手机淘宝搜：天降红包55 5月20日开始，每天领红包。
京示搜：天降红包369，5月28日开始

数据分析的面试问题,数据分析的面试的专业问题,数据分析的面试简历要计算机二级吗,数据分析面试

1.某APP近期上线了一个拉新活动，并在各个渠道进行了推广投放，活动结束后，作为数据分析师，你如何评估这场活动的效果？

①活动关键核心指标达成情况，比如拉新多少用户，达成多少GMV？ROI如何？

②活动关键流程是什么？以及各个流程的漏斗分析（留存，流失率分别是多少），可能的原因有哪些

③活动在哪些渠道推送？活动推送给哪些用户？用户画像是啥样的？各渠道用户的质量/ROI如何？

④活动玩法的裂变效果如何？利益点是否有吸引力？活动整个过程节奏把控如何，前期预热，中期爆发和尾期是否过短/过长，运营应该在何时进行适当干预

2.什么是漏斗分析？有哪些注意的点？

定义：漏斗分析通常作为一种数据分析工具，主要是衡量应用在各关键路径上的流转情况，从而直观地反映出当前产品阻碍用户继续向下使用的关键节点，从而为后续产品迭代提供数据支撑

最核心的有三点：分解流程，评估转化率和定位问题环节

常见的电商漏斗：首页 - 详情页 - 购物车 - 支付；用户的生命周期AARRR；用户行为周期AIDMA

需要注意的点：①漏斗的各个环节一定是连续的，对应连续的业务流程 ②漏斗的环节不宜过多，一般不超过5个 ③一般以上一环节为基准，计算相邻两个环节的转化率 ④计算每相邻环节的转化率，1 - 转化率即为流失率，但并不意味着转化率最低的环节就是问题环节 ⑤漏斗可以结合其他维度看，看不同维度下的漏斗差异，进而判断是哪个因素导致了问题的出现

3.你是怎么理解数据分析的，流程如何

数据分析是基于对业务的理解，发现业务中的问题或潜在增长点，形成分析思路，并利用数据分析工具进行分析，给出结论和解决方案，并协调各方推动方案落地，解决问题，回到业务中去的完整闭环

