2026 için En Popüler BigQuery Mülakat Soruları ve Cevapları

Dremel nedir ve BigQuery’nin hızlı sorgu performansını nasıl mümkün kılar?

Neden sorulur: BigQuery’nin temel sorgu motoru olan Dremel hakkında bilginizi ve ağaç tabanlı, sütunlu yürütme modelinin yüksek performanslı veri analitiğini nasıl sağladığını anlamak için.

Dremel, BigQuery’yi çalıştıran dağıtık bir sorgu yürütme motorudur. Satır tabanlı işlem yapan geleneksel veritabanlarının aksine Dremel, hız ve verimliliği optimize etmek için sütunlu depolama biçimi ve ağaç tabanlı sorgu yürütme modeli kullanır.

Dremel Hızlı Sorguları Nasıl Sağlar:

• Sütunlu Depolama: Tüm satırları okumak yerine yalnızca gerekli sütunları tarar; böylece işlenen veri miktarını azaltır.
• Ağaç Tabanlı Yürütme: Sorgular parçalara ayrılır ve binlerce düğümde paralel olarak yürütülür. Sonuçlar, gecikmeyi en aza indiren hiyerarşik bir ağaç yapısında birleştirilir.
• Sunucusuz Kaynak Tahsisi: Dremel, sorguların karmaşıklığına göre hesaplama slotlarını dinamik olarak atar ve kaynak kullanımını verimli kılar.

Dremel’in Başlıca Faydaları:

• Petabayt ölçekli veri kümelerinde son derece hızlı sorgular.
• Yalnızca ilgili sütunların taranmasıyla maliyet etkin işleme.
• Manuel ayar gerektirmeden büyük iş yükleri için otomatik paralelleştirme.

Dremel hakkında daha fazla bilgiyi Google’ın resmi dokümantasyonunda bulabilirsiniz.

BigQuery’de denormalizasyon nasıl çalışır ve ne zaman kullanılmalıdır?

Neden sorulur: Analitik veritabanlarında veri modelleme stratejilerini ve bunların sorgu performansına etkisini anlama düzeyinizi değerlendirmek için.

BigQuery’de denormalizasyon, bilerek fazlalık (redundancy) ekler; tabloları birleştirir ve veriyi çoğaltarak sorgu performansını optimize eder. Fazlalığı, ilişkili küçük tablolarla en aza indiren normalizasyonun aksine denormalizasyon, karmaşık join’lere olan ihtiyacı azaltır ve bunun sonucunda daha hızlı okuma süreleri sağlar. Bu yaklaşım, veri ambarı ve analitik bağlamlarında, yazma işlemlerine kıyasla okuma işlemlerinin daha sık olduğu senaryolarda özellikle kullanışlıdır. Ancak denormalizasyon, depolama gereksinimlerini artırır; bu nedenle BigQuery, depolama yükünü en aza indirirken denormalize veriyi verimli şekilde yapılandırmak için iç içe ve yinelemeli alanların kullanılmasını önerir.

Farklı veri normalizasyon stratejilerinin karşılaştırması. Görsel: Google Cloud. 

SQL’e Özel Sorular

BigQuery’nin mimarisi ve optimizasyon tekniklerine sağlam bir şekilde hakim olduktan sonra odaklanmanız gereken bir diğer kritik alan SQL yetkinliğidir. SQL, BigQuery ile çalışmanın bel kemiğidir ve mülakatlarda genellikle sorgu yazma, optimize etme ve sorun giderme becerileriniz test edilir. Daha iyi hazırlanmak için DataCamp’in SQL kurslarına kaydolmanızı öneririm.

BigQuery’de JOIN işlemi nasıl yapılır?

Neden sorulur: Birden fazla tablodan veriyi SQL JOIN işlemleriyle birleştirme becerinizi değerlendirmek için.

BigQuery, paylaşılan bir sütuna göre birden fazla tablodan veri birleştirmek için çeşitli JOIN türlerini destekler. Örneğin, ürün ayrıntılarını satış bilgileriyle birlikte getirmek için, ÜRÜN TABLOSU ile SATIŞ TABLOSU arasında Product_Id üzerinden bir INNER JOIN kullanabilirsiniz:

SELECT 
    s.Id AS Sales_Id, 
    p.Product, 
    p.Price, 
    s.Purchase_date
FROM sales_table s
JOIN product_table p 
    ON s.Product_Id = p.Id;

Teslimat tarihleri gibi ek ayrıntılar için TESLİMAT TABLOSU’nu da bağlayabilirsiniz:

SELECT 
    s.Id AS Sales_Id, 
    p.Product, 
    p.Price, 
    s.Purchase_date, 
    d.Deliver_date
FROM sales_table s
JOIN product_table p ON s.Product_Id = p.Id
JOIN delivery_table d ON s.Id = d.Sales_Id;

En pahalı 10 ürünü seçmek için bir SQL sorgusu yazın.

