에 명확히 문서화했습니다."

4. 상관관계와 인과관계의 차이를 실제 사례로 설명하십시오.

면접관이 보는 포인트: 통계적 사고와 비즈니스 청중에게 전달하는 능력.

답변 프레임워크: 상관관계는 두 변수 간의 선형 관계의 강도와 방향을 측정합니다. 인과관계는 한 변수가 다른 변수에 직접 영향을 미치는 것을 의미합니다 [6]. 전형적인 함정: 아이스크림 판매량과 익사 사망은 양의 상관관계가 있지만, 아이스크림이 익사를 유발하지 않습니다 — 둘 다 더운 날씨(교란 변수)에 의해 발생합니다. 비즈니스 맥락에서: "마케팅 팀이 12개월간의 소셜 미디어 광고 지출과 매출 성장 간의 상관관계를 보여주었습니다(r = 0.87). 지출 증가를 권장하기 전에 교란 요인을 조사했습니다. 두 변수 모두 계절성에 의해 움직이고 있었습니다 — 4분기 연말 지출이 광고 예산과 매출을 동시에 증가시킨 것입니다. 계절성을 통제하자 상관관계는 0.31로 떨어졌습니다. 실제 인과적 영향을 확립하기 위해 A/B 테스트로 분석을 재설계한 결과, 소셜 광고로 인한 매출 상승은 4.2%였습니다 — 실제이지만 순진한 상관관계가 시사하는 것보다 훨씬 작았습니다."

5. 이해관계자를 위한 대시보드 설계를 어떻게 접근하십니까?

면접관이 보는 포인트: 기술적 시각화 능력뿐 아니라 사용자 중심 사고.

답변 프레임워크: 데이터가 아닌 청중과 그들의 의사결정에서 시작합니다 [7]. 단계: (1) 대시보드가 답해야 할 핵심 비즈니스 질문을 식별 — "분기 목표 대비 진행 상황은?"은 "마케팅 예산을 어디에 투자해야 하나?"와 다릅니다. (2) 청중 결정 — 경영진은 드릴다운이 가능한 상위 수준 KPI가 필요; 분석가는 필터가 있는 세분화된 데이터가 필요. (3) 의사결정 주기에 맞게 설계 — 일일 운영 대시보드 대 주간 전략 검토. (4) 시각화 모범 사례 적용: 데이터 관계에 맞는 차트 유형 선택(추세는 선형, 비교는 막대, 상관관계는 산점도), 인지 부하 최소화, 일관된 색상 코딩, 맥락 포함(목표, 벤치마크, 이전 기간) [8]. "매주 월요일 아침 확인하는 VP를 위한 영업 성과 대시보드를 구축했습니다. 가장 중요시하는 3가지 KPI — 파이프라인 커버리지, 수주율, 평균 거래 규모 — 를 주간 대비 추세 지표와 함께 상단에 큰 숫자로 배치했습니다. 그 아래에 지역, 담당자, 제품군별 드릴다운을 제공했습니다. 사용 분석에 따르면 VP는 주당 3분을 대시보드에 사용했습니다 — 상위 요약이 제 역할을 하고 있었다는 의미입니다."

통계 및 분석 질문

6. 프로덕트 매니저가 최신 A/B 테스트에서 전환율이 2% 개선되었고 p-값이 0.04라고 말합니다. 변경 사항을 배포해야 합니까?

면접관이 보는 포인트: 통계적 유의성 대 실용적 유의성에 대한 미묘한 이해.

답변 프레임워크: p-값 0.04는 귀무가설이 참일 경우 이 결과(또는 더 극단적인 결과)를 관찰할 확률이 4%임을 의미합니다 — 통계적 유의성의 관례적 0.05 임계값을 충족합니다 [9]. 그러나 통계적 유의성만으로는 충분하지 않습니다. 평가: (1) 실용적 유의성 — 2%의 상대적 개선이 비즈니스에 의미가 있습니까? 기본 전환율이 10%라면 10.2%로의 이동은 엔지니어링 노력을 정당화하지 못할 수 있습니다. 기본이 1%라면 1.02%로의 이동은 무시할 수준입니다. (2) 신뢰 구간 — 타당한 효과 크기의 범위는? [0.1%, 3.9%]의 CI는 실제 효과가 미미할 수 있음을 의미합니다. (3) 표본 크기와 테스트 기간 — 주간 주기성을 포착할 만큼 충분히 실행되었습니까? 위양성 위험을 부풀리는 다중 비교가 있었습니까? (4) 세그먼트 효과 — 개선이 모든 사용자 세그먼트에서 유지됩니까, 아니면 이상치 그룹에 의해 주도됩니까? "배포 결정 전에 프로덕트 매니저에게 세 가지 질문을 하겠습니다: 상대적이 아닌 절대적 전환율 변화는 얼마입니까? 테스트 기간은 얼마였습니까? 모바일과 데스크톱 사용자 간의 상호작용 효과를 확인했습니까?"

