标签题目
业务指标相关面试题
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。
调用大模型服务时需要关注哪些核心指标？
调用大模型服务时，核心指标不能只看接口是否成功，还要同时关注效果、成本、性能、稳定性和安全。典型指标包括请求成功率、错误率、首 token 延迟、总延迟、吞吐、Token 用量、单次成本、质量评分、幻觉率、拒答率、重试率、限流率和用户满意度。
Prompt 优化模块的 A/B 测试方案如何设计？
Prompt 优化模块的 A/B 测试考察的不是简单会不会分流，而是能否把生成式能力放到真实业务链路中评估。高质量回答需要同时讲清实验目标、用户随机化、指标体系、统计检验、版本控制、冷启动影响、离线评测和线上实验的衔接，以及异常情况下的灰度和回滚机制。
同题还出现在 1 个公司岗位
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。
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。
如何分析用户留存和转化漏斗？
分析用户留存和转化漏斗不要只背公式，而要先定义业务目标、用户起点、活跃口径、漏斗步骤和观察窗口，再用 cohort、分群、归因和实验闭环定位问题。留存回答用户是否持续回来，漏斗回答用户在哪一步流失，二者结合才能判断是拉新质量、首日体验、关键价值触达、交易链路还是后续运营策略出了问题。
做ABtest，样本量太少怎么优化？
做ABtest，样本量太少怎么优化？这道腾讯牛客题的关键是围绕“A/B Test 样本量不足处理”讲清概念、机制、取舍和边界。A/B 样本量太少时，先判断统计功效是否不足：基线转化率、期望 MDE、方差、显著性水平和流量共同决定所需样本。处理方向不是套模型指标，而是延长实验、扩大流量、降低方差、调整实验设计或接受只能发现更大效应。
电商补贴/优惠券场景中，新增优惠券特征后如何设计模型目标，避免购买倾向与券价值关系失真？
这道题考察优惠券进入购买倾向模型后，如何避免模型把“高券发给低意向用户”的历史策略误学成券越大越不想买。回答要围绕目标定义、券价值归一化、单调约束、选择偏差校正、校准评估和补贴 ROI，而不是罗列电商 CTR/CVR 特征。
生成式 AI 搜索中如何设计自然融入体验的商业广告形态？
这题考生成式 AI 搜索里的广告产品设计，关键是让商业信息围绕用户意图自然出现，同时保护答案信任和转化效率。
人工介入提升 AI 准确率时，如何平衡成本和收益？
这题考 AI 产品引入人工介入时的成本收益判断，核心是按风险分层、算边际收益、控制人审成本并持续降低依赖。
AI 产品项目核心目标如何对齐成交率等业务指标？
这题考 AI 产品经理如何把 AI 项目目标和成交率等业务指标对齐，重点是建立从功能效果到用户行为再到业务结果的因果链路。
AI 产品创新探索和业务落地可行性如何平衡？
这题考 AI 产品创新和落地可行性的平衡，回答要体现能力边界、用户场景、MVP、成本风险和分阶段验证。示例只能作为通用说明，不能当作来源事实。
同题还出现在 1 个公司岗位
办公协作 LLM 新功能如何从用户痛点切入，并验证产品价值？
这题考办公协作 LLM 新功能的产品发现和价值验证，回答要从用户痛点、工作流、原型、定性定量验证和灰度护栏展开。示例只作为通用说明。
AI 广告投放模型过度追求短期转化时，产品经理如何分析并推动优化？
这题考广告投放模型目标偏差的产品分析能力，重点是识别短期转化优化带来的长期价值、探索能力、用户体验和广告主目标损伤，并推动指标和策略调整。
点评类平台如何用 AI 评论理解同时提升 C 端体验和 B 端商家价值？
这题考点评类平台如何把海量 UGC 评论转成双边价值，回答重点是同时讲清 C 端决策体验、B 端经营改进、可信度和效果衡量。
AI 如何从海量用户评论中帮 B 端商家洞察经营亮点和服务短板？
这题考 AI 如何把海量用户评论转成 B 端商家能理解、能优先级排序、能落地改进的经营洞察，重点是洞察生成、行动闭环和可信评估。
AI 如何识别新开业或小众优质商家的成长潜力？
这题考 AI 如何识别新开业或小众优质商家的成长潜力，回答重点是定义潜力、补足冷启动信号、小流量验证、商家成长机会和公平评估。
银行数字人虚拟员工如何规划功能和实现路径？
这题考银行数字人虚拟员工的功能规划和实现路径，回答要兼顾银行业务场景、分阶段上线、合规风控、人工接管和效果指标。
LLM 对传统关键词竞价广告商业模式会带来什么根本性冲击？
这题考 LLM 对关键词竞价广告的商业模式冲击，回答重点是搜索入口、点击分发、广告形态、计费逻辑和平台收入结构会怎样重构。
AI 摘要导致商家 SEO 和广告点击下降时，商业产品经理应如何分析和应对？
这题考商业 PM 如何处理 AI 摘要导致商家 SEO 和广告点击下降的投诉，重点是先验证归因，再设计流量、引用、广告和客户沟通方案。
AI 图像生成工具应按生成张数、算力时长还是高级功能订阅收费？
这题考 AI 图像生成产品的定价模型选择。好的回答要比较用户理解成本、成本匹配、价值捕获、留存影响和毛利护栏，并给出分层或混合方案。
AIGC 产品中 AI 与人工应如何分工协同，既提效又控制质量风险？
