7 SQL-Metrikmuster aus realen Vorstellungsgesprächen

Nachdem ich mehrere SQL-Interviews für Datenanalystenpositionen absolviert hatte, fiel mir auf, dass immer wieder dieselben Metrikfragen gestellt wurden. In diesem Artikel werden sie in sieben Muster unterteilt und es wird gezeigt, wie man sie in Interviews schnell erkennen kann.

Zwischen November 2023 und April 2025 habe ich mich für mehrere Stellen als Datenanalyst beworben und dabei ein klares Muster in den SQL-Interviewfragen festgestellt. Während sich die Datensätze und Geschäftskontexte änderten, waren die Arten von Metriken, nach denen die Interviewer fragten, oft dieselben.

In diesem Artikel gruppiere ich diese wiederkehrenden Interviewfragen in sieben Metrikmuster, die in SQL-Tests für Datenanalystenpositionen immer wieder auftauchen. Anstatt jede Frage als separates Problem zu behandeln, konzentriere ich mich darauf, die zugrunde liegende Metriklogik zu identifizieren, die den meisten Interviewaufgaben zugrunde liegt.

Ich baue auf Konzepten auf, die in früheren Artikeln vorgestellt wurden, darunter „Umsatzdaten analysieren mit dem Spickzettel für Datenanalysten”. Anstatt jedoch einen bestimmten Datensatz zu untersuchen, kategorisiere ich die Interviewfragen auf der Grundlage meiner tatsächlichen Interviewerfahrung.

Um die Analyse klar und konsistent zu halten, folge ich im gesamten Artikel für jede Metrik derselben Struktur. Für jedes Muster erkläre ich, was die Metrik darstellt, wie sie typischerweise in SQL-Vorstellungsgesprächen vorkommt, zeige eine repräsentative SQL-Abfrage und verweise zur weiteren Überprüfung auf den entsprechenden Abschnitt des Spickzettels für Datenanalysten.

Das Ziel ist nicht, Abfragen auswendig zu lernen, sondern eine wiederholbare Denkweise für SQL-Interviewfragen zu entwickeln, wenn die Zeit begrenzt ist. Ich hoffe, dass dieses Framework für alle nützlich ist, die sich auf ein Vorstellungsgespräch als Datenanalyst vorbereiten und nach einer klareren Herangehensweise an metrikbasierte Fragen suchen.

Ich behaupte nicht, dass diese Lösungen neuartig sind. Die meisten SQL-Interviewfragen können auf verschiedene Weise gelöst werden, und die von mir gezeigten Beispiele verwenden allgemein akzeptierte Ansätze. Obwohl es mehr als sieben Metrikmuster gibt, habe ich diese sieben ausgewählt, weil sie einen praktischen Ausgangspunkt für die Vorbereitung auf SQL-Interviews bieten.

Übersicht

Ich unterteile die sieben Metrikmuster in zwei Gruppen: Standardmetriken und Spezialmetriken. Die Standardmetriken – KPIs, Aufschlüsselungen, Verhältnisse und Rangfolgen – kommen in vielen Berichts- und Geschäftsanalyseszenarien vor und weisen oft mehrere Varianten auf.

Die Spezialmetriken – kumulative Summen, gleitende Durchschnitte und prozentuale Veränderungen – sind fokussierter und in der Regel mit zeitbasierten oder Leistungsanalysen verbunden. Für jedes Muster gebe ich ein allgemeines SQL-Beispiel, das nicht an einen bestimmten Datensatz gebunden ist, sodass der Fokus auf der Logik und nicht auf der Datenstruktur liegt.

Wenn Sie strukturierte, praktische Übungen mit diesen Arten von Metriken wünschen, finden Sie viele der hier behandelten Muster im Kurs „SQL für Datenanalyse“, der sich auf dieselben Berichts- und Analyseszenarien konzentriert, die häufig in Vorstellungsgesprächen für Datenanalysten verwendet werden.

Metrik 1: KPIs – Hochrangige Kennzahlen zur Unternehmensleistung

Definition

Key Performance Indicators (KPIs) sind grundlegende Metriken, die die allgemeine Geschäftsleistung anzeigen. In SQL-Vorstellungsgesprächen sind KPIs in der Regel einfache Aggregatwerte wie Gesamtumsatz, Gesamtgewinn oder Gesamtzahl der Datensätze, die über den gesamten Datensatz berechnet werden.

