ウォルマートデータアナリスト面接体験記：SQL・Python・ビジネス思考の完全評価

背景紹介

まずは私の状況からお話しします。2年間のデータ分析経験があり、現在はインターネット企業でデータアナリストとして働いています。主にユーザー行動分析とビジネスデータのモニタリングを担当しています。日常業務はSQLクエリの作成、レポート作成、A/Bテストの実施などです。会社は大きくなく、データチームは5人だけで、データ抽出からモデリング、可視化まですべてを一人で担当しています。

正直なところ、小さなチームでデータ分析をする最大の問題は、成長の機会が限られていることです。ビジネス側の要求に応えるだけで、深掘りしたテーマ分析の機会はほとんどなく、完全なデータ体系を構築するのはなおさらです。だからこそ、より豊富なデータシナリオとより専門的なチームがある大きなプラットフォームを探していました。

今年の4月、リクルーターがLinkedInで私に連絡し、イオン（AEON）がデータアナリストを募集していると教えてくれました。イオンはずっと入りたいと思っていた会社でした。小売り分野のデータ量と複雑さはトップクラスで、データ分析への要求も高いからです。リクルーターが履歴書を提出し、約3日後に面接の招待を受けました。

面接プロセスの完全レビュー

1次面接（約1時間、SQL+Python+ビジネス問題）

1次面接の面接官はデータチームのシニアアナリストで、30代前半のように見えました。質問は非常に直接的で、遠回りなし。面接はSQL、Python、ビジネス分析の3つのパートに分かれていました。

SQLセクション：

面接官はまず基礎的な質問をしました：ウィンドウ関数のrank、dense_rank、row_numberの違い。スムーズに答えました — rankは同順位の場合に番号を飛ばす（1,1,3）、dense_rankは飛ばさない（1,1,2）、row_numberは同順位に関係なく連続する（1,2,3）。その後、実践問題が出題されました：3日連続ログインしたユーザーを見つける。

アプローチ：ユーザーごとにグループ化し、row_numberでログイン日付に順位を付け、ログイン日付から順位番号を引いて「基準日」を取得。同じユーザーの基準日が3回以上出現すれば、3日連続ログインしたことになります。約10分で書き、ロジックを説明しました。面接官は大規模データでの最適化について深掘りしました — 日付でパーティショニングして一度に処理するデータ量を減らすと提案しました。

Pythonセクション：

最初の質問はpandasのmergeとjoinの違いについてでした。mergeはより汎用的で、left/right/inner/outerを指定でき、複数の列で結合可能；joinはデフォルトでインデックスベースの結合で、構文がよりシンプルだと説明しました。その後、実践的なデータクリーニングの問題が出題されました：ユーザー行動ログテーブルに重複レコードと外れ値がある場合、どうクリーニングするか？

私のアプローチ：まずdrop_duplicatesで重複を除去 — ユーザーID+タイムスタンプ+イベントタイプで重複を判断；次にdescribe()で数値フィールドの分布を確認し、3σ原則や箱ひげ図で外れ値を識別；欠損値については、ビジネスシナリオに応じて補完または削除を選択。面接官は満足し、外れ値の割合が大きい場合はどうするかと深掘りしました — ビジネスチームに確認する必要があると答えました。データ収集の問題かもしれず、単純に削除すべきではないと。

ビジネス分析セクション：

面接官は古典的な問題を出しました：GMVが20%下落した場合、どう分析するか？私は「全体→分解→原因特定」のアプローチで答えました：

1. まずデータの正確性を確認 — 集計方法が変わったのか、本当に下落したのか？

2. 次元で分解 — 時間別（急激な下落か持続的下落か）、カテゴリ別（どのカテゴリの下落が最大か）、チャネル別（どのチャネルに問題があるか）、新規vs既存ユーザー別

3. 原因を特定 — ビジネスの動きと相関させる（リニューアル、プロモーション終了、競合のセールなど）

4. 提言を提供 — 特定された原因に基づいて対応策を提案

面接官は深掘りしました：カテゴリ別に分解した後、すべてのカテゴリが下落している場合、どうさらに分析するか？トラフィック側の問題かどうかを確認すると答えました — 全体トラフィックは減っているか？コンバージョン率は？客単価は？段階的に特定のボトルネックを絞り込む。