主要流程：观察现状 → 留意变化 → 多位交叉分析 → 预测趋势 → 生成策略 → 推动落地 → 复盘效果

4.你认为数据分析的价值如何体现？

数据分析不是数据统计，不能仅仅停留在输出一份数据报告

要给出结论，讲清楚数据背后的业务含义，数字的大小正负说明业务是好还是坏

明确数字背后的业务含义外，还要给出背后的原因：好的方面是否可以复用拓展，坏的方面原因是什么，应对方案是什么

要把方案推动落地到业务执行中，并且跟进执行的效果和复盘，螺旋上升，不断迭代优化

5.指标的异常波动变化（例如日活下跌）如何分析？

①首先对以下内容进行确定

确定数量来源是否可靠

确定指标的计算口径是否一致

确定是否是市场的整体趋势

②其次可以从以下角度进行分析

描述性统计：下跌了多少

观察变化：同比下跌多少，环比下跌多少

评估变化/方差分析：跌幅是否在合理范围

交叉分析/相关性分析：对指标进行拆解，有哪些指标可能和日活下跌有关系，有关系到什么程度

业务分析：这些指标的运营部分，是否有某些运营策略或者活动造成了这些指标的变化，间接导致日活下跌

回归分析/预测：还会跌几天？跌幅最坏到什么程度

风险/损失评估：日活下跌对产品的核心KPI有什么影响

制定策略：如何挽回损失/下次如何避免

6.注册类和活跃类指标，你会看哪个？

不同时期关注的指标不同，应区别对待

产品初期：关注产品的快速增长，会重点关注注册类指标

产品成熟期：关注用户的使用粘性，深度等，会重点关注留存和活跃类指标

7.估算一个某品牌门店的销售额

利用“二八原则”拆分，该门店主要以饮品为主，饮品主要以咖啡为主

①从需求端估算

CBD一共有多少人

喝咖啡的比例

每人每天喝几杯

②从供给端估算

忙时供给：忙时每小时多少杯，一天多少忙时

闲时供给：闲时每小时多少杯，一天多少闲时

8.你理解的数据指标是什么？指标口径是什么？

数据指标：有别于传统意义上的数据指标，它是通过对数据进行分析得到的一个汇总结果，是将业务单元精分和量化后的度量值，使得业务目标可描述，可度量，可拆解

数据指标需要对业务需求进行进一步抽象，通过埋点进行数据采集，设计一套计算规则，并通过BI和数据可视化呈现，最终能够解释用户行为变化及业务变化

数据指标一般与维度一起联合分析，从不同维度看同一个指标可能会有差异和业务上的发现

指标口径：举个简单的例子，很多企业会根据自身特点对“活跃用户数”有不同的定义，例如每日登录用户数（过滤掉匿名用户）即为活跃用户数；每日在线时长超过5分钟的用户数（过滤掉低质量用户）即为活跃用户数；每日访问页面超过5个的用户数（过滤掉低质量用户）即为活跃用户数

9.指标和维度的区别和联系

指标：用于定量评估业务好坏程度而建立

维度：描述指标的角度，可以理解为看问题的方面

唯独不能独立存在，一般都是搭配着指标一起分析，可以分析不同维度下的同一指标，也可以多个维度交叉，分析某一个指标，可能会有一些业务上的发现

10.你理解的指标是什么？有哪些组成部分？

指标是有业务含义的，体现业务变化的，不是瞎拍出来的。指标是复杂的，是有特定业务场景的

指标口径：指标的定义，业务定义比如活跃用户数，打开APP的用户数，指标一般与维度一起联合分析，从不同的维度看同一个指标可能会有差异和业务上的发现。同一个指标可能会被应用与不同业务，需要注意保证指标口径的统一，避免造成指标的歧义和误解

11.什么是指标体系，如何建立？

定义：一个指标不能叫体系，多个不相关的指标也不能叫体系，一个指标体系是多个相关的指标有机结合起来，具有严格的逻辑和分层体系

建立方法：①根据业务特点和生命周期选择第一关键指标或者叫北极星指标 ②贴合业务需求将第一关键指标进行逐层拆解，可以按流程拆，按时间区域拆，按公式加减乘除拆等 ③从上至下，从顶层战略或从KPI拆解 ④从下至上，叶子指标向上汇总成整体指标

12.如果要预测下个月的淘宝销量情况，你将如何进行分析？

收集数据：收集历史数据，汇总近几年每个月的销量

数据分析：观察数据分布结构

选用模型：选取合适的模型进行预测，比如，如果数据是线性增长，那么选用线性模型，如果数据表现不仅存在线性增长，还存在季节性因素，那么选用更复杂的模型，比如，时间序列相关的模型

效果评估：结合历史数据，评估模型预测的准确性。模型效果表现良好，那么可以结合模型给出下个月的淘宝销量，如果模型效果变现较差，返回第二步

13.一些商家为了提高商品的曝光量和排名，常常会进行刷单冲销量买好评，作为平台如何识别刷单呢？

流量方面：一般来说，A商品在刷单之前搜索排名会比较靠后，刷单用户在购买A商品时，只点击查看该商品，甚至存在秒拍的情况。用户下单前没有对比同个同款商品

成交方面：流量访问的转化率异常，因为刷单比例较高，故访问了该商品且转换的订单数占比会很高，在数据上的表现即为转化率异常高；商品成交量异常，刷单商品普遍在刷单之前成交量较低，故刷单之后，商品成交量可能会出现暴增

物流方面：一般来说，电商内部的物流订单号是唯一的，即不会重复，刷单商家为了节约成本，可能会重复利用同一个快递订单号；同时如若刷单，商家所发快递物品可能非真实原物，且会虚假发货，可从商品重量，件数预估物流运费，物流轨迹 + 时间等方面进行甄别