Zweck in Vorstellungsgesprächen

KPI-Fragen sind oft die ersten oder einfachsten Fragen in einem SQL-Vorstellungsgespräch. Interviewer verwenden sie, um zu beurteilen, ob ein Kandidat schnell erkennen kann, was in einem Datensatz wichtig ist, die richtige Aggregationsebene wählen und unnötige Komplexität vermeiden kann.

Diese Fragen sind oft sehr direkt formuliert, zum Beispiel: „Wie würden Sie den Gesamtumsatz berechnen?“, „Wie hoch ist der Gesamtgewinn?“ oder „Nennen Sie mir den Gesamtumsatz für diesen Datensatz.“

Mustererkennung

KPI-Fragen haben in der Regel folgende Eigenschaften:

• eine einzelne Zeile zurück
• erfordern keine GROUP BY Klausel
• basieren auf Aggregatfunktionen wie SUM, COUNToder AVG

Sie beantworten die geschäftliche Frage: „Wie läuft es insgesamt?“

Beispiel für eine SQL-Abfrage

Hier ist ein KPI-Beispiel aus einem früheren Artikel, Umsatzdaten analysieren mit dem Spickzettel für Datenanalysten:

SELECT
  ROUND(SUM(Sales), 0) AS sales_total,
  ROUND(SUM(Profit), 0) AS profit_total,
  ROUND(SUM(Quantity), 0) AS quantity_total
FROM orders;

Diese Abfrage gibt mehrere KPIs in einer einzigen Zeile zurück, indem verschiedene Aggregatfunktionen auf denselben Datensatz angewendet werden.

Referenz im Studienleitfaden

Sie können dieses Metrikmuster im Spickzettel für Datenanalysten unter „Aggregatfunktionen“ nachlesen. Eine praktische Übersicht über häufig verwendete SQL-Aggregate finden Sie im Spickzettel für Aggregatfunktionen.

Metrik 2: Aufschlüsselungen – Metriken nach Zeit oder Kategorie

Definition

Eine Aufschlüsselung ist eine Metrik, die in kleinere Teile unterteilt wird, um zu zeigen, wie sie sich im Laufe der Zeit verändert oder wie sie sich zwischen verschiedenen Kategorien unterscheidet. Anstelle einer Gesamtzahl zeigt eine Aufschlüsselung mehrere Zeilen, die erklären, woher oder wann die Metrik stammt.

Zweck in Vorstellungsgesprächen

Fragen zur Aufschlüsselung folgen in der Regel direkt auf KPI-Fragen. Sobald Sie gezeigt haben, dass Sie eine Gesamtsumme berechnen können, bitten Sie die Interviewer oft, diese genauer zu erläutern.

Diese Fragen sollen testen, ob Sie von einer übergeordneten Metrik zu einer detaillierteren Ansicht übergehen und Fragen wie „Was beeinflusst diese Zahl?“ oder „Wie verändert sich diese Metrik im Laufe der Zeit?“ beantworten können.

Mustererkennung

Aufschlüsselungsfragen enthalten in der Regel:

• eine GROUP BY Klausel
• geben mehrere Zeilen zurück
• verwenden dieselben Aggregatfunktionen wie KPIs, sind jedoch nach einer anderen Spalte gruppiert

Sie beantworten geschäftliche Fragen wie: „Wie variiert diese Kennzahl je nach Zeit oder Kategorie?“

Typ 1: Trend nach Datum

Bei dieser Art der Aufschlüsselung werden Metriken nach einer Zeitdimension wie Jahr oder Monat gruppiert. Interviewer stellen häufig Fragen wie „Zeigen Sie den Gesamtumsatz nach Monaten“ oder „Wie hat sich der Umsatz im Laufe der Zeit verändert?“

Beispiel für eine SQL-Abfrage

SELECT
  EXTRACT(YEAR FROM DATE(STR_TO_DATE(order_date, '%m/%d/%Y'))) AS order_year,
  EXTRACT(MONTH FROM DATE(STR_TO_DATE(order_date, '%m/%d/%Y'))) AS order_month,
  ROUND(SUM(Sales), 0) AS sales_month,
  ROUND(SUM(Profit), 0) AS profit_month,
  ROUND(SUM(Quantity), 0) AS quantity_month
FROM orders
GROUP BY 1, 2
ORDER BY 1, 2;

Typ 2: Aufschlüsselung nach Kategorie

Bei dieser Art der Aufschlüsselung werden Kennzahlen nach einer kategorialen Spalte gruppiert, z. B. nach Produktkategorie oder Region. Diese Fragen werden oft als „Umsatz nach Kategorie“ oder „Gewinn nach Produktgruppe“ formuliert.

