2026'da Veri Bilimcisi Mülakatına Nasıl Hazırlanılır: Kapsamlı Rehber

Özet: Veri bilimcisi mülakat hazırlığı tek bir şey değildir — her biri farklı bir beceri seti gerektiren beş ayrı turdan oluşur. SQL, istatistik, ürün sezgisi, makine öğrenmesi kavramları ve davranışsal mülakat; bunların tümü ayrı hazırlık stratejileri gerektirir. Tüm süreci "tek bir kodlama sınavı" olarak ele alan adaylar, teknik açıdan hazır oldukları turlarda bile elenir. Bu rehber her tur türünü ele alarak AI koçluğunu verimli pratik için nasıl kullanabileceğinizi göstermektedir.

Çoğu veri bilimcisi adayı bir konuyu aşırı hazırlar ve başka bir konuda tamamen boş kalır.

3 yıllık PyTorch deneyimine sahip mühendislerin SQL turunda çuvalladığını gördüm. İstatistik alanında doktora yapmış kişilerin "bir veri projenizi anlatın" sorusunda tökezlediğine tanıklık ettim, çünkü bunu hiç bir hikâye olarak anlatmayı düşünmemişlerdi. Yüzlerce veri bilimi mülakat sonucunu inceledikten sonra örüntü tutarlıdır: Mesele veri biliminde ne kadar iyi olduğunuz değil. Mesele, veri bilimi mülakatının spesifik formatına hazırlıklı olup olmadığınızdır.

İşte bu hazırlığın gerçekte nasıl göründüğü.

---

Veri Bilimcisi Mülakatı Bir Algoritma Maratonu Değildir

Anlaşılması gereken ilk şey: veri bilimcisi mülakatı, yazılım mühendisi mülakatından temelden farklıdır.

Yazılım mühendisleri LeetCode soruları alır — ikili ağaçlar, dinamik programlama, graf gezinimi; baskı altında algoritmik düşünceyi test eden zor problemler. Veri bilimcileri genellikle bunlarla karşılaşmaz. Bunun yerine daha çeşitli ve bazı açılardan daha zorlu sorular gelir:

• A/B testi tasarımını açıklamanızı gerektiren istatistik sorusu
• Gerçekçi verilerle karmaşık JOIN ve agregasyonlar içeren SQL problemi
• Tek doğru cevabı olmayan ürün vaka çalışması
• "Verilerle paydaşları nasıl etkilediğinizi anlatın" gibi gerçek bir hikâye gerektiren davranışsal soru — hazır şablon değil

Kodlama zorluğu genellikle daha düşüktür. Ancak kapsam daha geniştir ve yalnızca kod yazmaya çalışan adaylar, DS rolleri için en kritik turlarda sendelemeye başlar.

Ayrıca üç farklı "veri bilimcisi tipi" vardır ve hazırlığınız buna uygun olmalıdır:

Rol Tipi	Temel Mülakat Odağı	Şirketler
ML/Araştırma DS	ML kavramları, deney tasarımı, Python/ML kodlaması	Google, Meta, OpenAI
Ürün/Analitik DS	SQL, A/B testing, metrikler, ürün sezgisi	Airbnb, Uber, Stripe
Full-Stack DS	Yukarıdakilerin karışımı	Çoğu startup

İş tanımını dikkatle okuyun. "Büyük ölçekte deney deneyimi" bir şey anlatır. "Güçlü SQL ve iş sezgisi" ise başka bir şey. Türkiye'de Trendyol, Getir ve Hepsiburada gibi yerli teknoloji devleri DS profesyonellerine olan talebi artırırken; Kariyer.net ve LinkedIn Türkiye üzerinden Avrupa ve ABD şirketlerinin uzaktan pozisyonları için başvuru yapmak da giderek yaygınlaşmaktadır.

---

Gerçekte Karşılaşacağınız 5 Tur

Veri bilimi mülakat döngülerinin büyük çoğunluğu öngörülebilir bir yapı izler. Her turda neler beklemeniz gerektiği aşağıda açıklanmaktadır:

Tur 1: İşe Alım Uzmanı / İşe Alım Yöneticisi Görüşmesi (30 dakika)

Teknik bir tur değildir. Kontrol ettikleri şeyler: geçmişinizi net bir şekilde anlatabilir misiniz? Rolü anlıyor musunuz? Maaş beklentileri kabaca uyuşuyor mu?

