标签题目
数据分析相关面试题第 2 页
DBSCAN 的原理是什么？如何用伪代码描述其聚类过程？
这道题考察 DBSCAN 的密度聚类思想和过程表达能力。核心是用 eps 邻域和 minPts 定义核心点、边界点和噪声点，从核心点出发把密度可达的点扩展成簇；它不需要预先指定簇数，能发现任意形状簇和离群点，但对参数、距离度量和密度差异敏感。
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。
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。
滴滴近一周新客首单转化率下降时，第一轮诊断应如何分层排查？
这题强调“第一轮诊断”，不是马上做完整因果归因。高质量回答要在滴滴新客首单链路里快速分层排查：先验指标和埋点，再按渠道新客质量、城市时段产品线、发券和价格、叫车供需、等待时长、司机接单、取消、支付、版本异常等层级找最大断点。
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。
固定月度投放预算在抖音、百度、B站之间，如何按指标动态分配？
这题考固定月度预算下的跨平台投放经营能力。答案要保留抖音、百度、B站三个平台的差异：抖音偏兴趣推荐和内容种草，百度偏主动搜索和高意向承接，B站偏内容信任和年轻社区心智。动态分配不能只看 CPA，还要结合 ROI、LTV、边际收益、归因窗口、探索预算、预算上限、频控、周/月度调仓和风险护栏。
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。
如何通过数据分析量化美团单车潮汐效应，并为线下车辆调度提供更高效的策略建议？
这题考共享单车业务的数据建模和线下运营落地能力。好的回答要把潮汐效应量化成空间网格、时间窗口、OD 流向、车辆净流入净流出、供需缺口和可执行调度工单，而不是只描述早晚高峰现象。
如何分析同时使用美团外卖和饿了么的重叠用户，与只使用美团的忠诚用户在客单价和下单频率上的差异？
这题考竞争场景下的用户分层、指标口径和因果意识。分析重叠用户与只用美团的忠诚用户时，不能直接比较均值，而要先定义用户标签和观察窗口，再控制城市、生命周期、品类、优惠、商家供给和活跃度差异。
选择一款网易产品时，如何定义产品热度指标，并用数据分析找到提升方向？
这题考数据分析师能否把模糊的产品热度转成可度量、可诊断、可增长的指标体系。以网易云音乐为例，热度不能只等同于 DAU，而要同时覆盖活跃、内容消费、互动传播、留存、内容供给和商业健康。
使用 B 站首页时，如果发现推荐内容兴趣发散不足，算法工程师应如何从兴趣探索、模型设计和指标评估分析改进？
这题考 B 站首页推荐里探索不足的系统性分析能力。高质量回答不能只说增加随机推荐，而要从用户多兴趣建模、候选召回、探索策略、重排约束、长期指标和 A/B 实验闭环解释为什么推荐会越刷越窄。
增长运营如何通过 CTR、CVR、ROI 等数据定位投放效果瓶颈？
这道题考察增长运营能否把广告投放效果拆成可诊断的漏斗，而不是只盯 ROI。核心框架是从曝光到点击、从点击到转化、从转化到收入/利润：CTR 反映素材、定向、流量匹配和广告吸引力；CVR 反映落地页、商品、价格、表单、支付和用户意图承接；ROI 反映成本、客单价、毛利、复购和预算效率。高质量答案要能讲清指标定义、拆解路径、分层分析、实验验证和行动策略，例如用 eCPM/CPC/CPA、转化延迟、渠道/人群/素材/时段切片定位瓶颈。
资源有限时，增长运营如何用广告投放 ROI 平衡投放规模与效果？
这道题考察增长运营在资源有限时是否理解投放 ROI 的边际收益逻辑。广告投放不是简单追求最高 ROI，也不是盲目放量，而是在预算、库存、团队能力和商业目标约束下，寻找“规模增长”和“单位效率”的平衡。关键框架是区分平均 ROI 与边际 ROI：小预算高 ROI 不代表可放量，预算扩大后流量质量下降、频次上升、竞价成本上升，ROI 往往递减。好答案需要覆盖预算分层、实验放量、止损线、利润口径、LTV 口径和 portfolio 管理。
当小红书图文笔记互动率下降时，如何设计实验验证增加短视频内容是否能改善互动，并补充哪些数据？
这道题考察数据分析师能否从“图文笔记互动率下降”这个异常出发，提出短视频内容作为干预，并设计可验证、可归因、可补数的实验，而不是直接得出“多发视频就能提高互动”的结论。
《蛋仔派对》上线“派对小屋”这类新社交玩法后，游戏数据分析师应关注哪些核心指标来评估玩法是否成功？
这道题考察游戏数据分析师能否评估《蛋仔派对》上线“派对小屋”这类新社交玩法后的真实价值：不只是看有多少人点进去，而是看玩法是否被理解、是否促进社交关系、是否提升留存和游戏生态，同时有没有损害主玩法体验。
