已解析题目
数据分析师相关题目
如何设计 A/B 实验评估大模型智能客服是否提升用户满意度？
这题考用数据分析方法验证大模型客服是否提升满意度，重点是实验假设、随机化单位、主指标与护栏指标、样本量、显著性和长期效果判断。
除了传统 RFM 模型，如何用无监督学习从海量用户行为中挖掘有商业价值的新用户分群？
这题考察的是数据分析候选人能否把无监督学习从“算法名词”落到用户分群的业务闭环。好的回答要先说明分群不是为了替代 RFM，而是从更丰富的行为、偏好、价格敏感度、生命周期和转化路径中发现可解释、可触达、可验证的人群，并用离线稳定性指标和线上业务实验共同证明分群有价值。
如何缓解过拟合？
缓解过拟合要从数据、模型容量、正则化、训练策略和评估切片一起回答，核心是降低模型对训练集噪声和偶然模式的依赖。
同题还出现在 1 个公司岗位
从数据分析角度，推荐模块应如何用指标衡量效果，如何覆盖曝光、点击、转化、留存、GMV、供需和长期体验？
这题考数据分析师能否为推荐模块搭建完整指标体系：既覆盖曝光点击转化，也能解释 GMV、供需、用户体验和长期留存，而不是只报 CTR。
面对羊毛党，推荐模块应如何识别风险、调整排序策略并兼顾平台转化和正常用户体验？
这题考的是数据分析师能否把羊毛党问题放到推荐系统里处理：既识别风险和控制补贴损失，也避免误伤正常用户和损害推荐体验。
作为数据分析师，遇到辛普森悖论导致汇总数据和分层数据结论相反时，应如何判断和处理？
这题考辛普森悖论下的数据判断能力，重点不是机械选择汇总或分层，而是先确认业务问题、分层变量是否为混杂因素，再用因果和实验思路给出可执行结论。
关注页上线新的排序方案时，如何通过 A/B 测试选择更优方案，并设计核心指标、护栏指标和分层分析？
关注页排序方案 A/B 测试要围绕“用户是否更有效消费关注内容”设计指标：核心看关注页消费和互动提升，护栏看负反馈、留存、整体体验、创作者曝光和系统性能，并通过分层分析、显著性检验和长期观察决定是否上线。
同题还出现在 1 个公司岗位
因果推断中，无法获取随机对照数据时如何估计因果效应？
没有随机对照数据时估计因果效应，需要用观察数据方法尽量构造可比组。常见思路包括倾向评分、匹配、分层、回归控制、DID、工具变量、断点回归、DML 和敏感性分析，但结论可信度依赖假设。
同题还出现在 1 个公司岗位
拼多多处于流失风险期的用户，如何用自动化数据策略做召回？
这题考用户生命周期运营里的风险识别、自动化策略和实验闭环，不是简单问“给流失用户发券”。高质量回答要先定义拼多多场景下的流失风险期，再说明如何用行为、交易、品类偏好和价格敏感度打分分层，最后讲触达时机、召回权益、推荐内容、实验 holdout、召回后留存和打扰护栏。
拼多多美妆百亿补贴专场，如何用数据分析辅助选品？
这题考拼多多百亿补贴美妆专场的经营分析能力。答案不能只说选销量高的商品，而要围绕选品池、补贴优先级和经营护栏展开：既看人群需求、品牌信任、价格力、历史转化、搜索收藏趋势，也要算毛利和补贴 ROI、库存履约、退货差评、正品风险和售后承压。
拼多多 App 百亿补贴频道转化率连续 3 天下跌，数据分析师应如何一步步定位原因？
这道题考察数据分析师处理核心频道转化异常的结构化能力。好的回答要从指标口径和数据质量开始，确认连续 3 天下跌是否真实，再拆百亿补贴频道的访问、商品曝光、点击、加购或拼单、下单、支付等漏斗，定位第一处异常。随后按流量来源、用户分层、商品供给、价格补贴、库存履约、推荐排序、页面性能、支付登录和活动竞争等维度归因，最后给出影响量级、责任 owner、验证方案和恢复监控。