Hazırlık ipucu: İş geçmişinizin 90 saniyelik bir versiyonunu hazırlayın. Ne üzerinde çalıştığınızı, ne kadar etki yarattığınızı (sayılarla) ve bu şirkete özellikle neden ilgi duyduğunuzu söylemeyi pratik yapın.

Tur 2: İstatistik & Deney Tasarımı

Çoğu adayın en çok küçümsediği turdur. Konular şunları içerir:

• A/B testi tasarımı: örneklem büyüklüğü, istatistiksel güç, Tip I/II hatalar, çoklu test düzeltmeleri
• Olasılık: koşullu olasılık, Bayes teoremi, beklenen değer
• İstatistiksel çıkarım: güven aralıkları, hipotez testleri, p-değerleri
• Nedensel çıkarım: regresyon süreksizliği, fark-içinde-fark yöntemlerini ne zaman kullanmalı

Sır, kavramları bilmek değil — muhakemeniz değerlendirilirken problemi sesli bir şekilde adım adım çözebilmektir. Her istatistik problemi için "açıklığa kavuştur → tanımla → hesapla → yorumla" çerçevesini kullanın.

Tur 3: Veri Bilimi Python & SQL Mülakatı

SQL, analitik ve ürün DS rolleri için vazgeçilmezdir. Python, ML rolleri için zorunludur. Her ikisi de full-stack DS pozisyonlarında test edilir.

SQL odak alanları:

• Window functions (RANK, LAG, LEAD, PARTITION BY)
• Kohort analizi için self-join
• Çok adımlı sorgular için CTE
• NULL değer yoğun, dağınık veriler üzerinde agregasyonlar

Python odak alanları:

• Pandas manipülasyonu: groupby, merge, reshape
• Temiz ML pipeline yazımı (sklearn)
• Bias-variance tradeoff ve model değerlendirme açıklaması
• Spesifik ML algoritmaları: ne zaman hangisini kullanmalı ve neden

Sorular genellikle FAANG SWE problemleri kadar zor değildir. Ölçüt şudur: "Her şeye bakmadan üretim kalitesinde veri kodu yazabilir misiniz?" Gerçek veri setlerinde pratik yapın, yalnızca basit örneklerle yetinmeyin.

Tur 4: Ürün Sezgisi & Vaka Çalışması

Bu turun tek doğru cevabı yoktur — bu onu hazırlanması en zor tür yapar. Yaygın formatlar:

• "[Özellik] için bir başarı metriği tanımlayın"
• "Temel metriğimiz geçen hafta %15 düştü. Bunu nasıl teşhis edeceğinizi anlatın"
• "Bu ürün değişikliğini test etmek için bir deney nasıl tasarlarsınız?"

Metrik düşüşü soruları için çerçeve: "Bu bir veri sorunu mu yoksa gerçek bir sorun mu?" diye başlayın. Ardından platforma, coğrafyaya, kullanıcı kohortuna ve zamana göre segmentlere ayırın. Sistematik çalışın. Sonuçlara acele etmeyin.

Tur 5: Davranışsal Mülakat

Bir sonraki bölümde ayrıntılı ele alınacaktır — teknik açıdan güçlü adayların gereksiz yere puan kaybettiği yer burasıdır.

Eve Götürme Ödevleri: Pek çok şirket 3-5 saatlik eve götürme projesi de verir. Bunlara ciddiye alın — temiz kod, açık görselleştirmeler ve teknik karmaşıklık yerine iş etkisini vurgulayan 1 sayfalık bir özet gönderin.

---

Davranışsal Mülakat: Veri Bilimcilerinin Gereksiz Puan Kaybettiği Yer

Veri bilimcisi davranışsal mülakat soruları yüzeysel olarak SWE davranışsal sorularına benzer. "Eksik verilerle çalışmak zorunda kaldığınız bir zamanı anlatın." "Doğrudan yetkisi olmadan bir kararı etkilemek zorunda kaldığınız bir durumu anlatın."