7. 제1종 오류와 제2종 오류가 무엇인지 설명하고, 각각의 최소화를 언제 우선시할 것인지 말씀하십시오.

면접관이 보는 포인트: 통계적 개념의 비즈니스 의사결정에 대한 실용적 적용.

답변 프레임워크: 제1종 오류(위양성)는 효과가 없는데 있다고 결론짓는 것입니다. 제2종 오류(위음성)는 효과가 있는데 없다고 결론짓는 것입니다 [10]. 트레이드오프: 제1종 오류를 줄이면(알파 낮춤) 제2종 오류가 증가하고, 그 반대도 마찬가지입니다. 위양성의 비용이 높을 때 제1종 오류 최소화를 우선시합니다 — 실제로 작동하지 않는 기능 출시, 효과 없는 약물 승인, 정당한 거래를 사기로 플래그 지정(고객 마찰). 실제 효과를 놓치는 비용이 높을 때 제2종 오류 최소화를 우선시합니다 — 스크리닝에서 질병 미감지, 진짜 보안 위협 놓침, 유지율을 크게 개선했을 기능 미출시. "사기 탐지에서는 낮은 제2종 오류를 위해 최적화합니다 — 실제 사기 1건을 놓치느니 100건의 정당한 거래를 검토 대상으로 플래그 지정하겠습니다(위양성). 가격 실험에서는 낮은 제1종 오류를 위해 최적화합니다 — 고객이 이탈하지 않을 것이라는 위양성에 근거하여 영구적으로 가격을 올리고 싶지 않습니다."

8. 새로운 제품 기능의 성공을 어떻게 측정하시겠습니까?

면접관이 보는 포인트: 지표 사고와 측정 전에 성공을 정의하는 능력.

답변 프레임워크: 쿼리를 작성하기 전에 성공 계층을 정의합니다 [11]: (1) 주요 지표 — 기능의 의도된 결과를 직접 측정하는 단일 숫자(예: 추천 엔진의 경우 추천 아이템 클릭률). (2) 보조 지표 — 맥락을 제공하는 관련 측정(예: 세션 시간, 방문당 페이지 수). (3) 가드레일 지표 — 악화되어서는 안 되는 지표(예: 전체 전환율, 페이지 로드 시간, 고객 만족도 점수). (4) 북극성 지표 정렬 — 주요 지표의 개선이 실제로 회사의 핵심 가치 지표를 이끕니까? 그런 다음 측정 방법론을 결정합니다: 전후 비교(가장 약함), 코호트 분석(보통), A/B 테스트(가장 강함). 출시 전에 최소 감지 가능 효과 크기와 필요한 표본 크기를 설정합니다. "결제 간소화 기능에 대해 정의했습니다: 주요 지표 = 결제 완료율, 보조 지표 = 결제까지의 시간과 평균 주문 금액, 가드레일 지표 = 반품률과 고객 지원 티켓. 완전한 주간 주기를 포착하기 위해 3주간 A/B 테스트를 실행하여 가드레일 저하 없이 완료율 7.3% 상승을 달성했습니다."

행동 및 커뮤니케이션 질문

9. 분석 결과가 이해관계자의 기대나 듣고 싶어 하는 것과 모순되었던 경험을 말씀해 주십시오.

면접관이 보는 포인트: 환영받지 못하는 결과를 전달하는 용기와 건설적으로 프레이밍하는 능력.

