***之前整理内容时有删除重复和岗位不符的问题，所以标题数字不连贯是正常现象，懒得改了

一、拼多多（市场管培生——数据分析方向）

1. 岗位职责和任职要求解读

1.1 原文内容

岗位职责

• 搭建各增长渠道的用户增长模型，通过数据积累及分析优化各渠道增长漏斗；
• 对用户行为有强烈兴趣，喜欢从数据中发现规律与问题，从而理解用户，为用户创造更好的产品体验；
• 根据业务发展情况，搭建能够准确反映业务运作健康状况的数据指标体系，围绕业务构建多维度数据模型，监控各业务线日常增长指标及进展；
• 主导进行A/B实验与分析，挖掘数据结果背后的业务意义，让每一次增长迭代都有迹可循。

任职要求

• 2025届毕业生，本科及以上学历，数学、统计学、市场营销、新闻广告、影视传媒、数字媒体等相关专业优先；
• 较强的数据及业务分析能力，逻辑思维能力强，善于通过数据分析挖掘问题，迭代运营动作； 3. 做事脚踏实地，上进且勤奋，靠谱的行动派，充满正能量；
• 具有团队精神，良好的跨部门沟通协调能力，自我驱动力强，喜欢有挑战的工作；
• 成熟地面对压力和挫折，能适应快节奏、多变化、高速成长的互联网行业。 

1.2 解读 

       岗位职责第一条提到搭建用户增长模型，优化各渠道的增长漏斗。这里的关键词是用户增长模型和增长漏斗分析。用户增长模型可能涉及像AARRR模型（获取、激活、留存、收入、推荐）和LTV（用户生命周期价值，结合CAC（用户获取成本）评估渠道ROI），而漏斗分析则是分析用户在不同阶段的转化情况，找出流失点，例如关键转化路径拆解（如注册→下单→复购）和流失点诊断与优化（如页面跳出率、流程卡点）。

       第二条要求对用户行为感兴趣，通过数据分析理解用户，提升体验。这里需要用户行为分析的知识，比如使用事件追踪（用户点击、页面浏览等行为追踪）、用户分群（基于RFM模型（最近购买、频率、金额）细分人群）、留存分析（Cohort分析（同期群）、DAU/MAU监控）等方法。可能还需要了解用户画像的构建，以及如何通过数据驱动产品优化。

       第三条是搭建数据指标体系，监控业务健康度。这里涉及到数据指标的设计，比如KPI的选择，如何建立多维度的数据模型。可能需要了解OSM（目标、策略、指标）模型，AARRR中的各个指标，北极星指标确定核心业务目标（如GMV、DAU），从渠道、地域、用户分层等视角进行多维度拆解，以及如何通过仪表盘或BI工具进行监控。

       第四条是主导A/B实验，分析结果。这明显需要A/B测试的知识，包括实验设计、假设检验、统计显著性计算，以及结果解读和业务应用。例如实验设计：随机分组、样本量计算、控制变量，结果解读：统计显著性（p<0.05）、实际业务影响（如转化率提升绝对值）

此外，应该还需了解的知识点包括：

（1）互联网增长逻辑

• 渠道优化：SEM/SEO、社交媒体、内容营销的效果评估
• 增长黑客思维：低成本撬动增长的策略（如裂变活动）

（2）用户洞察与产品体验

• 用户画像构建：人口统计、行为特征、兴趣偏好
• NPS（净推荐值）：评估用户满意度与口碑

（3）行业知识

• 电商核心指标：GMV、客单价、复购率、退货率
• 竞品分析：监控对手策略并制定应对方案

       指标体系构建、用户增长路径、用户画像、用户生命周期、竞品分析（常被问面试app和市面其他竞品对比的优略势）、ROI计算等等。 AB实验：实验分组（正交＆互斥）、原理：中心极限＋假设检验、样本量计算、随机化区组实验、实验结果解读。 费米问题：预估app的用户规模（幂函数）、某处的人流量（供给和需求角度出发）等等。

2. 该岗位面试真题

2.1 SQL题

（1）店铺某年GMV降序排列，均分成十份
       参考：GMV降序排列，这个简单，用'ORDER BY'就行。均分成十份，可以用'NTILE'函数，它能把数据分成指定数量的组。

       SELECT shop_id, NTILE(10) OVER(ORDER BY gmvDESC) AS tier_group FROM sales
       WHERE year=2023;

（2）一串数字id从小到大，连续数字为一组，找每组的最后一个id及该组id个数
       参考：连续数字，可以用'LEAD'函数获取下一行的数据，找出每个id的下一个id，然后判断下一个id是否等于当前id加一，如果不等于，说明这组结束了，再用'COUNT'函数统计每组的id个数

       SELECT MAX(id) AS last_id, COUNT(*) AS cnt
       FROM (
                    SELECT id, id-ROW NUMBER()OVER (ORDER BY id) AS grp
                    FROM table
                   ) tmp
        GORUP BY grp;

（3）SQL题：时间戳和字符串拆分

       参考：DATE_FORMAT函数来处理时间戳，转换成我们需要的格式，比如DATE_FORMAT(timestamp_column, '%Y-%m-%d') ；字符串拆分关注下SUBSTRING_INDEX，比如 SUBSTRING_INDEX(string_column, '-', 1)

2.2 业务题

（1）提高用户粘性的方案

• 增加高频功能，例如签到送积分。
• 通过用户画像精准推送push、短信、邮件、公众号内容对用户进行适当的提醒。
• 根据用户购买历史，给他们推送个性化的商品推荐。
• 从用户行为数据分析入手，比如用户在APP里停留时间长的页面，优化这些页面，增加互动元素。
• 定期举办线上活动，比如抽奖、限时折扣，发放优惠券、吸引用户来参与。

（2）AB实验的流程

       AB实验是一种判断产品改善方案是否可行的统计实验工具。现存一个产品版本，同时根据单一变量原则设计出一个改善后的版本，原版本叫做A，改善后的版本叫做B。接着对实验用户进行分组，一组实验用户使用A，一组实验用户使用B，在相同的时间维度内测两组用户的实验数据和反应，最后再根据假设检验的原理判断B版本相较于A版本而言，是否带来了统计学意义上的显著差异，同时需要确定这些差异是否能最终带来具体的商业价值。

• 首先是确定实验目标，比如提高APP的点击率
• 然后是设计实验，确定需要的指标、显著性水平，统计功效、实际显著性水平、需要的样本量、需要的实验时长。根据这些内容将用户分成A、B两组，A组看到的是旧版本，B组看到的是新版本。
• 实施实验，收集数据。
• 最后是对数据进行完整性检查，检查通过后分析数据，看看新版本有没有提高点击率。如果新版本的点击率确实提高了，可以考虑推广新版本。
• 在推广新版本时持续监测

（3）F检验、t检验和z检验、卡方检验的区别

• F检验适用于比较三个及以上组的均值差异，以及在进行t检验之前比较多组数据的方差是否相等。
• t检验适用于样本量小、总体标准差未知的情况下，比较两个独立组的连续型变量均值是否存在显著差异，t检验的分布是t分布
• z检验适用于样本量大、总体标准差已知的情况下，比较两个独立组的连续型变量均值是否存在显著差异，也适用于样本量大的情况下，比较两个独立组的二分类变量比例（如转化率、点击率）是否存在显著差异 ，z检验的分布是正态分布
• 卡方检验适用于期望频数较大时，比较两个组在分类变量（如性别、产品类别）上的分布差异，或检验列联表中观察频数与期望频数是否一致（如点击/未点击的分布）。如果期望频数较小时，需选择费舍尔精确检验
• 曼惠特尼U检验，属于非参数检验，无需正态假设（偏态数据），适用于比较两个独立组的连续或有序数据的中位数或分布形状

（4）假设检验实验周期怎么算

       实验周期的计算公式是最小样本量/单日实验组样本量，而单日实验组样本量占单日总流量的比例不能太高，因为如果存在技术上的bug，很难在短时间内去缩小或者控制住它的影响。

       实验周期还会受到周期性影响或者季节性影响，因为用户的行为呈现出比较明显的周期性趋势或者季节性趋势，这会影响实验结果。因此运行实验时，可以延长整个实验周期来采集到更多的数据，或者干脆跳过这段时期执行实验，从而避免这段特殊时期对实验结果造成影响。

       实验周期还会受到首位效应和新奇效应的影响，在实验初期，用户对于新的变化和新的事物可能会存在厌恶或者喜爱的情绪，实验运行一段时间后，人们逐渐适应这个新的改变，这些影响的效果就会逐渐减弱。因此当觉察到实验可能会受到首位效应和新奇效应的影响时，应适当增大实验时长让整个实验能够跨过初期受到这些影响的阶段，然后进入到后期的平稳期，取得更加可靠的实验数据。

（5）怎么判断小概率事件

       如果一个事件发生的概率小于0.05（5%），就可以认为是小概率事件，比如抛硬币，连续抛出10次正面的概率非常小，就可以认为是小概率事件。

（6）中心极限定理

       论原始数据分布如何，当样本量足够大时，样本均值的分布近似正态分布，且其均值接近总体均值。比如做抽样调查的时候，就可以用它来估计总体参数。

（7）统计不显著但有负向趋势，怎么理解？

       这可能是因为样本量不够大，或者变量之间的关系不够强。虽然统计上不显著，但实际的负向趋势也不能忽视，需要进一步分析，比如增加样本量或者用更复杂的模型来验证。

（8）简述一下极大似然估计

       极大似然估计是一种参数估计方法，通过寻找一组参数θ，使得观察到的数据出现的概率最大。
       写出概率模型：定义数据在给定参数下的概率分布

       构建似然函数：通过联合概率表示所有数据点出现的可能性。似然函数表达的内涵：在给定参数θ下观测到数据集X的概率。通过极大化这个概率，来获得对参数θ的估计。

       最大化似然函数：通过对数变换将问题转化为对数似然函数的最大化，将对数似然函数对参数进行求导，令其等于0（导数等于0代表对数达到最大）

（9）极大似然估计在机器学习中的应用

       在机器学习中，极大似然估计能够确定最佳拟合数据的模型参数，从而提成模型的预测性能 

（10）AB实验统计不显著性，如何分析

       实验本身的真实效应不存在：改动未对目标指标产生实际影响，确实无效，需评估改动是否合理，是否过于微小 

       实验设计相关原因：

• 1. 样本量不足，导致数据方差过大，即使存在真实差异，也可能被数据波动性掩盖，需计算实验所需的最小样本量。
• 2. 实验周期太短，导致用户行为或目标变量的变化尚未显现。需根据业务背景和指标特性，确定合理的实验周期。例如，对于长期影响的指标（如用户留存率），可能需要更长的观察期。
• 3. 分流不合理，实验组和对照组的用户分配可能未完全随机化，导致系统性差异（如用户特征的偏差），需对两组样本进行同质性检验，观测关键属性(如性别、年龄、地区等)分布是否均衡。

       数据相关原因：

• 1. 指标本身波动性较大，检测到此类指标要求较大样本量。波动性过大的关键信号：1）置信区间宽；2）实验组和对照组的标准差相对于均值较高。需引入协变量（如用户历史行为数据），使用调整后的指标(例如CUPED方法)降低方差。
• 2.用户群体异质性，实验组和对照组中可能包含多种类型的用户，不同用户对干预的响应程度不同，导致结果难以显著。需检查干预对不同用户群体的分层效果
• 3.实验组对照组本身存在差异，实验生效前，实验组对照组用户的相关指标已经存在差异，即便干预对实验组指标有提升效果，但最终还是表现为不显著，这本质上还是分流不均的问题。可以使用DID统计方法对干预前后效果进行检验；或者对CUPED校正后指标进行统计检验

（12）假设检验/AB test中涉及最小样本量计算时，其背后的统计学原理基于什么？

       最小样本量是指为确保在给定的错误概率（α和β）下，能够检测到预期效应量所需的最小样本数量

        这里的n是每组数据总共需要的最小样本量 。最小样本量的计算取决于：

• 第一类错误α（与最小样本量成反比，更严格的拒绝阈值）
• 统计功效1-β（与最小样本量成反比，降低Ⅱ类错误）
• 最小可观测效应—分母（与最小样本量成反比）
• 分子中的方差是对照组的方差
• 基线指标值（比例型指标）
• 指标标准差（均值型指标，与最小样本量成正比）

（13）哪些情况下AB test不适用？ AB test不适用的情况下，还可以使用哪些方法？（考察因果推断）

       无法开展AB实验有三种情况：

1⃣️ 样本量不足，实验分流后的指标对比不具有统计学意义。 · 这种情况在toB业务和体量较小的toC业务中都可能会出现。针对这种情况，通常会先对策略前后的核心指标直接做对比，同时结合用户调研或内测用户意见收集等方法，确保策略的影响是符合预期的。 ·

2⃣️ 是策略只能全量上线。 这类策略又可以细分为3类。 ·

       第一类是全平台政策变更，比如平台佣金率的调整，是只能针对所有用户上线的，不可能一部分用户抽成少，一部分用户抽成多。对于这类策略的影响，通常我们会采用时间序列方法去预测未受策略干预的指标趋势，并和实际的指标趋势进行对比，常用方法有Prophet等。

       第二类是局部全量上线的策略， 比如滴滴调整某个城市的司机激励政策，由于同城司机间会相互交流，所以无法做双盲实验，只能对某个城市全量上线策略。针对这类策略，我们可以采用合成控制法，也就是去找和【实施策略的城市】人口规模、人群画像都比较类似的城市去进行对比，评估策略落地之后的效果。

3⃣️ 策略已经上线。 ·比如说，我们对指定用户发放优惠券，想判断是否可以提升用户的下单率。就可以采用因果推断，用模拟AB实验（如PSM+DID）的方法，在未领取优惠券的用户中，构造出一个对照组，和领取优惠券的用户尽量保持结构相似，然后对比两组用户/来评估策略效果。

       模拟AB（同质化匹配）：没有事先预设的实验组和对照组，通过人为构建同质化人群，消除两组人群的天然差异，模拟出可对比的人群组(Matching)，从而进行有别于真正AB随机实验的后天因果关系推断。因果推断(模拟AB)的核心步骤主要可以概括为以下几点：

• 明确分析问题：这个问题决定了实验组和对照组的唯一区别，比如在平台发放优惠券后，比较用户领取优惠券后的下单率和未领取优惠券的下单率，那么唯一区别就是用户是否领取优惠券。
• 同质化处理：将实验组和对照组的用户差异做剔除，拉齐用户特征。
• 计算组间差异：计算完成后用实验组效果-对照组效果就是动作带来的增量差异，一般在这一步也可以使用双重差分法(一重差分：对实验组和对照组，分别计算新策略上线前后的差值。二重差分：将一重差分中的两组差值进行第二次求差)进一步缩减误差，不过要确认两组间的变化趋势是一致的才可使用。

注：合成控制法：当treatment施加到一个群体或者地区上时，很难找到单一的对照组，这时可以采用合成控制方法构造虚拟对照组进行比较。原理是构造虚拟对照组，通过treatment前的数据上学习的权重，拟合实验组在实验开始前的数据，模拟实验组用户在没有接受实验情况下的结果，构造合成控制组。

       根据上面提到的滴滴调整某个城市A的司机激励政策的例子，合成控制法只需要从其他未改变激励政策的城市中进行筛选，用调整政策前的一段时间的各类维度数据与城市A进行拟合匹配，使得合成后的「虚拟城市A」在各个维度上尽可能真的接近「真城市A」。最终选取拟合效果好的：         城市A=0.1城市B+0.2城市C+0.3城市D+…（权重之和为1）
       有了合成控制的虚拟城市A后，就可以将策略效果估计为“调整政策后城市A的结果” - “合成控制组中未调整策略的城市结果的加权之和”

注： 常用同质化处理方式为：通过匹配法构建两组相似人群，其中主流又分为PSM,CEM和MDM三种：

（1） PSM（倾向得分匹配）：利用算法模型（常用是逻辑回归）计算每个个体为treatment的概率，并且从对照组中找出最接近实验组的人群。

• 特征分组：选取对行为有关键影响意义的特征，然后将特征按照值区间或是类型分成不同的组。
• 计算倾向性得分：用户特征变量为自变量，是否被干预treatment为因变量，建模估算达成关键行为的概率也叫倾向性得分（逻辑回归、随机森林等）。
• 匹配：根据倾向性得分匹配得分类似的对照组，在这个过程中给需要设定匹配的阈值【ABS（对照组得分-实验组得分）】，其次如果样本量极少时可以做有放回匹配（重复采样）。

（2）CEM（广义精确匹配）：将每个特征分组，按分桶组合进行随机抽样重新形成一组和实验组组合类似的对照组。

• 特征分组：将每一个特征按照值区间或是类型分成不同的组
• 用户标签：将每一个用户按照分桶的特征打上不同的标签
• 筛选汇总：将实验组和对照组中都有同一用户标签的用户拿出来放在一起

（3）MDM（马氏距离匹配）：为实验组中的每个样本在对照组中寻找距离最短的样本点来做匹配，同时考虑维度之间的关联关系，从而得出最相近的两组样本，这是一种常用的距离匹配办法（类似的距离匹配还有欧式距离等）。

       对于这三种匹配方法，一般特征维度较多时适合PSM，维度较少和样本充足时适合CEM和MDM；同时从实操处理上，CEM可以直接用SQL实现，PSM就要使用Python进行处理了；但是由于没有一种方法是完美的，所以建议大家交叉使用几种方法后再综合结果得出结论。

（14）构建数据看板监控经营状况，说出其中两个关键指标

       构建数据看板是首先要搭建数据指标体系，电商平台的业务中主要存在三个主体，分别是用户、商家和商品，而每个主体又存在对应的指标。

  商家：

• 商家对应的指标有：商家数、商家评分、商家投诉率、商家GMV
• 维度：商家分层，分为新老商家、根据商家GMV分为头腰尾部商家、商家垂类

  用户：

  用户可根据用户增长、漏斗转化分别构建相应的指标

  用户增长：

（1）A（获客）指标：点击率 （CTR）、访问量、获客成本、ROI
         维度：区分获客渠道
（2）A（激活）指标：注册转化率、跳出率、停留时间
（3）R （留存）指标：留存率，流失率，DAU/MAU、打开次数、在线时长、浏览商品量、搜索商品量
         维度：获客渠道、用户生命周期、新/老用户
（4）R（付费）指标：GMV，下单用户量、客单件、订单量、ARPPU（每付费用户平均带来的收益）、ARPU（每用户平均带来的收益）、复购率
         维度：用户付费能力分层，用户生命周期、商品品类
（5）R（传播）  指标：分享率、拉新人数、拉活人数、K因子【（每个用户向他的朋友们发出的邀请的数量）X(接收到邀请的人转化为新用户的转化率）】、推荐周期（新用户向其他人推荐所需的时间）

  漏斗转化：

       监控用户各消费环节的转化率：用户到站->浏览->下单各个环节的转化率。

  商品：

• 商品对应的指标有：商品曝光数（率）、商品点击数（率）、商品购买数（率）、优质商品数（率）、品牌数（率）、商品分享数（率）
• 维度：商品垂类

（15）根据pdd下单链路，说出其数据监控的关键环节

       拼多多的下单链路主要包括：用户访问APP、查看首页推荐/搜索、浏览商品、进入商品详情页、下单、支付，这也是数据监控的关键环节。

• 用户访问APP阶段：

       记录用户地理位置、访问量、活跃时段、设备类型及来源渠道（如自然流量、广告投放等），有助于分析用户入口分布及转化效率、识别优质渠道、优化推广策略、构建用户画像。

       监控疑似机器人访问或恶意刷单行为，防止流量欺诈影响数据真实性。

• 查看首页推荐/搜索阶段：

       追踪用户搜索的关键词、浏览时长、页面跳转路径，能够识别用户偏好，从而有助于建立用户画像、分析市场需求趋势、优化商品标题和关键词投放策略。

       监控商品在推荐位、搜索结果页的曝光量和点击量，有助于评估商品吸引力，调整排序算法和展示策略。

• 进入商品详情页阶段：

       监控用户在商品详情页中浏览的内容，有助于优化页面设计（如主图、详情描述、促销信息）。

• 下单阶段：

       分析用户从浏览到下单的转化率，有助于识别用户偏好，从而有助于建立用户画像、分析市场需求趋势、优化商品标题和关键词投放策略。

       识别恶意订单（如频繁取消、异常地址或批量下单），能够申诉系统拦截或标记可疑交易。

• 支付阶段：

      监控支付成功率，跟踪支付失败原因（如网络问题、银行卡限额），优化支付接口稳定性及用户引导流程。

（16）ROI怎么看 ？

roi含义投入产出比，投资回报率。不同业务对ROI的理解不太一样，区别就在于对ROI的定义口径：

ROI=（收入-成本）/成本：这个值和0比较，更关注回报

ROI=收入/成本：这个值和1比较，更追求流量/市场规模

（1）第一个公式业务目标：在扩大销量的同时，避免亏损

• 例如，一件产品售价30，总成本10（包含所有其他费用），退款率40%。

       ROI = [(30*销量 - 10*销量)*(1 - 40%) - 广告投放成本] / 广告投放成本，要大于0。也就是 (30*销量 - 10*销量)*(1 - 40%) 要大于广告投放成本，可以根据广告投放成本得到不亏损情况下的最低增加销量。

       当然还有一个公式，保本roi=商品售价/商品利润 或 1/商品利润率，这个公式可以确定ROI值。由此可知，一件商品的利润为（30-10）*（1-40%）=12，保本ROI=1/12/30 = 30/12=2.5

       保本ROI：可设定次月广告花费1000，若Roi定为2.5，则成交金额为2500，算出次月约83单，算出利润=（成交金额2500-总成本10*出单数83）*（1-40%）-消耗广告1000=0。所以，此产品Roi为2.5时，无亏损无利润，高于2.5则赚钱，低于2.5 则亏。

• 例如，计算某次优惠券促销活动的ROI

       可以先进行关于是否发放优惠券的AB实验、或者用时间序列预测方法获得优惠券发放提升的销售额（避免只看用券订单忽略自然购买用户的误区），收益端：仅计入实验组对比对照组的增量GMV，剔除自然购买干扰，乘毛利率得净收益；成本端： 券面核销金额+渠道推广成本+机会成本 (如广告位占用）。如果电商平台的业务目的是通过发券提升销量，同时控制成本避免亏损，应选择公式：ROI=(收益－成本)/成本

       假设数据：实验组GMV: 800万元 （发券用户），对照组GMV:600万元 （未发券用户），利润率：25%，优惠券成本：20元×8千张=16万元，推广成本：1万元+广告位成本5万元。
       计算步骤：1.增量GMV =800万- 600万= 200万，2. 增量利润 = 200万 × 25% = 50万，3.总成本 =16万 +1万 +5万= 22万，4.ROI=(50万-22万)/22万=127%

（17）指标提升不显著可能是什么原因

（18）AB实验，对照组和实验组比例和预期有偏差，这就是Sample Ratio Mismatch（样本比例不匹配/桶不平）问题，如何判断样本分配是否均匀？

       可以考虑通过分流随机性验证、历史数据AA测试、多维度特征检查、模型反推几种方式来进行检验

  一、确认分组的随机性 （先决条件检查）

       样本均匀性首先要确保分组的随机机制可靠。可以从三个层面验证：

• 1.分流规则：比如确认用户是通过哈希算法 (如对用户ID做加密哈希） 随机分配，而不是按注册时间、地域等有偏方式分组
• 2. 样本量验证： 假设计划5:5分流，10万用户中实验组占49,800人， 对照组50,200人，这在统计学上是可接受的波动范围 （可通过二项分布计算置信区间）
• 3. 重复分配排查：检查是否有用户同时出现在两组 (如APP端和网页端使用不同ID体系导致的泄漏）

  二、核心方法： 用历史数据做模拟实验(AA测试)

       这是最直接的验证方式，分三步操作：

• 1. 数据准备：在实验之前或者取实验开始前的数据， 用相同的分组规则将用户"假装"分成实验组和对照组
• 2. 指标对比：计算核心指标 (如点击率、付费率) 在两组的历史差异。例如：实验组历史日均转化率15.2%，对照组15.5%，差异0.3% （在历史波动范围内）
• 3. 统计检验：用检验差异是否显著

  三、多维度特征对比

       检查用户的特征分布：

• 1.基础画像：分类特征 (性别、城市等级)：用占比对比，如实验组女性占比52% Vs 对照组51%；连续特征 (年龄、历史消费)：用分布曲线对比，观察中位数和波动范围是否一致
• 2.行为特征：对比活跃度 (如过去7天登录天数)、关键行为（如购物车添加次数） 的分布，发现实验组用户平均登录4.2天 vs 对照组4.1天，属于合理波动
• 3.设备属性：检查手机型号、APP版本等分布，避免某类设备用户过度集中在某一组

四、通过模型反推

       当常规方法无法确定时，可以用逆向验证：

• 1.构建预测模型：用用户的所有特征 (年龄、性别、历史行为等） 训练模型，预测该用户属于实验组还是对照组
• 2. 分析结果：如果模型预测准确率接近50% (AUC=0.5)，说明特征与分组无关，随机性良好；如果准确率显著高于50% (如AUC=0.65)，说明分组存在系统性偏差。

（19）对拼多多、temu的了解

        我将从人货场三个方面阐述对拼多多的了解：

        人，也就是用户层面。拼多多采用农村包围城市策略，从下沉三四线城市，北京五六环外起家，逐步向一二线城市和北京二环内进攻。用分享砍一刀即可免费或者低价获得产品的方式，形成社交裂变，极大程度降低了获客成本。

        货，追求性价比，主打低价高质，模式采用C2M，绕开品牌，与工厂直接合作，避免了品牌溢价，节省成本开支。同时对商家设置更低的入驻门槛和佣金，进一步降低商品价格。

       场的层面，拼多多则是通过很多社交化、游戏化的玩法，来实现用户增长和留存，同时还首创了百亿补贴，帮助拼多多在消费者中建立了低价正品的心智，在提升品牌形象、拉动用户增长、提高用户粘性和吸引品牌入驻方面，都起到了很好的作用。此外在物流方面与很多小品牌快递公司合作，物流价格也更低。

       拼多多的创始人黄峥先生有一句让我印象深刻的话，消费升级不是让上海人去过巴黎人的生活，而是让安徽安庆的人有厨房纸用，有好水果吃。这句话非常触动我，我希望成为拼多多的一份子，为拼多多的发展做出贡献，让更多的人生活得更好。

       Temu是拼多多推出的跨境电商平台。Temu 的Slogan是“Team Up， Price Down”。Temu 目前采取类自营模式（或者全托管模式），Temu为商家提供了0佣金、0保证金的优惠政策，商家作为供应商只需备货到仓，并且备货到仓的物流费用都由平台承担一半，此外，物流公司、 快递公司负责配送，其他环节均由平台负责，关键业务包括商家入驻、选品、核价议价、商家送货、营销推广、订单生成、履约配送、售后服务等。

  关键知识点：

       定价规则：招募全品类商家，但卖家无定价权，由平台统一定价，然后以供货价与卖家结算。

       报价规则：卖家报价：卖家根据招募品类，提报合适商品及报备底价，Temu要求卖家的供货价至少要比1688的同款商品价格低，抽离经销商渠道利润，此外推出了价格赛马机制，如果同一款商品有多个卖家报价，平台只会选择最低的那个。

       物流：国内头程运输>国际干线>尾程运输，国内头程运输：商家寄送商品到TEMU的广州仓，国际干线：广州仓商品统一跨境直邮，尾程运输：境外国家运输，由当地合作方承运。