2次面接（約1時間、A/Bテスト+指標体系+データダッシュボード）

2次面接の面接官はデータチームのリーダーで、より方法論的で実践的な実装に関する質問が多かったです。

A/Bテスト設計：

面接官は非常に実践的な質問をしました：新しいレコメンドアルゴリズムのA/Bテストをどう設計するか？以下の側面から展開しました：

1. 実験設計：テスト群と対照群を決定、トラフィック分割方法を選択（ユーザーIDのハッシュで分割）、実験期間を決定（少なくとも1つの完全なサイクル、週末効果を考慮）

2. 指標選択：コア指標（クリック率、コンバージョン率）、ガードレール指標（他の指標への悪影響がないことを確認 — 返品率、クレーム率など）

3. サンプルサイズ計算：最小検出可能効果（MDE）と統計的検出力（通常80%）に基づき、公式またはオンラインツールで計算

4. 結果分析：t検定またはカイ二乗検定で差の有意性を判断、多重比較問題に注意

面接官は深掘りしました：コア指標が有意に向上したが、ガードレール指標にも悪影響がある場合、どう判断するか？総合的な利益を評価すると答えました — コア指標の向上がガードレール指標の悪影響を大幅に上回るなら、継続的なモニタリング付きでリリース可能；悪影響が許容できない場合は、最適化して再テストする必要がある。

指標体系の構築：

面接官は小売アプリの指標体系を設計するよう求めました。OSMモデルから出発しました：

1. 目標層（O）：GMV、ユーザー数、リテンション率

2. 戦略層（S）：トラフィック獲得、コンバージョン向上、客単価向上、リテンション改善

3. 測定層（M）：DAU、UV、コンバージョンファネル各段階の率、客単価、リピート購入率、7日/30日リテンション

面接官はこのフレームワークを評価しましたが、供給側の指標が欠けていると指摘しました — 出店者数、商品の豊富さ、配送時間なども重要。確かに、小売は両面マーケットプレイスであり、ユーザー側しか考慮していませんでした。

データダッシュボード設計：

面接官は：ビジネス責任者向けの日常運用ダッシュボードを作る場合、何を含めるか？と聞きました。私は以下を提案しました：

1. コアKPIカード：GMV、注文数、客単価、DAU（前年比・前月比付き）

2. トレンドグラフ：GMVと注文数の日次トレンド

3. ファネル図：訪問から購入までのコンバージョンファネル

4. ランキング：カテゴリTOP10、チャネルTOP10

5. 異常アラート：主要指標が閾値から逸脱した際にハイライト表示

面接官は更新頻度について深掘りしました — コア指標はリアルタイム更新、詳細データはT+1更新と答え、面接官は合理的と評価しました。

ビジネスケース：プロモーション効果の評価

面接官はシナリオ問題を出しました：割引プロモーションが終了したばかり — 効果をどう評価するか？私の分析フレームワーク：

1. 直接効果：プロモーション期間中のGMV、注文数、参加ユーザー数、客単価の変化

2. ROI分析：プロモーションコスト（補助金額）vs 増分GMV、ROIを計算

3. ユーザーセグメンテーション：新規vs既存顧客の参加度とコンバージョン率の差異

4. スピルオーバー効果：プロモーション対象外カテゴリの売上を牽引したか

5. 負の影響：プロモーション後の売上低下（買いだめ効果）、返品率の上昇

面接官はこの回答に非常に満足し、考慮が包括的だと言いました。

HR面接（約30分）

HR面接は比較的標準的で、以下の質問がありました：

1. キャリアプラン：短期的にはデータ分析を深め、長期的にはデータプロダクトやデータマネジメントの方向へ

2. イオンを選ぶ理由：小売データシナリオが豊富、データ量が多く、より多く学べる

3. 希望給与：合理的な昇給幅を提示、HRはその場では回答せず

4. 他のオファーの有無：正直に回答

結果

HR面接後約1週間でオファーを受け取りました。給与は約25%増でした。決して特別高くはありませんが、イオンのプラットフォームとデータシナリオは私にとってより価値がありました。また、チームの規模が現在よりはるかに大きく、より専門的なデータエンジニアリングチームやアルゴリズムチームにアクセスでき、キャリア発展に大きく役立つと考えています。