Beispiel für eine SQL-Abfrage

SELECT
  product_category,
  ROUND(SUM(Sales), 0) AS sales,
  ROUND(SUM(Profit), 0) AS profit,
  ROUND(SUM(Quantity), 0) AS quantity
FROM orders
GROUP BY 1
ORDER BY 1;

Referenz im Studienleitfaden

Diese Aufschlüsselungsmuster werden in mehreren Abschnitten des Spickzettels für Datenanalysten behandelt: Aggregatfunktionen, Datum und Uhrzeit sowie ORDER BY. Eine praktische Übersicht darüber, wie Gruppierung und Aggregation in SQL zusammenwirken, finden Sie unter SQL GROUP BY und Aggregatfunktionen: Übersicht.

Metrik 3: Verhältnisse – Vergleich einer Metrik mit einer anderen

Definition

Ein Verhältnis misst die Beziehung zwischen zwei numerischen Werten, indem es den einen durch den anderen dividiert. In SQL-Vorstellungsgesprächen werden Verhältnisse häufig verwendet, um Rohdaten in Leistungskennzahlen umzuwandeln.

Zweck in Vorstellungsgesprächen

Verhältnisfragen testen, ob Sie über absolute Zahlen hinausgehen und die Leistung in relativen Begriffen ausdrücken können. Interviewer verwenden sie oft, um zu sehen, ob Sie verstehen, wie Metriken miteinander in Beziehung stehen, und nicht nur, wie man sie berechnet.

Diese Fragen werden häufig wie folgt formuliert: „Wie hoch ist die Gewinnspanne?“, „Wie viel Prozent des Gesamtumsatzes macht jede Kategorie aus?“ oder „Wie viel von X stammt aus Y?“

Mustererkennung

Verhältnisfragen haben in der Regel folgende Eigenschaften:

• teilen eine Aggregatgröße durch eine andere
• verwenden weiterhin Aggregatfunktionen wie SUM oder COUNT
• erfordern manchmal eine Unterabfrage oder eine Fensterfunktion, um den Nenner konsistent zu halten

Sie beantworten geschäftliche Fragen wie: „Wie effizient ist das?“ oder „Wie groß ist das im Vergleich zur Gesamtmenge?“

Typ 1: Gesamtverhältnis

Dieser Typ berechnet ein einziges Verhältnis für den gesamten Datensatz. Er ähnelt einem KPI, gibt jedoch statt einer rohen Gesamtsumme eine abgeleitete Leistungskennzahl zurück.

Beispiel für eine SQL-Abfrage

SELECT ROUND(SUM(Profit) / SUM(Sales), 2) AS profit_margin
FROM orders;

Typ 2: Verhältnis pro Kategorie (Prozent der Gesamtmenge)

Dieser Typ berechnet ein Verhältnis für jede Kategorie im Verhältnis zur Gesamtsumme. Eine Unterabfrage wird verwendet, um zu verhindern, dass der Nenner durch die GROUP BY Klausel beeinflusst wird.

Diese Fragen werden oft wie folgt formuliert: „Wie viel Prozent des Gesamtumsatzes trägt jede Kategorie bei?“

Beispiel für eine SQL-Abfrage

SELECT
  category,
  ROUND(SUM(sales), 0) AS sales_total,
  ROUND((SUM(sales) / (SELECT SUM(sales) FROM orders)) * 100, 0) AS percent_of_total
FROM orders
GROUP BY 1;

Referenz im Studienführer

• Gesamtverhältnisse: Ganzzahlige Division
• Verhältnisse pro Kategorie: Berechnung des Prozentsatzes der Gesamtsumme innerhalb einer Gruppe

Metrik 4: Rangfolge – Sortieren der Ergebnisse nach Wichtigkeit

Definition

Ein Rang ordnet Zeilen anhand einer Metrik, in der Regel von der höchsten zur niedrigsten oder umgekehrt. In SQL-Vorstellungsgesprächen wird die Rangfolge verwendet, um anhand einer bestimmten Messgröße die besten oder schlechtesten Leistungen zu ermitteln.