       盈利方式：收益：GMV，成本：履约物流成本、仓储成本、人力成本、营销费用（广告投放、平台补贴）、管理费用。
（20）为什么从事数据分析？

（50）why这个岗位（市场管培生）

（51）你觉得你之前的经历和市场管培这个岗位契合的有什么？

（52）这周Dau下降5%如何分析（异动分析）具体到如何拆解维度指标

    DAU异常三步骤：

    1. 明确数据是否异常，是否是周期性波动造成的，主要从以下几个方面来探究：

• 检查数据源头：数据波动是埋点错误、口径变更（如GMV是否含取消订单）还是系统延迟？
• 明确对比基准：这周环比上周、今年这周同比去年这周、去年这周环比去年上周
• 可以采用3Sigma法则来确定数据波动范围和标准，从而确定数据是否异常（但需假设数据为正态分布，如果不是正态分布则使用箱型图法）

    2. 排除外部干扰因素

• 宏观环境：zc调整、竞品活动、社会舆情影响
• 时间周期：工作日/周末差异、节假日（如春节物流停滞导致电商订单延迟）

    3. 了解数据变化的原因

       首先了解在这段时间内技术、产品和运营上发生的大事

• 技术侧：APP异常退出、页面加载时长变高
• 产品侧：功能优化迭代、
• 运营侧：新活动（折扣力度变小）、价格变动

       其次内部归因—多维度拆解核心指标

1. 用户群体细分

       Dau大致可拆分为新用户和老用户，其中新用户又可分为自然新增用户和运营新增用户，计算三类用户的贡献率【贡献率=（这周量-上周量）/（这周总量-上周总量）】

• 如果问题出现在自然新增用户，可检查站内活动变化
• 如果问题出现在运营新增用户，需检查拉新渠道，单一渠道异常需检查投放细节问题（投放人群、媒体侧算法），多渠道异常需检查整体策略问题（投放人群、投放素材、投放落地页）
• 如果问题出现在老用户，需检查消息触达问题（推送策略、推送内容）、渠道投放问题（投放渠道、投放人群）、设备问题、APP版本问题、站内活动问题。

       此外还可以分地域、性别、年龄查看差异。

     2. 功能/场景分析

       拆解DAU到具体功能模块 (如分类、首页推荐、视频、多多买菜等），判断哪部分场景活跃度下降。例如视频流量下滑可能与算法推荐调整或内容质量相关。

   注：箱线图法计算原理

1. 计算第一四分位数（Q1）及第三四分位数（Q3）
2. 计算IQR （IQR = Q3 - Q1）
3. 输出正常区间[Q1-1.5IQR，Q3+1.5IQR] 。数据落在 (Q1-1.5*IQR, Q3+1.5*IQR) 范围内，则认为是正常值，在此范围之外的即为异常值。局限：只能检测单维数据

（53）最小样本量怎么计算，要注意什么

（54）因果推断

（55）对拼多多的认识，为什么想来拼多多

       PDD作为新电商的开创者，以其独特的社交拼团模式和极致性价比的商品深受消费者喜爱。我欣赏PDD的企业文化和价值观，希望能在这样一个充满挑战和机遇的平台上，发挥自己的专业优势，为公司的发展贡献力量。（不完整）

（56）对拼多多市场管培生岗位定位的认识

（57）对拼多多平台中不设置购物车这个功能的看法（生活场景，和淘宝的对比，特定场景模式下对这个功能设计的理解）

• 人： - 拼多多的主要用户群体是来自五六线城市及乡镇的下沉市场消费者。这些用户对电商的操作流程相对不熟悉，理解能力较弱。 - 取消购物车简化了下单链路，能够更好地满足这些用户的需求，提升购物体验，同时降低用户决策时间成本，能够有效提高转化率。
• 货： - 拼多多主要的营销工具是单品优惠，不同于淘宝大促的跨店满减、满减满折，自然不强依赖于组合下单的购物车。 - 购物车的存在通常是为了让用户选择多种商品并合并下单，但在拼多多的拼团模式下，用户更倾向于快速选择单一商品并发起拼团，这与购物车的功能存在冲突。
• 场：此外，拼多多的收藏夹功能不仅仅是一个展示工具，它允许用户在收藏夹中进行购买结算，实际上融合了购物车和收藏的功能，其实也满足了用户的需求

（59）P值是什么？

       P值：在原假设成立时，观测到当前数据或更极端结果的概率。它可以衡量当前样本观测值和
原假设的偏离程度。如果P值越小，就说明样本观测值和原假设的偏离程度就越大，我们就越有理由拒绝原假设，P值越小，表明结果越显著，我们拒绝原假设的理由越充分。

（60）有三个盒子ABC，其中一个有小球已经选择了A的情况下，如果被告知B中没有球，则需不需要换C？为什么？（贝叶斯公式）

       在这种情况下，应选择换到C盒子，因为换后的成功概率为2/3，高于留在A的1/3。以下是详细分析：

• 初始概率：三个盒子ABC各有1/3的概率藏有球。选择A后，A有球的概率为1/3，B和C共同占2/3。

• 信息的影响：当被告知B为空时，这一信息并非随机产生，而是类似于蒙提霍尔问题中主持人知情排除空盒子的行为。若球在C（概率1/3），B必定为空；若球在A（概率1/3），主持人随机打开B或C中的空盒，此时打开B的概率为1/2。

• 条件概率计算：

  • P(打开B | 球在A) = 1/2

  • P(打开B | 球在C) = 1

  • 总概率P(打开B) = (1/2 × 1/3) + (1 × 1/3) = 1/2

  • P(球在A | 打开B) = (1/2 × 1/3) / (1/2) ) = 1/3

  • P(球在C | 打开B) = (1 × 1/3) / (1/2) ) = 2/3

• 结论：换到C的成功概率为2/3，显著高于留在A的1/3。因此，应当更换选择。

（64）什么是gmv？

       GMV是指商品交易总额，是一定时间段内的成交总额（可能包含拍下未支付订单金额和退货订单金额）

• ①用户视角：GMV =所有用户实际支付金额、拍下未支付金额和退货金额的总和
• ②商家视角：GMV=产品标价×成交件数（可能包含未支付件数和退货件数）
• ③平台视角：GMV = 流量 ×转化率× 客单价(比如某app今天有10w人访问，3%的人下单，平均每单500元，GMV=10w x3%×500=150w)

（65）优化营销策略如何拆解？比如营销活动ROI0.8，回本周期一个月，下次再做类似的营销活动要在哪些方面做出改变？业务上的操作？

• 优化营销渠道：评估现有营销渠道的效果和成本，并调整渠道选择和投入，提高营销活动的覆盖范围和传播效果。
• 优化营销内容：通过改进广告文案可以提高广告质量，好的广告可以让顾客停留驻足，从而以最少的花费获得更多的点击。
• 优化落地页：优化网站加载速度提高消费者的体验感。优化落地页内容，使内容结构更有条理性，从视觉上吸引消费者下单。
• 目标人群：构建目标人群的画像，借助用户画像在不同渠道中实现精准投放，较少资源浪费。此外，营销内容和落地页内容需贴近目标人群，以提高目标人群的点击率。

（66）互联网日常的指标有哪些？假如Case是GMV下降，怎么分析？

    用户数据

• 从哪来 渠道来源/转化率/渠道ROI
• 有多少 新增用户数/DAU/MAU
• 都是谁 性别/地域/年龄/职业
• 来几次 次日留存率/3日留存率
• 价值 ARPU/付费频次/复购率

    行为数据

• 次数 PV/UV
• 路径 注册率/点击率等转化率
• 质量 访问时长/跳出率

    收支数据

• 电商成交 GMV
• 用户价值 CAC/LTV
• 推广计价 CPM/CPC/CPA

  GMV异常三步骤：

    1. 明确数据是否异常，是否是周期性波动造成的，主要从以下几个方面来探究：

• 检查数据源头：数据波动是埋点错误、口径变更（如GMV是否含取消订单）还是系统延迟？
• 明确对比基准：对比历史同期、对比上一周期、对比行业大盘趋势
• 可以采用3Sigma法则来确定数据波动范围和标准，从而确定数据是否异常（但需假设数据为正态分布，如果不是正态分布则使用箱型图法）

    2. 排除外部干扰因素

• 宏观环境：zc调整、竞品活动、社会舆情影响
• 时间周期：工作日/周末差异、节假日（如春节物流停滞导致电商订单延迟）

    3. 了解数据变化的原因

       首先了解在这段时间内技术、产品和运营上发生的大事

• 技术侧：APP异常退出、支付失败率上升 (如某银行接口故障）、关键页面加载时长变长
• 产品侧：功能优化迭代
• 运营侧：平台新活动（折扣力度变小）、价格变动

       其次内部归因—多维度拆解核心指标，纵向拆解公式+横向分析

       核心公式：GMV = 流量 (UV) X 转化率 (CVR)× 客单价 (ARPU)。若GMV下降，需要明确是流量减少、转化率下跌，还是客单价降低，又或着是三者叠加导致。

       流量（UV）减少：分渠道、新老用户、性别、年龄、城市等级、消费等级、设备维度、新老版本检查流量变化，检查关键入口 (首页、 活动页、Push推送） 的曝光量、点击率是否下降。

       转化率维度 (CVR)：用户路径漏斗：从浏览→下单→支付的各环节转化率变化 (推荐算法准确性下降、下单链路故障、支付链路故障或优惠失效）。品类/商品分析：头部SKU转化率是否异常 （如某爆款商品因库存不足导致转化率骤降），利用贡献度指标定位异常行业、店铺

       客单价维度 (ARPU)：订单结构：平均订单价下降是否因低价商品销量占比提升、策略变化 (如满减门槛降低导致用户单减少）、用户分层：根据RFM模型判断不同类别的用户，在购买频次或金额方面是否有明显变化，如：高价值用户的购买频次或金额是否下降

（67）用户维度怎么拆解？用户画像怎么分？

       （1）新老用户 新用户、老用户

       （2）按用户来源细分，用户来源包括渠道类型、手机系统、价格等级

       （3）按用户价值细分

       （4）按用户属性细分，用户属性包括4类： 人口统计特征：如性别、年龄、职业、教育等。 行为特征：基本行为（注册时间、日均使用时长，活跃层级）；业务行为（关注店铺，评论商品等）。 分区域：城市，国家 。社会关系：婚姻、有无小孩、家有老人等。

       构建用户画像按照基础用户特征、订单行为、浏览行为进行具体划分：

       基础用户特征

• 性别，较易分析但通常难以得出有意义的优化结论
• 年龄，可以划分年龄段，通过年龄与其他特征交叉分析出主要用户画像，比如Z时代年轻人/消费能力较强的商务人士等
• 城市，主要可以划分为一二三线城市，看目前主要用户是在一线城市还是下沉市场。但城市本身信息较复杂，如何将ip城市/订单城市等信息结合，通过模型完成用户常驻城市的判断是在用户画像前需要先行解决的难题
• 使用设备信息，可以根据设备的价格区间判断用户消费水平

       订单行为

• 维度——订单量。针对订单时间角度，所有时间的下单情况可以帮助分析师在分析某一产品时，可以计算无下单用户比例，近一年时间的下单量可以进一步分析用户现在的活跃与流失情况；针对细分订单类型，可以分析用户偏好哪一种类的订单， 不同订单类型的下单频次。
• 维度——客单价。整体与细分订单类型
• 分析方法——交叉分析。订单量和客单价可以与基础用户特征，如年龄城市作交叉分析；订单量与客单价可以交叉分析
• 分析方法——对比分析。下单用户、浏览用户可以进行同比、环比、与大盘趋势相比
• 分析方法——RFM模型。使用RFM模型划分用户价值

       浏览行为

• 访问次数。按照访问的频率分为新用户、活跃用户、沉睡用户、流失用户
• 访问时长。由于访问数据较为复杂，访问时长可能并不只是下一个页面访问的starttime-本页面访问的starttime，比如如何处理用户进入退出又进入，或中途跳转又返回的情况。因此该分析维度也尚未实践。
• 访问深度。用户从哪里来、用户到哪里去数据可以将用户按照渠道进行划分（APP登入、渠道A跳转、渠道B跳转……）。可得出用户主要访问路径，可主要根据业务的转化路径进行用户的访问路径分析，该维度分析较简单，且更容易得出用户的关注点
• 点击情况。浏览该页面的用户的点击率，点击了哪些区域一一用户主要关注点
• 浏览用户留存。可以通过不同页面的留存率进行对比分析，常见分析维度
• 浏览用户业务情况，历史业务转化情况，根据业务逻辑决定
• 分析方法主要有分渠道，分页面等，依业务逻辑而定

       交互行为，包括关注店铺、评论商品、视频的收藏评论转发

（68）如果按照地区分类，美国分成三大块，支付率三个区域没有变化，但整体支付率涨了，有可能吗？什么原因？

       是有可能的，这是辛普森悖论问题，当数据被分组分析时，每个子组内的趋势与整体趋势相反的现象。这种悖论揭示了在分组数据中可能出现的误导性结论。

       如何避免辛普森悖论

       分层分析（考虑混杂变量）。 始终检查数据是否存在隐藏的分层变量（如用户类型、设备平台等），并对各子群体独立分析。

       因果推断方法：使用倾向得分匹配（PSM）或多变量回归，控制混杂因素的影响。

       数据可视化。通过数据可视化来辅助理解和避免辛普森悖论。例如，使用分组的柱状图或堆积柱状图来展示各子组的录取率及其在整体中的贡献。

（69）AB实验实验中什么是辛普森悖论。如何避免辛普森悖论

       辛普森悖论（Simpson's Paradox）是统计学中的一种现象，指在分组比较中呈现的趋势（如A组在每组的表现均优于B组），在数据合并后趋势发生逆转（整体上B组反而优于A组）。这种悖论通常由混杂变量（潜在变量）引起，导致聚合数据与分层数据的结论相反。

       如何避免辛普森悖论： ·

       1⃣️分层分析：始终检查数据是否存在隐藏的分层变量（如用户类型、设备平台等），并对各子群体独立分析。

       2⃣️因果推断方法：使用倾向得分匹配（PSM）或多变量回归，控制混杂因素的影响。

       3⃣️实验设计优化：在A/B测试中确保流量分配的均匀性，避免某一子群体占比过大扭曲整体结果。

（70）P-value小于0.05什么含义？

       P值是在原假设为真的前提下，出现当前样本结果或更极端结果的概率。简单来说，就是用来判断我们的实验结果是不是偶然发生的。

       P值＜0.05意味着什么？ 当P值小于0.05时，我们通常认为结果具有统计学显著性。这表明在原假设成立的情况下，观察到这样的结果是比较罕见的，有足够的证据拒绝原假设，即我们的实验处理很可能是对结果产生了影响。

（71）如果α设为0.05，P=0.048、0.049怎么建议？（提示：关注周期，过了多久？看中间指标，验证前期sample是不是平衡）

       虽然P值表明结果具有统计显著性，但是p值非常接近临界值，可能存在一定的偶然性。首先需要检查样本量大小，若样本量较小，p值接近阈值（如0.048）可能是偶然现象。

       其次需要检查两个组的样本是否具有可比性，如果样本不平衡，比如在关键变量上存在显著差异，即使p值显著，结果也可能不可靠。需要检查协变量的平衡性，确保两组在实验前是相似的。

       此外，需要考虑实验周期是否足够长，如果实验的时间跨度中存在周期性趋势或者季节性趋势，这些影响因素会导致p值刚好越过阈值。

       同时需要观察过程指标，以评估实验是否按预期进行，是否存在偏差。例如，在A/B测试中，除了最终指标外，中间指标如用户参与度、转化步骤的完成率等，可以帮助确认实验的有效性。

（72）有没有数据分析相关的实习经历？

（74）从微信团队的角度分析，为什么微信不开放5000人的好友人数上限。

       1. 维护“熟人社交”的核心定位。微信自创立以来便以“熟人社交”为核心，早期设置5000人好友上限正是基于普通用户的社交圈规模通常不会超过这一数量的判断。尽管用户需求逐渐扩展（如社群营销、商务需求），但微信团队仍希望避免平台过度泛化，沦为纯粹的“陌生人社交工具”。

       2. 优化朋友圈的用户体验。朋友圈是微信生态中高频使用的功能，但若完全开放权限，可能存在微商、营销号广告泛滥，信息过载等问题

       3. 面临数据存储与同步压力。好友数量激增可能导致用户数据的存储和同步效率下降，尤其是朋友圈内容的分发需考虑服务器负载。

       4. 保护用户隐私与信息安全。朋友圈包含用户的个人生活动态、地理位置等敏感信息。好友数量过多可能增加隐私泄露风险。

       5. 避免过度商业化。若完全开放好友上限，可能加速微信向营销工具转变，削弱其社交属性，影响长期用户黏性。

       6. 引导企业使用合规工具：微信团队更倾向于通过企业微信、公众号等官方工具满足商业需求，从而将个人微信的社交属性与商业行为区隔开，维持生态健康。

（75）预估上海需要多少个红绿灯，给出思路即可。

• 计算上海的道路总长度：市区面积×市区道路密度 + 郊区面积×郊区道路密度。
• 根据道路总长度和交叉口间隔，估算交叉口数量。
•  每个交叉口的红绿灯数量乘以交叉口数量，得到总红绿灯数量。十字路口需要四个方向的信号灯，丁字路口需要三个信号灯

（77）做过最具有挑战的一个项目

（80）拼多多出海业务供应链受到台风天气影响，无法运输包裹，站内需要有哪些措施？损失如何预估？后续如何追平这些损失？一>追问：要在广告投放策略上做那些调整？拉新活动的内容要如何调整？

       给商家进行免责，延长要求的发货时效；极速退款机制生效(例如：未发货-直接退，在干线上-召回，到当地了－？)；

       弥补用户体验：发钱(无门槛代金券，发红包现金)，一般按照封顶比例，temu由平台控制，可以更自由地做选则；

       站内流量调整：看台风影响哪个港口，对商家发货所在地进行监控，调整流量给能发货的货品，同时追踪24小时发货率，实时监控港口政策；平台同时给补贴，来弥补一些价差（还未回答拉新策略）

（81）如果发现有一天站内整体退款数量级上升很多，如何分析？ ？（主要回答了分行
业，品类，品牌的拆分）一>追问：面试官觉得我回答问题的思路偏b端，如果从c端体验的角度考虑问题，c端有哪些维度可以拆分？（回答了一些拆分消费者的维度）

    1. 明确数据是否异常

• 检查数据源头：数据收集错误，重复计算？混入之前的数据？
• 明确对比基准：同环比
• 可以采用3Sigma法则来确定数据波动范围和标准，从而确定数据是否异常（但需假设数据为正态分布，如果不是正态分布则使用箱型图法）

    2. 排除外部干扰因素

• 竞品活动（友商的大促活动）、社会舆情影响（关于平台，关于商家）、物流延迟、物流导致包裹损坏

    3. 了解数据变化的原因

       首先了解在这段时间内技术、产品和运营上发生的大事

• 产品侧：功能优化迭代（功能模块位置变换导致误触：原本确认收货的位置变成退款）

       其次内部归因—多维度拆解核心指标

1. 用户群体细分：按照新老客、地域、性别、年龄进行拆分。

     2. 产品细分：分行业，品类，品牌进行拆分

（82）拆分退款率时，每一个行业的退款率都没有变化，但是大盘整体的退款率上升了，你觉得有可能吗？ (辛普森悖论经典问题）

（83）平时网上冲浪，有什么注意到的app内部的好的改变吗？产品功能设计上的看法，带来的影响？ 第84题

（84）APP内部有什么改动，拼多多-多人团的作用

       拼多多原本的普通拼单只是一个噱头，例如需要两个人拼单，那么我发起了拼单，只要有
下一个人要买就拼成了，也不需要用户分享拼单；而新上线的多人团必须强制分享，只有由你的分享链接进来的用户买了，才能享受多人团的价格，实现真正的社交裂变。

（85）如何处理异常值

       异常值是指与整体数值偏差很大，或是超过某个范围的点。

       识别异常值的方法包括：

       3sigma法，将分布在均值加减三倍标准差范围外的点视作离群点，要求数据符合正态分布且数据量不能过少。

       Z- score法，即计算每一点的标准分数（与均值差了几个标准差），然后设立一个阈值，阈值外的视作离群点，当阈值设为3时，与3sigma法一致。

       boxplot箱线图法，以下四分位点- 1.5倍IQR值与上四分位点+1.5倍IQR值为界限，在其之外的视作异常点。可视化更容易查看数据，仅在数据少且异常点多时不适用（箱子会压扁） 

       而对异常值的处理方式包括：

       (1) 删除异常值：如果异常值很明显且对研究问题不重要，可以删除该数据点。

       (2) 标记异常值：可以使用一些符号或者颜色将异常值标记出来，以便于后续分析。

       (3) 插值：可以采用线性插值或多项式插值等方法，将异常值替换为相邻的数据点。

（86）广告投放关注的指标及原因

       流量漏斗和效果可以衡量渠道的量级和质量。渠道量级大、质量高 （重点投放）；渠道量级大、质量低（精细化运营）；渠道量级小、质量高（扩量）；渠道量级小、质量低 （放弃）

       此外，流量漏斗中的点击反应广告内容的吸引力，转化反应广告准确性

       效果相关指标可以反应平台的回本能力

       此外，还可以收集用户行为数据，例如时间段、地域、用户属性、客户端等，这些数据可以帮助平台构建用户画像，根据不同的人群制定不同的推广方案，以提升用户体验。

（87）如何分配1亿元营销预算

       先明确营销目标再逐步拆解场景（分线上和线下，线上分站内和站外）       

       1. 明确营销目标（预算占比20%-30%）。品牌目标：提升品牌知名度/美誉度（如触达1亿用户，品牌搜索量提升50%）；增长目标：用户拉新或销售转化（如新增500万注册用户，GMV提升30%）；运营目标：提升用户活跃/复购（如老客复购率提升15%）

       2. 线上和线下渠道按比例分配预算

       线上营销：

       站内营销

• Push推送，短信发送

       站外营销

• 社交媒体：APP开屏广告、朋友圈链接分享
• 短视频/直播：抖音/快手信息流
• 内容营销：B站UP主合作

      线下营销（传统广告）：

• 户外广告：核心商圈LED屏、地铁广告
• 电视/广播：央视/卫视黄金时段
• 梯媒：分众传媒楼宇广告

（88）测算早高峰南京东路地铁站人流量

       假设只计算一条地铁线路，拆一下早高峰人流量＝早高峰时间/地铁班次间隔时间×车厢数×每个车厢容量×换乘比例×2（双向）

（90）介绍一个掌握从0到1的技能的经历，以及难点和重点是哪些

（91）对拼多多整个商业化部门最重要的指标是什么？

       之前是GMV和用户规模，现在应该是广告收入。广告收入是拼多多最主要的收入来源之一，体现平台通过流量分配实现商业化的能力。2022年后，拼多多的广告货币化率（广告收入/GMV）显著提升，主要得益于流量优势及“全站推广”等产品的推出，该产品通过整合自然流量与付费流量，降低中小商家投放门槛，提升广告渗透率。

（93）【case题】国庆期间有多少外地游客来上海旅游？

       首先需要考虑上海的总接待游客数，然后区分本地和外地游客的比例，最后计算外地游客数量。

（94）案例题：（指标拆分）美团的竞对商家饿了么周中消费指标下降，大盘gmv和信息召回率下降，拆分指标并且找关键衡量招标

       思路：渠道一：短信—链接—跳转下单 渠道二：app内广告跳转

       1. 消费指标下降

• 用户活跃度：周中用户打开APP频次、停留时长、点击率下降可能与美团/京东的补贴策略有关（如美团“神券”、京东“百亿补贴”满15减14等）。
• 订单转化率：用户浏览后未下单的比率上升，可能与商品价格竞争力不足（如美团闪购商品价格低于京东自营）、配送费策略（京东0元配送）或品类丰富度相关。
• 客单价波动：若周中客单价下降，可能与补贴集中于低价商品（如奶茶、快餐）有关，而高客单品类（如正餐）需求被分流至美团或京东。

       2. 大盘GMV下降

• 订单量减少：美团闪购日均单量已超1100万（含小象超市），京东外卖日单峰值达500万，可能挤压饿了么的市场份额。
• 商家供给不足：中小商家因佣金压力（美团对优质商家佣金降至5%）或补贴参与度低，导致供给端疲软。
• 区域结构失衡：下沉市场订单增长乏力（美团县域订单同比增长54%），而饿了么可能未有效渗透低线城市。

       3. 信息召回率下降

• 搜索算法优化不足：用户搜索“应急”“冰饮”等高转化关键词时，美团通过数据建模优化商品展示（如“应急专区”“加冰包装”标签），饿了么可能未及时响应需求。
• 推荐精准度下降：美团通过“三级倾听体系”分析用户评价优化推荐，饿了么若缺乏类似机制，可能导致用户兴趣匹配度降低。

（95）某同事发现24h支付率下降，将渠道拆分发现抖音渠道支付率上升应该怎么和同事解释（辛普森悖论）

（96）拼多多目前在拓展海外业务，对于海外业务的了解与兴趣点?对于海外业务的看法及个人优势？想参与的海外业务区域？

       虽然目前Temu相比其他电商平台存在价格优势，但是也不能忽视众多关于商品质量的差评。之前有在网上了解Temu好像有一个销售策略是评分较低的商品会被下降，这样也有一定程度缓解这个问题，但是如果让商家报价时提交商品样本和质检报告，或者由平台这边的质检师评估商品质量，最终选择相同报价中质量最好的商品。

       目前Temu在北美的市场比较大，作为数据分析方向的市场管培生，我更愿意去北美市场，巨大的数据量更有利于开展数据分析工作。

（97）你提到了拼多多的“便宜好用”，业务有较强竞争力，其中体现的经济学理论或原理？

       1. 规模经济与成本领先战略

• 规模效应：拼多多通过拼团模式聚集大量订单，降低单件商品的物流和生产成本。例如，其日均订单量巨大，使得物流成本通过集中配送显著摊薄。
• 成本控制：平台直接连接工厂与消费者（C2M模式），减少中间商环节，降低加价率。例如，工厂直供模式使商品价格比传统渠道低30%-50%。
• 薄利多销：商家以极低利润换取高销量，通过规模化盈利。例如，一件T恤成本15元，售价20元包邮，依靠日销千单实现总利润增长。

       2. 消费者剩余与价格歧视

• 消费者剩余最大化：拼多多的低价策略让消费者以低于心理预期的价格购买商品，增加其剩余价值。例如，百亿补贴将高端商品（如iPhone）价格压至全网最低，吸引价格敏感用户。
• 三级价格歧视：通过拼团、砍价等活动区分不同支付意愿的消费者。例如，用户通过社交裂变获取更低价格，而愿意支付更高价格的用户可选择直接购买。

       3. 长尾理论与市场下沉

• 长尾需求挖掘：拼多多聚焦被传统电商忽视的下沉市场，满足低线城市消费者对低价、实用商品的需求。例如，39.9元的白牌蓝牙耳机、9.9元日用品等填补市场空白。
• 供需平权：平台通过算法推荐和流量普惠机制，让中小商家与头部品牌平等竞争，激活白牌和产业带商品的长尾价值。

（99）如何估算上海外卖员的数量？

       外卖员的数量=每天订单总数／每人每天可配送的订单数

• 每天订单总数=目标用户数/点单频度（目标用户数=上海市总人数*点外卖人数占比）
• 每人每天可配送的订单数=每天工作时间/完成一个订单需要的时间（完成一个订单需要的时间=商家距离/骑手速度+排队等待时间+目的地距离/骑手速度+用户等待时间）