Neden sorulur: Veriyi verimli şekilde getirme ve sıralama becerinizi değerlendirmek için.

En pahalı 10 ürünü bulmak için, fiyatı azalan düzende sıralamak üzere ORDER BY ve sonucu sınırlamak için LIMIT kullanın:

SELECT 
    Product, 
    Price 
FROM product_table
ORDER BY Price DESC
LIMIT 10;

Aylık ortalama satış sayısını hesaplamak için bir SQL sorgusu yazın.

Neden sorulur: Zaman temelli toplulaştırmalar yapma becerinizi değerlendirmek için.

Aylık ortalama satış sayısını hesaplamak için, satışları aya göre gruplamak üzere EXTRACT fonksiyonunu ve ay başına satış sayısını saymak için COUNT kullanın:

SELECT 
    EXTRACT(MONTH FROM Purchase_date) AS Month, 
    COUNT(Id) AS Total_Sales, 
    AVG(COUNT(Id)) OVER () AS Average_Sales
FROM sales_table
GROUP BY Month;

Ürün bazında toplam teslimat sayısını bulmak için bir SQL sorgusu yazın.

Neden sorulur: GROUP BY ve COUNT kullanarak veri toplulaştırma becerinizi değerlendirmek için.

Her ürün için teslimatları saymak üzere:

SELECT 
    p.Product, 
    COUNT(d.Id) AS Total_Deliveries
FROM delivery_table d
JOIN product_table p 
    ON d.Product_Id = p.Id
GROUP BY p.Product;

Her ürün için toplam teslimat sayısını bulmak için bir SQL sorgusu yazın.

Neden sorulur: Zaman temelli veriyi filtreleme becerinizi değerlendirmek için.

Son 30 güne ait satış kayıtlarını almak için:

SELECT * 
FROM sales_table
WHERE Purchase_date >= DATE_SUB(CURRENT_DATE(), INTERVAL 30 DAY);

Geçen hafta satılan benzersiz ürün sayısını hesaplamak için bir SQL sorgusu yazın.

Neden sorulur: Zaman temelli veriler üzerinde tekil sayımlar yapma becerinizi değerlendirmek için.

Son 7 günde satılan benzersiz ürünleri saymak için:

SELECT COUNT(DISTINCT Product_Id) AS Unique_Products_Sold
FROM sales_table
WHERE Purchase_date >= DATE_SUB(CURRENT_DATE(), INTERVAL 7 DAY);

Satış verilerini ürüne göre gruplayıp her biri için toplam geliri hesaplamak üzere bir SQL sorgusu yazın.

Neden sorulur: GROUP BY ve satışları toplama becerinizi test etmek için.

Ürün başına toplam geliri hesaplamak için:

SELECT 
    p.Product, 
    SUM(p.Price) AS Total_Revenue
FROM sales_table s
JOIN product_table p 
    ON s.Product_Id = p.Id
GROUP BY p.Product;

Her ürünün toplam satışlara katkı yüzdesini hesaplamak için bir SQL sorgusu yazın.

Neden sorulur: SQL kullanarak yüzde hesaplama becerinizi değerlendirmek için.

Ürün başına toplam satış yüzdesini belirlemek için:

SELECT 
    p.Product, 
    SUM(p.Price) AS Product_Sales,
    (SUM(p.Price) / (SELECT SUM(Price) FROM product_table)) * 100 AS Sales_Percentage
FROM sales_table s
JOIN product_table p 
    ON s.Product_Id = p.Id
GROUP BY p.Product;

Ürünleri toplam satışlara göre sıralamak için bir SQL sorgusu yazın.

Neden sorulur: Sıralama için pencere (window) fonksiyonlarını kullanma becerinizi değerlendirmek için.

Ürünleri toplam satışlara göre sıralamak için:

SELECT 
    p.Product, 
    SUM(p.Price) AS Total_Sales, 
    RANK() OVER (ORDER BY SUM(p.Price) DESC) AS Sales_Rank
FROM sales_table s
JOIN product_table p 
    ON s.Product_Id = p.Id
GROUP BY p.Product;

Her ürün için ortalama teslimat süresini hesaplamak üzere bir SQL sorgusu yazın.