买家方面：建立黑名单库，识别刷单账号；同一个手机设备，不同账号，购买同一商品；对于同一个账号重复购买同一件商品；同一个IP网络地址，不同的手机设备，购买同一个商品

14.某业务部门在上周结束了为期一周的大促，作为业务对口分析师，需要你对活动进行一次评估，你会从哪几个方面进行分析？

不管是微商，电商还是店商，有三大关键要点，分别是人，货，场三个重要的环节

①人（用户）

活跃度：活跃的用户数

转换率：下单的用户数，转换率

成交额：成交总额，人均购买金额，人均购买件数

留存率：大促结束后的留存情况以及后续的成交情况

②货（商品）

曝光的商品数：如果存在大促商品池，那么可看曝光的商品数占比

成交的商品数：统计有成交记录的商品数，及成交商品数占比

商品丰富度：从商品的结构，种类进行分析，不同种类的商品成交曝光情况

商品供应量：分析大促的供需关系，是否存在商品库存情况

商品价格：大促期间商品价格的优惠情况

③场（大促活动）

用户大促活动参与度，，比如大促是否设置小游戏，如天猫盖楼游戏，可以分析游戏的参与度和完成度

漏斗转换，大促活动每一步的漏斗流失和转换情况，指导后续大促活动的设计优化

大促页面的活跃情况

15.GMV提升20%怎么分析？

背景确认：20%提升是指AB实验结果还是日常数据监控类，如果是AB实验，确认试验涉及的方案，如果是日常数据监控类，确认数据计算的业务场景

口径确认：确认数据计算的逻辑，20%中涉及到的指标分别是什么

数据分析：确认绝对提升是多少，比如GMV提升20%，可能绝对提升量为2k。业务场景较小，波动较大

问题分类：确认该问题属于正常波动还是异常类数据问题

16.数据不平衡处理

①定义

通常是指在二分类中，两类数据量悬殊，举个例子，化妆品购买人群中，男性有100人，女性有10000，男女比例严重失衡，称为数据不平衡

②为什么重要？

数据不平衡意味着对少数类别的信息捕捉不充分，刻画的特征缺失，进而导致机器学习算法中，趋向于将测试集预测为多数类别，得到的准确性能降低

③解决方案

A.过抽样

对少数类进行重抽样，至数量与多数类相似

在上述例子中，将男性的100个样本，进行有放回抽样，直至样本数量扩充到10000个为止

优点：简单粗暴，不损失样本量

缺点：导致严重过拟合，模型的泛化性降低

B.欠抽样

对多数类进行删减，直至数量与少数类相似

在上述例子中，对女性的样本进行筛选，从10000个样本中，随机无放回抽取100个样本

优点：简单粗暴

缺点：损失大量有效信息

C.人工合成法（SMOTE）

改良版的过抽样方法

原理：根据现有少数类样本的特征，人工创造更多的少数类样本

SMOTE算法分三步走：

计算距离：以男性的100个样本为基础，计算任意样本Xi与其他99个样本的欧氏距离，得到Xi的neighbors

确定采样倍率Y：Y根据不平衡的比例计算得到。之后，对任意Xi，选取y个neighbors，记其中任意一个neighbors为Xy

创造新样本：Xnew = Xi + rand(0,1) * |Xi - Xy|

17.某一新上线功能，预期提高留存率0.1，实际提高0.05，怎么分析？

确定不是数据异常后，就分析指标下降的原因；确定该数据指标的属性：名称，数值，单位和口径（统计方式，统计范围）

再就是明确问题的描述，指标下降，是什么时间段和什么周期比较

其次定位发生的位置，是谁的销售额变低？不同用户，不同产品，不同渠道来划分

再问题拆解，公式法或业务流程拆解，销售额 = CV * 转化率 * 客单价，CV = 各方面来源的流量（免费和付费）等

确定具体原因后，分析为什么会有这个原因，内部原因：网站改版，产品更新，广告投放；外部原因：采用PEST分析法分析

18.用户流失的分析，老用户的流失和新用户的流失有什么不同？