（100）模型过拟合怎么处理

       模型过拟合主要可以从以下几个方面入手：获取更多数据，扩大数据量。降低模型复杂度。添加正则项。改为集成学习。

（101）请介绍一下SVM原理 里(简历中有相关模型关键字，会被深挖)

       SVM是一种二类分类模型。它的基本模型是在特征空间中寻找间隔最大化的分离超平面的线性分类器。（间隔最大是它有别于感知机）情况①：当训练样本线性可分时，通过硬间隔最大化，学习一个线性分类器，即线性可分支持向量机；情况②：当训练数据近似线性可分时，引入松弛
变量，通过软间隔最大化，学习一个线性分类器，即线性支持向量机；情况③：当训练数据线性不可分时，通过使用核技巧及软间隔最大化，学习非线性支持向量机

（102）SVM衍生问题：为什么采用间隔最大化？为什么SVM要引入核函数？

       采用间隔最大化：当训练数据线性可分时，存在无穷个分离超平面可以将两类数据正确分开。感知机利用误分类最小策略，求得分离超平面，不过此时的解有无穷多个。线性可分支持向量机利用间隔最大化求得最优分离超平面，这时，解是唯一的。另一方面，此时的分隔超平面所产生的分类结果是最鲁棒的，对未知实例的泛化能力最强。

       引入核函数：当样本在原始空间线性不可分时，可将样本从原始空间映射到一个更高维的特征空间，使得样本在这个特征空间内线性可分。

（103）你对电商指标有哪些了解？

       1. 用户增长与健康度核心指标：

• 新客获取：新增用户数、注册转化率、CAC（获客成本）。
• 用户活跃：DAU/WAU/MAU、日均访问时长、跳出率。
• 用户留存：次日/7日/30日留存率、流失率(ChurnRate)。
• 用户价值：ARPU（人均收入）、LTV（用户生命周期价值）、RFM分群。

       分析场景：

• 注册漏斗优化：广告点击→落地页访问→注册完成率。
• 沉默用户唤醒：30天未登录用户的召回策略效果。

       2. 交易与转化核心指标：

• 流量效率：UV价值(GMV/UV)、流量来源占比(自然/付费/社交)。
• 转化漏斗：详情页→收藏→下单→支付成功率。
• 订单指标：订单量、客单价、GMV、复购率、退货率。
• 促销效果：ROI、优惠券核销率、活动参与用户人均消费。

       分析场景：

• 收藏夹流失分析：收藏未支付订单的挽回策略。
• 价格敏感度测试：不同折扣力度对转化率的影响。

       3. 用户体验与运营效率核心指标：

• 服务体验：客服响应时长、工单解决率、NPS（净推荐值）。
• 物流效率：平均发货时长、配送准时率、妥投率。
• 平台质量：页面加载速度、搜索无结果率、APP崩溃率。

       分析场景：

• 搜索优化：搜索关键词TOP20的点击转化率。
• 售后分析：高频退货商品的问题归因（如尺码描述不清）。

       4. 财务与商业健康核心指标：

• 收入：GMV、净利润率、付费用户占比。
• 成本：CAC（用户获取成本）、运营成本。
• 效率：人效(GMV/运营人数)、广告投放ROAS（广告支出回报率）。

       分析场景：

• 毛利率分层：不同品类/促销活动的利润贡献对比。
• 补贴效率：优惠券投放的边际收益分析。

（104）如何提高平台商家数？

    1. 降低入驻门槛与优化扶持政策

• 简化流程：如抖音电商推出“一证多开”、降低佣金、保证金等政策，减少商家入驻的行政成本和时间成本。
• 冷启动支持：为新商家提供流量扶持、佣金减免或返现补贴。。
• 分层激励：根据商家等级动态分配资源，高等级商家获得更多流量和活动权益，形成良性竞争机制。

    2. 强化流量多样性及精准匹配

• 多维度流量入口：结合内容、搜索、社交、游戏等多场景引流。
• 精准流量分配：利用AI技术优化搜索推荐。
• 活动引流：设计红包活动、爆款跟卖等玩法，快速提升商家曝光。

    3. 提供全链路运营工具与数据支持

• 智能化工具：开发运营工具，帮助商家自动化处理订单、评价管理和风险控制，提升运营效率。
• 数据驱动决策：提供市场趋势分析（如竞品价格监控、用户行为画像）和运营建议。
• 物流与履约保障：引入第三方物流服务商降低配送成本，增强商家履约能力。

  4. 构建商家生态与私域运营体系

• 内容与商品融合：支持商家通过短视频、直播等内容形式触达用户。
• 跨平台协同：如微信生态内的小程序、视频号与电商平台联动，帮助商家实现公私域流量闭环。

  5. 优化平台规则与风险控制

• 透明化规则：明确流量分配逻辑，避免商家因规则不透明流失。
• 动态风控机制：通过技术手段识别异常操作（如拼夕夕商家使用的“风险熔断系统”），保护合规商家权益。
• 申诉与维权支持：提供区块链存证等工具，帮助商家应对恶意投诉或平台误判。

（105）To B和To C的区别

       To C的商业模式：To C即面向消费者，C端本质上是流量生意，C端用户一般不会为产品功能本身付费，更多是为自己而消费。因此，很多C端产品围绕大家的衣食住行展开搭建垂类的消费平台，公司则会通过有理由向每次“消费”索要服务费或者流量分发的费用，这些服务费不可能从C端用户身上获取，更多是从商家侧收取，因此就有了入驻费用、广告服务费、平台收取第三方佣金，平台侧为这些商家提供流量输入，使得商家侧为流量付费。

       To B的商业模式：To B 即面向企业。B端客户往往业务比较复杂，而且不同公司、不同行业个性化很强，B端客户要么自建产研团队解决这些问题，但这样子往往人力成本很高，为降低成本，B端客户通常会选择行业内B端的解决方案，一般会分为2类，要么是SAAS标准化的解决方案（钉钉、腾讯会议），要么是定制化的付费方案，这就会要求所购买的产品必须能够满足自己的全部需求，产品价格要跟产品价值（满足需求）相匹配。因此，B 端客户需要完整、成熟的业务解决方案。

（107）你对于电商或者是对于生意这一块有兴趣吗？

       我对电商的兴趣源于农户可以通过拼多多将滞销的水果卖出，这种'商业向善'的价值闭环正是我渴望参与的事业，同时也让我意识到电商不是简单的线上卖货，而是通过数字基建重构'人货场'的底层逻辑。特别是拼多多开创的C2M反向定制模式，把消费者需求直接传导到生产线，这种'需求即生产'的模式正在改写传统供应链规则。

（108）对某个app分析中如何筛选指标
       回答框架：筛选目的（增收）+短期情况(销售额+用户留存等)+长期情况(周活、月活、用户平均在线时间等)

• 首先确定筛选目的，例如增加平台的GMV
• GMV指标下降问题涉及的指标

（109）用户角度百亿补贴的链路情况分析
       回答框架：漏斗分析链路+各环节转化率情况

（110）未来的规划

       1. 扎根业务期（1-2年）
      "我计划在入职初期快速融入团队，通过参与渠道增长模型搭建、AB测试分析和用户行为洞察等具体工作，系统掌握拼多多市场增长的核心方法论。尤其希望在前辈指导下，培养数据驱动决策的思维习惯，比如从海量用户行为数据中提炼关键指标，优化渠道漏斗效率，逐步成为能独立负责细分增长模块的操盘手。"

       2. 能力深化期（3-5年）
      "中期希望成为能跨部门协同的增长专家，一方面深入理解供应链、产品侧的协同逻辑，主导复杂场景的AB实验设计（如社交裂变与货品策略的联动）；另一方面培养对市场趋势的敏感度，尝试将新兴流量玩法（如直播电商、AI互动营销）体系化落地，推动增长模型迭代创新，为业务带来可量化的增量。"

       3. 价值创造期（长期）
      "长期希望成长为具备战略视野的复合型人才。通过前期一线实战积累，未来能站在平台生态视角，参与制定市场增长策略，探索用户生命周期价值深挖的方法，同时希望能带教新人，将拼多多'敢拼敢闯'的团队文化传递下去，与公司共同应对行业变革的挑战。"

（111）个人优势和短板

    优势：

       1. 掌握岗位所需具体知识

       我自学过用户增长模型、用户画像、异动分析、AB实验、数据可视化、SQL数据库语言等相关知识，与市场管培生数据分析方向岗位比较契合

       2. 擅长在高压环境下保持执行力
       曾同时推进4个课程项目，通过优先级管理（如用甘特图拆分任务节点）、每日复盘调整节奏，最终所有任务均提前交付。我认为在拼多多这样高速迭代的环境中，快速试错、灵活调整比追求完美更重要。

    短板：

       我的短板是对电商行业的实战经验不足。虽然通过自学了与岗位契合的相关知识，也模拟搭建过数据看板、自动化报表，并在牛客网上编写SQL语句，但缺乏真实业务场景验证。因此如果有幸加入，我会在工作中将之前所学的知识融会贯通。

二、顺丰

1.  岗位要求解读

  核心能力维度

（1）目标管理与业务驱动

• 项目管理方法论（OKR/KPI设定与拆解）
• 业务ROI评估与优先级判断
• 端到端项目落地执行能力（需求沟通-方案设计-效果验证）

（2）数据分析硬技能

• 统计学基础（相关性分析/回归分析/显著性检验）
• 数据建模能力（归因分析/根因分析/预测模型）
• 指标体系搭建（OSM/AARRR/UJM等模型应用）
• SQL/Python/R等数据处理工具（重点掌握窗口函数、数据清洗）

（3）物流业务理解

• 快递行业核心指标（妥投率/时效达成率/成本单票）
• 物流网络运作机制（干支线/中转场/末端配送）
• 供应链管理知识（库存周转/路由规划/运力调度）

  方法论体系

（1）问题诊断框架

• 5Why分析法定位根因
• 杜邦分析拆解业务指标
• 漏斗分析定位环节流失

（2）策略设计方法

• A/B测试设计（样本量计算/实验分组）
• 敏感性分析预判方案效果
• PDCA循环持续优化

（3）闭环管理

• SOP标准化文档编写
• 数据监控看板搭建
• 异常预警机制设计

2. 面试问题

（1）汇报经营指标，你会选哪些维度？（参考：物流时效、成本损耗率、用户复购率）

（2）顺丰的哪些业务场景适合用聚类分析？（如用户分群定价、路由优化）

       ❗️技巧：提前研究顺丰年报，用“数据驱动决策”的框架答题，例如结合运单量预测谈时间序列模型的应用

（3） “为什么选择深圳/顺丰？”（建议结合智慧物流赛道前景回答）

（4） “你遇到过最大的挫折？”（用STAR法则+复盘成长点）

（5）反问环节

       可问“新人培养体系”或“部门技术迭代方向”

（6）常见的分布以及应用场景

（7）星巴克用户订单 如何进行分层 给了聚类思路

（8）特征筛选 相关性方法 非线性相关

（9）数据仓库的分层 雪花模型

（10）HR会问对物流的理解，对顺丰的理解（我觉得这是个开放性答案大家可以在评论区自主发
言）

（11）京东或者德邦和顺丰的区位优势和劣势

       顺丰优势：安全，高效，运输方式多样化，送货上门，服务态度好，个性化包装，保价高等等
(不要长篇大论，言简意的人更果敢)顺丰劣势自己清楚就好，咱毕竟去人公司面试要会来事

       京东：自营物流，自营旗舰店，流水线自动化技术前卫，劣势：量体不如**，覆盖面和强度，自营物流的局限性

（12）甲方物流的产业链：例如格力，或者啥，重点一句话降本增效，优化配送，安全保障性能（通用的不要不要的）

（13）简单讲一个你觉得最有代表性的项目

（14）如果需要设定一套指标体系来监控顺丰业务的经营进展，你会怎么设计（偏商业分析、经营分析方向）

（15）异动分析：如果XXX业务的GMV相比上周下滑了20%，你会怎么分析和解决（超高频）

（16）你怎么理解商分和数据运营与分析副工程师岗位（工作内容，价值）

（17）为什么想做商业分析和数据运营与分析

（18）对顺丰的了解、涉及到哪些供应链的知识？

       顺丰是一家不断向数字化转型、创新自身业务模式的综合物流公司
       业务分布：快运业务、同城即时配送、冷链冷运及医药业务、供应链及国际业务（鄂州航空
枢纽开拓东南亚市场）
       目前重点及战略布局转型 （加下面）

（19）对物流行业的现状及发展趋势的认识？顺丰做了哪些改变？

       1、数字化转型-应用物联网、大数据分析技术 自主研发“丰知”物流决策大模型，该模型运用大模型技术于物流供应链的智能化分析、销量预测、运输路线优化和包装优化等决策领域。

       2、绿色发展-ESG发展理念：精准碳计算和高效减碳，持续降低碳排放。

       3、供应链协同—产供销一体化，供应链更加透明

       4、“无人机+低空货运”也是顺丰在新质生产力领域的重要布局之一

       5、出海：目前电商及各大物流平台都在布局海外 接下来划重点顺丰在做的转型【传统的“卖产品”模式转型为“卖方案”的策略已初见成效】 可以由此引出对行业解决方案岗位的看法——比如我举了顺丰和华为合作解决toB具体行业问题的例子，表明这样的行业模式是很有发展潜力的

（20）对比不同物流平台，顺丰的优势和劣势在哪里？

       对比京东： 1、模式：京东B2C，以仓储供应链服务为主；顺丰C2C，揽件-分拨-配送的模式                            2、平台性质不同：京东是电商平台，京东物流是其优势；顺丰是物流行业起家；用户…..

       优势： 1、快递运输：时效性（同城速运服务）、更加安全高效 ，尤其是在紧急或高价值物品的配送上，具有“即时配送”的优势。

                  2、空运网络：顺丰自有的航班和航空货运网络在运输速度和运力上具有优势，尤其是在一些需要快速空运的跨境物流业务上。

                 3、高端客户群体：顺丰提供的优质服务使其成为高端客户的首选，尤其是对于需要定制化物流服务的客户。

       劣势： 1、成本较高 2、仓储资源相对较弱

三、龙湖

1. 面试问题

（1）个人优势和短板

（2）地产行业研究逻辑是什么？

       从行业维度（供需、细分长中短期）和公司维度（销售土储拿地融资）来解释。

（3）对比绿城和龙湖的FY23年报业绩

（4）龙湖的业绩亮点

       我这里主要提了商业板块的业绩，经营性物业贷这两点。

（5）冠寓对比其他房企的差异化竞争优势

       没怎么了解过其他房企的，主要说冠寓的优势

（6）实习中遇到的困难，怎么解决

（7）团队合作中展现领导力、沟通能力的例子

       我们有很多课程都需要组建小组完成小组作业，在组建小组时经常面临人数不够的情况，我会积极向周边同学询问是否愿意加入我们组，在博弈论课程中我们的小组作业包括上台讲述关于某一模型的相关知识点以及该模型在研究中的具体应用。在刚组建完小组后，大家在群里不太好意思讲话，我就先抛砖引玉，在群里讲了小组作业的内容和要求，问大家有没有什么看法，大家开始说了自己的想法，例如小组作业应分两组、博弈论相关模型有哪些、可以问问师兄师姐汇报的内容结构等，最终确定我和几名同学负责古诺模型基本知识点汇报，另外几名同学负责模型在研究工作中的具体应用。

       讨论结束后，我学习了古诺模型的基本知识，然后和其他几名同学讨论汇报的内容结构，最终决定我来上台汇报，另外两名同学制作PPT。在这个过程中，我也有和负责另外一部分内容的同学同步进度并分享汇报的内容，争取让汇报的两部分内容衔接流畅。我非常珍惜上台演讲的机会，在汇报前进行多次演练，在上场汇报时克服紧张的情绪，把握汇报的节奏，最终完成了一次高质量的汇报。

（8）过去1年中有什么目标，怎么达成的

（9）为什么选择龙湖冠寓

       龙湖冠寓龙湖冠寓坚守“为城市青年创造温暖明亮的节点”初心使命，聚焦Z世代年轻人，倡导去孤岛化租住生态。社会责任感：龙湖冠寓落地保租房项目，助力新市民、青年人安居；推出从租金价格、租期灵活性、实习机会等多方面优惠便利的“住梦计划”。（龙湖冠寓的品牌知名度、工作内容的了解程度，个人的匹配度（营销和运营）500强企业集中型重资产长租公寓，能提供很好地社群服务，优质的链接，用户粘性大。）

       1租赁租房赛道具有发展前景。在国家去住宅地产金融杠杆、土地财政式微的背景下，国家
指出要坚持租购并举，加快发展长租房市场，并出台了一系列利好政策，长租房市场处于发
展阶段，具有广阔的市场前景。
       2.冠寓有成为龙头的实力。具体可从以下两点解读。首先，冠寓是龙湖集团布局第三赛道的
成果，延续了龙湖稳健的作风，在近几年长租公寓市场频繁暴雷的背景下，龙湖冠寓始终坚
持长期主义，以不到6年时间实现盈利，这也是房企系长租公寓第一也是唯一实现盈利的
企业。其次，冠寓根据客户画像针对性地推出“豆豆、松果、核桃”差异化产品线，倡导“去
孤岛化”的租住生态，很好地满足市场不同人群多样化租住需求，产品具有区分度和增值价
值。

（10）说一下自己的个人优势和之后提升的地方（优缺点问题）

（11）分享一下过往学习某个新的技能受到困难并解决的经历

（13）带领团队时分享挑战性的事情、有压力的事情怎么释放

（14）做一位负责人，最重要的是什么？ 

       我认为负责人最重要的能力是‘将模糊的战略目标拆解为可执行的数据化决策’。比如在拼多多的市场增长中，如果目标是‘用户增长5%’，我会通过四步落地：
    ① 归因分析：用漏斗模型定位流失环节（如支付环节流失率占比60%）；
    ② 颗粒度拆解：将总目标分解到各渠道（搜索广告降10%、社交裂变降20%）；
    ③ 资源卡位：向ROI高的渠道倾斜预算，同步设计AB实验测试新玩法（如短视频素材 vs 图文素材）；
    ④ 动态校准：设置日环比、周累计达成率等监控指标，避免目标偏移。

（15）如果加入冠寓后，有什么小目标？

（16）你与他人的相处中，印象中与他人的矛盾冲突最深的是哪一次，如何处理

       我目前还没有跟别人发生过较大的冲突，在小组合作中会有意见不一致的情况，但是我会积极听取他人的想法，也会说出我的想法，然后大家一起讨论该怎么做比较合适，我也很希望听到不一样的意见，锻炼我的思考方式，没必要固执己见，大家都是向同一个目标迈进。

（17）什么样的工作/行业是你能够接受的？

（18）描述一个压力最大的一件事

（19）周边人对你的评价是？三个词形容

       随和、友善、负责

（20）怎么了解到的冠寓，为什么选择做冠寓经营分析

       从长租公寓行业市场前景回答，包括市场需求，政策支持。个人对冠寓经营分析岗位的了解，职业规划。个人实现，兴趣与行业和岗位的一致性

（21）说一下实习面对的挑战和比较大的收获

       我在一家会计事务所当过行政实习生，当时事务所需要对申请过创新补助的企业进行审查并收集相关材料，我来负责制定审查行程并通知受审企业，在审查过程中需要收集相关材料，而我遇到的问题就是在收集材料过程中会遇到一些会计相关的问题，而我之前从未了解过，因此我一边在网上查询相关信息，一边向前辈进行请教，最终顺利结束审查行程。我在实习阶段最大的收获就是积极与他人沟通，以及干中学的能力。

（22）校园或实习中最有成就感的经历

（23）比较难沟通的人或事情

       有一次博弈论小组作业要求汇报某一模型的相关知识点，一名队友多次缺席讨论并且负责的撰写内容质量较差，我私下与他沟通，发现他并非不愿参与，而是课程压力较大且对模型的相关知识点不太了解。所以我重新分配任务，请他负责PPT可视化，减少内容撰写压力，我和另外一名同学负责内容部分。

       我在这件事当中学到，沟通时/面对团队中不配合时需学会换位思考，而非单纯强调责任。

（24）遇到的压力最大的情况

（23）有没有学生干部的经历，承担领导的角色

（24）团队中不配合，你是如何做的

（24）与同龄人相比最大的优势是什么，可以举个例子

       我经历过最艰巨的压力挑战是在研究生阶段创新性课题攻关。当时导师要求从网络逾渗视角开展知识管理研究并具备较大的创新点，这个方向在国内可参考论文极少，为想出创新点，我至少每天了解50篇文献的研究内容。确定研究设计后，我积极向老师汇报，但是一直被否决，连续5次被否决后，我甚至开始怀疑自己的研究能力。但是我没有气馁，将压力化为动力，一直根据老师的否定内容调整研究设计。在老师提出研究设计中需要增加技术融合的内容后，我又大量阅读技术融合方向的文献，从0开始学习相关内容，将技术融合与网络逾渗相结合完成研究设计，在老师的否定中改进研究设计，最终确定的研究设计，在工作量和创新程度上收到了老师和评审专家的认可。

       这段经历让我学会了如何将压力转化为学习探索的动力，如何将否定评价转化为改进方向，也给予了我在之后的工作中直面困难的勇气。

建议阅读材料： 1.长租行业天花板，龙湖冠寓做对了什么？｜乐居买房 2.打破租期边界，长租公寓能否迎来盈利第二春？｜不如租房研究所 3.租赁深度报告：长租行业洞见与乐乎逻辑｜中指研究院 4.长租公寓“大败局” | 钛媒体深度 5.从漂泊到安居：一位东北「沪漂」的无措、彷徨与笃定｜36氪

四、联想

1. 岗位解读

       “进行商业产品投放、价格、定向等相关策略的研究与设计。”这里提到的是策略的研究与设计，可能需要市场分析、定价策略、广告投放的知识，比如熟悉各种广告平台，如Google Ads或Facebook Ads Manager。

       “通过挖掘、分析搜索推广客户的行为数据，研究客户需求，提出有针对性的产品策略，提升产品收益。”客户需求分析可能涉及市场调研和用户画像构建。

       “完成产品或策略的实验方案设计及效果评估工作。”这涉及到A/B测试，实验设计，统计学知识，以及效果评估指标，如转化率、ROI等。需要了解如何设计对照组和实验组，确保结果的有效性。

       “进行竞争对手及市场的策略调研与分析。”这需要竞争分析能力，使用SWOT分析，市场趋势预测，以及行业报告解读。可能需要熟悉市场分析工具如SEMrush、SimilarWeb等。

2. 面试问题

（1）你觉得你性格/工作中的缺点是什么？该怎么解决？

       我认为自己有时会盲目的频繁检查。例如在完成论文的过程中，需要处理数据并编写公式计算指标，我反复检查处理数据过程中是否出现错误、编写的公式是否正确，在开展其他工作时也想着返回来检查。在编写关于机器学习的代码时也是如此，虽然反复检查会保证准确性，但是导致我的进展很缓慢。后来我规定自己在每个阶段结束时，确定该阶段容易出现错误的地方，集中注意力对这些地方检查两遍后开展下一阶段的任务，不要过度检查。

       我的性格偏内向，不太好意思主动和别人说话，这在日常工作和团队协作中是非常不好的习惯，因此我在学习和生活中会有意识地克服这个缺点，例如在小组活动中我会主动引出话题开展讨论，争取上台演讲的机会，虽然难免会紧张，极大地锻炼了我主动沟通的勇气。

       作为新人，我的行业经验还不够丰富，面对复杂问题时需要更多时间梳理逻辑。因此我会提前研究类似案例，向同事请教通用方法论，并利用下班时间总结工作内容与工作方法，快速掌握独立完成工作的能力。

五、TCL

1. 岗位解读

       工作职责 1.负责公司经营中各项数据跟踪及分析，输出分析结论提供业务改善；包含线上线下销售渠道、店铺、服务、用户、产品等模块； 2.参与公司经营中数据模型的建立； 3.参与对接数字化中心的数据库，数据工具建立和应用工作。 

能力要求：

    数据分析方法论

• 掌握描述性分析（趋势分析、对比分析、归因分析等）和诊断性分析（根因分析、漏斗分析）
• 熟悉数据建模逻辑（如预测模型、用户分层模型、产品生命周期模型）
• 了解统计学基础（假设检验、回归分析、数据分布规律）

    数据建模能力

• 能根据业务场景构建数据指标体系（如GMV拆解、用户留存模型）
• 熟悉机器学习基础算法（如聚类、分类、时间序列预测）的落地应用
• 理解数据清洗、特征工程、模型验证的完整流程

    数据库与数据工程基础

• 掌握SQL语言（数据查询、聚合、多表关联）
• 了解数据仓库（ETL流程、维度建模、星型/雪花模型）
• 熟悉数据治理逻辑（数据质量监控、元数据管理）

    行业知识

• 熟悉零售/电商行业核心指标（如转化率、复购率、客单价、坪效）
• 了解线上线下渠道运营逻辑（O2O协同、门店数字化、用户全链路分析）
• 具备产品生命周期管理（PLM）和服务运营的敏感度

    商业洞察力

• 能将数据分析结果转化为业务建议（如通过用户画像优化产品SKU）
• 擅长从数据中识别业务痛点（如渠道ROI下降、用户流失预警）

2. 面试问题

（1）如何根据数据监控去调整优化运营策略or方案。

• 1. 目标受众分析：了解你的目标客户是谁，他们的兴趣、需求和行为习惯等。这可以通过市场调研、用户调查和数据分析工具来实现。
• 2. 流量来源分析：分析你的网站或应用的流量来源，确定哪些渠道带来了最多的流量和转化率。这有助于你集中精力在最有效的推广渠道上。
• 3. 转化率分析：关注用户在购买流程中的各个阶段的转化率，找出可能存在的瓶颈和问题，并进行优化。
• 4. 用户行为分析：通过分析用户在网站或应用中的行为，了解他们对产品的使用情况和反馈，从而发现改进的空间。
• 5. A/B 测试：对不同的推广策略、页面设计或产品功能进行 A/B 测试，比较不同方案的效果，选择最优的方案。
• 6. 竞争对手分析：观察竞争对手的推广策略和效果，了解行业趋势和最佳实践，从中吸取经验。
• 7. 定期评估和调整：定期回顾和分析数据，根据实际效果对推广策略进行调整和优化

（2）有提到用户分析，通过哪些维度去划分用户，具体输出建议和运营策略是什么？（追问：不同产品有什么针对性的策略）

       用户可以按照基础用户特征、订单行为、浏览行为进行具体划分：

       基础用户特征

• 性别，较易分析但通常难以得出有意义的优化结论
• 年龄，可以划分年龄段，通过年龄与其他特征交叉分析出主要用户画像，比如Z时代年轻人/消费能力较强的商务人士等
• 城市，主要可以划分为一二三线城市，看目前主要用户是在一线城市还是下沉市场。但城市本身信息较复杂，如何将ip城市/订单城市等信息结合，通过模型完成用户常驻城市的判断是在用户画像前需要先行解决的难题
• 使用设备信息，可以根据设备的价格区间判断用户消费水平