답변 프레임워크: 분석이 인기 있는 서사나 임원의 애정 프로젝트에 이의를 제기한 사례를 선택하십시오. 설명: (1) 이해관계자의 기대와 그 이유, (2) 데이터가 보여준 것과 검증 방법, (3) 결과를 어떻게 제시했는지 — 프레이밍, 맥락, 행동 제안 [12]. "마케팅 팀은 6개월 전에 출시한 로열티 프로그램이 반복 구매를 촉진하고 있다고 확신했습니다. 제 코호트 분석은 멤버들이 가입 전부터 이미 높은 빈도의 구매자였음을 보여주었습니다 — 프로그램이 새로운 고객을 만드는 것이 아니라 기존의 충성 고객을 끌어들이고 있었습니다. 이를 긍정적인 발견과 함께 제시했습니다: 프로그램 멤버의 평균 주문 금액이 12% 높았습니다. 유지 도구가 아닌 업셀링 메커니즘으로 프로그램을 재포지셔닝할 것을 권장했고, CMO는 데이터를 검토한 후 수용했습니다."

10. 지저분하거나 신뢰할 수 없는 데이터로 작업해야 했던 경험을 설명하십시오. 어떻게 했습니까?

면접관이 보는 포인트: 데이터 품질 인식과 실용적 문제 해결.

답변 프레임워크: 모든 분석가는 불완전한 데이터로 작업합니다 — 질문은 어떻게 다루느냐입니다. 설명: (1) 품질 문제를 어떻게 식별했는지(검증 확인, 분포 분석, 도메인 지식), (2) 어떤 구체적 문제가 있었는지(중복, 불일치 형식, 결측값, 오래된 기록, 상충하는 소스), (3) 결정을 문서화하면서 데이터를 어떻게 정제하고 변환했는지, (4) 최종 분석에서 데이터 품질 제한을 어떻게 전달했는지 [13]. "CRM 내보내기를 사용하여 고객 이탈을 분석하도록 요청받았습니다. 초기 탐색에서 발견: 서로 다른 ID를 가진 15%의 중복 고객 기록, 필드 간 3가지 다른 날짜 형식, 깨진 통합으로 인해 6개월 동안 업데이트되지 않은 'last_activity_date' 열. 이메일 + 전화 매칭을 사용한 중복 제거 로직을 구축하고, 날짜를 표준화하고, 이벤트 로그 테이블에서 활동 이력을 재구성했습니다. 모든 정제 단계를 데이터 품질 부록에 문서화하고 깨진 통합을 엔지니어링 팀에 보고했습니다."

11. 여러 이해관계자가 동시에 분석을 요청할 때 어떻게 우선순위를 정합니까?

면접관이 보는 포인트: 전문적 성숙도와 분석이 가장 큰 가치를 창출하는 곳에 대한 전략적 사고.

답변 프레임워크: 비즈니스 영향, 의사결정 긴급성, 데이터 준비 상태로 우선순위를 정합니다 [14]. 프레임워크: (1) 어차피 내려질 시간에 민감한 의사결정이 있는가 — 분석이 기한 전에 전달되어야만 개선할 수 있습니다. 그것이 우선입니다. (2) 분석이 정보를 제공하는 의사결정의 기대 가치는 — 1,000만 달러의 가격 결정이 5만 달러의 프로세스 개선보다 중요합니다. (3) 한 이해관계자에게 빠른 방향성 답변을 제공하면서 다른 이해관계자에게 심층 분석을 할 수 있는가? "관리자와 매주 공유하는 우선순위 큐를 유지합니다. 두 VP가 같은 주에 상충하는 분석을 요청했을 때, VP A에게는 즉각적인 질문에 방향성으로 답하는 빠른 탐색 분석(2시간)을 제공하고, VP B에게는 이사회 발표에 정보를 제공하는 종합적인 심층 분석을 수행했습니다. 양쪽 이해관계자에게 사전에 일정을 전달했고, 어느 쪽도 놀라지 않았습니다."

시나리오 기반 질문

12. 일일 활성 사용자가 어제 15% 감소한 것을 발견했습니다. 조사 과정을 설명하십시오.

면접관이 보는 포인트: 구조화된 디버깅 접근법과 가설 주도 사고.