Ancak değerlendirme kriterleri farklıdır. Veri bilimcileri için mülakatçılar özellikle şunları değerlendirir:

1. Teknik çalışmayı teknik olmayan paydaşlara iletebiliyor musunuz?
2. Veri çalışmanızı ölçülebilir iş sonuçlarına bağladınız mı?
3. Belirsizliği nasıl ele alıyor ve belirsizlik altında nasıl karar veriyorsunuz?

Bunlar genel "iletişim becerileri" değil — veriye özgü becerilerdir. Bir yazılım mühendisi bir özellik geliştirme hakkında harika bir davranışsal cevap verebilir. Veri bilimcisinin ise verilerle bir iş kararını nasıl değiştirdiğini ve bu değişikliği nasıl ölçümlediğini anlatması gerekir.

Yaygın Veri Bilimcisi Davranışsal Soruları

• "En gurur duyduğunuz veri projesini anlatın."
• "Analizinizin hatalı olduğu bir zamanı anlatın. Ne oldu?"
• "Bir paydaşın bulgularınıza katılmadığı bir durumu nasıl ele aldınız?"
• "Dağınık veya güvenilmez verilerle çalıştığınız bir zamanı anlatın."
• "Verilerle bir ürün veya iş kararını nasıl etkilediğinize dair bir örnek verin."

STAR Method Veri Bilimcileri İçin Farklı Çalışır

STAR yöntemi (Durum, Görev, Eylem, Sonuç) doğru çerçevedir. Ancak vurgu değişir:

• Durum (Situation): 2-3 cümleyle sınırlı tutun. Şirket, ekip büyüklüğü ve çözdüğünüz iş sorunu.
• Görev (Task): Hangi spesifik veri sorusunu yanıtlıyordunuz? Ne tehlikedeydi?
• Eylem (Action): Puan kazandığınız yer burasıdır. Şunları anlatın: hangi veriyi kullandınız, hangi analizi yaptınız, hangi içgörüleri buldunuz ve bunları nasıl ilettiniz. İletişim kısmını atlamamayın.
• Sonuç (Result): İş etkisiyle başlayın. "Önerimiz dönüşüm oranını %8 artırdı." "Bir lojistik regresyon modeli kurdum" değil.

"En gurur duyduğunuz veri projesini anlatın" için STAR cevabı örneği:

Durum: "[Şirket]'te ürün ekibi yeni bir onboarding akışı başlatıp başlatmamayı tartışıyordu. Karar sezgiye dayalı olarak alınıyordu."

Görev: "İki hafta içinde kararı bilgilendirmek için mevcut onboarding verilerini analiz etmem istendi."

Eylem: "Onboarding yoluna göre kullanıcı kohort analizi oluşturmak için SQL ile olay veri tabanını sorguladım. 3. adımı tamamlayan kullanıcıların 30 günlük elde tutma oranının bırakanlara göre 3 kat daha yüksek olduğunu buldum. Edinim kanalını kontrol etmek için lojistik regresyon çalıştırdım. Teknik olmayan bir PM'in anlayabileceği bir grafik içeren korelasyonu net olarak gösteren bir tek sayfalık doküman hazırladım."

Sonuç: "Ekip, 3. adımı vurgulayacak şekilde onboarding akışını yeniden tasarladı. Elde tutma oranı sonraki kohorda %12 iyileşti. Kullandığım yaklaşım, ürün analitik soruları için standart hale geldi."

Hedeflemeniz gereken spesifiklik seviyesi budur. Sayılar, paydaşlar, iletişim, sonuç.

---

Her Tur Türü İçin AI Kullanımı

Veri bilimi mülakat hazırlığında AI'ya dair dürüst bir bakış açısı geliştirilmelidir. Bazı konularda son derece faydalıdır, bazılarında ise daha az işe yarar.

AI koçluğunun en çok yardımcı olduğu alanlar:

• SQL sorularını yoğun şekilde çalışmak: AI'dan gerçekçi bir tablo şeması ve sorgu mücadelesi oluşturmasını isteyin, ardından çözümünüzü eleştirmesini sağlayın. LeetCode tarzı değerlendirme beklemeye kıyasla çok daha hızlı geri bildirim döngüsü.