       订单行为

• 维度——订单量。针对订单时间角度，所有时间的下单情况可以帮助分析师在分析某一产品时，可以计算无下单用户比例，近一年时间的下单量可以进一步分析用户现在的活跃与流失情况；针对细分订单类型，可以分析用户偏好哪一种类的订单， 不同订单类型的下单频次。
• 维度——客单价。整体与细分订单类型
• 分析方法——交叉分析。订单量和客单价可以与基础用户特征，如年龄城市作交叉分析；订单量与客单价可以交叉分析
• 分析方法——对比分析。下单用户、浏览用户可以进行同比、环比、与大盘趋势相比
• 分析方法——RFM模型。使用RFM模型划分用户价值（分层发放优惠券）

       浏览行为

• 搜索关键词（挖掘用户兴趣爱好、需求）
• 浏览商品（挖掘用户兴趣爱好、需求）
• 访问次数。按照访问的频率分为新用户、活跃用户、沉睡用户、流失用户
• 访问时长。由于访问数据较为复杂，访问时长可能并不只是下一个页面访问的starttime-本页面访问的starttime，比如如何处理用户进入退出又进入，或中途跳转又返回的情况。因此该分析维度也尚未实践。
• 访问深度。用户从哪里来、用户到哪里去数据可以将用户按照渠道进行划分（APP登入、渠道A跳转、渠道B跳转……）。可得出用户主要访问路径，可主要根据业务的转化路径进行用户的访问路径分析，该维度分析较简单，且更容易得出用户的关注点
• 点击情况。浏览该页面的用户的点击率，点击了哪些区域一一用户主要关注点
• 浏览用户留存。可以通过不同页面的留存率进行对比分析，常见分析维度
• 浏览用户业务情况，历史业务转化情况，根据业务逻辑决定
• 分析方法主要有分渠道，分页面等，依业务逻辑而定

       具体输出建议和运营策略包括：

• 1. 精准定位与个性化营销 - 定制化内容：基于用户画像中的兴趣、需求和行为模式，制作定制化的营销内容。例如，如果用户画像显示目标用户热衷于户外运动，那么可以创建与户外装备相关的广告和内容。 - 个性化推荐：利用用户画像中的购买历史、浏览行为和偏好，提供个性化的产品推荐和促销信息。
• 2. 优化产品设计 - 功能改进：根据用户画像中提到的痛点和需求，调整产品特性，增加用户需要的功能，减少不必要的部分。 - 用户体验优化：考虑用户画像中描述的目标用户的使用场景和习惯，优化UI/UX设计，提高易用性和满意度。
• 3. 渠道选择与投放策略 - 选择合适的营销渠道：根据用户画像中的媒体消费习惯（如社交媒体偏好、电子邮件阅读频率），选择最有效的渠道进行营销信息的传播。 - 时机与频率：利用用户画像中的活跃时间和频率信息，确定最佳的营销信息推送时机和频率，避免打扰用户，同时保持足够的曝光率。
• 4. 定价策略 - 价值感知：基于用户画像中的收入水平、购买动机和对价格敏感度的理解，制定合适的价格策略，确保产品定价既能反映其价值，又符合目标市场的支付意愿。
• 5. 客户关系管理（CRM） - 建立客户忠诚度计划：利用用户画像来识别高价值客户，并设计专门的忠诚度奖励计划，以增强客户黏性。 - 客户服务优化：根据用户画像中的沟通偏好，提供多渠道的客户服务支持，包括实时聊天、电话、社交媒体等。
• 6. A/B 测试与迭代 - 测试营销信息和产品特性：基于用户画像的不同分组，进行A/B测试，比较不同营销策略的效果，从而不断优化和迭代营销方案和产品功能。
• 7. 市场细分与扩展 - 识别新市场机会：用户画像不仅有助于理解现有客户，还能揭示潜在的新客户群，为市场扩张提供依据。 通过将用户画像深度整合到市场营销方案中，能够更好地理解目标客户，制定出更贴近用户需求的策略，从而提升市场响应率、客户满意度和品牌忠诚度。

（3）讲述“调整商品结构和策略”

       一、分析现有商品结构

• 1. 销售数据分析：• 查看各类商品的销售额、销售量、毛利等指标，找出畅销品和滞销品。 • 分析商品的销售趋势，了解哪些商品处于增长阶段，哪些在下降。
• 2. 顾客需求分析：• 通过市场调研、顾客反馈等方式，了解顾客的需求和偏好。 • 分析不同顾客群体的购买行为，以便针对性地调整商品结构。

    二、调整商品组合

• 1. 淘汰滞销品 • 对于长期滞销、占用库存和资金的商品，应及时淘汰。 • 可以通过促销、降价等方式清理库存。
• 2. 增加畅销品和新品 • 根据销售数据和顾客需求，增加畅销品的库存和陈列面积。 • 积极引进新品，满足顾客的新鲜感和多样化需求。
• 3. 优化品类结构 • 确保各个品类的商品比例合理，避免品类过于单一或繁杂。 • 重点发展优势品类，提高其市场竞争力。

       三、提高商品质量和性价比

• 1. 选择优质供应商 • 与可靠的供应商合作，确保商品的质量稳定。 • 对供应商进行评估和管理，及时解决质量问题。
• 2. 优化采购成本 • 通过批量采购、与供应商谈判等方式降低采购成本。 • 在保证质量的前提下，提高商品的性价比。

       四、加强库存管理

• 1. 合理控制库存水平 • 根据销售预测和商品周转情况，确定合理的库存数量。 • 避免库存积压或缺货现象。
• 2. 优化库存布局 • 对不同品类的商品进行分类存储，提高仓库利用率。 • 采用先进先出等库存管理方法，确保商品的新鲜度。

       五、持续监测和调整

• 1. 定期评估商品结构 • 每隔一段时间对商品结构进行评估和分析，及时发现问题并调整。 • 关注市场动态和竞争对手的商品策略，不断优化自己的商品结构。
• 2. 建立反馈机制 • 收集顾客和员工的反馈意见，了解他们对商品结构的看法和建议。 • 根据反馈及时调整商品组合，提高顾客满意度

（4）对于用户运营的理解？

       用户运营的本质是提高用户的ARPU值，以及延长用户的生命周期从而提升他们的LTV，最终实现增长企业营收这一目标。用户运营要达成的指标有很多，包括拉新、激活、留存、转化、传播，而这些都是通过对用户的激励手段来达成的，因此做好用户运营在于做好对用户的激励，而做好用户激励的难点在于精准找到用户需求点然后给予精准的激励手段。

       这就需要对接企业数据库获取数据进行分析，从中挖掘用户需求，制定和优化用户运营策略

（5）从事过用户运营和电商运营，未来的职业规划是什么？

（6）说出自己的三个缺点

（7）举出工作和别人有矛盾的例子，以及怎么处理的？

（8）数据指标有哪些？如何定义？（PDD）

       数据指标包括但不限于以下几类：访问量、访问时长、跳出率、页面停留时间、转化率、ROI等。这些指标可以用来衡量网站或者产品的用户行为、业绩表现、广告投放效果等。

（9）对于流量分析，你有哪些统计手段？

       流量分析的统计手段包括但不限于以下几种：PV、UV、IP、转化率、跳失率、页面停留时间、访问路径、来源渠道等。这些指标可以用来分析网站流量来源、流量转化、用户行为等，以优化网站的用户体验和提升转化率。

（10）如何分析渠道效果？PDD
       分析渠道效果可以通过以下几个步骤：首先需要分析不同渠道带来的访问量、转化率、ROI等指标，然后根据数据调整投放策略，比如加大投放力度、调整广告内容、优化目标页面等，最后再通过数据监测效果，及时调整优化策略。

（12）你觉得运营团队最重要的指标是什么？为什么？

       运营团队最重要的指标是用户转化率。因为用户转化率可以直接反映出产品或者运营策略的效果，进而影响到网站或者产品的业绩表现和用户体验。当然，不同的运营目标和策略也会有不同的重点指标。

（11）如何衡量用户价值？

       可以构建RFM模型衡量用户价值，也可以使用CLV模型

       CLV模型（CustomerLifetimeValue，客户生命周期价值）是衡量一个客户在其整个生命周期内为企业带来的总利润的核心指标。它帮助企业在获客、留存、变现等环节做出数据驱动的决策，优化资源分配，提升长期盈利能力。

       还可以使用LTV模型，LTV(Life Time Value)：指用户生命周期总价值，是产品从用户首交到流失所得到的全部收益的总和，也是一个用户从注册APP到卸载，整个生命周期带来的全部利润。

       LTV = 用户平均生命周期(LT) × 购买频率 × 客单价

（13）如何提高用户留存率？

       提高用户留存率的方法包括：优化用户体验、提供个性化服务、设立奖励机制、定期推送优惠活动等。

• 多渠道触达用户：触达用户是一种非常好的提高用户留存的方式，最常见的触达方式有push触达，短信触达，微信公众号触达，建议做个性化智能触达，即结合用画像进行触达，例如可以结合用户在平台上的搜索行为、浏览行为、定位信息、价格偏好、购买习惯、购物车商品类型和调价信息等，实时推送用户感兴趣的商品，提升成单转化。 
• 搭建激励体系，留存用户：良好的激励体系可以让用户对品牌产生粘性，对提升留存非常有效。通常使用的激励方式有： 成长值会员体系、签到体系、积分任务体系、优惠券体系
• 数据反推，找到magic值：任何类型的产品都有适合他的magic值，比如知乎评论超过3次，用户就会留存下来。比如Facebook，如果加了10个好友及以上，或者twitter上关注30个人及以上，就能够把用户成功转为付费用户。 那么这些数字就是magic值，为了提升留存，可以通过一定的数据分析，找到活跃用户和非活跃用户之间的行为差异，并通过产品设计和运营尽可能地让所有新用户触发核心操作，达到魔法数字。
• 产品流程优化：要提升产品关键转化率，就要把每一步转化都列出来，看转化率有哪些提升空间。
• 优质的服务：当新用户在使用产品时，要拿出最优质的服务或商品，抓住最重要的这次机会去留存这批用户。在使用运营策略提高留存的同时，也需要花大力气不断地打磨优化产品，提高产品服务。

（14）如何优化转化率？

       优化转化率的方法包括：优化页面设计、优化用户体验、提供个性化服务、提高网站速度、提供多种支付方式等。

• 1⃣️优化转化流程 从用户访问网站/下载APP，到最终成交，都要经过一系列步骤，而每一步，都会有用户流失，如何减少每一步的用户流失成为整个流程的关键。 优化流程包括：A/B测试、简化流程、竞品分析、用户调研等方式。 -
• 2⃣️流程引导 如果产品比较复杂，新用户对产品不了解，需要有一定的引导。 对于操作流程比较繁琐的产品，需要提供明确的进度显示。 流程指示包括：进度条提示、完成任务所需要时间、新手操作流程等。
• 3⃣️通过内容让用户信任产品 用户使用产品前，最好让用户了解产品，尤其是客单价较高的产品。
• 4⃣️免费试用策略 免费策略的使用前提： 1）产品对用户是有价值的，用户愿意试用； 2）试用点最好有亮点，吸引用户去试用； 3）边际成本趋于零，即每增加一个免费用户，成本不增加。 - 
• 5⃣️设置新人福利 当前，绝大多数产品都有新人红包，新用户完成相关任务领取福利，激励新用户转化。
• 6⃣️社群转化 社群转化充分利用人们的社会认同心理，先将有意向的用户拉群，然后在群中进行营销。
• 7⃣️消息通知 通过给对未转化的用户发消息通知，达到提醒转化的目的。 给未转化的用户发通知，最好配合相关活动和奖励。

（15）如何划分用户画像？PDD

       划分用户画像需要考虑用户的年龄、性别、地理位置、教育程度、职业、收入等因素，并根据这些因素制定相应的营销策略。

（16）如何评估运营活动的效果？

       评估运营活动的效果可以通过一些指标来衡量，比如用户增长率、转化率、留存率、用户反馈等。

       第1️⃣步，梳理活动步骤 梳理出关键步骤的相关指标，以电商促销活动流程举例，相关指标：

• 🚩“活动页面点击”相关指标：页面曝光转化率、页面点击率、新用户人数、投放渠道成本
• 🚩“领取优惠券”相关指标：领取数量、停留时长
• 🚩“收入”相关指标：客单价、收入、利润、购买转化率

       第2️⃣步，明确活动目标 比如活动是为了拉新，那主指标就是新注册用户数；如果活动是为了提高新用户留存率，考虑的就是1-7日内留存情况。根据（AARRR）模型，不同活动目标有不同的指标

• 🎈拉新类活动：主指标：新用户数；副指标：投放成本、投放ROI
• 🎈促活类活动：主指标：活跃用户数；副指标：活跃用户时长、活跃用户转化率
• 🎈留存类活动：主指标：留存率、流失率；副指标：留存用户活跃率、高价值用户流失率
• 🎈转化类活动：主指标：收入/利润；副指标：转化率、折扣率、客单价、库存
• 🎈裂变类活动：主指标：新用户数；副指标：参与裂变人数、裂变k印字、新人收入

       第3️⃣步，明确判断标准 1、看整体结果 2、与无活动对比 3、与之前活动对比

       第4️⃣步，找到影响过程 根据活动的流程环节，找到影响结果的关键节点

• 📍推广环节：推广渠道、推广内容、投放时间、周期等
• 📍点击环节：落地页弹出时机、页面文案
• 📍转化环节：价格、推送时机等

       或者可以使用因果推断的方法

（17）如何进行竞品分析？

       竞品分析6步流程： 1⃣️明确分析目的 2⃣️寻找、选择竞品 3⃣️确定分析维度 4⃣️竞品数据收集 5⃣️信息整理与分析 6⃣️输出竞品分析报告

       1. 明确分析目的：

• 关注竞争对手，提升产品竞争力；
• 为产品迭代，提供决策支持；
• 学习借鉴，取长补短

       2. 寻找、选择竞品：

• 1) 寻找竞品的渠道，包括AppStore分类、应用商城分类、行业分析报告、行业媒体、网上的竞品分析、各类搜索引擎关键词搜索。
• 2) 竞品选择的维度，直接竞品：产品形式一致，用户群体一致。间接竞品：产品形式不同，用户群体类似。替代品：抢占同类用户时间的产品，或者是颠覆同类用户使用习惯的产品（比如柯达胶卷与数码相机）

       3. 确定分析维度：

• 1) 产品视角，做的怎么样：功能、内容、交互、架构、UI；如何做到：团队、技术、推广方式；为什么这样：战略定位、盈利模式、用户情况；下步计划：布局规划
• 2) 用户视角， $APPEALS 
• 3) 产品分析框架，商业模式分析（画布），用户体验设计分析（用户体验要素）

       4. 竞品数据收集：

• 1) 官方渠道，公司官网，财报，公司数据披露，高管公开演讲，招聘信息 。
• 2) 行业研究，行业分析报告，艾瑞咨询，易观智库，企鹅智酷，i99T互联网研究等。
• 3) 数据平台，CNNIC、DCCI互联网数据中心、百度指数、七麦数据、AppAnnie等。
• 4) 媒体资讯，行业媒体、论坛。
• 5) 相关人员，调研核心用户、公司员工访谈交流等。
• 6) 亲身体验，使用对方的产品、咨询客服、技术问答、查看评论评级反馈等

       5. 信息整理与分析（竞品分析方法）：

• 1）产品战略规划阶段，基于【PEST分析】和【波特五力模型】归纳出【SWOT模型】的机会与威胁，得出【该不该】的战略决策。
• 2）产品发展阶段，注重取长补短，制定科学的竞争策略。【比较法】通过对竞品的横向比较，分析找出各自的优势与劣势。比较常用的有打勾比较、评分比较、描述比较。【矩阵分析法】又称定位网格、四象限分析。通过二维矩阵的方式分析自己产品与竞品的定位、特色、优势。可以帮助我们了解市场划分、产品定位、竞争优势、发现新机会。【竞品跟踪矩阵】通过竞品跟踪矩阵，可以对竞品的历史版本进行跟踪记录，找到各版本的发展规律，从而推测竞品下一步的行动计划。【功能拆解】功能拆解是把竞品分解成一级功能、二级功能、三级功能甚至四级功能，以便全面了解竞品的构成，避免遗漏。【探索需求】探索需求是挖掘竞品功能所满足的深层次，以便找到更好的解决方案，提升自身产品竞争力。用户需求有三个层次，依次为：方案级需求一问题级需求一人性级需求。
• 3）产品同质化严重阶段。【战略画布】战略画布横轴显示的是产品的竞争元素，纵轴反映了用户体验与评价，我们把竞品在各维度上的表现得分点都描绘出来，连成一条线，就得到了「价值曲线」。【加减乘除法】加：哪些竞争元素的表现可以比竞品好一些？减：哪些竞争元素的表现可以比竞品差一些？乘：哪些元素是同行中从未有过的，可以创新？除：哪些元素是被同行认定为是理所当然的，需要删除？

注：PEST分析、波特五力模型、SWOT模型

       PEST分析：从政治、经济、社会、技术环境进行分析

       波特五力模型：用于对行业环境的评估，为了评估出某一行业的吸引力与利润率的一项工具，五力即：潜在进入者的威胁、同行业的竞争者、购买者的议价能力、替代品的威胁、供应商的议价能力。
       SWOT分析  即优势、劣势、机会、威胁四个维度

（18）你认为数据推动运营需要哪些技能？【岗位解读下】

       数据推动运营需要掌握数据分析、市场调研、用户研究、营销策略制定等技能，同时需要具备较强的逻辑分析能力和创新思维能力。

（19）预测tcl电视销量会考虑什么指标以及应用什么模型

       指标：随时间变化的销量和对应的时间戳

       模型：

• 1. 线性回归 线性回归是一种用于预测连续变量的方法，通过最小二乘法找到最佳拟合线，以预测因变量。它假设自变量和因变量之间存在线性关系。 适用场景 销售预测 房价预测。
• 3. 移动平均法 移动平均法是一种时间序列分析方法，通过计算固定时间窗口内数据的平均值来平滑时间序列，识别趋势和季节性变化。 适用场景 销售数据分析：平滑销售数据，识别趋势。 股票价格分析
• 4. 指数平滑法 指数平滑法是一种时间序列预测方法，通过对历史数据赋予指数递减的权重来进行预测，常用的有单指数平滑、双指数平滑和三指数平滑。 适用场景 销售预测 需求预测
• 5. ARIMA 模型 ARIMA是一种广泛使用的时间序列预测方法，它结合了自回归（AR）和移动平均（MA）模型，通过差分处理使时间序列平稳。 适用场景 经济预测 销售预测
• 6. 季节性分解模型 季节性分解模型将时间序列分解为趋势、季节性和残差三个部分，分别建模和预测各部分，然后组合预测结果。 适用场景 季节性销售预测 旅游需求预测
• 8. Prophet 模型 Prophet是由Facebook开发的一种时间序列预测模型，专为处理具有明显季节性和假日效应的时间序列数据而设计。 适用场景 电商销售预测 网站流量预测

（20）数据运营是什么

       数据运营是指通过收集，分析和利用数据，以优化业务决策和提升运营效果的工作。核心是运营人员负责管理和利用数据，以帮助企业做出更明智的决策，改进产品和服务，并实现业务目标。

（21）数据运营需要具备的能力

• 数据分析能力：对数据进行分析，从中提取有价值的信息和见解。
• 商业理解能力：了解企业的商业模型和运营目标，能够将数据分析的结果与业务策略相结合，为商业决策提供支持。
• 数据可视化：能够将复杂的数据结果以可视化的方式呈现，以便于理解。
• 沟通和表达能力：能够有效解释数据分析结果，提供有针对性的建议和方案。
• 数据隐私和安全意识：了解数据隐私和安全的法律法规，保护用户和企业的信息安全。

（22）数据运营日常的工作流程

• 数据收集和整理：收集不同来源的数据，对数据进行清洗，整理和标准化，以确保数据的准确性和唯一性。
• 数据分析和挖掘：对数据进行探索性分析，统计分析和模型建立，发现数据中的模式，趋势和关联性。
• 数据解读和报告：解读数据分析结果，提供有关业务问题和机会的见解，撰写报告和演示文稿，向管理层传达数据分析的结果和建议。
• 数据驱动决策：与业务部门合作，为业务决策提供支持和指导，优化产品和服务，改进市场营销策略。
• 数据监测和优化：跟踪关键指标和数据的变化，评估业务决策的效果，及时调整和优化运营的策略。

（24）怎么判断数据运营的效果？（前面有）

• 用户增长和留存率：评估数据运营活动对用户增长和留存的影响，衡量用户数量和质量的提升
• 数据质量和准确性：评估数据清洗和整理的效果，确保数据的准确性和一致性，减少数据错误和偏差
• 运营效果指标：根据业务目标，设定相关指标，如转化率、用户活跃度、收入增长等，评估数据运营活动对业务绩效的影响
• 数据分析报告质量：评估数据分析报告的质量和有用性，包括分析方法、见解深度和报告的可理解性
• 业务决策支持：评估数据运营人员在业务决策中的贡献，如提供的见解、建议的有效性和决策的成功率

六、理想

1. 岗位要求

       商业操盘BP：通过内外部感知洞察，发现商业操盘差距与机会点，并规划模型与投资，为操盘BP负责；

       操盘与经营策略：通过操盘漏斗给出目标指引、资源分配及经营建议，同时对经营建议形成方案并进行提案，必要时进行试点孵化，为操盘商业成功负责；

       数据与业务诊断：通过操盘漏斗模型给出问题诊断和机会点，进行业务决策和落地，并闭环评估方案效果，为业务诊断负责。

需要具备的能力：

  商业敏感度与战略思维

• 市场洞察：掌握行业分析方法（PESTEL、波特五力、SWOT）、竞对分析、用户需求分析、趋势预测
• 战略规划：熟悉商业画布（Business Canvas）、OKR/KPI设计、资源分配模型（如波士顿矩阵）
• 投资评估：ROI计算、NPV/IRR等财务指标、商业计划书撰写、风险评估

  数据驱动决策

• 数据分析工具：Excel高级功能（Power Pivot/Query）、SQL/Python/R数据处理、Tableau/Power BI可视化
• 诊断方法论：漏斗模型（AARRR/RARRA）、归因分析（首次点击/末次点击）、AB测试设计
• 经营诊断：能通过数据拆解问题（如GMV=流量×转化率×客单价）、制定改进方案

  操盘与运营能力

• 操盘方法论：全生命周期管理（用户/产品/渠道）、资源分配优先级（如四象限法则）
• 项目落地：MVP设计、试点孵化流程、敏捷开发（Scrum/Kanban）
• 效果评估：PDCA循环、数据闭环验证、迭代优化机制

2. 面试问题

（1）为什么选择这个岗位？

（2）对理想汽车的了解？

（3）你的优缺点是什么？

（4）职业规划是什么？

（5）遇到过最大的挑战，以及怎么解决的？

（6）为什么选择北京？

（7）怎么理解这个岗位？

（8）怎么看待新能源这个行业？

（9）认为自己能够胜任的优势跟劣势

七、小米游戏运营

2. 面试问题

（1）你平时有玩什么游戏？

       王者荣耀这类moba，贪吃蛇球球大作战，蛋仔等等

（2）你觉得蛋仔这个游戏的用户有什么特点？为什么？这个游戏有哪个地方你觉得做的比较好？         用户中小学生和女大学生占比较多（现在回想起来当时答得蛮草率的）。因为游戏操作简单，皮肤可爱。 之前蛋仔有个盲盒皮肤的活动我觉得非常好，刚好最近泡泡玛特也非常火。聊了一下泡泡玛特的消费者特点。

（3）刚才你提到蛋仔的用户里小学生和女大学生比较多，这是两个不同的群体，那你在策划一个游戏活动时，你应该怎么决定活动风格和受众？

       这个时候需要考虑这个活动的目的，到底是为了创收还是日活跃量。如果活动目的是创收，那我会多考虑大学生的消费意向和喜欢的风格（举例）。如果是日活跃量，那我会在周末或者寒暑假节假日推出针对小朋友的活动。

（4）能否谈下你应聘这个岗位的优势？

（5）你的职业规划是什么？

（6）你对小米联运游戏有哪些了解？

       联运（联合运营）是游戏发行的一种方式，指小米作为平台方与游戏开发商（CP）合作，通过小米的渠道资源（如应用商店、游戏中心、浏览器等）分发游戏，双方共同运营游戏并按约定比例分成用户充值流水。小米联运游戏是以开发者扶持为核心的平台合作模式，小米通过降低自身分成比例（如手机单机游戏仅占20%）、缩短结算周期，吸引优质CP入驻，同时整合多终端流量（手机、平板、电视）提升分发效率。运营方面，小米注重数据驱动的精细化运营，例如通过用户行为分析优化活动策略，并介入计费监管解决行业痛点。此外，小米与《原神》的战略合作展示了其生态共生理念，通过粉丝互导和技术创新（如云游戏）深化长期合作。如果我有机会加入，希望能结合小米的开放生态，推动更多优质游戏触达用户。

（7）描述一次你在团队中扮演重要角色并成功实现目标的经历。

（8）如何制定有效的游戏运营策略？

       在制定有效的游戏运营策略时，我会首先从三个方面入手：用户分析、数据分析和市场趋势。首先，深入了解目标用户群体的需求和偏好是非常重要的。这可以通过社交媒体、问卷调查和用户论坛等渠道收集信息来实现。
       其次，利用数据分析来指导运营决策是关键。这包括对游戏内的用户行为数据、消费数据进行深入分析，找出玩家流失的原因、最受欢迎的内容等。例如，通过对游戏内购买行为的分析，我们可以调整虚拟商品的定价策略，以增加收益同时保持用户满意度。
       最后，紧跟市场趋势，不断引入新元素也是保持游戏竞争力的重要策略。这可能包括与热门IP的联动、引入新的游戏模式或者技术(如AR/VR)等。比如，观察到市场上多人在线协作游戏受到欢迎，我们可以尝试在我们的游戏中引入类似的模式，以吸引更多的玩家。

（9）在监控和分析游戏产品数据时，你会关注哪些关键指标？

      获客数据指标

• 1、获得渠道
• 2、CAC:Customer Acquisition Cost，用户获取成本。
• 3、注册转化率
• 4、日新增用户数
• 5、ROl:Return On Investment，投资回报率。ROI=利润/投资总额，评判标准如下：ROI>0,则盈利；ROI=0，则盈亏平衡；ROI<0，则亏损

       活跃数据指标

• 1、AU： Active User，活跃用户。
• 2、DAU：Daily Activited User，日活跃用户。
• 3、WAU：Weekly Activited User，周活跃用户。
• 4、MAU：Monthly Activited User，月活跃用户。
• 5、CCU： Concurrent User， 同时在线人数。
• 6、ACU： Average Concurrent User， 平均同时在线用户。
• 7、PCU： Peak Concurrent User， 最高同时在线用户。
• 8、DAOT：Daily Average Online Time， 日均在线时长。 DAOT = 日总计在线时长/日活跃用户数。这是衡量游戏粘性的重要指标

       留存数据指标

• 1、次/7/30日留存率。  (Day 1/7/30 Retention Ratio)用户的次/7/30日留存率=新增用户在第n+1/n+6/n+29日登陆的用户数/第n日新增用户数
• 2、日流失率(Daily Churn Ratio)。统计日登录游戏，但随后n日（可根据需求改变的参数）未登录游戏的用户占统计日活跃用户的比例
• 3、周流失率(Weekly Churn Ratio)。上周登录游戏，而本周未登录游戏的用户占上周活跃用户数的比例
• 4、月流失率  (Monthly Churn Ratio)。上月登录游戏，而本月未登录游戏的用户占上月活跃用户数的比例     

