已解析题目
数据分析师相关题目
A/B 实验如何设计和评估？
A/B 实验的核心是用随机分流把策略变化与其他干扰因素隔离开，再用预先定义的指标体系和统计检验判断新方案是否真的带来增益。完整回答应覆盖实验目标、假设、实验单元、分流机制、指标设计、样本量与周期、过程监控、显著性检验、分层分析、风险控制和最终决策。
订单 ID 是如何关联活动的？
订单 ID 本身不会天然关联活动，关联关系通常来自业务系统在下单链路中写入的活动标识、优惠信息、渠道参数和下单快照，再由数据仓库把埋点行为与交易事实按统一口径 join 起来。回答时要区分业务绑定、数据归因和数仓建模三层：业务上看订单明细、优惠明细、营销活动明细；数据上看 activity_id、campaign_id、coupon_id、channel、utm 参数等是否被传递和落库；分析上看归因窗口、去重规则、退款修正、跨天口径和多活动优先级。
考核某个运营活动的数据指标是哪些？
考核运营活动不能只盯成交额或参与人数，而要先明确活动目标，再按目标指标、过程漏斗、商业结果、用户沉淀、成本效率、增量效果、风险护栏、数据可信度的框架拆解。优秀回答应体现指标分层、前中后评估、对照组思维和归因意识，说明哪些指标用于判断活动是否达成目标，哪些指标用于定位问题，哪些指标用于判断是否值得复用。
供应链运营重点关注哪些指标？
供应链运营指标不能只报一串名词，核心是围绕客户拿得到、拿得快、库存不浪费、履约成本可控、资金周转健康建立指标体系。回答时应先分层说明服务、时效、库存、预测、采购、物流、财务和异常管理，再说明不同业务阶段如何选择最重要的北极星指标，并把具体动作与指标变化挂钩。
如何把相对宏观的指标拆解成一个过程指标，拟合成最终结果作为团队目标，同时搭建类似于数据化的产品，去支撑业务的场景？
这类题考察的不是单纯会不会搭指标体系，而是能否把一个宏观、滞后的业务结果，拆成可理解、可控制、可监控、可复盘的过程系统。高质量回答应围绕先定义北极星指标和结果口径，再用驱动树找到关键杠杆，选择可控过程指标，通过历史数据建模拟合结果，拆解目标到团队动作，并把指标、诊断、预警、实验和复盘产品化展开，体现数据分析既服务目标制定，也服务业务经营。
有什么运营指标？
回答“有什么运营指标”时，核心不是罗列 DAU、转化率、留存率，而是说明指标如何服务经营目标：先明确北极星目标，再按“获取、激活、留存、活跃、转化、收入、成本效率、质量风险”拆解，最后用分群、分渠道、分周期和队列视角判断问题发生在哪里。
如何说明自己对一个业务指标负责？
这道题考察的不是“你有没有做过很多事”，而是你能否把一段运营、采购或数据分析经历讲成清晰的指标经营闭环。高质量回答要说明指标是什么、为什么归你负责、你能影响哪些杠杆、做了哪些动作、如何衡量效果，以及结果中哪些可以合理归因于你。
电商业务分析应该关注哪些核心指标？
电商业务分析的核心不是罗列 GMV、订单量、转化率，而是建立一套从流量获取、用户行为、交易转化、商品供给、履约体验到长期利润的指标体系。分析时要先明确业务目标，再把指标拆成可定位问题的树状结构：规模看 GMV 和订单，效率看转化率和客单价，健康度看复购、留存和退款，经营质量看毛利、补贴效率和库存周转。真正有价值的分析，应能回答增长来自哪里、损失发生在哪一环、应该优先优化什么。
做过最酷的事情是什么，然后延伸扩展一些问题？
这是一道行为面试题，核心不是让候选人讲一个听起来很酷的故事，而是考察你是否能识别高价值问题、主动推进、用数据或用户反馈验证结果，并完成复盘。产品/数据分析方向最适合选择一个真实的业务改进、分析洞察、流程优化、用户增长、实验验证或跨团队推动案例，而不是泛泛讲兴趣爱好或个人挑战。
数据分析时如何看待短期数据和长期数据？
短期数据反映近期变化和即时反馈，长期数据反映趋势、周期和结构性规律。优秀的数据分析不会简单地说短期数据不可靠、长期数据更重要，而是根据问题类型、业务周期、样本量、指标口径和决策场景，把两类数据结合起来判断：用短期数据发现异常和验证动作，用长期数据校准方向和识别真实趋势。
如何定位慢sql，怎么优化？
定位慢 SQL 的核心不是只看执行时间，而是建立从发现、归因、验证到优化的闭环：先通过监控、慢查询日志、数据库性能视图确认慢 SQL；再结合执行计划、索引、扫描行数、锁等待、事务、数据量和业务访问模式判断瓶颈；最后用索引、SQL 改写、分页优化、表结构调整、缓存或架构拆分降低扫描量、排序量、回表量和锁竞争。
ORACLE中的SQL如何进行优化，都有哪些方式？
Oracle SQL 优化不是单纯加索引，而是先定位慢在哪里，再用执行计划、统计信息、访问路径、连接方式、SQL 改写和运行期指标形成闭环。面试中应强调以真实执行计划为依据，以业务过滤条件和数据分布为基础，以响应时间、逻辑读、物理读、CPU、等待事件等指标证明优化效果。
SQL 分析题应该如何拆解指标口径和查询逻辑？
回答这类问题不能只说加索引或看执行计划。高质量拆解应先把查询要回答的业务问题讲清楚：指标是什么、统计哪段数据、以什么粒度统计、哪些记录应被纳入或排除；再把 SQL 的逻辑链路拆成数据源、JOIN 关系、过滤条件、聚合口径、排序分页；最后进入性能定位，从慢查询日志、执行计划、索引命中、扫描行数、临时表、排序、锁等待和数据倾斜等角度判断慢在哪里。核心思路是先证明结果口径正确，再证明执行路径高效。
nosql和关系型数据库的区别？
NoSQL 和关系型数据库的核心区别不是新旧，也不是是否支持事务，而是数据模型、结构约束、查询能力、扩展路径和一致性取舍不同。关系型数据库以关系模型、固定 schema、SQL、事务和复杂查询见长，适合结构稳定、关联清晰、强一致要求高的业务；NoSQL 包括 key-value、document、column-family、graph 等类型，更强调灵活 schema、水平扩展、高吞吐和面向访问模式的数据建模。大型系统中二者经常组合使用，而不是互相替代。