• Davranışsal soruları yüksek sesle pratiği: AI mülakat koçu, STAR cevaplarınız akıcı hale gelene kadar aynı soruyu küçük değişikliklerle 5 kez sorabilir. Hazırlıksız bir cevap ile göz kamaştıran bir cevap arasındaki fark genellikle geri bildirimli tekrardır.

• İstatistik kavramlarını gözden geçirmek: AI, "Bayesian inference'ı bana bir ürün müdürüymüş gibi açıkla" tarzı pratikler için mükemmeldir — yani teknik kavramları anlaşılır bir dille açıklamayı pratiği.

• Vaka çalışmalarını simüle etmek: AI'ya bir ürün senaryosu verin ve metrik önerilerinizi sorgulamasını isteyin. Gerçek mülakattan önce muhakemenizi stres testine tabi tutmak için iyidir.

AI'nın sınırları:

Ekranınızı paylaştığınız canlı teknik mülakatlar sırasında gerçek zamanlı AI yardımı kodlama turları için iyi çalışmaz — mülakatçı ortamınızı görebilir. Ancak davranışsal ve vaka çalışması turlarında gerçek zamanlı bir AI asistanı, deneyimlerinizden ilgili örnekleri ortaya çıkarabilir ve siz konuşurken STAR yapınızı nasıl çerçeveleyeceğinizi önerebilir.

AceRound AI tam olarak bu kullanım durumu için tasarlanmıştır: mülakatçıya görünmeden mülakat konuşmasını gerçek zamanlı olarak dinler ve cevaplar önerir. Davranışsal turlar veya ürün sezgisi soruları için kullansanız da kullanmasanız da, bunu gerçek hazırlığın yerine değil, bir yedek olarak kullanmak önemlidir.

Pek çok Türk teknoloji profesyonelinin Kariyer.net'in ötesine geçerek Avrupa ve ABD şirketleriyle video üzerinden görüşme yaptığı bir dönemde, bu tür araçlar İngilizce mülakat ortamındaki kültürel ve dilsel farklılıkları kapatmaya yardımcı olabilir.

---

4 Haftalık Veri Bilimcisi Mülakat Çalışma Planı

Çoğu rehber neyi çalışacağınızı söyler. Bu plan ne zaman çalışacağınızla ilgilidir — bu, insanların fark ettiğinden daha önemlidir.

1. Hafta: Temeller

• SQL: Window functions, çok adımlı CTE'ler, yaygın agregasyon kalıpları. Gerçek veri setleri olan bir platformda günde 2-3 soru çözün.
• İstatistik: A/B testi tasarımı, hipotez testleri, güven aralıkları. Kavramları gözden geçirin ve yüksek sesle açıklamayı pratik yapın.
• Python: Pandas akıcılığı. Bellekten groupby → merge → pivot pipeline yapamıyorsanız, önce buna çalışın.

2. Hafta: Teknik Derinlik

• ML kavramları: Bias-variance tradeoff, regularizasyon, yaygın algoritmalar ve ne zaman kullanılacağı. Ezberlemek değil; anlamak.
• ML kodlaması: Baştan sona temiz bir sklearn pipeline oluşturun. Model değerlendirme seçimlerinizi açıklamayı pratik yapın.
• Eve götürme pratiği: Herkese açık bir veri seti bulun ve yazılı bir özet eşliğinde mini analiz yapın. Bulguları sade bir dille aktarmayı pratik yapın.

3. Hafta: İş & Ürün Katmanı

• Ürün sezgisi: 5 gerçek ürün senaryosunda metrik düşüşü çerçevesini pratik yapın. Airbnb, Instacart, Netflix'teki DS bloglarından vaka çalışmalarını okuyun.
• Deney tasarımı: Örneklem büyüklüğü hesaplamalarıyla baştan sona 3 A/B testi tasarlayın. Tasarım kararlarınızı açıklamayı pratik yapın.
• Şirket araştırması: Hedef şirketiniz ne tür veri ürünleri üretiyor? Büyük olasılıkla hangi metrikleri önemsiyorlar?