       付费数据指标

• 1、PU： Pay User，付费用户。
• 2、PUR：Payment User Ratio，付费渗透率。 PUR=付费用户数/活跃用户数
• 3、ARPU：Average Revenue Per User，平均每用户收入。 ARPU = 用户付费金额（收入）/活跃用户数
• 4、ARPPU（Average Revenue per Paying User，平均每付费用户收入） ARPPU = 用户付费金额（收入）/付费用户数
• 5、LTV：Life Time Value，用户生命周期价值。 玩家的平均LTV = 每月ARPU * 用户按月计的平均生命周期

       传播数据指标

• 推荐行为人数
• 人均推荐数量
• K因子

（10）面对不理想的游戏运营数据，你会如何调整策略？

       面对不理想的游戏运营数据，我认为首要的是进行深入的数据分析来定位问题所在。比如，我们可以通过用户行为数据来查看玩家在哪个环节流失较多，是否是因为游戏难度设置不合理，或者是新手引导不够友好。同时，也需要关注市场的反馈，看看是否有新的竞争对手出现，或者玩家的兴趣点有所转移。
       在明确问题后，我会提出针对性的改进措施。例如，如果是游戏难度问题，我们可以设计更多层次的难度选择，让不同水平的玩家都能找到适合自己的乐趣；如果是新手引导问题，可以增加更直观的教程和引导，减少玩家的迷范感。除此之外，我认为还需要加强与玩家的互动，收集他们的反馈和建议，这样可以更直接地了解玩家的需求和不满之处。比如，可以设立玩家社区，定期举行问答或反馈活动，让玩家感受到自己的声音被重视。
       总之，面对不理想的游戏运营数据，关键是要快速定位问题、灵活调整策略，并持续优化用户体验。通过这样一系列的举措，我相信可以有效地提升游戏的运营效果。

（11）谈谈你认为当前游戏市场的趋势是什么？

       目前，我认为游戏市场的主要趋势可以从三个方面来观察：技术创新、用户需求多样化以及市场竞争国际化。首先，在技术层面，随着5G网络的普及和云计算技术的发展，云游戏逐渐成为行业的新风口。这种模式允许玩家无需高性能硬件即可享受高质量游戏体验，极大地降低了玩家的入门门槛。其次，从用户需求的角度来看，随着生活节奏的加快，越来越多的玩家倾向于碎片化时间的娱乐方式，这促使轻量级、易上手的游戏受到欢迎。同时，社交元素在游戏中的比重也在增加，玩家不仅追求游戏的娱乐性，也越来越看重与朋友的互动体验。最后，市场竞争方面，随着全球化的推进，国内外游戏公司的竞争愈发激烈。许多国内游戏厂商开始寻求出海机会，而国际大厂也在不断探索进入中国市场的策略。
       综上所述，我认为对于游戏运营岗位而言，紧跟市场趋势，深入了解用户需求，并结合公司战略进行创新开发是至关重要的。这不仅需要我们具备敏锐的市场洞察力，还需要不断学习和适应新技术，以便更好地服务于广大游戏用户。

（12）你如何看待玩家反馈在游戏中的作用？

       在我看来，玩家反馈在游戏中扮演着至关重要的角色。首先，它是我们了解玩家需求和期望的重要渠道。通过分析玩家的反馈，我们可以了解到哪些内容是玩家喜欢的，哪些是他们不喜欢的，从而帮助我们优化游戏设计，提升玩家的游戏体验。其次，玩家反馈也是我们发现游戏bug和性能问题的关键途怪。及时响应并解决这些问题不仅能提高游戏的稳定性，还能增强玩家对我们品牌的信任感。
       因此，我认为对待玩家反馈的态度应该是积极和开放的。我们需要建立一个有效的反馈机制，确保玩家的声音能够被听到，并且将这些反馈转化为游戏改进的动力。同时，也要教育玩家如何提供有建设性的反馈，这样才能形成良性的互动循环，共同推动游戏的发展。

（13）有没有遇到过团队合作中的冲突？是如何解决的？

       

（14）描述一次你提出并实施业务优化方案的经验。

（15）如果负责一款新游戏的上线，你会如何进行前期的市场调研？

       面对一款新游戏的上线，前期的市场调研工作至关重要。首先，我会从定义我们的目标用户开始，通过问卷调查、社交媒体分析和论坛潜水等方式，了解目标用户的年龄、性别、喜好及他们通常玩的游戏类型等信息。例如，如果我们的游戏是一款面向青少年的策略游戏，我们需要了解这个年龄段玩家的偏好和习惯。
       其次，我会进行竞品分析，搜集当前市场上类似游戏的数据，包括但不限于用户评分、下载量、营收模式等，分析这些游戏成功或失败的原因，从中找出我们可以借鉴或者避免的地方。通过对比分析，我们可以更清晰地定位自己的产品，找到市场的空白点或者潜在的竞争优势。
       接下来，我会利用现有的数据分析工具，比如Google Analytics、App Annie等，来追踪和分析目标用户的行为模式和需求变化。通过这些工具，我们可以获取到用户的活跃时间、停留时长、付费意愿等关键数据，为我们后续的营销策略提供依据。此外，我认为创新的市场调研方法是提升效率和效果的关键。比如，可以设计一些互动性强的在线活动或小游戏，吸引目标用户参与进来，既是一种宣传，也能实时收集到用户的反馈和数据。
       最后，基于以上收集到的信息，我会整理出一份详细的市场调研报告，报告中不仅包括数据分析的结果，还有针对发现的问题提出的具体改进措施或策略建议，为游戏的成功上线打下坚实的基础。

（16）谈谈你对跨部门协调工作的理解。

       我认为跨部门协调的本质是打破信息壁垒，整合资源以实现共同目标。不同部门的职能、目标和思维方式可能存在差异，但企业最终的成功往往依赖于多方的高效配合。跨部门协调的挑战通常主要是部门的目标不一致（部门可能因KPI差异对优先级理解不同）、部门间信息传递可能出现断层或误解、人力、预算等资源在协作中容易产生竞争。

       针对这些问题，可以对齐目标，用数据或高层战略说明协作的必要性；部门间明确分工、时间节点，并通过定期例会和共享文档同步进度；针对不同部门特点调整沟通方式，例如向技术团队提供需求文档时，会附上用户场景说明以减少理解偏差。

       跨部门协调不仅是流程管理，更是对人的理解。它需要换位思考能力、推动力，以及冲突下的情绪管理能力。例如，当部门意见冲突时，我会先倾听各方诉求，再寻找折中方案或争取上级支持。最终目标始终是让团队意识到我们是在解决同一个问题，而不是互相制造问题。

（17）如何确保你的运营策略能与公司的总体收入目标保持一致？

      我会首先了解公司的战略方向和收入预期。接下来，我会蒋这些大方向细化为具体的运营指标，比如用户增长率、用户活跃度、付费转化率等，这些都是直接影响游戏收入的关键因素。
       为了更有效地实施这些策略，我会利用数据分析工具来跟踪和评估各项指标的表现。例如，如果发现某个游戏的付费转化率低于预期，我会深入分析原因，可能是游戏内购买项目的设置不够吸引人，或者支付流程存在不便。针对这些问题，我会提出优化建议，如调整游戏内的经济系统，或是简化支付流程，以提高玩家的付费意愿。
       同时，我也非常重视团队合作和跨部门的沟通。在制定和调整运营策略时，我会主动与产品开发团队、市场团队进行沟通，确保我们的策略能够得到有效的支持和执行。

       总之，我认为确保运营策略与公司收入目标一致的关键在于深入理解公司的战略目标、灵活运用数据分析来指导运营决策，以及加强团队内部的沟通与协作。通过这样的方法，我相信可以有效地推动公司收入目标的实现。

（18）遇到技术问题阻碍运营计划时，你会如何处理？

       1. 明确问题核心：首先我会快速明确技术问题的本质：

• 问题影响范围：是否仅影响当前运营计划，还是存在更大的系统性风险？
• 技术根源：是代码缺陷、服务器故障、第三方依赖问题，还是人为操作失误？
• 时间窗口：距离运营计划的关键节点还剩多少时间？是否有替代方案？

       2. 短期应急：接下来我会与技术团队协作制定短期解决方案，并调整用户侧预期（如活动延迟公告、补偿方案预设计）。

       3. 长期根因分析：应急处理后，我会推动进行复盘和预防：

• 技术层面：修复代码或优化架构；
• 协作层面：与技术团队约定更早介入运营方案评审，提前预判资源需求。

（19）如何评估你所负责的游戏项目的成效？【TCL】

（20）对于游戏内容的更新和迭代，你有什么看法？

       游戏内容的更新和迭代是游戏运营中非常关键的环节。首先，它能够有效提升玩家的游戏体验，通过不断引入新的内容和玩法，可以持续吸引玩家的兴趣，增加游戏的可玩性。
       其次，我认为更新和迭代也是对市场反馈的一种响应。通过对玩家行为的分析和反馈收集，我们能够了解到哪些内容更受欢迎，哪些需要改进，从而做出相应的调整。这不仅能够帮助游戏更好地满足玩家的需求，也能够促进游戏本身的长期发展。
       最后，我注意到在游戏更新的过程中，数据的运用非常关键。比如，通过分析玩家在不同关卡的停留时间、失败次数等数据，我们可以发现游戏中可能存在的设计问题，进而进行针对性的优化。
       总之，我认为游戏内容的更新和迭代是一个综合性的工作，它需要创新思维、敏锐的市场洞察力以及对数据的深入分析。在未来的工作中，我希望能够运用这些能力，为游戏的成功运营贡献自己的力量。

（21）在制定平台能力侧升级及改进计划时，你会考虑哪些因素？

       1. 业务优先级：明确当前业务的核心目标（如提升转化率、拓展新市场、优化成本），确保升级计划直接支持这些目标。分析改进计划的投入产出比，优先推进对业务增长或效率提升影响最大的模块（如优化支付成功率比界面美化更紧急）。

       2. 技术可行性：评估现有架构的瓶颈，以及升级计划在技术方面的可行性。

       3. 用户需求与体验：改进计划的制定需考虑用户的对当前版本的反馈，改进后利用埋点数据（如漏斗转化率、功能使用率）判断功能改进的实际效果

       4. 资源与协作管理：根据团队人力、预算和时间窗口，拆分迭代阶段（如第一期核心功能，第二期优化体验），部门间对齐计划和进度。

       5. 风险可控性：通过A/B测试或小流量发布验证稳定性，如新功能先对10%用户开放。预设降级策略（如新推荐算法异常时切回旧版），确保故障快速恢复。

（22）谈谈你对用户留存和活跃度提升有哪些策略？

       在提升用户留存和活跃度方面，我认为可以从以下几个方面入手：
       首先，优化用户体验是基础。这包括游戏的启动速度、操作流畅性以及界面设计的友好程度。
       其次，增加用户粘性的活动和功能设计也非常关键。比如引入日常任务、签到奖励和限时活动等，可以有效提高用户的回访率。
       再次，社区建设和用户反馈机制的完善也非常重要。建立玩家论坛、开展线上赛事等，可以增强玩家之间的互动，提高游戏的社交属性。同时，及时收集并响应用户的反馈，不断调整和优化产品，能够让用户感受到被重视，从而提高忠诚度。
       最后，数据分析是不可或缺的一环。通过对用户行为数据的深入分析，可以发现用户流失的关键节点和原因，进而针对性地进行优化。例如，通过分析发现某个关卡的通过率异常低，导致大量用户流失。针对这一情况，可以调整关卡难度，并增加引导教程，有效提升了该关卡的通过率和后续的用户留存。

（23）如何通过社交媒体和社区提高游戏的知名度和玩家粘性？

       在提高游戏知名度和玩家粘性方面，社交媒体和社区的作用不可小。首先，我们可以利用社交媒体的广告系统进行精准推广，例如在微博、抖音等平台上针对目标用户群体投放游戏广告，同时结合热门话题或事件进行内容营销，增加游戏的曝光率。此外，与知名游戏博主或影响者合作，通过他们的推荐引导粉丝关注和试玩游戏也是一个有效手段。
       其次，建立和维护一个活跃的游戏社区至关重要。我们可以在游戏内嵌入社交功能，如公会、聊天系统等，鼓励玩家之间的互动；在外部则可以利用论坛、QQ群、微信群等形式聚集玩家，定期举办线上活动或者比赛，增加玩家的参与度和归属感。
       最后，对数据的持续追踪和分析是不可或缺的。我们需要关注玩家的行为数据、社区活跃度、活动参与度等指标，根据数据反馈调整策略。比如，如果发现某个社交媒体平台的转化率不高，我们就需要分析原因并调整推广策略；如果某类活动特别受欢迎，则可以考虑蒋其常态化或进一步优化。

（24）遇到预算限制时，你会如何优化运营成本？

       以下几个方面。首先，我会对当前的运营成本进行细致的审查和分析，找出成本中可以优化的部分。这包括评估所有供应商合同，看是否有重新谈判价格的空间，或者寻找性价比更高的替代服务。同时，我会考虑利用更多的自动化工具来减少人工操作的时间成本，提高工作效率。
       其次，我会根据游戏运营的关键指标，如用户活跃度、留存率和转化率等，确定哪些是最关键的投入点。对于这些关键点，即使预算紧张，也要确保有足够的资源支持。而对于一些非核心的活动或功能，可以考虑暂时降低投入，或者寻求合作伙伴共同承担成本。
       接下来，我会探索新的营销渠道和方式，比如利用社交媒体、KOL合作等形式，这些往往成本较低但能有效提升用户参与度和品牌曝光。同时，加强数据分析，根据数据反馈调整运营策略，确保每一分钱的投入都能带来最大的回报。
       总之，面对预算限制，我会通过精细化管理、优先级排序和创新营销策略等手段，确保在有限的资源下最大化运营效果。这不仅需要对数据的敏感度和分析能力，也需要灵活运用各种工具和方法，以及良好的沟通和协调能力，以确保团队能够高效协作，共同应对挑战。

（25）描述一下你对数据分析软件的使用经验。

（26）在设计游戏活动时，你会如何平衡新老玩家的需求？

       在设计游戏活动时，我认为平衡新老玩家的需求是非常重要的。首先，我会通过数据分析来了解新老玩家的行为模式和偏好，这可以通过查看游戏内的玩家行为数据、论坛反馈、问卷调查等方式获得。例如，新玩家可能更关注游戏的入门指导和基础玩法的学习，而老玩家可能更注重深度挑战和社交互动。
       基于这些信息，我会设计一些既能帮助新玩家快速融入游戏，又能让老玩家感到新鲜和有挑战的活动。比如，可以设计一个“新手引导计划”，在这个计划中，新玩家可以获得一系列逐步解锁的任务，这些任务旨在帮助他们了解游戏的基本规则和策略。同时，可以为老玩家设置高难度的挑战和比赛，以及提供特殊的社交活动，如团队竞赛或节日特别活动，以维持他们的兴趣和参与度。
       此外，我还会考虑引入一些跨时代的元素，比如让新老玩家在某些活动中合作或竞争，这样可以促进社区的建设和玩家间的互动。例如，可以设立一个“师徒系统"，让经验丰富的老玩家带领新玩家完成任务，双方都能从中获得奖励，这样不仅帮助新玩家更快地成长，也让老玩家感到自己的经验被重视。
       总之，设计游戏活动时，关键是要深入了解并尊重所有玩家的需求和期望，通过创新和多样化的活动设计来满足不同玩家群体的需求，从而促进游戏社区的整体健康发展。

（27）如何处理玩家对游戏公平性的质疑？

       首先，我会对玩家提出的质疑进行详细的记录，并尽快与开发团队进行沟通，确认是否存在玩家所说的不公平现象。如果确实存在问题，我会立即通知团队采取措施进行修复，并向玩家解释问题的原因和我们的解决方案。
       其次，如果经过调查发现玩家的质疑是基于误解或者是个别情况，我会耐心地向玩家解释游戏规则和设计初哀，提供必要的数据或案例支持，帮助玩家理解游戏的公平性设计。在这个过程中，我会尽量使用简单明了的语言，避免使用过于技术化的术语，确保玩家能够理解。
       此外，我会建议团队定期发布游戏运营报告，包括游戏更新内容、问题修复情况以及未来的改进计划等，增加透明度，让玩家感受到我们的诚意和努力。同时，我也会建议开设玩家反馈渠道，鼓励玩家提出宝贵的意见和建议，这样不仅可以及时发现并解决问题，还能增强玩家的参与感和归属感。

（28）你认为未来游戏行业会有哪些变化？

       我认为未来的游戏行业蒋会经历以下几个显著的变化。首先，技术的进步蒋极大地推动游戏行业的发展，尤其是虚拟现实(VR)和增强现实(AR)技术的成熟，这蒋使得游戏体验更加沉浸和真实，为玩家提供前所未有的游戏感受。例如，通过VR设备，玩家可以进入到一个完全虚拟的游戏世界中，这种体验是传统游戏所无法比拟的。
       其次，游戏的社交属性将进一步增强。随着5G网络的普及，云游戏将成为可能，玩家可以随时随地与全球的玩家进行互动和竞技，这不仅改变了游戏的玩法，也促进了全球玩家社区的形成。游戏不再仅仅是个人娱乐的方式，更是连接不同文化和背景人们的桥梁。
       最后，个性化和定制化蒋成为游戏开发的重要趋势。随着人工智能技术的应用，游戏可以根据玩家的行为和偏好进行自我调整，提供更加个性化的游戏体验。这意味着未来的游戏将更加注重满足玩家的个性化需求，从而提高玩家的满意度和忠诚度。

（29）作为中台，你的视角和业务的视角有没有不一样的点？

       在业务团队可以直接参与具体业务的运营，更深入地了解到业务细节。你遇到的每一类问题，踩过的每一道坑，都是没做过这件事的人无法通过“文档”去学到的珍贵经验。

      在中台团队，视野会变宽。我可以接触多个业务线，了解并且对比不同业务的运营模式及特点。同时我也能从更高的视角去理解，各类资源是如何分配、协同再共同支持业务。

（30）分别解释一下五看三定、RACI模型是什么？

       五看三定模型对企业战略的制定具有重大的价值。该模型常被用来制定组织战略、目标计划、产品规划和解决方案。五看输出战略机会点：看行业、看市场、看竞争、看自己、看机会；三定是：定控制点、定目标、定策略

• 看行业：洞察宏观环境下行业的演进和变化。从宏观的角度，包括怎么看待国家层面的政治、经济、文化、社会等等方面的变化与发展趋势，这些趋势将会为行业带来什么样的影响与变化？ 整个产业未来的技术发展趋势是怎样的？ 会发生哪些变化？ 【PEST】
• 看市场/看客户：洞察市场空间，挖掘客户真实需求。客户是谁？是否存在新的客户群？可以通过哪些细分标准将客户进行分类？客户买什么？需求是什么？促使客户作出购买决定的关键因素是什么？等等，都是我们始终关注的内容。
• 看竞争：识别主要竞争对手的范围、潜在竞争对手、竞争对手的实力和优劣势，以及竞争对手的变化等【波特五力模型】【竞争趋势模型】
• 看自己：洞察自身企业，发掘优势和弥补不足。战略规划、战略洞察，需要发现很多机会点，这是加法；同时，也要客观审视和评价自己，很多业务不是你的菜，就要做减法。所以说，战略是要会取舍。最后输出的东西是很具化的战略机会点。
• 看机会：洞察外部的机会和威胁、内部的优势和劣势。这一部分，其实是对前面的四看进行整合分析，找到“人无我有，人有我优”的机会点，弯道超车。【SWOT模型】
• 定战略控制点：确定公司战略的关键控制点。
• 定目标：设定清晰的战略目标，包括达标目标和挑战目标。
• 定策略：制定实现目标的具体策略，确保策略协同。

       RACI矩阵，对应中文名字叫责任分配矩阵。它的作用主要帮助分配、澄清团队成员的分工与责任。

• R = Responsible=责任者，实际工作任务完成者——负责干活的人
• A = Accountable=批准者，完成最终决策，每一项任务活动的决策只有一个A——负责拍板、出钱的人。
• C = Consulted=被咨询者，决策定案前提供帮助，指的是拥有完成项目所需的信息或能力的人员，遇到对应活动的时候可以找他/她。——咨询方，可以提供专业辅导的人
• I =Informed=知情者，在决策定案或行动完成后必须被告知的人员；为单项沟通模式——被告知的人，邮件中的抄送者

（31）小游戏业务里， 你了解哪个平台是做的比较好

1. ‌微信小游戏‌：微信平台上的小游戏，用户可以通过微信直接访问和游玩各种类型的小游戏，如消除、解谜、角色扮演等‌1。

2. ‌QQ小游戏‌：腾讯QQ平台上的小游戏，提供丰富的游戏类型，包括棋牌、休闲、冒险等，用户可以通过QQ客户端访问这些小游戏‌1。

3. ‌抖音小游戏‌：抖音平台上的小游戏，主要以短视频和社交互动为主，用户可以在观看视频的同时玩各种类型的小游戏‌1。

4. ‌Steam‌：虽然Steam主要是PC游戏平台，但也提供大量的小游戏，涵盖了策略、冒险、模拟等多种类型‌2。

5. ‌Itch.io‌：这是一个创意工坊平台，用户可以发布和下载各种独立小游戏，涵盖了冒险、解谜、动作等多种类型‌2。

 ‌     这些平台中，微信小游戏做的比较好，因为

• ‌流量大‌：微信拥有庞大用户基数，用户触达效率高，尤其是中老年及下沉市场‌。
• 生态协同‌：与公众号、小程序、企业微信等生态联动，形成“社交+工具+娱乐”闭环，适合长线运营‌。
• 变现方式多样‌：支持内购、广告变现和混合模式，商业化体系完善‌。

（32）比如小米、华为这类厂商要去做小游戏行业的话， 你认为它有什么优势？ 相比微信有什么不足？

       优势‌：

• ‌市场潜力和用户基础‌：小米和华为等厂商拥有庞大的用户基础，这为他们在小游戏行业提供了天然的市场优势。他们的设备用户遍布全球，能够直接触达大量潜在用户，有助于快速扩大市场份额‌。
• ‌技术实力和资源支持‌：作为科技巨头，小米和华为在技术研发和资源支持方面具有显著优势。他们可以投入更多资源进行游戏开发和优化，提供更好的用户体验，从而吸引更多用户‌。
• ‌多平台运营能力‌：小米和华为等厂商不仅限于自家平台，还可以在其他平台上运营小游戏，如微信、抖音等。这种多平台策略可以增加游戏的可见度和用户接触机会，进一步提升市场影响力‌。
• ‌品牌影响力和用户信任‌：这些厂商在消费者中建立了较高的品牌信任度，用户对他们推出的产品和服务有更高的接受度。这种品牌影响力可以帮助他们在小游戏行业中迅速获得用户的信任和支持‌。

 ‌      相比微信的劣势和挑战包括‌：

• ‌社交属性不足‌：微信小程序依托于微信的社交属性，具有强大的社交传播能力。相比之下，小米和华为等厂商的平台在社交属性上可能较弱，这会影响小游戏的传播速度和范围‌。
• ‌用户习惯差异‌：用户已经习惯了通过微信等社交平台玩小游戏，改变用户的游戏习惯需要时间和努力。小米和华为等厂商需要投入大量资源进行市场教育和用户习惯培养‌。
• ‌生态系统差异‌：微信小程序生态系统已经相对成熟，拥有丰富的游戏和应用资源。新进入者需要从零开始建立自己的生态系统，这需要时间和资源的大量投入‌。

（33） 相比手游这种行业形态，你觉得小游戏这种形态有什么价值？

• ‌低成本和轻量化‌：小游戏的主要优势在于其低成本和轻量化。小游戏依赖广告盈利，玩法简单，无需下载安装，用户即点即玩，尝试成本低。这种特性使得开发成本更低，且能快速上线，对小团队非常友好，具有先发优势‌。

• ‌广泛的用户群体和良好的推广效果‌：小游戏依托于各大平台（如抖音、微信等），用户群体庞大，曝光机会多。

• ‌灵活的研发模式和快速的市场反馈‌：小游戏的研发周期短，给予游戏厂商充足的试错空间。大多数小游戏不依赖深度内容，而是通过买量获取收入，这种灵活的研发模式使得收入更加稳定‌。此外，小游戏的快速迭代和用户反馈机制使得开发者能够迅速调整策略，适应市场变化。

• ‌高用户转化率和场景适用性‌：小游戏凭借其精准的分发、高用户转化率、低研发成本以及广泛的场景适用性等优势，逐渐成为产业发展的新动力。

• ‌依托平台生态和高效的广告投放‌：小游戏依附于平台生态，转化链路短，广告投放转化效果显著。例如，微信小游戏在2023年上半年流量变现和广告推广规模保持30%的持续增长，显示出其在广告投放方面的优势‌。

（34）你提到小游戏的两种商业模式， 你觉得这两种模式未来会此消彼长还是齐头并进？

• 1、内购付费：游戏内购就是游戏中有着可供玩家消费的商城系统。玩家为了变得越来越强，或者是想要获得更好的游戏体验，可以直接在游戏的商城中进行消费。
• 2、广告变现：广告变现就是用户可以通过点击广告或浏览广告获得游戏中的额外权益。如爆火的《羊了个羊》在游戏内提供看广告获得复活和道具机会，通过这一简单粗暴的变现方式，日单日收入超过600W+。
• 3、混合变现（广告+内购）：混合变现是目前小游戏的可能得下一个营收增长爆发点。小游戏如果本身的用户忠诚度和活跃度都不高的情况下，那混合变现就是最合适的变现方式。游戏混合变现模式的占比在整体游戏变现模式中已达到了较大比例，接近30%。

（23）你的职业规划有方向吗？ 比如行业、岗位、除了小游戏运营以外，还有哪些行业或岗位你想尝试？

（24）你觉得小米和其他公司相比， 有哪些特点是吸引你的？

• ‌高性价比产品‌：小米的产品以高性价比著称，能够在保证产品性能和品质的同时，提供相对较低的价格。。
• ‌技术创新‌：小米在技术创新方面投入大量资源，不断推出新的创新产品，例如双桶洗衣机、小米巨能写。
• ‌用户体验‌：小米注重用户体验，通过用户反馈和调研不断改进产品设计。此外，小米的产品设计注重用户需求，硬件选材、功能设置和软件优化都力求贴近用户的使用习惯‌。
• ‌生态系统构建‌：小米构建了庞大的米家生态系统，涵盖智能家电、智能穿戴、智能安防等多个领域。用户可以通过小米设备实现设备间的互联互通，享受智能便捷的生活体验‌。这种多元化的发展策略不仅为用户提供了更加便捷、智能的生活体验，也增强了小米品牌的竞争力和市场影响力‌。

（25）对于游戏运营的理解（这个岗位其实是平台运营）

       游戏运营是指通过游戏平台，利用游戏资源和社交互动，通过内容更新、用户留存和付费引导等方式，来提高游戏平台的用户留存、付费率和收益等目标的运营方式。

（26）你对游戏运营的理解是什么？

       ①游戏内容信息的建立：官网、论坛、贴吧、活动公告、版本公告；②竞品研；③游戏版本选代；④日常维护：游戏版号、玩具问题处理等；③产品运营：功能优化，后台功能建设；③数据分析；活动策划；③用户运营；③渠道运营（有一些工作会涉及到渠道投放）；在运营结构上则可以为版本、商业化、数据、用户等方向内容。