①用户流失分析

两层模型：细分用户，产品，渠道，看到底是哪里用户流失了，注意由于是用户流失问题，所以这里细分用户时可以细分用户处在生命周期的哪个阶段

指标拆解：用户流失数量=该群体用户数量*流失率。拆解，看是因为到了这阶段的用户数量多了，还是这个用户群体的流失率比较高

内外部分析

内部：新手上手难度大，收费不合理，产品服务出现重大问题，活动质量低，缺少留存手段，用户参与度低等

外部：市场，竞争对手，社会环境，节假日等

②新用户流失和老用户流失有什么不同？

新用户流失：可能是非目标客户，产品不满足需求，难上手，竞品影响；要考虑如何在较少数据支撑下做流失用户识别，提前防止用户流失，并如何对有效的新用户进行挽回

老用户流失：可能是达到生命周期衰退期，低端用户驱逐，满足前期用户需求，竞品影响；老用户产生的消费数据较多，容易识别流失用户，做好防止流失更重要，同时考虑用户生命周期剩余价值，是否需要挽回

19.公司进行了一次活动，需要做评估，从哪些方面着手分析？

①确定促销的目的：拉新？促销活动？还是清库存？

②根据目的确定核心指标

③效果评估：与自身在活动前和活动中比较，与预定目标比，与同期其他活动比，与往期同类活动比

④持续监控：检查活动后情况，避免透支，根据后续数据检验质量

20.深圳有多少理发店？

( 在进行费米问题估算时，需要将很难获得的数据拆分为容易获得的数据

费米问题有专门逻辑套路，一般有需求端，供给端，供需端三个方面

①需求端是从用户需求的角度出发去计算市场的大小，将指标一步步拆解，若还有未知量继续拆解

②供给端是从企业供给能力出发评估企业能够支持多达市场规模

③供需结合，是最简单的方式，分为以小见大和以大见小两个方法 )

广东1.15亿人，深圳1340万人

理发店的服务对象是人，是生活需求，可从城市人口方面预估

理发师总数 = 理发店总数 * 平均每个理发店的理发师人数

平均每个理发店的理发师人数假设为5个

每个理发师每天工作8小时，一个月工作240小时

每个人每个月剪头发一次用一小时

从而每个理发师每个月理发人数 = 240人

即每个理发店每月理发人数 = 240 * 5 = 1200 人

理发店数量 = 1340 万 / 1200 = 1.1 万家左右

21.如果新开一个店，主要关注什么指标？

（可以一边提问，一边回答的方式，梳理一下大致的业务流程，有助于了解整个业务）

新开的店，可以从业务发展的不同阶段思考

既然是新开的店，说明处于业务发展（AARRR模型）的流量获取阶段，我们现阶段的关注点应该是人流量，所以增加到店体验人数为主要目标

初创阶段：要增加到店体验人数，没有历史数据的时候，先进行用户调研，问卷调查，行业研究，竞品分析，找出目标客户的用户画像，精准推广，用户画像关注的用户属性有性别，年龄，省份，行业，是否会员等，常见的行为属性有新/老用户，是否有交易，回访频率，用户来源，会员等级；主要指标有点击率，留资率，到店率，转化率

增长阶段：积累一部分成功案例后，开始重点关注客户体验营销的全流程，推广效果跟踪，售前体验满意度调查，售中流失原因反馈，售后满意度调查。主要指标有：净推荐值，满意度，忠诚度，用户流失率

22.留存率下降如何分析？

以新用户留存率下降为例，从用户，产品，运营侧分析原因

①用户

新用户是否为薅羊毛用户，是否是目标用户

解决办法：根据用户画像判断是否为目标用户，若是，考虑采取调研的方式寻找原因

②产品

产品的新手引导是否体验较差

产品功能是否不吸引用户

解决办法
..天猫618助力金币一天可以助几次?,天猫618助力金币一天可以助几次?,618活动助手,在2023 618淘宝年中大促天猫聊天群怎么升级快里，我们一起完成助力活动和分享，加入我们，一起度过有意义的2023年 618淘宝购物狂欢节时光！