这题考 AIGC 产品经理能否把“AI 替代人工”改写成更成熟的人机协同系统。高质量回答应说明哪些任务交给 AI，哪些判断保留给人，哪些场景需要人工复核，以及如何用产品机制、指标和反馈闭环持续优化。
AI 托管投放 ROI 达标但广告主认为优质流量位曝光不足时，产品经理如何分析和应对？
这题考商业化 AI 托管投放的诊断和客户信任，核心是解释总体 ROI 与流量位质量感知的冲突，并给出数据核查、目标重设、控制工具、透明报告和算法反馈闭环。
电商和零售业务中，如何判断哪些场景适合落地 AI 产品？
这题考的是 AI 产品落地判断能力：能否从用户任务、数据基础、AI 增量、风险控制、ROI 和运营闭环中筛选适合电商零售的高价值场景。
AI 内部服务效果达标但业务同事不接受时，如何通过需求校准、试点验证、可解释指标和运营机制推动规模化落地？
这题考的是 AI 项目从模型效果到组织采用的落地能力：要能诊断不接受的原因，用业务指标、试点、可解释性、培训运营和反馈闭环把服务从“效果达标”推进到“真实被用”。
企业协作产品中哪些场景适合用 LLM 提效，如何评估会议、文档、知识检索、项目协同和自动化工作流的价值？
这题考企业协作 AI 场景判断：要从高频知识工作出发，说明会议、文档、知识检索、项目协同和工作流自动化的价值、指标、边界与落地优先级。
为 AI 助手功能做用户需求调研时，应调研哪些用户类型，采用哪些定性和定量方法，如何沉淀需求优先级？
这题考 AI 产品经理是否能把“用户想要 AI 助手”拆成可验证的用户分群、任务痛点、研究方法、指标证据和需求优先级，而不是只做泛泛访谈或直接堆功能。
如果要设计蚂蚁金服内部自动客服系统，如何定义用户场景、能力边界、流程和评估指标？
这题考 AI 产品经理能否把内部自动客服设计成企业级系统。要先明确内部员工、运营、技术支持等场景，再设计知识、权限、工单、模型回答、人工升级和质检闭环，并用解决率、准确率、转人工率、时效、满意度和风险指标验收。
面向 3C 数码产品推荐的 AI workflow 应如何设计，才能从用户输入生成可用推荐结果？
这题考 AI 产品经理能否把 3C 推荐从聊天式建议设计成可控 workflow：采集预算、场景、偏好和约束，检索结构化商品库与实时价格库存，用规则/模型排序，再由 LLM 生成可解释对比，并用转化、满意度、退货、缺货和事实错误闭环。
短视频平台的 AIGC 内容生成项目如何设计模型输出策略，以提升用户停留时长？
这题考 AI 产品经理能否把提升停留时长转化为模型输出策略，而不是只说生成更多内容。题源 evidence 是短视频平台 AIGC 内容生成项目的假设题，回答应围绕输出什么、给谁输出、按什么质量和约束输出、如何用推荐与反馈闭环优化停留，同时避免写成字节内部策略。
游戏方案设计业务中，AI 产品经理如何挖掘需求场景并评估 AI 技术可行性？
这题考 AI 产品经理在游戏方案设计业务里的场景挖掘和技术可行性判断，重点是从策划工作流、数据条件、模型能力、评估指标和人机协同风险做闭环。回答要保持业务场景方法论，不要写成通用游戏 AI 大盘预测，也不要臆造内部工具。
商业化产品中，用户画像如何用于个性化推荐，并如何平衡推荐效果与用户隐私保护？
用户画像在商业化产品中的作用，是把用户行为、兴趣、消费意图和场景偏好转化为可用于广告定向、内容推荐、商品匹配和效果优化的产品能力。但商业化不能只追求点击率和转化率，还必须遵守隐私保护、最小必要、透明可控、数据安全和用户信任原则。回答要同时覆盖推荐效果和隐私治理。
在财务经营分析中，如何用大数据和 AI 提升分析效率与准确性？
在财务经营分析中，大数据和 AI 的价值不是替代财务判断，而是提升数据整合、异常发现、预测预警、归因分析和报告生成的效率与准确性。回答应围绕经营分析链路展开：数据口径统一、自动化取数、指标监控、异常检测、预算预测、成本收入归因、报告自动化和人审机制，避免空泛谈 AI。
百度在 AI 产品策略方面有哪些优势和机会？
这题不适合回答成“百度很强、AI 很好”的口号题，而要用产品策略框架拆开：先判断 AI 产品策略的目标用户和高频任务，再看百度已有产品资产能否形成低成本触达、数据反馈、能力复用和商业闭环。优势可以从搜索/信息获取心智、地图和本地生活等场景入口、语音与多模态交互基础、公开产品认知中的 AI 技术品牌、企业服务与开发者生态几个维度讲；机会则应落到“把 AI 从能力展示变成任务完成工具”，例如搜索问答化、地图出行助手化、办公/营销/客服场景降本增效、跨端智能体，以及对长尾复杂问题的个性化服务。回答时要同时讲风险：不要为了 AI 而 AI，要避免场景泛化、体验不可控、成本失控和隐私合规问题。
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。
评价模型优劣时，传统计量模型和机器学习模型的指标有什么不同，如何按解释性、预测效果和业务风险选择？
这题考察的是数据分析候选人能否区分传统计量模型和机器学习模型的评估目标。传统计量模型更关注解释性、参数显著性、假设检验和残差诊断；机器学习模型更关注样本外预测、泛化能力、过拟合控制和业务损失。优秀回答还要说明不同业务风险下如何选指标。
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。