（27）游戏生命未期，如何做优化调整？

       分析游戏的玩家基础，了解玩家的喜好和需求，并据此调整。推出新的内容或游戏模式，吸引玩家的兴趣。通过社交媒体和其他渠道吸引新玩家，扩大玩家群体。提高游戏的可玩性和可玩时长，让玩家在游戏中有更好的体验。通过推出优惠活动来吸引玩家。与其他游戏公司建立合作关系，为游戏带来更多的玩家。

（28）你如何洞察用户？

       对于用户了解的形式，一般是有一定的洞察路径；①竞品用户画像(可以从社群、社区、渠道更多了解)；②自建核心用户群体（内侧用户、反馈意见、问卷）；③各大社区收集用户反馈；④游戏内问卷调研；③客服反馈③核心用户反馈①平台数据反馈；

（29）说明下你玩的几款女性向游戏的特点

（30）代号鸢闲聊，针对舆情如何处理

（31）开放式问题：推荐一款游戏给面试官

（32）问了游戏相关经历，模拟经营和二次元RPG两类游戏运营相关的基本知识问题

（33）对什么指标负责，（提到了是对xx率负责，被追问）数据分子和分母

（34）对于指标，如何拆解到具体工作中？具体工作又如何反作用于核心指标？

（35）游戏运营需要关注的指标【前面有】

（36）数据能力如何体现的

（37）基于小米游戏中心去服务小米手机上的所有的游戏用户，可以从哪些方面来考虑和拆解

• ‌游戏类型与内容丰富度‌：小米游戏中心汇聚了众多热门游戏，覆盖从休闲小游戏到大型3D MMORPG等多种类型，满足不同玩家的需求‌。平台不仅提供游戏下载和搜索服务，还支持单机和网络游戏，定期更新优秀的新游戏，确保用户不会错过任何精彩内容‌。
• ‌用户体验与社区互动‌：小米游戏中心内置游戏加速器，智能优化系统资源分配，提升游戏的流畅性和响应速度，特别适合竞技类游戏‌。平台还提供每日游戏推荐、限时活动和礼包发放等福利，增强用户黏性‌。此外，小米游戏中心设有游戏社区，用户可以分享经验、攻略，参与官方活动，增强玩家之间的互动和联系‌。
• ‌福利活动与用户粘性‌：小米游戏中心定期推出游戏礼包、充值返利等活动，增强用户黏性‌。平台还提供各种福利活动，如下载游戏抽取小米明星产品、假日0元抢米币、专属游戏礼包等，进一步吸引和留住用户‌。
• ‌云游戏功能‌：小米游戏平台推出了云游戏功能，通过立方米计划在电视和PAD平台上线云游戏内容，目前已有超过60款游戏上线，涵盖多种主流游戏品类‌。这一功能使用户无需高性能设备即可享受高质量游戏体验。

（38）app用户规模萎缩，如何分析和考虑解决方案？

     外因：政策、竞品、舆情

• 技术侧：游戏卡顿、异常退出
• 产品侧：游戏内容迭代
• 业务侧：运行策略更新

       接下来从用户角度分析：拆分维度：不同渠道、新老用户/游戏等级（新手引导/社交绑定/内容更新）、性别、年龄、地域

（39）有没有遇到过接二连三地来工作任务安排的情况，怎样面对这种情况？

       虽然我尚未经历职场中的高强度任务流，但在学校曾遇到过类似场景。例如在期末有多个结课论文需要完成，并且提交时间比较近，我通过以下方式应对：

1. 优先级：根据论文提交时间确定优先级；

2. 工作压缩：分析结课作业要求，确定是否可以写一篇能够满足多门课程的结课论文，例如大数据分析与商务智能和管理建模与仿真这两门课程都要求使用模型解决问题，所以我使用同时满足两门课程要求的灰色预测模型评估了某一地区的土地生态安全。

3. 进度复盘：每天复盘当前进度是否可以保证能够按时完成结课论文，灵活调整每天的工作量。

       在日后的工作中，我也会首先根据紧急-重要四象限法则快速判断不同任务的优先级，按照优先级开展工作，并灵活调整执行方式，例如对重复性工作建立模板（如报告框架、邮件话术）或使用工具（如Python脚本处理数据），将大任务拆解为可快速完成的小模块，利用碎片时间完成工作。

（40）“策划会员活动的3个关键点？”

       权益差异化、触达渠道精准、数据复盘；

（41）“如何召回流失用户？”

       多渠道触达：通过PUSH、短信、邮件等方式提醒用户

       广告投放：精准投放广告提醒用户

       设计专门的回流活动，如回归礼包、经验加成等，吸引流失用户回归

八、得物

1.

2. 面试问题

（1）自我介绍
       这里我是分别大概介绍了我写在简历上的三段经历，总结一下自己学会了什么、能怎么运用
到这岗位上，大概就是这样～

（2）之前了解得物平台吗？

       这里我就简单介绍了一下之前我一般用得物干什么，鉴别真假十社区种草十购物

（3）未来职业规划？

       大概就往运营上靠吧，说自己对这行很感兴趣也想往这方面发展之类的

（4）有没有了解最近一些热点？举例一下

       我和姐姐扯了特别久李明德哈哈哈哈把她还逗笑了

（5）商户分层怎么做，不同分层的运营重点是什么？

       我认为在做商家分层时，可以先把新商家单独区分出来，因为新商家缺乏在平台的历史数据，在分层时有特殊性。对于新商家的运营，重点在于培育。主要的运营手段可以是：(1) 线上课程结合社群运营，对商家进行培育与服务(2) 设置不同时间节点的商家任务，牵引商家经营(3) 专属流量扶持
        在新商家之外，可以主要依据GMV来做商家分层，也可以综合考量商家的外部影响力，发展潜力，并且需要适当考虑行业维度。具体分层上，可以分为头部商家、腰部商家、尾部商家。

       针对头部商家，要集中资源帮助其做大做强，帮助平台获取收入的同时也打造showcase.主要的运营手段可以是：(1)  统筹资源，联合做活动(2)  点位费、流量、活动等权益倾斜(3)  做好客情维系和服务(4)  颁发荣誉奖项帮其提高影响力

       针对腰部商家，重点在于挖掘潜力商家，帮助其成长，腰部壮大，生态才健康。主要的运营手段可以是：运营指导，尤其是通过数据分析赋能商家；运营活动；运营培训

       针对尾部商家，重点以较低成本运营。主要的运营手段可以是：(1)分析历史数据，筛选出曾经数据较好的商家，做重点运营，牵引其成长(2)针对一般的尾部商家，通过自动化的触达方式，低成本的促活或召回

（6）运营做得很好，但是商家销量不好怎么办

        第一，先看商家在竞对的销量怎么样？在线下的销量怎么样？如果销量都不高，是不是商家服务和商品本身存在问题 (电商的话，可以举例卖的东西太小众大家都没有相关需求，本地生活的话，可以举例商家选址太偏僻根本没有人会去那里）？要先解决这些根本题，再针对性提供运营手段。站在平台运营的角度，我需要合理分配资源，如果这个商家确实是因为自身的根本性问题，导致销量不好，那我也应该考虑是否把同样的资源分配到更有发展潜力的商家身上。
       第二，如果只是我们平台销量不高，那需要具体去分析原因。比如按照货架电商和内容电商两种模式，分别去分析转化漏斗，定位问题到底出在哪里。比如，是没有做内容去获客，还是内容有问题获客不精准，还是组品有问题，服务有问题。在定位到具体原因之后，再去做针对性的解决。此外，因为商家销量不好，所以在平台的运营积极性可能会下降。那我就需要和BD一起做好客情维护，多去商家拜访交流，了解商家的需求痛点。

（7）抖音电商、淘宝、京东、拼多多的差异

       我先说一下最大的差异，之后再分人货场做一个补充的分析。最大的差异是：抖音电商偏向于内容电商的模式，能够通过内容激发用户的消费需求；其他几家平台虽然也在补充内容电商的能力，但还是更偏向于传统的货架电商模式，用户是基于明确的消费需求来使用产品，用户时长和黏性会更差，潜在的消费者数量也更少。  

       在三家货架电商里面，淘宝的优势是 “全”，它给大家的品牌认知也是万能的淘宝，京东的优势是物流和商品品质，拼多多的优势是价格，以及社交电商的模式。在上一点的基础上，下面我分人货场，再分析一下其他差异：

• 人，也就是用户层面。抖音的用户规模最大，但是其难点在于，如何在内容平台的属性基础上，在消费场景中抢占用户心智；拼多多的用户最为下沉
•   货，也就是商家、商品层面。淘宝在商品数量方面整体来说具有优势，拼多多在商品价格方面整体来说更有优势，不过近两年几家平台也都在价格力方面追赶拼多多，但相应的，拼多多的一些商品质量会更差一些
• 场的层面，抖音的相比其他三家平台，最大的差异是提供了更多内容营销的玩法，比如短视频、直播、达人合作；拼多多则是通过很多社交化、游戏化的玩法，来实现用户增长和留存，此外还首创了百亿补贴，在提升品牌形象、用户拉新和吸引品牌入驻方面，都起到了很好的作用

（8）对拼多多有什么了解？
       我用三个关键词来回答这个问题吧：第一个关键词：极致低价。为了做到低价，拼多多
有很多不同于其他电商平台的做法，比如：

• 在用户侧，不设置购物车，不做凑单满减；
• 在商家侧，设置更低的入驻门槛和佣金，设计“自动跟价”工具；；
• 在平台侧，流量主要按单品粒度分发，向低价商品倾斜

       第二个关键词：百亿补贴。百亿补贴极大的扭转了拼多多的品牌形象，帮助拼多多在消费者中建立了低价正品的心智，拉动了用户增长，而且随着拼多多平台和百亿补贴的影响力扩大，后续品牌也更愿意投入真金白银参加百亿补贴，改变了原本只是由平台进行补贴的模式，使得百亿补贴有了更好的ROI

       第三个关键词：消费升级。拼多多的创始人黄峥先生有一句让我印象深刻的话，消费升级不是让上海人去过巴黎人的生活，而是让安徽安庆的人有厨房纸用，有好水果吃。很多人会把拼多多和消费降级联系起来，但黄峥先生的这句话对我有一个很大的启发，就是看待事物不能只站在自己的视角，更不能人云亦云，而要有认真的思考

（9）你觉得做好商家运营，哪些能力最重要？ (校招）

       沟通能力：我们的工作中，会涉及到大量的与商家沟通，或者内部跨部门沟通的情形，所以沟通能力很重要
       分析能力：我们需要运用数据等分析手段，发现问题，诊断问题，解决问题，制定运营策略，所以分析能力很重要
       学习能力：互联网，尤其是本地生活（电商） 业务的发展日新月异，所以需要我们有持续学习的能力，才能跟得上业务的演进
       知识积累：比如电商领域的知识，或者行业知识

（10）如果需要你线下拜访一个商家，劝说其入驻得物，你在拜访前，拜访中，拜访后分别会怎么做？（校招）

       拜访前：明确拜访目标，提前搜集商家信息，在得物的同类商家成功案例，制定与商家沟通的计划，撰写初步的合作方案；把有关得物的介绍发给商家，并简要介绍入驻得物对商家生意增长的帮助

       拜访中：首次拜访的话，根据拜访对象的具体情况，带个小礼物；自然的寒喧之后，了解商家的经营情况，尤其是到的困难；介绍得物的优势以及能够给到商家的运营扶持，尤其是针对对方的困难，做针对性的介绍；拜访结尾，加上对方的微信，并且告诉他回去之后会认真分析情况，3天内会给到他针对性的合作方案

       拜访后：撰写一份更为详细完整的合作方案，视情况当面或者线上给到商家，持续跟进，直到合作

（11）对得物电商的了解

       说了得物差异化定位，结合电商和社区两种元素。以潮流商品和正品鉴定为核心的电商平台。有着区别于其他电商平台先鉴别后发货的品牌理念，有效的给到用户购买保障。然后说了之前在得物的购买经验（新人优惠券，社区种草，正品鉴定，快递物流，很好的售后服务）

（12）得物电商的优势和劣势。

（13）对二手交易的看法。

（14）你有没有参与过二手交易。如果有，请分享一下你的经历。

（15）得物电商的用户群体，如何吸引和留住用户。

（16）对得物电商的运营策略的了解和看法

（17）得物电商的核心竞争力是什么。

（18）如何评估得物电商的运营效果

（19）你认为得物电商的营销策略有哪些？你会如何制定营销计划？

（20）你认为得物电商的用户体验如何？你会如何优化用户体验？

（21）你对得物电商的数据分析有什么看法？你会如何利用数据分析来优化运营？

（22）如果和领导发生冲突，你会怎么处理？【后面有】

（23）你认为得物电商的品牌形象如何？你会如何提升品牌形象？

（24）过往经历遇到最大的困难是什么？如何解决？

（25）最大的三个缺点和三个优点。

（26）职业生涯规划

（27）如何看待加班，抗压能力强吗？

       我认为工作目标的达成是第一位的。如果遇到项目紧急或特殊情况需要加班，我愿意积极配合团队完成任务。不过，我会优先通过提高工作效率、合理安排时间来减少不必要的加班，比如提前规划任务、优化工作流程或与团队充分沟通协作，尽量避免因拖延导致的加班。

       关于抗压能力，我在之前的学习中遇到过比较高压的情况。……

（28）对岗位本身负责女装类目的理解

（29）对商家运营的理解

（以互联网为模式，进行商品服务交易等商业活动，会结合第三方物流，扩大销售渠道，给到客户优惠的价格，提升店铺销售和用户体验）

（30）可以详细谈谈你的项目经历吗？(这一段最好可以用star法阐述）

（31）为什么要来得物商家运营的女装类目

（32）自我介绍里面提到了你是得物的用户，你觉得得物和其他平台有什么区别？
       答了潮牌，鉴定服务，社区种草

（33）你过往没有商家运营的经历，为什么会想来这个岗位。

       分三点答自身对商家运营的理解、自身能力与岗位需求匹配、发展目标和兴趣驱动） 如果之前有运营的经验先说互联网运营其实有共同性，都是在为了产品而服务。接着就用能力迁移，描述自身上的能力匹配商家运营包括数据分析，商家用户需求洞察能力，分层运营等等。再说一下对这个岗位很感兴趣什么的，职业发展目标契合。希望用自己的能力去转化商家增长）

（34）某个商家在一段时间内订单量持续下跌，你如何拆解这个问题从而发现根源？

       一是治理问题：商家体验分是否预警，客诉率退货率等基础治理指标排查，商品主图详情页等是否不合规，等等；二是流量挤压问题：时间点是否位于大促、节日等时间点，流量是否被迫划分到其他因子。三是品类结构：该商家是否品类结构单一（反季品类为主？主打少sku垂直爆款？）解决策略如拓宽连带的品类（如运动T恤类可拓宽骑行裤、短裤）；四是成交方式单一（仅商品卡）：排查商家是否打开各个流量场景（短视频、精选联盟、商品卡）

（35）怎么样做好商家运营，需要具备哪些特质。

（36）你对女装行业的认知？

（37）为什么来得物而不是其他电商平台？

（38）如何理解电商快节奏

       “电商快节奏”是电商领域的一个显著特征，主要体现在行业变化迅速、消费者需求迭代快、技术驱动创新频繁等方面。

       1. 市场与竞争的高动态性：

• 快速迭代的商业模式：电商行业从早期的B2B、B2C到社交电商、直播电商、兴趣电商等模式，几乎每隔几年就会出现新的风口（如拼多多的拼团模式、抖音的直播带货）。
• 资本推动扩张：资本注入加速行业洗牌，企业需快速抢占市场份额，否则容易被淘汰（例如社区团购的“百团大战”。

       2. 消费者行为与需求的快速变化

• 个性化需求崛起：消费者对商品和服务的期望越来越高，从“性价比”转向“质价比”，甚至追求定制化体验。
• 信息透明化倒逼效率：用户比价、测评、口碑查询便捷，商家需快速响应需求变化，否则用户会迅速转向竞品。

       3. 技术与数据的驱动作用

• 技术迭代加速：大数据、AI、区块链等技术不断被应用到电商场景中（如智能推荐、无人仓储、虚拟试衣），商家需持续跟进技术升级。
• 数据实时反馈：通过用户行为数据的实时分析，商家能快速调整营销策略、优化库存，形成“测试-反馈-优化”的闭环。
• 供应链敏捷化：柔性供应链、C2M（用户直连制造）等模式缩短生产周期，快速响应市场需求（例如Shein的“小单快反”模式）。

      4. 营销与运营的短周期化

• 营销活动高频化：传统电商大促（双11、618）之外，日常的秒杀、直播、节日营销几乎不间断，用户被持续刺激。
• 内容营销主导流量：短视频、直播等内容形式要求商家快速产出创意，平台算法规则的变化也迫使运营策略频繁调整。
• 用户生命周期缩短：用户忠诚度降低，商家需通过会员体系、私域运营等手段快速建立粘性。

       5. 挑战与应对策略

• 压力与机遇并存：快节奏带来增长机会，但也导致试错成本高、团队负荷大、资源消耗快。
• 企业应对方式：敏捷组织架构：扁平化管理，快速决策（如独立项目制、小团队作战）。数据驱动决策：通过实时数据分析降低试错风险。生态合作：与物流、支付、技术服务商共建生态，提升整体效率。长期价值与短期节奏平衡：在追求速度的同时，注重品牌建设与用户信任。

（39）你对电商指标有哪些了解？

（40）如何提高平台商家数？

（41）To B和To C的区别

（42）作为得物的重度用户，那你对得物、淘宝或者现在抖音、小红书这些平台是怎么看待的？

（43）商家的分层管理-按照GMV/上新频率/爆款率等纬度对商家进行分层

（43）分层进行运营管理-头部商家推大促坑位/中腰部做品类组合/新店流量扶持

（44）数据分析-看板分析商家gmv、转化率、退货归因等

（45）活动策划-比如协助团队打造一个运动潮流季，可以联合运动服装品牌打造场景化专区，提高商家gmv等等 

（46）得物电商的核心竞争力是什么。

（47）如何评估得物电商的运营效果。

（48）你认为得物电商的营销策略有哪些？你会如何制定营销计划？

4. 数据分析面试问题

（1）你知道几种表连接，A表有M个数，B表有N个数，连接后表最少有多少个数，最多有多少个数

       在数据库表连接中，不同的连接方式会导致结果集的大小不同：

• 最少记录数：当使用内连接（INNER JOIN）且两表无任何匹配记录时，结果集为空，因此最小记录数为 0。
• 最多记录数：当使用交叉连接（CROSS JOIN，即笛卡尔积）时，结果集为两表记录的所有组合，因此最大记录数为 M × N。

（2）平时用过笛卡尔积连接嘛？

（3）今年第二季度的GMV相对于第一季度下降，如何分析？

（4）对自身的职业规划，个人的方向是倾向于什么？

（5） break, continue, pass的区别

       break完全结束一个循环，不仅可以结束其所在的循环，还可结束外层的循环。接着执行循
环外的语句。continue是立即结束本次循环，重新开始下一次循环。pass作为占位符，不执行任何操作。
（6）union和union all的区别

       union 是对两个表取并集，不包括重复行，按默认规则排序；union all 是对两个表取并集，包含重复行，不尽兴排序。

（7）数据排名的窗口函数区别

（8）join 的 on 和where的区别

       计算顺序，对于内连接(innerjoin),where和on等效。对于外连接(outerjoin),on 先执行，where过滤后执行。

（9）对得物的看法，为什么选择得物？

（10）平常用什么购物软件？有没有用过得物？

（11）得物最近的销量有所下降，你怎么分析？

       确定数据的准确性（数据存储和清洗是否存在问题，指标统计口径和计算方式是否发生变化，业务逻辑是否更改）。确认指标异常类型和范围（类型：偶发性/周期性/趋势性，范围：降幅是否合理）分析方法：人货场
       人：新老客户/分渠道/分获客方式/用户画像（性别年龄地域职业等）

       货：不同产品线/不同价位

       场：销转流程/近期优惠活动/行业表现（竞争对手）

（12）你常用的数据分析工具和方法是那些？

（13）如果某个增长策略的效果未达预期，你会如何通过数据分析找出原因并调整策略？

（14）用户增长核心是那几个环节？（拉新-转化-留存-复购）你觉得哪个环节对得物这样的平台最关键，为什么？

       一、拼多多：留存为核心。拼多多的用户增长逻辑高度依赖社交裂变和游戏化运营，但留存是其长期发展的核心驱动力，原因如下：

1. 游戏化设计延长用户生命周期：通过“多多果园”“多多牧场”等轻游戏化功能，用户即使无购物需求也会因沉没成本（如种植进度、奖励积累）频繁打开App，日均停留时长显著提升。这类设计不仅增强粘性，还通过任务引导用户复购（如浇水需浏览商品或下单），将留存与付费直接挂钩。

2. 低价心智与高频复购：拼多多定位下沉市场，用户对价格敏感，通过“全场包邮”“限时秒杀”等策略降低决策门槛，结合“无购物车”设计缩短购买路径，刺激用户高频购买。留存率提升直接带动GMV增长。

3. 社交沉淀与召回机制：“拼小圈”等社交功能将用户购物行为社交化，增强用户间的信任感和互动，同时通过服务号推送优惠信息召回流失用户。

       关键原因：拼多多已进入用户存量竞争阶段，需通过留存提升用户生命周期价值（LTV），而游戏化留存策略与低价复购模式是其核心壁垒。

       二、得物：付费为核心。得物作为潮流电商平台，用户增长的核心在于高客单价交易和品牌信任度，因此付费环节最关键：

1. 高溢价商品的付费逻辑：得物早期依赖球鞋二级市场的“炒鞋”模式，用户愿意为稀缺性支付高溢价。即使转型多品类后，潮玩、联名款等高单价商品仍是主要收入来源，平台通过“先鉴别后发货”机制建立信任，支撑高客单价交易。

2. 精准客群与低退货率：得物的用户以年轻潮流群体为主，对品质和品牌敏感度高，且退货率低于传统电商（如高跟鞋退货率仅3%）。平台通过精准匹配需求（如IP联名款、定制礼盒）提升付费转化率。

3. 供应链与正品保障：得物的“新质供给”策略吸引品牌商入驻，通过差异化商品（如独家首发、限量款）维持高利润空间，同时严格品控减少用户决策疑虑。

       关键原因：得物的商业模式依赖高毛利商品和用户信任，付费转化直接决定平台收入及商家生态健康度，而低价拉新或裂变对其品牌调性可能产生负面影响。

       三、抖音电商：拉新与激活并重。抖音作为内容电商平台，用户增长的关键在于拉新触达效率和激活转化速度：

1. 算法驱动的拉新能力：抖音通过“去中心化分发”和“内容精准推荐”覆盖长尾流量，用户触达成本低。例如，利用多账号矩阵（如母婴行业细分“孕期营养”“早教启蒙”等垂直账号）覆盖85%目标用户，并通过数据追踪优化投放策略。

2. 短视频与直播激活冲动消费：用户通过短视频或直播被“种草”后，可一键跳转购买页面，短决策路径（如“限时秒杀”“直播间专属价”）大幅提升激活率。

3. 内容生态与用户留存联动：虽然留存依赖内容吸引力，但抖音电商的底层逻辑是“流量即交易”，需通过持续拉新补充潜在买家池，并依靠算法快速激活新用户（如首单优惠券）。

       关键原因：抖音的流量红利仍在，但用户消费需求多为非计划性，需通过高频拉新和快速激活（如首单1元购）扩大用户基数，同时依赖算法提升转化效率。

       需根据业务调整重心（如早期重拉新，成熟期重留存与付费）：

• 拼多多的“拉新→激活→传播”形成社交裂变闭环；
• 得物通过“付费→传播”强化潮流圈层口碑；
• 抖音依赖“拉新→激活→付费”快速转化内容流量。

（15）如何平衡短期用户增长和长期用户评价？

       在用户增长过程中，平衡短期爆发与长期价值是核心挑战。过度追求短期数据可能导致用户疲劳、品牌透支；而忽视短期增长则可能错失市场机会。

       平衡关键点一：建立科学的指标体系

1. 北极星指标引领长期价值。例如电商平台的GMV、社交平台的用户日均使用时长。该指标需反映核心业务价值，并作为长期战略的“指南针”。

2. 拆解短期增长与长期留存指标。将北极星指标拆解为可操作的次级指标：

• 短期：新增用户数、首单转化率、裂变分享率；
• 长期：用户留存率、复购率、LTV（用户生命周期价值）

       平衡关键点二：通过行为分层与HVA模型，识别高价值用户行为

1. 定义HVA（高价值行为）。例如电商平台中“跨品类消费”“购买会员”等行为，可显著提升用户LTV。通过数据挖掘，筛选出既能驱动短期转化又能增强长期粘性的行为。案例：京东发现用户首次购买生鲜后复购率提升30%，因此通过“首单立减”引导用户跨品类消费。

2. 设计“魔法数字”与参与等级。例如用户下单3次后留存率趋于稳定（“魔法数字”），或每月签到8次以上可提升活跃度。通过阶梯式奖励（如签到积分翻倍）激励用户跨越关键行为阈值。

3. 低价值行为的转化策略。即使是低价值行为（如浏览商品），若高频发生也可能转化为高价值。例如淘宝通过“猜你喜欢”算法提升浏览深度，间接促进下单。

        平衡关键点三：优化增长策略的“时间效应”、数据驱动的精细化运营

1. 短期裂变与长期留存机制融合。裂变设计：拼多多的“砍价免费拿”快速获客，但加入“浇水进度保存”机制，用户需持续登录完成任务，延长生命周期。延迟奖励：排队免单模式中，用户需推荐好友加速免单进度，既刺激裂变又绑定长期参与。

2. 避免“促销疲劳”陷阱。频繁降价（如电商平台月月大促）会导致用户价格敏感度提升、品牌忠诚度下降。

       平衡关键点四：数据驱动的精细化运营

1. AB测试与Lift模型：通过AB测试验证策略效果，例如优化页面设计时遵循Lift模型的六大原则（价值主张、相关性、清晰度等）。火山引擎DataTester支持复杂实验设计，帮助企业低成本验证假设。

2. 用户分群与个性化运营：建立FRM模型，对不同用户采取不同的优惠对

3. 未来价值预测：通过用户行为聚类（如“双胞胎用户”模型），预测特定行为对长期价值的影响。例如测算用户购买会员后未来一年的消费增量，指导资源倾斜。

维度	短期策略案例	长期策略案例	平衡要点
用户获取	裂变活动、信息流广告	轻游戏	避免过度依赖补贴，强化价值吸引
用户体验	简化注册流程、首单优惠	个性化推荐、客服智能化	短期转化不损害长期信任
数据应用	A/B测试优化按钮文案	LTV预测与HVA挖掘	用数据穿透“短期噪声”，锚定长期价值

（16）在用户增长过程中，如何识别“虚假增长”比如通过补贴和短期活动带来的低质量用户？

       在用户增长过程中，识别“虚假增长”是确保业务可持续发展的关键。虚假增长通常表现为通过补贴、数据造假或短期活动吸引大量低质量用户，但这些用户缺乏长期价值（如留存、付费、传播）。

       一、数据指标分析：识别异常信号

1. 留存率与活跃度背离：若新增用户数激增但次日/7日留存率显著低于行业平均水平，则可能为虚假增长。

2. 付费转化与客单价异常：低质量用户通常呈现“高参与、低付费”特征：付费率低于正常用户，客单价低于正常用户。

3. LTV（用户生命周期价值）低于CAC（获客成本）

       二、用户行为建模：区分高价值与低价值行为

1. 定义HVA（高价值行为）与LVA（低价值行为）。HVA：如跨品类消费、复购、分享商品、参与社区互动等；LVA：如仅领取优惠券未使用、参与活动但未完成关键动作（如下载App后未注册）