Neden sorulur: SQL’de tarih farklarıyla çalışma becerinizi değerlendirmek için.

Ürün başına ortalama teslimat süresini hesaplamak için:

SELECT 
    p.Product, 
    AVG(DATE_DIFF(d.Deliver_date, s.Purchase_date, DAY)) AS Avg_Delivery_Time
FROM sales_table s
JOIN delivery_table d 
    ON s.Id = d.Sales_Id
JOIN product_table p 
    ON s.Product_Id = p.Id
GROUP BY p.Product;

İleri Düzey ve Senaryo Tabanlı Sorular

Temel bilgiler ve SQL yeterliliğinin ötesinde, gerçek dünyadaki problem çözme becerileri, BigQuery’yi ölçekli olarak kullanmak için kritik öneme sahiptir. 

İleri düzey mülakat soruları genellikle büyük veri kümelerinin yönetimi, performans optimizasyonu, veri boru hatlarının yönetimi ve üretim ortamlarındaki yaygın zorlukların giderilmesine odaklanır.

BigQuery’de veri boru hatları (pipeline) uygulama konusundaki deneyiminizi anlatabilir misiniz?

Neden sorulur: BigQuery’de, alma, dönüşüm, orkestrasyon ve izlemeyi de kapsayan veri boru hatları oluşturma, yönetme ve optimize etme konusundaki pratik bilginizi değerlendirmek için.

Görüşmeci, BigQuery’de veri boru hatları tasarlama ve uygulama konusundaki pratik deneyiminize dair içgörüler arar. Şunlardan bahsetmelisiniz:

• Veri alma: Kullanılan yöntemler (BigQuery Data Transfer Service, Cloud Storage, akışla alma).
• Veri dönüşümü: SQL tabanlı dönüşümler, zamanlanmış sorgular veya Dataflow ve dbt gibi araçların kullanımı.
• Orkestrasyon: Cloud Composer (Apache Airflow), Cloud Functions veya Cloud Scheduler ile iş akışlarını nasıl yönettiğiniz.
• İzleme ve optimizasyon: boru hattı performansını nasıl takip ettiğiniz, sorunları nasıl ayıkladığınız ve sorgu maliyetlerini nasıl optimize ettiğiniz.

Güçlü bir yanıt, karşılaştığınız zorluklara ve bunları nasıl ele aldığınıza dair gerçek dünya örnekleri içermelidir; örneğin büyük veri kümeleriyle başa çıkma, sorgu performansını optimize etme veya üretim boru hatlarında veri bütünlüğünü sağlama gibi.

Böyle bir projeyi uygulamak için bazı iyi kaynaklar şunlardır: 

• BigQuery kullanarak ETL yığın boru hatları hakkında şu YouTube rehberi: ETL batch pipelines using BigQuery.
• Uçtan uca boru hattı için şu GitHub deposu.
• Airflow ve BigQuery ile ETL boru hattı için şu GitHub deposu.

Büyük bir BigQuery tablosunda bir sütundaki yinelenen kayıtları, tablo adını koruyarak nasıl kaldırabilirsiniz?

Neden sorulur: Tablo yapısını değiştirmeden BigQuery’de yinelenen veriyi verimli şekilde ele alma becerinizi değerlendirmek için.

Milyonlarca satır ve belirli bir sütunda yinelenen değerler içeren bir tabloyla uğraşırken en iyi yaklaşım, yinelenenlerin yalnızca ilk örneğini belirleyip tutmak ve geri kalanını kaldırmak için ROW_NUMBER() pencere fonksiyonunu kullanmaktır. 

Bunu, CREATE OR REPLACE TABLE ifadesiyle tablonun yinelenenlerden arındırılmış bir sürümüyle üzerine yazarak başarabilirsiniz:

CREATE OR REPLACE TABLE tableX AS 
SELECT * EXCEPT(row_number)
FROM (
    SELECT *, 
           ROW_NUMBER() OVER (PARTITION BY troubleColumn ORDER BY someOtherColumn) AS row_number 
    FROM tableX
) 
WHERE row_number = 1;

Nasıl çalışır:

• ROW_NUMBER(), aynı troubleColumn değeri içindeki her kayda benzersiz bir sıra numarası atar; böylece her yinelenen grup için yalnızca bir kayıt tutulur.

• PARTITION BY troubleColumn, satırları bu sütundaki yinelenen değerlere göre gruplar.

• ORDER BY someOtherColumn (ör. Purchase_date) belirli bir kaydın tutulmasını sağlar.