답변 프레임워크: 진단 트리를 따릅니다 [15]: (1) 데이터 확인 — 지표가 정확합니까? 로깅 문제, 파이프라인 지연, 정의 변경을 확인. (2) 범위 결정 — 감소가 모든 플랫폼(웹, 모바일, 앱)인지 격리되었는지? 모든 지역인지 특정 지역인지? 모든 사용자 세그먼트인지 특정 코호트인지? (3) 알려진 원인 확인 — 사이트 장애, 배포, 종료된 마케팅 캠페인이 있었는지? (4) 상관 지표 검토 — 세션이 감소했는지(방문자 감소) 세션 깊이가 감소했는지(같은 사람이 더 적게 활동)? (5) 가설 수립 및 테스트 — 모바일만이면 앱스토어에서 업데이트 문제 확인; 지역 특정이면 ISP 장애 확인; 신규 사용자만이면 획득 채널 성과 확인. "첫 번째 전화는 엔지니어링에 인시던트 확인을 위해 할 것입니다. 문제가 없으면 30분 이내에 플랫폼, 지역, 획득 소스별로 감소를 세분화합니다. 이전 직장에서 유사한 조사를 통해 CDN 설정 변경이 유럽 3개국에서 이미지 로딩을 중단시켰고 이것이 전체 감소를 설명했음을 발견했습니다."

13. 영업 리더가 어떤 리드가 전환될지 예측하는 모델을 구축해 달라고 합니다. 어떻게 접근하시겠습니까?

면접관이 보는 포인트: 모델링 기법뿐 아니라 종단간 분석 프로젝트 계획.

답변 프레임워크: 모델 선택으로 바로 뛰어들려는 충동을 억제하십시오. 단계: (1) 타겟 변수를 정확히 정의 — "전환"이란 무엇이며 어떤 기간에 걸쳐? (2) 사용 가능한 피처 식별 — 리드 소스, 회사 규모, 참여 신호(이메일 오픈, 페이지 방문, 콘텐츠 다운로드), 인구통계/기업통계 데이터. (3) 데이터 품질과 볼륨 평가 — 모델 훈련에 충분한 과거 전환이 있습니까? (4) 단순하게 시작 — 로지스틱 회귀가 피처가 잘 설계되면 복잡한 모델을 능가하는 경우가 많으며 영업팀이 신뢰하는 해석 가능한 계수를 제공합니다 [16]. (5) 비즈니스 사용 사례에 맞춘 평가 지표 정의 — 정밀도(나쁜 리드에 영업 시간 낭비 방지) 또는 재현율(좋은 리드 놓치지 않기). (6) 배포와 모니터링 계획 — 점수가 영업팀에 어떻게 표시되며, 모델 열화를 어떻게 감지합니까? "제가 본 가장 큰 함정은 정확하지만 사용되지 않는 모델입니다. 첫날부터 영업팀과 협력하여 워크플로를 이해하고, 리드 점수를 CRM에 통합하고, 우선순위가 지정된 점수 리드가 실제로 더 높은 비율로 전환되는지 A/B 테스트를 합니다."

14. 마케팅이 이메일 캠페인으로 500,000달러의 매출을 창출했다고 주장합니다. 이 주장을 어떻게 검증하시겠습니까?

면접관이 보는 포인트: 기여 분석의 정교함과 건전한 회의적 사고.

답변 프레임워크: 기여 방법론을 질문합니다 [17]: (1) "창출"이 어떻게 정의되었는가 — 수신자가 7일 이내에 구매했는지, 구매 전에 이메일을 클릭했는지, 단순히 열었는지? (2) 반사실은 무엇인가 — 이 고객들이 이메일 없이도 구매했을까? 확인: 수신자가 정기적 구매 패턴을 가진 기존 고객이었는가? 보류 그룹이 있으면 비교. (3) 증분성 검토 — 이메일을 받지 않은 유사 고객의 기본 구매율을 차감. (4) 선택 편향 확인 — 수신자가 이미 구매할 가능성이 높아서(빈번한 방문자, 장바구니에 상품 있음) 타겟팅되었는가? "먼저 보류 그룹 데이터를 요청합니다. 보류 그룹이 없으면 유사한 구매 이력, 최근성, 참여 수준을 가진 비수신자로 매칭 대조군을 구축합니다. 이전 분석에서 이 접근법은 캠페인의 주장된 500,000달러 영향을 127,000달러의 진정한 증분 매출로 줄였습니다 — 여전히 긍정적이지만 ROI 계산에는 매우 다른 이야기입니다."