蚂蚁集团上线新的签到活动后参与率一直不高，产品运营应从哪些数据维度定位原因并制定优化策略？
这道题考察产品运营能否把签到活动参与率低拆成一条可诊断、可行动的增长链路。成熟回答不能只说加奖励、发 push，而要先定义参与率口径，再沿曝光、触达、点击、进入、签到完成、奖励领取、复访留存逐层定位，并结合用户分层、渠道、版本、设备、规则理解、奖励感知和数据质量判断问题发生在哪里。最后要把诊断转成运营动作和实验方案，证明自己既懂指标，也懂用户增长闭环。
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。
在华为云 BD 场景中，人工智能和大数据如何改变传统 BD 工作模式？你会如何设计“智能 BD”的能力和效果指标？
这道题考察候选人是否理解云服务 BD 已经从单纯拜访客户、维护关系，升级为数据驱动的机会发现、客户洞察、方案匹配和销售预测。高质量回答要把智能 BD 定义为人机协同的商业增长系统：用大数据识别行业机会和客户信号，用 AI 做线索评分、需求理解、方案推荐、话术和材料辅助、CRM 自动化、风险预警和预测管理；同时保留 BD 的关系判断、复杂谈判和合规责任。指标上要覆盖线索质量、转化效率、销售周期、赢单率、管道质量、预测准确率、客单价、续费和人效。
如果要为小红书 KA 客户开发数据看板工具，应包含哪些核心指标和功能？
这道题考察商业分析师能否从 KA 客户的经营决策出发设计数据产品，而不是只堆曝光、点击、互动等指标。高质量回答要先定义 KA 客户使用看板的任务：看品牌声量、内容表现、投放效果、种草到转化链路、用户画像、行业竞品、预算消耗、风险预警和销售跟进。指标体系要兼顾平台内容生态和商业化效果，功能上要支持分层筛选、下钻归因、行业基准、自动洞察、权限管理、导出汇报和行动建议。
京东商品详情页“XXX 也买过”推荐模块如何设计，如何做候选召回、排序特征、冷启动和线上 CTR/CVR/GMV 评估？
这题考商品详情页 item-to-item 推荐模块设计。回答应围绕“也买过”的共购语义，讲清候选召回、排序特征、冷启动、去重多样性、业务约束，以及用 CTR、CVR、GMV、加购率和护栏指标做线上实验评估。
评估推荐效果时，需要采集哪些曝光 log 和点击 log，如何保证指标可归因？
这题考推荐系统评估的数据基础。回答要说明曝光 log 是分母和归因基础，点击 log 是用户反馈结果，两者必须用 requestId、itemId、position、策略版本和时间窗口串起来，否则 CTR、转化率和 A/B 结论都不可靠。
如何评估微信订阅号底部相关文章推荐功能的效果？
这题考数据分析师是否能把一个具体推荐功能拆成目标、指标、实验和风险。订阅号底部相关文章推荐不能只看点击率，还要看对阅读深度、作者生态、用户体验和大盘阅读量的增量影响。
如何设计 A/B Test 评估文章推荐对大盘阅读量的增量影响？
这题考推荐功能的增量实验设计。回答要从实验目标、随机单位、指标层级、替代效应、分层分析和护栏指标展开，核心是证明文章推荐带来了大盘阅读量净增，而不是把原本会发生的阅读从其他入口搬过来。
A/B Test 中为什么常用 t 检验，它的适用前提和局限是什么？
这题考 A/B Test 的统计基础。t 检验常用于比较两组均值差异，因为它在方差未知、样本均值近似正态时能给出差异显著性判断；但前提、指标类型、样本独立性、方差差异和业务效应都必须一起说明。
用 Qwen 做大模型评测裁判时，如何证明选择合理，并通过消融实验和人工一致性指标评估效果？
这题考候选人是否能把 LLM-as-judge 从“用了一个模型打分”提升到可证明、可复现、可交付的评测系统。回答要说明为什么 Qwen 适合当前评测任务，并用版本、参数、提示词、评分维度、人工一致性和交付指标证明选择不是拍脑袋。
在指标体系搭建中，MECE 原则如何使用？什么时候不需要完全 MECE？
这题考指标体系搭建中的结构化拆解能力。MECE 能帮助指标分类不重不漏，但业务分析不能机械追求完全 MECE，需要在决策目标、可解释性和实际运营之间取平衡。
为什么设计指标体系前要先理解业务架构和业务链路？
这题考指标体系设计的业务理解能力。指标不是先列公式，而是先理解业务如何创造价值、有哪些角色、链路、约束和关键决策点。
搭建指标体系时，如何沿业务流程纵向拆环节，并按用户、渠道、区域等维度横向拆解？
这题考指标体系的二维拆解方法。纵向拆业务流程用于定位环节问题，横向拆用户、渠道、区域等维度用于识别差异和归因，两者结合才能形成可运营的分析框架。