• Dış sorgu, yalnızca ilk örneği filtreler (row_number = 1) ve böylece yinelenenleri etkili biçimde kaldırır.

• CREATE OR REPLACE TABLE ifadesi, tabloyu aynı ad altında tutarken temizlenmiş verilerle değiştirilmesini sağlar.

Bu yaklaşım, yeni bir tablo oluşturmadan veya genel tablo yapısını etkilemeden yinelenenleri verimli şekilde ortadan kaldırır.

BigQuery’yi veri görselleştirme ve raporlama için nasıl kullanırsınız ve en yaygın araçlar nelerdir?

Neden sorulur: BigQuery’yi görselleştirme araçlarıyla entegre etme ve içgörüleri raporlamayla etkili biçimde iletme becerinizi değerlendirmek için.

BigQuery, Google Looker Studio (eski adıyla Data Studio), Tableau ve Power BI gibi araçlarla doğrudan bağlantılar sağlayarak veri görselleştirme ve raporlama için güçlü bir arka uç görevi görür. 

Bu araçlar, veriyi gerçek zamanlı sorgulamaya ve manuel veri dışa aktarımlarına gerek kalmadan özel gösterge tabloları, grafikler ve raporlar oluşturmaya olanak tanır. Görselleştirme için temel teknikler şunlardır:

• Görselleştirmeden önce veriyi BigQuery’de toplulaştırmak ve dönüştürmek için SQL kullanmak.
• Dinamik filtreler ve ayrıntıya inme (drill-down) yeteneklerine sahip etkileşimli gösterge tabloları oluşturmak
• Gösterge tablosu performansını iyileştirmek için sorguları ve malzemeleştirilmiş görünümleri optimize etmek

Güçlü bir yanıt, gerçek dünya kullanım örneklerini vurgulamalıdır; örneğin: 

• İşletme KPI’larını izleme
• Trendleri takip etme
• Otomatik raporlar üretme

Kendi Veri Görselleştirme projenizi uygulamak için, DataCamp’in BigQuery ile Elektrikli Araç Şarj Alışkanlıklarını Analiz Etme ve Londra’nın Ulaşım Ağı’nı Keşfetme konulu uzmanlaşmış projelerini takip edebilirsiniz.

BigQuery En İyi Uygulamalar ve Optimizasyon Hakkında Sorular

BigQuery ile verimli çalışmak, SQL sorguları yazmanın ötesine geçer—performansı optimize etmeyi, maliyetleri yönetmeyi ve sorunsuz veri operasyonları için en iyi uygulamaları hayata geçirmeyi gerektirir. BigQuery, kullanım başına ödeme modeliyle çalıştığından, veri taramalarını en aza indirmeyi, bölümleme ve kümelemeden yararlanmayı ve sorgu yürütmeyi optimize etmeyi anlamak hem performans hem de maliyet verimliliği için kritik öneme sahiptir.

BigQuery maliyetlerini verimli bir şekilde yönetmek için en iyi uygulamalar nelerdir?

Neden sorulur: BigQuery’de büyük veri kümeleriyle çalışırken maliyet verimliliğini optimize etme becerinizi değerlendirmek için.

BigQuery maliyetlerini etkin şekilde yönetmek için şunları yapmalısınız:

• Sorguları optimize edin; yalnızca gerekli sütun ve satırları tarayın, SELECT * kullanımından kaçının.

• Bölümlenmiş ve kümelenmiş tablolar kullanın; veri taramasını en aza indirin ve sorgu performansını artırın.

• Maliyet izleme araçlarından yararlanın; bütçeler, uyarılar ve maliyet kontrol politikaları gibi Google Cloud özelliklerini kullanın.

• Slot rezervasyonlarından faydalanın; daha öngörülebilir fiyatlandırma ve tutarlı iş yüklerinde maliyet tasarrufu sağlar.

• Kullanılmayan tabloları ve bölümleri düzenli olarak temizleyin; depolama maliyetlerini optimize edin.

İyi yapılandırılmış bir maliyet yönetimi stratejisi, verimli sorgu yürütmeyi sürdürürken giderleri kontrol altında tutmaya yardımcı olur.

BigQuery’de sorgu performansını optimize etmek için en iyi uygulamalar nelerdir?

Neden sorulur: Yürütme süresini ve maliyeti azaltan verimli sorgular yazma becerinizi değerlendirmek için.

BigQuery’de sorgu performansını optimize etmek için:

• Verimli bir şema tasarlayın; uygun veri türlerini seçin ve aşırı normalizasyondan kaçının.