2. 行为路径分析：通过用户旅程地图识别异常路径。短期活动用户：行为集中于“活动页→领券→下单”，极少浏览其他页面；自然用户：路径更分散，如“搜索→商品详情页→加购→支付”。

3. 用户分群与聚类：利用RFM模型（最近购买时间、购买频率、消费金额）或行为标签（如“薅羊毛用户”“价格敏感用户”）分层管理。例如，某电商平台通过聚类分析发现，30%的新用户仅参与“限时秒杀”，此类用户留存率仅为自然用户的1/368。

    应对策略：

       一、技术手段与反作弊机制

1. 流量真实性校验：异常流量识别，如IP集中、设备ID重复、行为时间规律性过强（如整点批量注册）；真人行为模拟检测：通过鼠标轨迹、点击间隔等识别机器刷量。

2. 制定规则拦截异常行为，例如：限购策略：同一设备/账号每日限购1次低价商品；黑名单机制：标记频繁退货、恶意刷单用户。

3. 数据溯源与归因分析：追踪用户来源，识别低质量渠道。例如某直播平台发现某渠道新增用户次日留存率仅2%，远低于其他渠道的15%，判定为刷量渠道并停止合作。

       二、补贴策略优化：平衡短期与长期价值

1. 动态补贴设计分层补贴：对高潜力用户（如完成HVA）提供更高额度，而非无差别发放；延迟奖励：如“连续签到3天解锁大额券”，过滤短期薅羊毛用户46。

2. ROI监控与止损机制：设定补贴ROI阈值（如1:1.5），实时监控并调整策略。例如某打车平台发现某区域补贴ROI跌破0.8，立即停止活动并复盘用户质量。

3. 补贴与价值绑定：将补贴与用户价值行为挂钩，如“分享商品后可解锁折扣”，既激励传播又筛选高质量用户。

维度	预警信号	应对策略
数据指标	留存率<行业均值、LTV<CAC	优化渠道、调整补贴策略
用户行为	仅参与补贴活动、无HVA行为	分层运营、绑定价值行为
技术异常	IP/设备集中、行为规律性强	部署反作弊系统、黑名单机制
业务逻辑	高GMV但低毛利、供应链数据异常	加强数据溯源、建立风控模型

（17）举例说明你的数据分析能力？

（18）在用户增长中，如何判断某个数据指标的变化是“相关性”还是“因果关系”？请举例说明

       还有其他的因果推断常用方法：PSM、CEM……

       1. 随机对照实验（A/B测试）通过随机分配用户到实验组和对照组，隔离单一变量影响，验证因果关系。案例：

• 目标：验证“推送个性化优惠券”是否提升用户付费率。
• 实验设计：实验组：收到个性化优惠券（基于浏览历史推荐）；对照组：收到通用优惠券或无优惠券。
• 结果：若实验组付费率显著高于对照组，可推断因果关系。
• 关键：随机分配确保两组用户特征分布一致，排除其他变量干扰。

       2. 控制变量法：在观察性数据中，通过统计模型控制潜在混淆变量，观察变量间关系是否依然显著。案例：

• 观察现象：用户参与社区讨论次数与留存率正相关。
• 假设：参与讨论（A）导致留存（B）。
• 验证：控制用户活跃度、注册时长、历史消费等变量；若参与讨论次数仍显著预测留存，则支持因果关系。
• 工具：多元线性回归、逻辑回归。

       3. 断点回归（Regression Discontinuity）：利用自然或人为设定的阈值，观察阈值两侧的突变效应。案例：

• 目标：验证“会员等级提升”是否增加用户消费。
• 设计：用户累计消费满1000元升级为VIP，对比消费999元（非VIP）与1001元（VIP）用户的后续消费差异。
• 结论：若VIP用户消费显著增长，可推断会员权益（因）驱动消费（果）。

       4. 工具变量法：寻找与自变量相关但仅通过自变量影响因变量的变量（工具变量），解决内生性问题。案例：

• 问题：广告曝光（A）是否促进购买（B）？
• 挑战：用户可能主动搜索广告商品（反向因果）。
• 工具变量：广告投放的随机时段（如某时段因技术故障未投放广告）。
• 分析：比较广告曝光时段与非曝光时段的购买率差异，排除用户主动行为干扰。

（19）如何涉及一个多变量的增长实验，例如同时测试价格、文案、渠道等多个因素？如何确保实验结果的准确性？

       一、实验设计方法

       1. 多变量测试（Multivariate Testing, MVT）

• 全因子设计（Full Factorial）：测试所有可能的变量组合。优点：能捕捉所有变量间的交互效应。缺点：组合数指数级增长（例如3因素×2水平=8组），成本高。
• 部分因子设计（Fractional Factorial）：仅测试部分组合，牺牲部分交互效应信息以降低复杂度。
• 田口方法（Taguchi Method）：通过正交表减少实验组数，适用于工程优化。

       2. 分层实验（如A/B/n测试）：分阶段测试不同变量：例如先优化文案，再测试价格，最后调整渠道。优点：降低复杂性，但可能忽略变量间的协同效应。

       3. 响应面法（Response Surface Methodology）：通过数学模型拟合变量与结果的关系，找到最优组合（适用于连续变量，如价格区间）。

       二、确保实验准确性的关键步骤

       1. 控制变量与随机分组

• 随机分配用户：确保实验组和对照组用户特征分布一致（如地区、设备、新老用户）。
• 隔离变量影响：若测试多个渠道，需确保不同渠道的用户不重叠（如避免同一用户看到不同文案）。

       2. 样本量计算

• 使用统计工具（如Power Analysis）确定最小样本量，确保结果显著性（如95%置信水平）。
• 考虑多变量交互效应时，样本量需更大。

       3. 正交实验设计：确保变量间相互独立（如价格和文案不相关），或通过统计模型分离交互效应。

       4. 时间与外部干扰控制

• 同期对比：所有实验组在同一时间段运行，排除季节性因素。
• 排除异常事件：如促销活动、系统故障等。

       三、数据分析与结论验证

       1. 统计分析方法

• 方差分析（ANOVA）：检验多变量对结果的独立影响及交互效应。
• 多元回归模型：量化每个变量的贡献（如文案A对转化率的提升系数）。
• 贝叶斯方法：动态更新实验结果，适用于小样本或快速迭代场景。

       2. 验证交互效应

• 例如：低价+文案A的效果是否优于高价+文案B？
• 通过交互项（如Price×Copy）的显著性判断。

       3. 结果复现与长期验证

• 短期实验可能受偶然性影响，需通过A/A测试（对照组对比）验证系统稳定性。
• 长期跟踪用户行为，避免短期优化损害长期价值（如降价可能提升转化但降低利润）。

       五、案例：电商平台的多变量测试

• 变量：价格（99/99/119）、文案（“限时折扣”/“畅销爆款”）、渠道（Facebook/Google Ads）。
• 设计：部分因子设计（4组：价格×文案×渠道部分组合）。
• 分析：ANOVA显示价格和文案显著影响转化，渠道效应不显著，但价格×文案交互效应显著。
• 结论：采用低价+“限时折扣”组合，渠道选择根据成本优化。

       常见陷阱与解决方案

• 辛普森悖论：分组数据与总体结论矛盾 → 确保分组随机性。
• 样本污染：用户跨组体验 → 通过Cookie或用户ID严格隔离。
• 多重检验问题：多次对比增加假阳性风险 → 使用Bonferroni校正或控制FDR（错误发现率）。

       多元回归 vs ANOVA

• ANOVA：通过分解方差判断变量是否显著，但难以量化效应大小（如无法直接回答“价格提升1元会降低多少转化率”）。
• 多元回归：直接输出变量系数，量化每个变量的独立影响和交互效应。更灵活，可处理连续变量（如价格设为连续值）和非线性关系（如加入二次项）。

（20）你如何看待“社交电商”和“内容电商”在用户增长的作用？得物如何利用这些趋势实现增长？

       一、社交电商与内容电商的核心差异及用户增长逻辑

       1. 社交电商：裂变驱动的信任经济

• 核心逻辑：以社交关系链为基础，通过利益绑定（如拼团、分销返佣）或情感共鸣（如社群互动）实现用户裂变。

• 增长优势：低成本获客：依托微信等社交平台，通过用户自传播降低流量成本。例如拼多多的“砍价免费拿”借助微信裂变，日活跃用户（DAU）迅速破亿。高转化率：熟人推荐增强信任感，用户决策路径缩短。蜜源APP通过“创客”体系（用户既是消费者又是推广者），形成利益共同体，月均GMV突破3亿。下沉市场渗透：低线城市用户对价格敏感且社交关系紧密，拼多多通过低价拼团覆盖超60%的县域市场份额。

       2. 内容电商：兴趣驱动的种草经济

• 核心逻辑：以内容（短视频、直播、图文）为载体，通过情感共鸣或场景化展示激发用户需求。

• 增长优势：精准触达：算法推荐匹配用户兴趣，如抖音的“货找人”模式，用户日均使用时长超40分钟，直播转化率提升270%。高用户黏性：小红书通过UGC内容（用户原创笔记）和KOL种草，用户复购率显著高于传统电商。年轻群体覆盖：90后、00后占比超四成，偏好娱乐化消费，抖音通过短剧植入带货视频，吸引年轻用户冲动消费。

       二、头部平台的差异化增长策略

       1. 拼多多：社交裂变+低价心智的双重引擎

• 社交裂变：拼团模式通过“拼单”“砍价”实现用户裂变，例如“1元购”活动降低新用户激活门槛，首单转化率提升至15%。
• 低价供应链：直连产业带工厂（C2M模式），去除中间商成本，例如农产品直供模式使价格低于传统渠道30%。
• 混合模式探索：近年尝试内容化转型，如“多多视频”嵌入商品链接，但效果逊于抖音，仍以低价为核心壁垒。

       2. 得物：内容+社群的垂直生态构建

• 内容驱动信任：以球鞋鉴定报告、潮流穿搭内容为核心，吸引年轻用户建立“正品心智”，退货率仅3%（远低于行业平均水平）。
• 社群运营强化粘性：用户自发分享“开箱测评”，形成圈层化互动，例如限量款发售时通过社群预热，提升用户参与感。
• 稀缺性营销：独家首发、联名款商品通过内容种草（如KOL测评）制造稀缺感，客单价高达传统电商的2-3倍。

       3. 抖音电商：算法+内容的全域闭环

• 算法驱动的“兴趣电商”：短视频和直播内容通过算法精准分发，用户从“种草”到“拔草”平均决策时间仅2分钟68。
• 直播带货引爆转化：头部主播（如罗永浩）与品牌自播结合，例如某服饰品牌直播转化率提升270%，GMV增长超5倍。
• 供应链整合：布局产业带直播基地（如义乌小商品），通过“源头直供”强化低价心智，同时提升商品丰富度。

       三、趋势融合与未来挑战

       1. 模式融合：社交与内容的边界模糊化

• 社交电商内容化：拼多多推出“多多视频”尝试内容种草，但转化效率仍依赖低价；蜜源通过“商学院”培训用户创作推广内容，形成内容裂变闭环107。
• 内容电商社交化：抖音上线“朋友推荐”功能，鼓励用户分享商品至社交圈，同时测试“拼团”功能，探索社交裂变可能性。

       2. 增长瓶颈与应对策略

• 社交电商的信任危机：过度依赖补贴导致用户质量下降（如“羊毛党”占比过高），拼多多通过“仅退款”规则调整平衡消费者与商家权益。
• 内容电商的同质化竞争：抖音面临小红书、快手的内容分流，需加强差异化（如垂类直播、产业带溯源内容）以维持用户黏性。
• 供应链深度整合：抖音布局产业带、拼多多升级“百亿减免”计划，均指向供应链效率提升，以支撑低价与内容创新的可持续性。

（21）如何推动各部门团队达成共识并高效执行增长策略？比如市场、产品、技术

（22）你认为过去的经历中遇到的最大的困难是什么？有什么收获？

（23）如果新用户注册量短期内大幅度增长，但留存率确持续下降，你会如何分析原因并提出解决方案？

（24）有用过得物app吗？像球鞋潮牌、美妆还有奢侈品这些你有了解吗？基于你对得物的了解你认为得物用户群体有哪些特点？

（25）设定五局比赛，获得三分即赢，现在甲队已经赢得第一局，计算甲队获胜的概率

       甲获胜的情况包括：

1. 甲在接下来的2局中全部获胜：组合数是1，概率C(2,2)*(0.5)^2 = 0.25。
2. 甲在接下来的3局中赢2局，输1局，并且最后一局是甲赢的：组合数是C(2,1)种，即前两局中有一场输，然后第三局赢，概率为2*(0.5)^3=0.25。
3. 甲在接下来的4局中赢2局，输2局，并且最后一局是甲赢的：组合数是C(3,1)种，即前三局中赢1局，输2局，然后第四局赢，概率为3*(0.5)^4=0.1875。

       将这些加起来，得到0.25 + 0.25 + 0.1875 = 0.6875，也就是11/16。

（26） 怎么估算一个城市有多少个加油站

       1. 收集基础数据：查找人口数量、面积大小以及汽车保有量。例如，假设150 万人口，汽车保有量为 50 万辆。 2. 确定加油站服务范围：一般来说，城市中加油站的服务半径可能在 3-5 公里左右。可以根据城市布局，估算出城市被划分为多少个这样的服务区域。如面积为 300 平方公里，以每个加油站服务 10 平方公里计算，那么理论上需要 30 个加油站。 3. 考虑汽车保有量与加油站的匹配关系：通常每 1-2 万辆汽车需要 1 个加油站。按照 50 万辆汽车计算，需要 25-50 个加油站。 4. 结合实际因素调整估算：考虑到一些特殊区域（如高速公路出入口附近、工业园区等）加油站数量可能较多，而一些偏远地区可能较少。综合以上因素，可以初步估算大约有 30-50 个加油站。

（27）能接受加班吗

       加班是工作的一部分，特别是在项目紧急或任务繁重时。如果加班是为了完成重要的项目目标，确保团队的成功，愿意接受。但合理安排工作时间和提高工作效率是避免频繁加班的关键，要努力在工作时间内高效完成任务，同时如果加班不可避免，也会积极调整状态，确保加班时间的工作质量。

（28） 和领导有冲突的时候，你怎么处理

       1. 冷静分析原因：是因为工作目标不一致、沟通不畅，还是误解？

       2. 主动沟通：在沟通中，尊重领导的意见，同时清晰、诚恳地表达自己的观点和想法，说明冲突背后的原因和自己的考虑。

       3. 寻求解决方案：以解决问题为导向，共同探讨如何化解冲突，找到双方都能接受的方案。强调团队目标和工作成果的重要性，避免将冲突升级为个人矛盾。

       4. 反思总结：事后反思自己在冲突中的表现，总结经验教训，避免类似冲突再次发生，并努力提升自己的沟通能力和团队协作能力。

（29）描述一个你最近解决的很难的问题

        STAR框架用起来，挑一个有难度但成功解决的问题。重点不要放在“难”，而是“解决”，挑的例子不要一听就很简单事，清晰地描述出“难”在哪，你做了什么，以及你是怎么扭转乾坤的。

（30）介绍一个自己的项目，你在这个项目中遇到的困难有什么

（31）你做过最有成就感的事

（31）你最受挫折的事

（32）有没有协调两个组织共同完成事务的经验

（33）GMV下降异动分析

（34）讲一下做的数据报表项目

（35）给你三年的数据， 如何预测接下来一年的销量

（36）如果预测的有一些天的偏差比较大，怎么定位，是什么原因导致的

（37）项目做的都与技术和模型相关，为什么想来数据分析

（38）对数据分析师的定位是什么

（39）对统计学掌握怎么样，一类错误和二类错误哪个更严重

       第一类错误（Type I Error）：原假设（H₀）为真时错误地拒绝它（假阳性）。

• 例如：无罪的人被误判为有罪；无效药物被错误认为有效。
• 发生概率记为 α（显著性水平，如 α=0.05）。

       第二类错误（Type II Error）：原假设（H₀）为假时未能拒绝它（假阴性）。

• 例如：有罪的人被误判为无罪；有效药物未被检测出效果。
• 发生概率记为 β，统计功效（Power）为 1-β。

       在AB实验中，我们通常把原有策略和新策略对某一指标的影响没有显著差异作为原假设，将有显著差异作为备择假设，如果得到的结论是有显著差异时，我们会花费人力物力去执行新策略。在这种情况下，第一类错误会让我们消耗的资源打水漂，第二类错误不会让我们消耗资源，因此第一类错误更严重。

（40）对得物有什么了解

（41）业务和模型以后想做什么方向

（42）自己的职业规划

（43）评估项目KPI，怎么判定是否成功，如何量化

（44）如果同时布置给了你很多任务，你会怎么做 你对这个岗位的理解

（45）数据分析工作中，最重要的能力是什么

（46）如何在日常工作中确定数据准确性

（47） 异动归因

（48）怎样发现大维度数据下的异常值

（49）账户盗用怎么发现

（50）GMV下降异动分析

       就指标异动情况来判断数据波动原因： 数据上升或下降，可分为长期持续性波动、短期突发性波动、周期性波动、正常区间波动（3-sigma识别）。 ①确认问题的真实性。（数据是否准确、统计口径是否一致、数据源是否一致、确认同环比下降是否属于异常） ②内外部因素分析。 内部因素：产品bug（尤其产品迭代上线）、技术bug（服务器异常、数据传输异常、数据仓库统计错误等问题）、运营策略调整（例如用户拉新、促活、促销等）。 外部因素：周期性波动、特殊时间点（节假日）、竞品动作、天气环境、社会热点、政策/市场变化等。（可以用PEST分析法） ③问题拆解（维度下钻、公式拆解【乘法与加法】、漏斗转化/路径分析），采用逻辑树（MECE原则）定位问题点。 ④提出假设，并由易到难逐步验证。 ⑤与产品/运营/技术团队沟通反馈结论，讨论执行方案，跟进落地，后续持续关注问题是否解决恢复，预测未来是否还会持续异动。 ⑥总结复盘。针对不同原因的异动，形成一套分析方法论，避免再次发生，即便发生后续也能更快速定位原因并解决问题。

（51）看板搭建的框架和思路

九、携程

1. 面试问题

（1）平时喜欢旅游吗，旅游经历多吗？

（2）确定一个你去过的景点，说一下你认为的痛点？

（3）针对以上痛点问题，作为携程旅游这个板块产品有什么方案去解决？

• 信息不足与碎片化：游客常面临景区信息分散、格式不统一的问题，导致行程规划困难。例如，景点开放时间、门票政策、特色活动等信息难以一站式获取。携程方案：开放接口平台（Open API）：通过遵循OCTO标准，整合全球景点玩乐内容，实现数据结构标准化，提升信息展示质量和商家录入效率；AI工具辅助内容生产：利用AI生成景区视频、图文介绍及多语言版本，帮助游客快速获取关键信息，如景点历史、文化背景等。

1. 排队等待与入园效率低：传统购票和入园流程耗时，尤其在节假日或热门景区，游客体验大打折扣。携程方案：分时预约与秒入园服务：推出智慧景区标准（需扩大规模），支持分时段预约购票，减少排队时间；部分景区实现“到秒入园”，通过二维码或人脸识别技术快速核验；聚合相似产品：通过AI算法合并同质化产品，减少用户选择时间，平均选货时长降低。

2. 食品安全与消费争议：游客对餐饮卫生和购物环节的信任度不足，尤其是跨境游客可能因信息不对称引发纠纷。携程方案：白名单制度与售后保障：实施“购物店白名单”，动态监控商家信誉，投诉即除名；推出无忧退服务，若商品或服务不达标，按订单金额比例赔付；餐饮推荐与套餐优化（美食林）：通过用户评价筛选优质餐饮商家，并在套餐产品中嵌入特色餐饮选项，减少随机选择风险。

3. 住宿不满意与同质化竞争：酒店服务参差不齐，用户难以匹配个性化需求；中小商家缺乏曝光机会。携程方案：收益管理工具与差异化展示：帮助商家优化定价策略，通过套餐产品展示酒店亮点（如观景房型、餐饮服务），提升转化率；口碑榜与智能推荐：推出全球酒店口碑榜，结合用户评价和特色标签（如亲子、美景）推荐优质住宿，榜单为合作酒店带来20%额外流量。

（4）如果携程要发展一个新项目，之前完全没有做过的，你会怎么去开展相关工作？

       1. 向领导了解对这个项目的期望，为什么会选择你来做这个项目，以确定自己对这个工作任务的目标定位。

• 是对这个项目报以重望，还是决定撤出资源需要尽快收尾，或者只是按部就班做完就好？
• 这个项目目前处于什么阶段，涉及哪些相关方，最重要的目标是什么？
• 我在推进工作中需要注意什么，可以获得的帮助和资源有哪些？

      2. 向相关同事了解项目当前进展及大家对它的看法，以判断相关方对这个项目的支持程度。

• 相关同事（本团队和外团队）是否了解这个项目的目标，是否认可这个目标，是否认为自己和这个项目有关联？
• 大家是否有资源可投入在这个项目上，是否有自己的投入条件，是否和其他项目有资源或利益冲突？
• 如果是和关系还不错的相关方私下沟通，可以请他们分享下对方认为这个项目推进中可能遇到的困难和注意事项。

       3. 综合评估并向领导汇报，和领导就项目可行性目标和工作计划达成一致。

• 收集完以上信息，应该可以对这个项目的目标预期、相关方、可利用的资源、可能的困难和阻碍都有了比较清晰的了解，接下来要做出自己对于这个项目的可行性评估和工作计划，和领导进行汇报。
• 汇报内容包括：综合各方信息后的项目可行目标，和领导预期是否有差异及原因，项目时间计划，需要的资源支持。
• 汇报完毕后，就要按照计划开展工作了，记得把最新计划同步相关方，确保各方信息一致。 当然，也会有领导预期和你的评估不一致、且领导坚持不调整的情况，按照领导要求去做，随着项目推进逐步跟领导探讨。

（5）为什么研究生专业和本科专业差异很大，选择的原因是什么 

（6）项目过程中遇到了什么难推进的地方，怎么解决的

（7）你对携程的了解？

       携程是一站式的旅行平台，公提供包括交通订票、酒店预定、旅游预定、商旅管理等全方位旅行服务。通过与供应商的合作，为用户提供优惠的预订价格。旅拍模块提供旅行短内容浏览、分享和社区互动，增加用户黏性。此外，拥有庞大的客服系统和业内最大的呼叫中心，打造了优质的售后团队。

（8）你觉得携程怎么样？

• 一站式服务：提供包括酒店预订、机票预订、度假预订、商旅管理等全方位旅行服务，很便捷
• 优惠价格：通过与供应商的合作，为用户提供优惠的预订价格
• 社区互动：旅拍模块提供旅行短内容浏览、分享和社区互动，增加用户黏性

（9）你体验过携程攻略种草功能吗？

       有使用过，携程旅行中的探店、旅游攻略内容中，展示了相关图片、视频和攻略，可以让我了解到优质的酒店和餐饮店，并且激发了我探店、旅游的兴趣。

（10）你提出的产品建议的数据来源是什么？

       互联网内容中存在用户对产品的建议与期望，可以作为产品改进内容的数据来源 

       GPS位置数据可以让我们进行实时或历史客流分析和游客分布分析，进而利用内容推荐算法调整内容排序分散客流，同时游客画像分析可以让我们构建游客画像，进而优化内容推荐算法。

       银联清算数据可以让我们进行消费分析和消费者用户画像分析，有利于对不同的用户进行酒旅的精准推荐

（11）你认为产品运营工作中最重要的点是什么？

       产品运营是一项综合性工作，旨在确保产品的正常和成功运作，提升产品的用户满意度和市场竞争力。因此产品运营工作中最重要的点就是洞察用户需求，并根据时刻变化的市场和用户需求不断优化和调整产品。

（12）你为什么对旅游行业/互联网行业感兴趣？

       旅游，是人们对美好生活的向往，是认识世界和探索自我的一种方式。随着社会经济的发展和人们生活水平的提高，旅游业已成为全球经济中发展势头最强劲和规模最大的产业之一。同时，旅游业对于国家经济的发展具有重要意义，旅游业的发展也为其他行业带来了巨大的商机和就业机会，赋能百业，拉动经济消费。

       首先从个人角度来讲，我本人对富有科技感和智能化的事物十分感兴趣，也体会到互联网产物对我们生活的提升之大，因而很想进入互联网行业来改变丰富我们生活；其次从发展的眼光来看互联网及智能行业是当前最热门的方向之一，随着智能化的不断推进，互联网的发展也是大势所趋，所以在这个平台个人也会有更长久的发展。

（13）分享一个你最具有挑战的项目

（14）留存增长的归因

• 数据准确性
• 同环比、大盘趋势比
• 外因：人民对旅游的渴望、国家对旅游业的扶持、景点服务的逐步改善、季节、节假日
• 技术侧：页面加载变快、不卡顿
• 产品侧：产品布局改善、内容质量变高，推荐算法更准确
• 运营侧：新活动、新策略
• 用户拆解：地域、年龄段、性别、活跃度、渠道
• 功能场景拆解：哪个APP不同功能模块

（15）如何处理成员之间意见不统一

       我认为团队成员间的意见不统一是正常且有益的，因为它能激发创新思维和更全面的解决方案。关键在于如何引导讨论，将分歧转化为推动项目向前的动力。

• 倾听与理解：我会先确保每位成员充分表达观点，主动倾听并复述他们的核心论点，避免误解。
• 聚焦共同目标：接着，我会引导团队回归项目核心目标，帮助大家从结果出发评估不同意见的可行性。
• 寻求共识或折中：若存在共同点，我会整合双方建议；若分歧较大，可能通过数据验证、小范围试点或民主投票决策。
• 明确决策并推进：一旦达成共识或由负责人拍板，我会明确下一步行动，确保所有人即使保留意见也能全力执行，同时保持后续反馈通道开放。

（16）假如你是携程的用户，你的三个痛点

• 隐藏费用问题：预订机票时，页面展示的初始价格未包含燃油费，在支付阶段突然增加的燃油费会考验我的支付能力（支付的时候突然发现钱不够了）。
• 虚假评价干扰：在订酒店或者选餐厅时，疑似刷好评或恶意差评影响个人判断，缺乏有效的用户反馈过滤机制。
• 图文描述不符：酒店房间面积、设施（如泳池维修中）或景点开放状态更新不及时，导致到店后体验落差。

（17）当领导给你一个项目，需要减少付费用户客诉，你会如何处理

       首先需要收集历史客诉数据，分析用户投诉的原因，针对高频投诉制定标准化解决方案，缩短响应时间。

       针对退款纠纷、改签困难这些投诉原因，可以动态监控异常订单，如火车停运、航班延误等场景，主动推送退改签选项，减少用户被动投诉

       针对商家服务质量较差这一投诉原因，需严格审核中小商家资质，建立商家信用评级：结合用户评价动态调整商家推荐优先级。提供标准化培训：通过携程旅游学院等资源，提升司导服务标准。

（19）如何看待数据驱动在携程产品建设中的作用？

       首先，数据驱动让携程产品具备了个性化推荐与用户意图挖掘能力。通过整合结构化数据（订单、产品表）、半结构化数据（用户行为日志）和非结构化数据（评论、天气），可以构建用户画像实现精准推荐，并且可以分析用户搜索数据和真实评价，动态生成旅游灵感与榜单