4. Hafta: Davranışsal + Simülasyon Mülakatları

• Deneyimlerinizden 8-10 STAR hikâyesi yazın. Her temel yetkinlik için bir tane: analitik titizlik, paydaş etkisi, belirsizlik, proje sahipliği, teknik iletişim.
• Gerçek bir kişi veya AI koçuyla en az 2 simülasyon mülakatı yapın. Cevaplarınızı zamanlayın.
• En zayıf tur türünüzü her gün çalışın.

---

Sık Sorulan Sorular

Veri bilimcisi mülakatı, yazılım mühendisi mülakatından nasıl farklıdır?

Temel fark genişlik ve derinlik arasındadır. SWE mülakatları algoritmalar ve veri yapıları konusunda derine iner (LeetCode-hard soruları). DS mülakatları daha geniş bir alanı kapsar: SQL, istatistik, ML kavramları, ürün sezgisi ve davranışsal — ancak daha düşük kodlama yoğunluğuyla. Ayrıca iş iletişimi ve içgörü yorumlama konusunda daha ağırlıklı değerlendirilirsiniz.

Veri bilimcisi mülakatına hazırlanmak ne kadar sürer?

Temel DS becerilerine zaten sahipseniz, çoğu orta düzey pozisyon için günlük 1-2 saat, yapılandırılmış 3-4 haftalık hazırlık yeterlidir. FAANG'deki üst düzey pozisyonlar veya araştırma ağırlıklı pozisyonlar için 6-8 haftayı planlayın. En zayıf alan — genellikle davranışsal veya istatistik — en fazla zamanı hak eder.

SQL mi Python mu önce odaklanmalıyım?

Rol türüne bağlıdır. Ürün/analitik DS rolleri için SQL önceliktir — neredeyse her mülakat döngüsünde karşınıza çıkar. ML ağırlıklı roller için Python ve ML kavramları daha önemlidir. Emin değilseniz önce SQL: Mülakattalarda SQL akıcılığını taklit etmek zordur ve çoğu DS mülakatı bir SQL turu içerir. Trendyol ve Getir gibi yerli Türk teknoloji şirketlerinde ve Avrupa şirketlerinin uzaktan pozisyonlarında SQL özellikle önem taşır.

"En gurur duyduğunuz veri bilimi projesini anlatın" sorusuna nasıl cevap veririm?

STAR'ı veri odaklı bir yaklaşımla kullanın: teknikten değil, iş sorusundan başlayın. "Kayıp oranını azaltmaya çalışıyorduk" demek, "Gradient boosting modeli kurdum" demekten daha ikna edicidir. Bulguları teknik olmayan paydaşlara nasıl ilettiğinizi gösterin ve iş etkisini her zaman sayısal ifade edin. Bu soruyu özellikle pratiğe dökün — mülakatçılar bunu sürekli sorar.

Canlı bir veri bilimcisi mülakatında AI araçları kullanabilir miyim?

Ekranınızın paylaşıldığı kodlama turlarında AI asistan kullanmak mülakatçıya görünür haldedir ve genellikle uygun değildir. Video mülakatlarında (davranışsal, vaka çalışması, ürün sezgisi) gerçek zamanlı AI araçlarının tespiti daha zordur; ancak bunları gerçek hazırlık yerine bir destek olarak kullanmak bir zaaftır — AI anlamadığınız bir şey önerirse, mülakatçı takip sorusu sorduğunda güvenilirliğinizi kaybedersiniz.

Veri bilimi adaylarının başarısız olmasının en yaygın nedeni nedir?

Tutarlı olarak: davranışsal hazırlık eksikliği. Teknik adaylar hazırlık sürelerinin %90'ını SQL ve ML'e ayırır, ardından davranışsal tura girerek belirsiz, sayısal ifade içermeyen cevaplar verirler. "Bir data pipeline üzerinde çalıştım" bir cevap değildir. "Veri işleme süresini %40 kısaltan ve bir ürün lansmanının önündeki engeli kaldıran bir pipeline kurdum" bir cevaptır. Her zaman sayılar kullanın.

---

Yazar: Alex Chen. Kariyer danışmanı ve eski teknoloji şirketi işe alım uzmanı. İşe alım tarafında 5 yıl geçirdikten sonra adaylara yardım etmeye yöneldi. Ders kitabı tavsiyesi değil, gerçek mülakat dinamikleri üzerine yazar.