Zweck in Vorstellungsgesprächen

Rangfragen testen, ob Sie aggregierte Ergebnisse in eine geordnete Liste umwandeln können, die die relative Bedeutung hervorhebt. Interviewer verwenden diese Fragen häufig, um zu sehen, ob Sie verstehen, wie man Entitäten vergleicht und Ergebnisse auf aussagekräftige Weise präsentiert.

Diese Fragen werden häufig wie folgt formuliert: „Was sind die meistverkauften Produkte?“, „Welche Unterkategorien schneiden am besten ab?“ oder „Ordnen Sie die Artikel nach Umsatz“.

Mustererkennung

Rangfragen beinhalten in der Regel:

• das Sortieren aggregierter Ergebnisse
• verwenden Fensterfunktionen wie RANK oder DENSE_RANK
• geben mehrere Zeilen mit einer zusätzlichen Spalte zurück, die die Position angibt

Sie beantworten geschäftliche Fragen wie: „Worauf sollten wir uns zuerst konzentrieren?“ oder „Welche Punkte sind am wichtigsten?“

Typ 1: Gesamtranking

Dieser Typ bewertet alle Zeilen im gesamten Datensatz. Mit einer Fensterfunktion können Sie jeder Zeile eine Bewertung zuweisen, ohne die Ergebnismenge zu filtern.

Beispiel für eine SQL-Abfrage

SELECT
  category,
  ROUND(SUM(sales), 0) AS sales_total,
  DENSE_RANK() OVER (ORDER BY SUM(sales) DESC) AS category_rank
FROM orders
GROUP BY 1;

Typ 2: Rangliste innerhalb einer Kategorie

Dieser Typ bewertet Zeilen innerhalb jeder Gruppe separat. Er wird häufig verwendet, wenn Interviewer die Leistung innerhalb von Kategorien vergleichen möchten, z. B. Unterkategorien innerhalb jeder Produktkategorie.

Diese Fragen werden oft wie folgt formuliert: „Was sind die wichtigsten Unterkategorien innerhalb jeder Kategorie?“

Beispiel für eine SQL-Abfrage

SELECT
  category,
  sub_category,
  ROUND(SUM(sales), 0) AS sales_total,
  DENSE_RANK() OVER (PARTITION BY category ORDER BY SUM(sales) DESC) 
    AS sub_category_rank
FROM orders
GROUP BY 1, 2;

Referenz im Studienleitfaden

Beide Ranglistenmuster basieren auf Fensterfunktionen, die im Abschnitt „Ranglisten“ des Spickzettels für Datenanalysten behandelt werden. Eine praktische Anleitung mit Beispielen finden Sie unter „Wie man Zeilen in SQL rangiert“.

Metrik 5: Kumulative Metriken – Laufende Summen im Zeitverlauf

Definition

Eine laufende Summe ist eine kumulative Summe, bei der jede Zeile den aktuellen Wert plus alle vorherigen Werte in einer definierten Reihenfolge enthält, meist basierend auf der Zeit. Anstatt isolierte Summen anzuzeigen, wird dargestellt, wie sich eine Metrik im Laufe der Zeit akkumuliert.

Zweck in Vorstellungsgesprächen

Fragen zu laufenden Summen werden verwendet, um zu testen, ob Sie Fensterfunktionen und geordnete Berechnungen verstehen. Interviewer stellen diese Fragen oft, um zu sehen, ob Sie Trendanalysen mit kumulativer Logik in einer einzigen Abfrage kombinieren können.

Diese Fragen werden häufig wie folgt formuliert: „Zeigen Sie den Gesamtumsatz im Zeitverlauf mit einer laufenden Summe“ oder „Wie akkumuliert sich der Umsatz von Jahr zu Jahr?“

Mustererkennung

Fragen zu laufenden Summen haben in der Regel folgende Merkmale:

• gruppieren Daten nach einer Zeitdimension (Jahr, Monat, Datum)
• verwenden Aggregatfunktionen zusammen mit Fensterfunktionen
• eine ORDER BY Klausel innerhalb der Fensterfunktion

Sie beantworten geschäftliche Fragen wie: „Wie viel haben wir bisher angesammelt?“

