已解析题目
数据分析师相关题目
如何分析用户流失是否由推送过于频繁导致？
判断用户流失是否由推送过于频繁导致，不能只看推送次数和留存同时变化，而要建立频次暴露、用户分层、时间先后、剂量反应和对照实验。最可靠的方法是设计推送频次 A/B Test 或 holdout，对退订、卸载、次日活跃和长期留存做联合评估。
广告收益下降时应该从哪些角度分析？
广告收益下降要先做收入公式拆解，再沿流量、库存、填充、竞价、点击转化、价格、策略和技术链路逐层排查。核心不是罗列指标，而是判断下降来自曝光规模、变现效率、广告主需求还是埋点和结算口径变化。
如果日活下降是竞品原因，怎么证明？
证明日活下降由竞品导致，需要建立时间重合、用户迁移、外部强度、受影响分组和排除内部原因五类证据。最有力的结论通常来自竞品活动或上线节奏与本产品 DAU 变化之间的差分对比，而不是单纯说竞品最近很火。
留存率下降时如何分析原因？
留存率下降要从口径、分母结构、用户质量、产品体验、供给内容、触达策略和外部环境逐层拆解。好的分析会先定位哪个 cohort、哪个生命周期和哪个用户分组在下降，再寻找导致用户没有回来的具体机制。
A/B Test 中如何判断差异是否显著？
A/B Test 判断显著性，要先明确假设、主指标、样本量和实验单位，再用合适的统计检验计算 p 值、置信区间和效应量。显著不等于值得上线，还要检查随机化、样本比例、实验污染、护栏指标和业务收益。
MySQL 最左前缀原则是什么？
最左前缀原则是联合索引按定义顺序从左到右建立有序结构，查询只有从最左列开始连续使用索引列，才能充分利用联合索引。它影响 where 条件、范围查询、排序、分组和覆盖索引设计。
如何通俗解释“统计不显著”是什么意思？
这题考统计显著性的通俗解释，重点是说明“不显著不等于没效果”，而是当前样本证据不足以排除随机波动。
多变量回归结果好不好，应该看哪些指标和诊断结果？
这题考多变量回归的完整评估框架，不能只说 R²，而要从拟合优度、泛化误差、变量显著性、模型假设、共线性和业务解释一起判断。
如果 CTR 整体不变但 CVR 下降，数据分析师应如何定位原因？
这道题考察数据分析师的漏斗诊断能力。CTR 稳定但 CVR 下降，说明曝光到点击的吸引力整体没明显变差，但点击后的转化承接、点击人群质量、供给匹配、页面链路、转化回传或流量结构可能出现问题。好答案要先校验数据，再拆漏斗、切分人群、区分结构变化和真实转化率下降。
抖音创作者投稿率短期大幅下跌时，如何做异动分析？
这题考短期异动分析能力，核心是保留“创作者投稿率”这个业务指标，并从口径验真、创作者分层、投稿链路、审核和流量激励、活动周期、创作工具故障、外部事件、内容生态供需等层面快速定位。好的回答要像抖音内容生态分析，而不是泛泛按时间地区拆。
如何基于历史数据预测 60 天后的 DAU？
这题考数据分析师如何把“预测 60 天后的 DAU”做成严谨的时间序列和业务预测问题。高质量回答要覆盖目标口径、历史数据、特征、模型、验证、预测区间、业务事件和可解释交付。
直播后如何用点击量、转化率、互动量和用户反馈评估效果？
直播后评估效果不能只看单一指标，而要把点击量、转化率、互动量和用户反馈放进同一条漏斗里分析。点击量衡量触达和兴趣，转化率衡量交易或目标动作效率，互动量衡量内容参与深度，用户反馈解释数据背后的满意度和阻碍点，最终要落到复盘结论和下一场优化动作。
同题还出现在 1 个公司岗位