01 写在前面

❤数据分析面试会重点考查候选人两方面的能力，一个是基础的数据工具能力，最常考的就是SQL，这部分前面我们已经有系列笔记全面剖析了大厂的常考笔试题型，没看的同学赶紧翻看之前的笔记吧。

❤❤考查的另一方面就是业务分析思维了，这一块主要是设定一些常见的业务场景，需要你给出对应的分析思路和方法，这一块对于没有数据分析经验的小伙伴们来说就很不友好了，很多面试的朋友碰到这类题都会很慌，无从下手，因为没做过，也不知道怎么分析啊！！！

不过不用怕，数据分析面试常见业务题系列正式更新了！收集了近几年一些大厂的面试业务题，通过这些题目的详细讲解，你应该就能掌握这类题目的解答思路了，话不多说，今天我们先来看一看都会考哪些业务题吧！

02 数分面试常见问题（二）

Q1、什么是指标体系？如何建立？业务应用场景？                     

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：

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；

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；

从上致下：从顶层战略或从KPI拆解；

从下至上：叶子指标向上汇总成整体指标；

应用场景：

监控关键指标变化趋势，判断业务走势；

逐层拆解，定位业务异常原因；

通过数据驱动业务迭代；

                                                                       

Q2、什么是A/B test？核心原理和应用场景？

定义：

基于小样本的后验方法，通过设置对照组和实验组，对变量进行试验，通过假设检验对不同组的结果进行检验，以检验变量是否对结果造成显著影响，从而选取最合理的方法。

核心逻辑：

核心是通过随机合理分流，设置对照组和实验组，通过控制变量法，在保证两组用户除待验证变量不同外，其他变量分布均一致。分别对两组施加不同的变量，观察两组用户在一段时间内的表现，通过假设检验分析结果是否有显著差异，从而判断改动是否有效可执行。

应用场景：

常应用于产品功能、算法策略迭代。

Q3、A/B test如何合理分流？

用户分流一定要随机均匀，保证各组的用户分布一致，有分桶和分层两种方式。同一层切分为不同的桶，各桶之间是互斥的，即一个用户只能出现在一个桶里。当要同时进行多个实验时，分桶导致单个桶的流量过小，可以讲业务逻辑分为解耦的多层，不同的层共享同一批流量，这样一个用户可以进行多个实验，充分利用流量。

一种分组方式是分桶。我们直接将整体用户切割为几桶，用户只能在一个桶中。但是这种情况很不现实，因为如果我要同时上线多个实验，流量不够切怎么办？那为了达到最小样本量，我们就得延长实验周期，要是做一个实验，要几个月，相信我，你老板一定会和你聊聊人生的。

另一种方式分组方式分层。我们将业务逻辑互斥的环节分为多层，每一层都共享同一批用户，在每一层将用户随机后，使之处于不同的桶。到下一层后，对同一批用户再次随机分为几个桶。也就是说，一个用户会处于多层的多个实验中，只要多层之间互不影响，这样在保证了每个实验都能用全流量切割的同时，也保证了实验数据是置信的。

Q4、如何验证A/B test的结果？

假设检验：一般情况下，绝对值指标用T检验，相对值指标用Z检验。

单尾/双尾检验：单尾检验的前提是我们不仅认为两组指标不同，还明确了大小，一般情况下，我们都认为实验组的效果高于基线组。而双尾检验只是认为两组指标不同，未明确大小。通常来说，我们更推荐使用双尾检验，为什么呢？因为实验本身就是一种利用数据来做决策的方法，我们不要再人为的带入主观设想。而是用双尾检验，我们不仅能量化涨了多少，还能量化掉了多少，因为实验结果有正有负，不一定都是有效果的（正向的），还可能有负向的效果，我们也可以将有负向效果的实验记录下来，沉淀成知识库，为后期实验避坑。

Q5、什么是漏斗分析？有哪些注意的点？

通过拆分业务流程，形成关键漏斗，分析漏斗各环节的转化率/跳出率，定位问题发生的环节。漏斗分析最核心的有三点：分解流程、评估转化率和定位问题环节。

常见的漏斗有电商漏斗：首页-详情页-购物车-支付；还有用户的生命周期AARRR；用户行为周期AIDMA等。

需要注意的点：

漏斗的各个环节一定是连续的，对应连续的业务流程；

漏斗的环节不宜过多，一般不超过5个；

一般以上一环节为基准，计算相邻两个环节的转化率；

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；

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；

Q6、数据分析这么枯燥，你为什么想做呢？

数字本身是枯燥的，但是数字背后的信息却是很有趣也很重要的。数据分析现在已经逐渐变成一种能力，一种通用的技能，通过洞察数据背后的业务价值，进而提出有指导性的建议，帮助业务发展是一件很有成就感的事。

Q7、你怎么理解统计学？生活中统计学应用举例？

作为数据分析师，所有的事实都应该由数据说话，但数据本身是没有意义的，更不会告诉我们数据的高低好坏，我们需要基于数据给出科学可靠的结论，这个过程就不得不用到统计学知识。好的什么程度算好，坏到什么程度算坏，高到什么程度算是有显著性差异，这些都不是我们个人凭主观感觉就能够给出来的，需要经过统计学的知识谨慎给出结论，这样才不至于给出错误的结论而导致错误的决策。

如果用平均值算财富的话，我和马云的财富平均下来，我也是亿万富翁，这显然不科学，因为个人财富并不服从正态分布，我们用平均值无法代表一般水平，这个时候如果使用中位值，看全国排名50%的人的收入，可能更足以说明大家的一般水平是如何。

以上就是【数分面试宝典】系列—面试业务题系列第2篇文章的内容，部分历史文章请回翻公众号【数据分析星球】，更多数据分析面试笔试的文章持续更新中，敬请期待，如果觉得不错，也欢迎分享、点赞和点在看哈