• Bölümleme ve kümeleme kullanın; taranan veri miktarını azaltın.

• SELECT *’tan kaçının; yalnızca gerekli sütunları getirin.

• JOIN ve GROUP BY işlemlerini optimize edin; bunların büyük ölçekli sorgular için en iyi uygulamalara uygun olduğundan emin olun.

• Önbellekleme ve malzemeleştirilmiş görünümlerden yararlanın; önceden hesaplanmış sonuçları saklayarak performansı artırın.

• Yaklaşık toplulaştırma fonksiyonlarını kullanın; tam hassasiyet gerekmediğinde APPROX_COUNT_DISTINCT gibi.

Bu uygulamaları takip ederek sorguları hızlandırabilir, işlem maliyetlerini azaltabilir ve genel verimliliği artırabilirsiniz.

BigQuery slotları nedir ve sorgu performansını nasıl etkiler?

Neden sorulur: BigQuery’nin hesaplama kaynaklarını ve bunların sorgu yürütmeye etkisini anlama düzeyinizi değerlendirmek için.

BigQuery slotları, SQL sorgularını işlemek için kullanılan hesaplama kapasitesi birimleridir. İş yükü taleplerine göre dinamik olarak tahsis edilirler ve kaynak kullanımının verimli olmasını sağlarlar. Kuruluşlar şunlar arasında seçim yapabilir:

• Talep üzerine slotlar; sorgu ihtiyaçlarına göre otomatik olarak ölçeklenir.
• Ayrılmış slotlar; tutarlı iş yükleri için daha öngörülebilir performans ve maliyet tasarrufu sağlar.

Verimli slot yönetimi, sorgu yürütme süresini azaltabilir, kaynak tahsisini optimize edebilir ve genel maliyetleri düşürebilir.

BigQuery maliyetlerini etkili biçimde nasıl izler ve optimize edersiniz?

Neden sorulur: BigQuery giderlerini izleme ve kontrol etme becerinizi değerlendirmek için.

BigQuery’de maliyetleri izlemek ve optimize etmek için:

• Sorgu yürütmesini analiz edin; pahalı işlemleri belirlemek için sorgu geçmişini ve EXPLAIN planlarını kullanın.
• Denetim günlüklerini etkinleştirin; kullanım kalıplarını takip edin ve verimsiz sorguları tespit edin.
• Bütçeler ve maliyet uyarıları oluşturun; beklenmedik giderleri önleyin.
• Slot kullanımını optimize edin; maliyetleri azaltmak için istikrarlı iş yüklerinde ayrılmış slotlardan yararlanın.
• Kullanılmayan tabloları ve bölümleri düzenli olarak temizleyin; gereksiz depolama ücretlerinden kaçının.

Bu stratejileri uygulayarak, performans ve ölçeklenebilirliği korurken maliyet etkin veri işleme sağlayabilirsiniz.

BigQuery Mülakatınızı Başarıyla Geçmek için Ek İpuçları

BigQuery ile ilgili yaklaşan mülakatınızı başarıyla geçmek için bazı son ipuçları:

Temelleri öğrenin. Sunucusuz tasarım, depolama-işlem ayrımı ve Dremel sorgu motoru dahil BigQuery mimarisini giriş seviyesi BigQuery kursumuzla anlayın. Veriyi verimli şekilde yönetmek ve yapılandırmak için veri kümeleri, tablolar, görünümler ve malzemeleştirilmiş görünümleri öğrenin. SQL malzemeleştirilmiş görünüm rehberimiz yardımcı olacaktır. 

SQL ve sorgu optimizasyon becerilerinizi geliştirin. Karmaşık sorgular için BigQuery’ye özgü SQL fonksiyonlarını (ARRAY’ler, STRUCT’lar, pencere fonksiyonları) BigQuery’ye Başlangıç eşli kodlama içeriğimizle uygulayın. Maliyetleri azaltmak ve performansı artırmak için bölümleme, kümeleme ve yaklaşık fonksiyonlarla sorguları Google’ın resmi dokümantasyonunu takip ederek optimize edin.

Uygulamalı deneyim kazanın. Genel veri kümelerini kullanarak gerçek dünya projelerinde çalışın ve DataCamp projeleriyle Looker Studio, Tableau veya Power BI ile raporlar oluşturun. Elektrikli Araç Şarj Alışkanlıklarını Analiz Etme ve Londra’nın Ulaşım Ağı’nı Keşfetme projelerimizi denemek SQL becerilerinizi geliştirmenin harika yollarıdır.