Beispiel für eine SQL-Abfrage

In diesem Beispiel werden die jährlichen Gesamtumsätze berechnet und eine laufende Summe nach Jahr sortiert hinzugefügt:

SELECT
  EXTRACT(YEAR FROM DATE(STR_TO_DATE(order_date, '%m/%d/%Y'))) AS order_year,
  ROUND(SUM(sales), 0) AS yearly_sales_total,
  SUM(ROUND(SUM(sales), 0)) OVER (
    ORDER BY EXTRACT(YEAR FROM DATE(STR_TO_DATE(order_date, '%m/%d/%Y')))
  ) AS running_sales_total
FROM orders
GROUP BY 1
ORDER BY 1;

Diese Abfrage liefert sowohl die Jahresgesamtzahl als auch die kumulierte Summe im selben Ergebnis.

Referenz im Studienleitfaden

Dieses Metrikmuster wird im Abschnitt „Laufende Summe“ des Spickzettels für Datenanalysten behandelt. Eine praktische Erklärung mit Beispielen finden Sie im Artikel „Rolling Total in SQL“.

Metrik 6: Gleitende Durchschnitte – Glättung von Trends im Zeitverlauf

Definition

Ein gleitender Durchschnitt ist eine Technik, mit der zeitbasierte Daten geglättet werden, indem der aktuelle Wert mit einer festen Anzahl vorhergehender Werte gemittelt wird. Anstelle von kurzfristigen Schwankungen wird der zugrunde liegende Trend hervorgehoben.

Zweck in Vorstellungsgesprächen

Mit Fragen zu gleitenden Durchschnitten wird geprüft, ob Sie fortgeschrittene Fensterfunktionen und zeitbasierte Analysen verstehen. Interviewer verwenden sie häufig, um zu beurteilen, wie Sie mit verrauschten Daten umgehen und Muster wie Saisonalität oder Zyklen erkennen.

Diese Fragen werden häufig wie folgt formuliert: „Zeigen Sie einen gleitenden Durchschnitt der Umsätze” oder „Berechnen Sie einen gleitenden Durchschnitt über 3 Monate”.

Mustererkennung

Fragen zum gleitenden Durchschnitt basieren in der Regel auf zeitlich geordneten Daten.

• basieren auf zeitlich geordneten Daten
• verwenden Fensterfunktionen mit einem definierten Rahmen
• enthalten Klauseln wie ROWS BETWEEN n PRECEDING AND CURRENT ROW

Sie beantworten geschäftliche Fragen wie: „Was ist der zugrunde liegende Trend?“

Beispiel für eine SQL-Abfrage

In diesem Beispiel werden die monatlichen Umsätze berechnet und ein gleitender 3-Monats-Durchschnitt angewendet:

SELECT
  EXTRACT(YEAR FROM DATE(STR_TO_DATE(order_date, '%m/%d/%Y'))) AS order_year,
  EXTRACT(MONTH FROM DATE(STR_TO_DATE(order_date, '%m/%d/%Y'))) AS order_month,
  ROUND(SUM(Sales), 0) AS sales_total,
  ROUND(AVG(SUM(sales)) OVER (
      ORDER BY EXTRACT(MONTH FROM DATE(STR_TO_DATE(order_date, '%m/%d/%Y')))
      ROWS BETWEEN 2 PRECEDING AND CURRENT ROW),
    0) AS moving_average
FROM orders
GROUP BY 1, 2
ORDER BY 1, 2;

Diese Abfrage glättet kurzfristige Veränderungen, indem sie den aktuellen Monat mit den beiden Vormonaten mittelt.

Referenz im Studienleitfaden

Dieses Muster wird im Abschnitt „Gleitender Durchschnitt“ des Spickzettels für Datenanalysten behandelt. Eine schrittweise Erklärung mit Beispielen finden Sie unter „Gleitender Durchschnitt in SQL“.

Metrik 7: Prozentuale Veränderung – Messung von Wachstum und Rückgang

Definition

Die prozentuale Veränderung misst, um wie viel ein Wert im Vergleich zu einem vorherigen Wert gestiegen oder gesunken ist. Sie wird in der Regel wie folgt berechnet:

(new value − old value) / old value × 100

Anstatt absolute Unterschiede anzuzeigen, drückt diese Metrik die Veränderung in relativen Werten aus.