面接の実際の問題まとめ

1次面接の問題：

1. ウィンドウ関数の違い：rank、dense_rank、row_number

2. SQL実践：3日連続ログインユーザーの特定

3. pandasのmergeとjoinの違い

4. データクリーニング：重複レコードと外れ値の処理

5. ビジネス問題：GMV 20%下落の分析方法

2次面接の問題：

1. A/Bテスト設計：新しいレコメンドアルゴリズムのテスト

2. サンプルサイズ計算と統計的有意性

3. コア指標とガードレール指標のバランス

4. 指標体系設計：小売アプリのOSMモデル

5. データダッシュボード設計：日常運用ダッシュボードの内容

6. ビジネスケース：プロモーション効果の評価

HR面接：

1. キャリアプラン

2. イオンを選ぶ理由

3. 希望給与

感想とアドバイス

1. SQLは基本 — 熟練が必須。データ分析の面接ではほぼ必ずSQLが問われます。単純なクエリではなく、ウィンドウ関数、マルチテーブル結合、サブクエリが標準です。LeetCodeのSQL問題を一通り解き、ウィンドウ関数と日付関連の問題に重点を置くことをお勧めします。

2. ビジネス思考は技術力より重要。面接ではビジネス問題の割合が大きく、面接官は具体的な技術実装よりも分析フレームワークと論理を重視します。日常的にビジネスに注目し、データの背後にあるビジネスの意味を理解しましょう — 単なる「データ抽出係」にならないように。

3. A/Bテストは高頻度トピック。ほぼすべてのデータ分析面接でA/Bテストが問われます。実験設計から結果分析までマスターする必要があります。仮説検定、サンプルサイズ計算、多重比較などの統計的原理を体系的に学ぶことをお勧めします。

4. ビジネス問題はフレームワークで答える。思いついたことを言うのではなく、まず分析フレームワークを提示し、段階的に展開しましょう。GMV下落の問題なら：データの正確性を確認→次元で分解→原因を特定→提言。構造化された回答は思考が明確であることを示します。

5. Pythonは深くなくてよいが、pandasは必須。データ分析面接でのPythonの要求はそれほど高くなく、主にpandasのデータ処理能力です。merge、groupby、pivot_table、applyなどの操作は自然に使えるようにしましょう。

よくある質問FAQ

Q：データ分析の面接でPythonは必須ですか？

A：会社によります。SQL + Excelのみを要求する会社もありますが、大企業は基本的にPythonを期待しています。少なくともpandasとnumpyの基本操作をマスターし、データクリーニングと簡単な分析ができることをお勧めします。

Q：SQLはどのレベルまで必要ですか？

A：ウィンドウ関数は必須。マルチテーブル結合、サブクエリ、CTEも標準です。LeetCode中級難度のSQL問題を独力で完了できるレベルが目安です。面接のSQL問題は通常それほど難しくありませんが、素早く正確に書く必要があります。

Q：小売経験がなくてもイオンのデータ分析面接に合格できますか？

A：はい。面接官は業界経験よりも分析思考と学習能力を重視します。もちろん、小売のコア指標（GMV、客単価、コンバージョン率、リピート購入率など）を事前に理解しておくと有利です。

Q：A/Bテストはどう準備すればよいですか？

A：3つの側面から準備することをお勧めします：1）統計基礎 — 仮説検定、p値、信頼区間、統計的検出力；2）実験設計 — トラフィック分割、サンプルサイズ計算、実験期間；3）結果分析 — 有意性判断、多重比較、シンプソンのパラドックス。

Q：データ分析面接でアルゴリズム問題は出ますか？

A：一般的にLeetCodeスタイルのアルゴリズム問題は出ませんが、SQL問題とPythonデータ処理問題は必出です。一部の会社では簡単な統計推定問題（t検定やカイ二乗検定の応用など）が出るかもしれません。