면접관에게 할 질문

1. "데이터 인프라는 어떻게 되어 있습니까 — 데이터가 어디에 있으며, 분석가는 어떻게 접근합니까?" — 일상적으로 사용할 도구와 시스템에 대한 실용적 인식을 보여줍니다.

2. "분석 우선순위는 어떻게 설정됩니까 — 공식적인 요청 프로세스가 있습니까 아니면 임시적입니까?" — 워크플로 관리 과제에 대한 인식을 보여줍니다.

3. "비즈니스 결정을 바꾼 최근 분석 사례를 설명해 주실 수 있습니까?" — 조직이 실제로 데이터를 의사결정에 사용하는지 아니면 단순히 수집하는지 확인합니다.

4. "팀의 데이터 품질과 거버넌스에 대한 접근 방식은 어떻습니까?" — 분석 품질이 데이터 품질에 달려 있다는 인식을 보여줍니다.

준비 체크리스트

1. 시간 압박 하에서 SQL을 연습하십시오. LeetCode, HackerRank, StrataScratch 같은 플랫폼을 사용하여 15~20분 내에 SQL 문제를 풀어보십시오 — 이것이 면접 환경을 반영합니다 [18].

2. 포트폴리오 발표를 준비하십시오. 자랑스러운 분석을 하나 선택하여 10분 워크스루를 준비하십시오: 비즈니스 질문, 접근법, 분석, 결과, 비즈니스 영향. 기술적 배경이 없는 사람에게 설명하는 연습을 하십시오.

3. 기초 통계를 복습하십시오. 평균, 중위값, 표준편차, 신뢰 구간, p-값, A/B 테스트 설계, 회귀 해석이 자연스러워야 합니다.

4. 도구를 깊이 이해하십시오. Python(pandas, matplotlib), R(tidyverse, ggplot2), Tableau, Power BI 중 무엇을 사용하든 특정 작업에 특정 도구를 선택한 이유를 논의할 준비를 하고 최소 하나에서 유창함을 보여주십시오.

5. 회사의 데이터를 조사하십시오. 데이터 팀의 블로그 포스트, 컨퍼런스 발표, 채용 공고를 확인하여 기술 스택, 데이터 규모, 분석 우선순위를 파악하십시오.

참고 문헌

[1] U.S. Bureau of Labor Statistics, "Occupational Outlook Handbook: Data Scientists and Mathematical Science Occupations," BLS, 2024. [2] LinkedIn, "2024 Workforce Report: Most In-Demand Skills," LinkedIn Economic Graph, 2024. [3] Molinaro, D., "SQL for Data Analysis," O'Reilly Media, 2023. [4] Beaulieu, A., "Learning SQL," 3rd Edition, O'Reilly Media, 2020. [5] Little, R. & Rubin, D., "Statistical Analysis with Missing Data," 3rd Edition, Wiley, 2019. [6] Pearl, J. & Mackenzie, D., "The Book of Why: The New Science of Cause and Effect," Basic Books, 2018. [7] Few, S., "Information Dashboard Design," Analytics Press, 2013. [8] Knaflic, C.N., "Storytelling with Data," Wiley, 2015. [9] Wasserstein, R. & Lazar, N., "The ASA Statement on p-Values," The American Statistician, 2016. [10] Agresti, A. & Franklin, C., "Statistics: The Art and Science of Learning from Data," 4th Edition, Pearson, 2017. [11] Croll, A. & Yoskovitz, B., "Lean Analytics," O'Reilly Media, 2013. [12] Davenport, T. & Kim, J., "Keeping Up with the Quants," Harvard Business Review Press, 2013. [13] Dasu, T. & Johnson, T., "Exploratory Data Mining and Data Cleaning," Wiley, 2003. [14] Patil, D.J. & Mason, H., "Data Driven," O'Reilly Media, 2015. [15] Hubbard, D., "How to Measure Anything," 3rd Edition, Wiley, 2014. [16] Provost, F. & Fawcett, T., "Data Science for Business," O'Reilly Media, 2013. [17] Kohavi, R. et al., "Trustworthy Online Controlled Experiments," Cambridge University Press, 2020. [18] Tao, D., "Ace the Data Science Interview," 2023.