Zweck in Vorstellungsgesprächen

Fragen zur prozentualen Veränderung werden häufig verwendet, um die Fähigkeiten zur Leistungsanalyse zu testen. Interviewer nutzen sie oft, um zu sehen, ob Sie verstehen, wie man Metriken über einen bestimmten Zeitraum vergleicht und wie man frühere Werte korrekt referenziert.

Diese Fragen werden oft wie folgt formuliert: „Wie hoch ist das Wachstum im Vergleich zum Vorjahr?”, „Wie hat sich der Umsatz im Vergleich zum Vorjahr verändert?” oder „Berechnen Sie die Wachstumsrate”.

Mustererkennung

Fragen zur prozentualen Veränderung:

• einen Wert mit einer vorherigen Zeile zu vergleichen
• stützen sich auf Fensterfunktionen wie LAG
• sind nach einer Zeitdimension geordnet

Sie beantworten geschäftliche Fragen wie: „Wachsen wir oder schrumpfen wir, und um wie viel?“

Beispiel für eine SQL-Abfrage

In diesem Beispiel werden die Umsatzunterschiede im Jahresvergleich berechnet, indem jedes Jahr mit dem Vorjahr verglichen wird:

SELECT
  EXTRACT(YEAR FROM DATE(STR_TO_DATE(order_date, '%m/%d/%Y'))) AS order_year,
  ROUND(SUM(sales), 0) AS sales_total,
  ROUND(
    LAG(SUM(sales)) OVER (
      ORDER BY EXTRACT(YEAR FROM DATE(STR_TO_DATE(order_date, '%m/%d/%Y')))),
    0) AS sales_prev_year,
  (ROUND(SUM(sales), 0)
   - ROUND(LAG(SUM(sales)) OVER (
       ORDER BY EXTRACT(YEAR FROM DATE(STR_TO_DATE(order_date, '%m/%d/%Y')))
     ), 0)
  ) AS sales_yoy_difference
FROM orders
GROUP BY 1
ORDER BY 1;

Diese Abfrage vergleicht den Gesamtumsatz jedes Jahres mit dem des Vorjahres, um zu zeigen, wie sich die Leistung im Laufe der Zeit verändert.

Referenz im Studienleitfaden

Dieses Metrikmuster wird im Abschnitt „Unterschied zwischen zwei Zeilen (Delta)“ des Spickzettels für Datenanalysten behandelt. Praktische Beispiele für Wachstums- und Vergleichsmetriken finden Sie unter „So berechnen Sie das Umsatzwachstum in SQL“ und „So berechnen Sie die Differenz zum Vorjahr in SQL“.

Zusammenfassung

In diesem Artikel habe ich sieben Metrikmuster, die in SQL-Vorstellungsgesprächen immer wieder vorkommen, aufgeschlüsselt und in zwei Kategorien eingeteilt: Standardmetriken (KPIs, Aufschlüsselungen, Verhältnisse und Ranglisten) und Spezialmetriken (kumulative Summen, gleitende Durchschnitte und prozentuale Veränderungen). Diese Muster decken den Großteil der metrikbasierten Fragen ab, die mir in echten Vorstellungsgesprächen für Datenanalysten begegnet sind.

Das Ziel war nicht, neue oder komplexe Lösungen vorzustellen, sondern zu zeigen, wie Interviewfragen vereinfacht werden können, indem man sich auf drei Kernelemente konzentriert: die zu testende SQL-Technik, das zugrunde liegende Metrikmuster und den relevanten Abschnitt des Spickzettels für Datenanalysten. Mit dieser Herangehensweise lassen sich SQL-Interviewfragen leichter nachvollziehen, insbesondere wenn die Zeit begrenzt ist.

Wenn Sie diese Muster in einem Kursformat strukturiert üben möchten, ist der Kurs „SQL für die Datenanalyse” ein guter nächster Schritt, da er viele der gleichen Berichts- und Analyseszenarien abdeckt, die in Vorstellungsgesprächen für Datenanalysten vorkommen.

In Teil 2 werde ich diese Muster auf echte SQL-Interviewfragen aus mehr als 14 verschiedenen Interviews anwenden, die ich im letzten Jahr absolviert habe, und zeigen, wie diese Muster in der Praxis auftreten und wie man sie Schritt für Schritt angeht.