       其次，数据驱动让携程产品能够优化用户体验与运营效率，AI工具（如Trip Genie）结合用户历史行为和偏好生成个性化行程，减少用户决策成本。AI和大模型的应用使客诉自助解决率大幅提升，缩短响应时间。

（20）描述一次你在压力下工作的经历，你是如何管理压力的？

（21）说一说你对产品运营的理解

       回答思路：产品运营的工作内容+产品运营对于公司的价值。

       产品运营的工作内容：产品运营的主要工作包括用户需求调研、产品功能设计和数据分析；用户需求调研是开展产品运营工作的基础，数据分析是发现问题和找到优化方向的键，产品功能设计是最终满足用户需求的核心方式；对于产品运营而言，逻辑思维、数据分析能力、用户需求洞察能力是最重要的，其中用户需求洞察能力是核心，需要通过不断的换位思考来锻炼。

       产品运营对于公司的价值：运营主要通过长期产品功能的方式，来满足用户在不同阶段的需求，从而为公司实现拉新、促活、留存、付费转化等目的。

（22）你认为产品运营需要具备哪些能力？

• 用户洞察力：了解用户画像、用户偏好、用户特点、产品使用场景。
• 产品思维：以用户需求和业务需求为目标提升用户体验，完善产品功能。
• 整合资源和沟通协调：产品运营通常需要和其他几大运营沟通合作，协调产品、运营、活动、市场等各方面资源。
• 市场分析能力：对行业情报、竞争对手动态和用户变化进行分析，明确产品市场地位，掌握竞争格局，预测市场变化
• 数据分析：利用数据分析，找到产品问题以及改进方向，推动产品迭代和运营策略的调整

（23）你是如何把握用户需求的？

       我一般以下这几种方式来把握用户需求：问卷访谈、用户反馈、数据分析、顾问或市场反馈；问卷则是通过短信、社群、APP入口等发放问卷调查；访谈则是通过电话、线下邀约方式进行直接访谈；用户反馈则是APP一些入口进行收集；数据分析则通过基础数据反馈，必要的时候进行数据埋点收集；顾问及市场反馈则来源于市场推广的直接反馈；

（24）你对我们的产品有了解吗？你觉得还需要哪些改进的？

       这基本上是必问的问题，这个需要提前做准备，对于该产品进行大致的了解，如果觉得这份工作是自己非常想要的，可以用表格方式进行梳理，并记录需要改进的地方，用展示加表述的方式会更加深刻直观；

（25）你之前的日常工作是哪些？

       日常工作主要按照阶段目标来确定，例如这段时间内以满足数据用广增长及新功能上线任务．配合市场一些落地页面功能开发及新用户优惠功能开发，另一方面则是跟进新功能开发、测试上线、数据反馈等，实际工作中会以一个周期的工作任务来安排工作内容；

（26）你如何做数据分析？

       考察实战经验，一般涉及的数据分析有很多种，付费率、ARPU、A/B测试、RFM模型、新增用户分析、留存率、ITV、CAC、版本数据、渠道用户数据、终端设备数据、网络用广数据、付费用户趋势、使用时长等，一般具有重新梳理自己之前的产品数据分析案例，另一方面也要学习一些自己尚末涉及到的数据分析方式；在回答时候，可以讲实际操作的数据分析方式，再顺带对一些数据模型的阐述了解；

（27）你知道“XX"·APP（同行头部），你觉得他们好在哪里？

       去哪儿：技术驱动低价资源聚合，用户决策效率高；数据算法能力支撑动态定价与推荐；覆盖长尾旅行场景（如学生特惠、小众景点）

       美团：主要依赖本地生活流量转化，凭借本地生活服务的流量优势和在低星酒店、本地酒店预订领域的深耕，以及高频的餐饮等业务带动低频的酒店业务，在市场中有较强的竞争力。

       飞猪：作为相对年轻的在线旅游品牌，目标用户清晰，成长速度快；背靠阿里系统的强大支撑，利用大数据、支付宝等入口持续注入能量。

（28）你如何做产品版本迭代管理？

       版本规划

• 针对业务现状和业务目标，梳理清楚需要解决的核心问题。
• 根据需要解决的问题，结合需求池用户调研、竞品、构思需求方案，确定具体需求列表。
• 对确定的需求列表进行优先级排期，和版本规划，和领导以及团队成员沟通，进行确定。 

       需求落地

• 和Leader团队内部沟通原型需求草图，需要包含 需求目的 需求来源，确定原型需求框架方向 。
• 和设计师与开发leader一起沟通这个版本要做的具体内容，提前了解 设计和研发资源情况，设计可先行。
• 输出详细的需求文档 + UI Demo 进行需求评审，给程序员讲解详细需求，进行落地排期和研发

       复盘

       每个版本迭代完成后，会进行数据分析来评估需求是否和之前预估的一致，是正向的还是负向的，去进一步验证思路是否合理。同时，收集用户反馈，在用户体验和商业变现层面找到比较好的平衡，让业务可持续的发展给用户创造更多价值。

（29）产品新功能上线要怎么运营

       上线前：

• 内容与资源准备：确保新功能有足够的初始内容或用户参与内容。例如攻略种草板块在上线前，邀请KOL或核心用户提前体验并生成内容（短视频、测评）
• 定位目标人群：通过问卷、访谈或数据分析明确目标用户群体，确保功能与用户痛点匹配，方便上线后精准推广。

       上线后：

• 多维度推广：根据产品功能的重要性决定推广力度，一般功能仅做上线通知，重要功能可选择软文包装或硬广投放，并确定合适的渠道（付费渠道：抖音、小红书，免费渠道：社群、Push通知）进行精准推送。
• 数据监测并迭代优化：埋点监测功能使用率、用户路径等核心数据，识别使用瓶颈（如某步骤流失率高），开放APP内反馈入口、监测应用商店评论及微博等社交平台舆情，收集用户对新功能的反响，据此对功能进行优化。此外，结合数据调整运营策略，例如针对低活跃用户推送教程或限时激励。

（30）为什么想进携程？为什么这个岗位？专业跨度问题

（31）对JD（职位描述）是怎么理解的？ 【岗位理解问题】

（32）工作中遇到的难点及解决方案

（33）选择专业/行业/实习岗位的因素

（34）举例证明某个能力/对其理解（携程领导力：思考力、执行力、自驱力）

（35）对工作看重哪些要素及其排序（平台/个人成长、团队氛围、薪资）

（36）验证数据的真实性/可用性

• 数据采集是否可靠：审查数据采集过程，确保数据的收集方法和来源是可靠和准确的，谁收集的？怎么收集的？谁提供的数据？是否可信？
• 数据源比对是否一致：将来自不同数据源的相同数据进行比对，不同人提供的相同数据是否一致？如果数据之间存在差异，需要进一步调查和核实数据的来源和处理过程。
• 是否符合业务规则逻辑：检查数据是否符合业务规则和要求。例如，如果用户量和办理订单量关联，用户量不可能大于订单量。对数据与实际业务情况进行验证，确保数据与业务逻辑和实际情况一致。
• 数据是否完整：比如确保每个用户的手机号和用户名都有值，没有任何缺失。
• 时序是否准确：在时间序列数据中，确保数据按照日期顺序排列，并且日期之间的间隔是一致的。
• 历史数据比较：比较历史数据和趋势，评估数据的变化和趋势是否合理和可信。如果数据的变化与历史趋势不符，可能需要进一步调查和分析。

（37）对一些重复性工作的看法

       我认为重复性工作是任何岗位都难以避免的环节，尤其在业务初期或流程标准化阶段，它是保障基础效率、减少试错成本的关键。例如数据录入、定期报告等任务虽然重复，但能为决策提供稳定的依据。但我会主动寻找优化空间，比如对于必不可少的周报，我会设计自动化报表，报表的内容会随着每周原始数据的改变而自动改变，无需每周重复制作报表。

       如果加入贵公司，我会优先熟悉重复性工作的背景和目标，区分哪些需要保留（如合规性流程），哪些可以通过工具简化。例如贵岗位涉及的日报周报整理，我可能会尝试用EXCEL工具实现自动化，让团队更聚焦于分析而非机械操作。

（38）评价一下自己的性格（是否外向）

（39）产品的用户画像（基本情况、消费行为、浏览行为）

       各类型旅游群体。20-40岁居多，男性比例较高；中等收入及中等以上收入的白领阶层，针对其消费需求及消费习惯提供旅游产品与服务

（40）你目前用户分层考虑的维度？ 

渠道、新老客、RFM、年龄、地区、性别、职业……

（41）平时会用到携程吗？会用到哪些模块？你觉得对比竞品的优势？

       酒店预订：携程发展较早，基础雄厚，市场资历和地位较老，可选择的酒店比较多

       我的旅行路线：当用户只有大概的旅行地点想法，但是不知道去哪里，携程会出一天或两天或三天的旅行方案，智能化解要去哪里玩的问题。像去哪里吃，住在哪里这种更加个性化的决策，携程就交给用户去手动添加。完成后，用户可以直接预览旅行地图，还可以通过检查各个位置之前的驾车距离，来判断安排的合理性。 

十、贝克找房

2. 数据分析面试题

（1）用过 贝壳 的产品吗，了解VR看房吗？

（2）如果你是负责VP看房这块的业务，你如何搭建相关的指标体系；

（3）上升到 贝壳 整个产品，如何构建数据指标体系；

（4）关于ab实验

（5）假设图书馆有2000本很久没人借过的书，现在可以获取到图书馆中学生的全部信息，你如何在一个月之内把这些书全部借出去。

（6）静安区要开一个新的公交站点，如何预估这个公交站的人流量

       服务区域人口数量、出行需求比例、现有公交线路的影响

（7）有没有了解过最近的一些行业动态

（8）对行业有没有偏好

（9）工作遇见的比较大的困难，如何解决的

（10）优缺点

（11）如果用一个词评价别人眼中的你，该用什么词

（12）工作中遇见难搞的同事怎么解决

       遇到与同事的合作摩擦时，我的第一原则是保持专业态度，避免情绪化反应。我会先提醒自己：对方的‘难搞’可能源于工作风格差异或对目标的关注点不同，而非针对个人。……（难以沟通题）主动倾听与换位思考， 聚焦解决方案，而非争论对错

（13）职业规划？（撞题，赢得好感+1）

（14）b站日活下降，怎么分析？

（15）链家的指标体系？在指标体系里面构建这些模块的理由是什么？

       A：通过拆分High level的模型，落实指标到具体的团队上，便于管理

（16）数据分析的时候最基础的思路是什么？

       数据分析思路=数据指标+数值大小+判断标准+推理逻辑，分析一定要有判断标准，有了判断标准才能对比分析。无对比不分析。

（17）数据分析技能里面，优点和缺点是什么

      A:优点：①实践经验，比较坐得住，知道数分里面比较磨人的地方；②BA硕士，有系统训练；缺点：没有互联网大厂的实践经验。 然后面官反馈说这不应该是一个缺点，后期意识到缺乏经验是一个很滑头的说法，其实并不涉及本质能力，所以后期我的回答都是：我的反应能力和数字敏感性不太够，但是这些都是可以靠%……&*经验补足的）

（18）SQL里面各个语句的执行顺序？

       1.FROM 2.JOIN ON 3.WHERE 4.GROUP BY 5.HAVING 6.SELECT 7.ORDER BY

（19） 对数据分析不同分支的岗位理解

（20）选公司最看重什么，有哪些别的走到比较后面的公司？

（21）优缺点 

（22）如何看待贝壳找房？


       我的拆分是基于不同城市，贝壳营收=各类房成交量*成交额*贝壳渗透率*贝壳抽成*平台分成*(1+配套服务营收贡献%)；参考了一些行业趋势性数据，结论是在成本变化不大的情况下，贝壳能够稳定增长

（23）对于贝壳找房还有什么疑问或者不了解的地方？

（24）数分和商分的区别 几种数分工具哪个最重要

（25）SQL窗口函数介绍

6. 数据产品

（1）介绍数据分析

（2）提到点击率提升，你觉得这是产品的功劳还是运营的功劳？（当然是运营）

       在分析点击率提升的归因时，可通过以下框架进行归因判断

       1. 时间线归因法

• 产品迭代节点：若点击率曲线陡增发生在版本更新后1-2周，且改版包含核心路径优化（如按钮位置/颜色调整、信息流算法升级等），产品贡献度可达60-70%
• 运营活动周期：若点击高峰精准匹配限时活动，活动期间点击率较日常提升300%以上，运营主导性更强

       2. 数据穿透分析

• 漏斗转化率：产品改版若使首页→详情页转化率从15%提升至25%，说明用户体验优化奏效
• 渠道质量对比：运营投放的KOL渠道带来50%新增点击，但跳出率高达80%，而产品优化后的搜索自然流量跳出率仅35%，反映产品价值更持续

       3. 用户行为热力图

• 改版后核心功能模块点击密度提升3倍，且用户停留时长增加50%，属典型产品优化成果
• 活动入口banner点击占比突增至40%，但非活动页面点击无显著变化，说明运营拉动明显

       4. 增量成本评估

• 产品团队投入3人月完成交互重构，带来持续6个月的日均点击量15%增长，LTV提升显著
• 运营活动单次投入50万补贴，获取点击量暴增但次月留存率下降40%，属于短期刺激

       建议采用GQM（Goal-Question-Metric）模型建立归因体系：

1. 目标：明确点击率提升的核心诉求（GMV转化/功能曝光）
2. 问题：拆解影响点击的关键变量（UI布局/活动利益点）
3. 指标：设定PSM（Propensity Score Matching）对比组，隔离单一变量影响

       最终应建立归因系数模型：总提升=产品基础系数（α）×运营放大系数（β）。其中α由A/B测试得出，β通过活动期间增量/自然增长比计算

（3）一个产品上线后，数据有明显的提升，但在之后数据下降了，你接下来会怎么做？

       可能是新奇效应的影响，应持续监测数据趋势，若之后数据趋势平稳下来则代表产品没有问题，如果数据一直下降，表明产品存在问题，应进行异动归因分析

（4）你对贝壳的了解？

（5）你觉得作为产品运营需要什么样的专业力？

       一、核心专业能力

1. 用户洞察与需求分析能力：能通过用户调研、数据分析、用户画像构建等方式，精准定位用户需求、痛点和行为模式

2. 数据驱动与效果评估：数据分析能力：熟练使用SQL、Excel、Python等工具分析用户行为数据，监控核心指标。A/B测试与实验设计：能通过实验验证策略效果，优化迭代方案。数据敏感度：从数据中发现问题，快速定位关键瓶颈并提出改进方向。

3. 产品理解与优化推动：深入理解产品功能、核心价值及用户使用路径，结合用户反馈和业务目标发现优化点

4. 活动策划与执行：设计符合用户需求的运营活动（如裂变、补贴、会员体系）把控活动全流程（策划、资源协调、上线、复盘），确保目标达成。关注投入产出比，优化活动成本与效果。

       二、业务增长能力

1. 用户增长策略：熟悉拉新渠道（如自然流量、付费投放、裂变增长），能设计增长模型并优化转化链路。对流量获取成本（CAC）、用户生命周期价值（LTV）等指标有清晰认知。

2. 商业化运营：制定变现策略（如会员体系、增值服务、广告变现），平衡用户体验与收益。熟悉市场竞品动态，快速调整运营策略应对竞争。

3. 生态运营：具备生态搭建能力（如内容生态、商家生态），平衡多方利益。

       三、软实力与思维

1. 沟通协调能力：推动跨部门协作（产品、技术、市场、客服等），清晰传递需求并争取资源。

2. 结果导向与执行力：目标拆解能力强，能将大目标转化为可落地的具体动作，并快速执行验证。

3. 创新与抗压能力：在资源有限时找到突破点，应对突发问题（如用户投诉、活动效果不达预期）。

4. 行业敏感度：关注行业趋势、竞品动态及新兴玩法（如AI工具应用、私域运营模式），快速学习并迭代策略。

（6）执行力强，那执行能力为横轴和创新能力为纵轴，你觉得自己在第几象限？

（7）你更喜欢tob 还是toc岗位？（这里要注意了，面试官是各个部门的主管，所以这个部门可能是tob的，也可能是toc的）

（8）那你觉得tob 和toc有什么区别？以及为什么觉得toc周期短、反馈快？

（9）你觉得自己工作最不能接受什么？

       我认为工作中最需要避免的是长期缺乏成长空间。比如当工作内容完全重复、没有机会学习新技能或接触新挑战时，可能会影响我持续进步的动力。当然，我也理解基础工作的重要性，所以更倾向通过主动沟通、寻找优化流程的方法，或在完成本职工作的同时争取参与新项目的机会。

（10）对数据产品的理解是什么

4. 商业分析面试题

（1）对贝壳的了解(从很多方面进行了介绍)

（2）对贝壳业务的了解(其中一个产品形态和别的公司区别)

（3）商业分析很多方面，想做哪方面工作？ 

（4）7.如果数据出现波动，怎么分析，怎么确定因素？ 

十一、字节跳动数据分析

2.面试问题

（1）设计实验与回收数据：大促期间在TikTok商城首页添加一条banner（横幅广告），对整个商城的核心指标（如GMV或单量）有什么影响？对于各模块（不同频道区推荐区）有什么影响？

    一、核心指标选择与实验目标

       1. 核心评估指标：核心指标需直接反映业务目标，通常包括：

• GMV（总交易额）：衡量整体交易规模的核心指标。
• 订单量：反映用户购买频次和转化效果。
• 点击率（CTR）：评估banner本身的吸引力，需统计用户点击banner的比例。

       2. 模块影响分析的辅助指标：针对不同频道或推荐区的影响，需关注：

• 各模块流量分布变化：如首页各频道（如“秒杀区”“推荐区”）的曝光占比、点击率变化。
• 模块内转化率：各频道下单转化率、人均停留时长等。
• 交叉影响指标：例如banner是否分流了其他模块的流量，可通过对比实验组与对照组其他模块的GMV占比分析。

       3. 不变指标（Guardrail Metrics）：用于监控实验是否引入干扰变量，需保持稳定：

• 用户活跃度：如DAU（日活跃用户）、访问深度，避免实验影响用户基础行为。
• 页面性能指标：如加载时长、崩溃率，确保实验不损害用户体验。
• 其他业务指标：如退货率、客单价，排除策略对其他环节的负面影响。

（2）怎么确定开几天的实验

       计算最小样本量、确定比例、覆盖大促全周期，避免短期波动干扰，同时考虑用户行为周期（如周末效应）和首位效应

（3）统计学问题：一类错误和二类错误

（4）统计学问题：什么时候适合做T检验，什么时候适合做Z检验

（6）再去回收这个实验的结果的时候，要去做一个路径的分析，具体展开说说怎么分析

• 路径漏斗：追踪用户从点击banner到最终下单的路径，识别转化瓶颈。
• 归因模型：使用末次点击或线性归因，量化banner对最终转化的贡献。

（7）你是相对比较独立地去跟相关业务方协调、定做什么粒度的看板吗？

（8）你日常喜欢用的APP(我答xhs和b站)

（9）产品上线做测试：AI发展热潮，工程师引入“bilibiliGPT”，假设实验的一些条件（如均匀分流、样本量）都科学，帮产品经理分析实验结果，得出结论一一这个功能好不好、值不值得上线

（10）产品的UI形式是b站在日常用的tab右边新嵌人一个tab就是这个bbGPT,实验组有这个tab而控制组没有

（11）如何确定留存情况

（12）假设bb GPT和我们日常用的AI聊天表现基本一样，产品经理对bb GPT提出了挑战一一对b站的留存率没有太大的提升，虽然有比较多的用户去使用 bb GPT，但由于他们对 APP 的使用时间固定，bb GPT会降低其他视频的播放情况。你作为分析师要怎么改造这个产品？

       核心还是把gpt和视频结合起来1️⃣在bb gpt的回答中嵌入视频片段或者推荐几个相关视频的链接 2️⃣开通“使用bb gpt➕观看视频”达到一定时长的双功能激励如抽奖机会、虚拟勋章 3️⃣鼓励用户用bb gpt获得创作灵感或者制作自己的视频，给更多的流量扶持

（13）产品采纳你的建议并开一轮新实验，确实发现播放量级增加，app使用时长增加，产品经理提出疑问一—这个提升属于5%的偶然。通过哪些数据去观测、明确收益确实是bb GPT导流功能带来的？

        1️⃣分析用户行为序列，埋点看行为路径，重点关注从gpt跳转到视频以及有没有接着浏览其他视频2️⃣从视频播放入手，标记gpt推荐的和其他渠道推荐的流量，特别关注功能上线和优化前后的流量变化 3️⃣对不同类型的视频、是否经常被gpt推荐的视频做分类分析4️⃣用户分群，比如按新老、gpt功能使用深度、爱投币和充值or爱白嫖

（14）把我当成普通人去介绍你的项且。（hr给了清晰的回答思路和提示：项目背景，项目存在原因，项目建立之初的核心挑战，经历了几个阶段，落地产生了什么效能）重点：让我听懂

（15）介绍一下自己，说说重点的项目。

（16）你平时有网上购物的经验么？说一个你常使用的APP.
       我说的APP有抖音、淘宝和咸鱼。

（17）一般都会以什么方式购物？了不了解抖音电商链路。

• 浏览视频，点击广告，浏览商品详情页，加购物车，下单
• 进入直播间，浏览商品详情页，加购物车，下单
• 进入抖音商城，浏览商品，浏览商品详情页，加购物车，下单
• 进入抖音商城，搜索关键词，浏览商品，浏览商品详情页，加购物车，下单
• 进入抖音商城，进入直播间，浏览商品详情页，加购物车，下单

（18）咸鱼是一个很有意思的东西，让我们来谈谈咸鱼吧。你觉得这个软件有什么做得不好需
要改进的地方？
        C2C的比较多，商品质量和卖家信誉难以保证。

（19）你觉得可以怎么改善这个问题（商品质量和卖家信誉）？

       提升完善卖家验证机制（实名认证等），增加卖家信誉评判标识。

（20）好，就比如你说的这个提升信誉评判指标。我们想要上线一个功能，在信誉不好的卖家
脑袋上贴上一个差评的标签，怎么设计AB实验？

       ①明确实验目的：改善交易产品质量，提升用户体验，提升复购率和整体销售额。
       ②确定实验指标，提出原假设和备择假设。③设定显著性指标和最小可接受的阈值（千万
级别用户平台一般1%）。④确定样本量和实验时间。③实施实验得到结果，判断是否接
受结果。

（21）上线了功能以后，整体销售额下降了，但是好评率上升了，怎么办？
       好评率可以衡量用户体验，长期指标。销售额更多衡量短期效应。分析销售额下降
的原因：政策？疫情？大环境？竞争对手？内部原因分层/分渠道下降维度分析？

（22）回到抖音电商上来，拉新，对新用户进行视频内容推荐，如何选取推荐的内容？
      新用户冷启动，新用户一般行为数据很少或者没有，所以可能的策略是在尽可能多收集用户信息的基础上推荐分桶热文，然后可以加一些兴趣试探。分桶热文指的是按用户属性（性别、年龄）推荐对应的热门内容，兴趣试探是在前面推荐一部分热门内容后增加小比例的其他类目的内容来看用户是否感兴趣

（22）如何衡量这些视频推荐是有效果的？
       选取互动率（视频转发评论）、点击率、视频浏览时长、完播率、GMV等指标。

       用历史数据看平均指标有没有上升

（23）再系统的说一下你刚才的那些指标？

       你其实可以用历史数据看平均指标。

（24）销售额周增长了20%，如何归因？
       用户增长模型 ！(AARRR、AIPL)；归因模型。

（25）就比如你说的这个提升信誉评判指标。 我们想要上线一个功能， 在信誉不好的卖家脑袋上贴上一个差评的标签，怎么设计AB实验？

       明确实验目的，我们想通过贴差标签的行为，减少用户买到质量差产品的概率，提升用户购买体验，惩罚不良商家，提升平台整体信誉，增加平台销售额。
       漏斗分析，理解整个流程：以手机端为例，我们在什么地方可以看到或者希望增加这个标签？比如登陆界面（咸鱼）、搜索界面、关注界面等都可以看到用户名的信息。假设我们想在主界面 （咸鱼登录界面）增加这个标签，那么漏斗就大概是：登陆主界面->点击感兴趣的产品->点击“我想要”->点击立即购买->付款->完成交易。
       选择实验指标，对于 evaluation metrics,①我们影响的是用户登录主界面时看到的场景，就像上面漏斗分析中指出的，我们影响的过程是第一个"->”部分即登录主界面->点击感兴趣的产品。所以这里的首页商品点击率看起来是一个很合理的应该去考虑的指标。即一段时间内(小时、分钟等)在主页上点击某个商品的人数除以所有浏览页面的人数（要去重）。定义unit of analysis（分子分母如何定义“人"），因为首先这里是一个user_visible的change,我们不能用event-based去衡量，否则用户可能会看到不同的信息而抓狂，所以应用 cookie或者 user_id.如果分子（点击商品的人）可以是未注册用户的话，那么可以用cookie作为unit of analvsis 这个首页商品点击率指标的问题是，我们期待它怎么变化呢？因为上线了这个“差评标签系统”，可能一开始短时间内用户看到了这样的标签会选择不去点那些差评商家，从而导致点击率下降，但长时间上来说这可能会增加用户对平台的信任而增加点击率或者增加用户对亲友的推荐等。
        ②如前一段分析中提到的，增加这个差评标签可能短期内减少用户点击率但增加用户体验或者长期有利。有一些指标可以在短期的AB实验中模拟探测长期的影响，如留存率、用户推荐(Net Promoter Score)、用户参与类指标(日活跃时长、活动数、互动率等)、用户终身价值预估CLV:customerlifetimevalue)。我们可以选择留存率：发生购买行为的唯一用户在14天后仍然活跃的数量比上所有发生购买行为的唯一用户。留存率指标的问题，一个是它需要很长时间来开始计算(实验开始后14天才能开始计算)，这出现了一段时间的空白(实验开始初14天)，这段空白时间可以专注于其他指标的计算和做探索性分析(EDA expioratorydata analysis)；还有一个问题是 （也是很多购物场景其他指标的问题）用户发生购买行为的频次一般不会很高，这涉及到具体的平台和场景，但我们可以在筛选人群的时候做cohort analysis instead of population，即做进一步筛选，选择共同特点(如购物频次较高的、在近似时间开始使用平台的人等)的用户群体。我们还可以选择用户日均活动数：sessions per user per day(or per hour depends on data)，如何定义一个session呢？在文尾的注释有讨论。或者每次活动平均互动数。这个指标还有个潜在的问题是它很有可能非常的 stable，就是一个人一天的平均活动数可能不会怎么变，对于你上线的这点小功能，而如果你发现比较大的变动更多时候是说明你的实验设置的有问题，当然这也要具体看数据情况，也可以把活动数这种指标当作invariantmetrics来看。
        ③与评价、用户体验等有关的metrics。比如在之前的漏斗分析中，用户点进产品信息界面后，由于增加劣质商家标签减少了劣质及虚假产品的浏览，可能会增加用户完成购买的比率，即购买转化率：点击进入某一产品并完成购买流程的用户数量除以所有点击进入某一产品的用户数量。其他可考虑的指标：平均评价分数、产品收到的评价总数、评价情绪分析(使用NLP相关算法发掘评价中的情感信息，开心愤怒等)、用户反馈等。

       ④我们想要平台financially sustainable，销售额是我们想衡量的一个指标。但销售额是一个短期指标，短时间内上线标签系统可能会导致买家减少购买行为、被标差评的卖家减少平台使用时间等从而导致销售额下降。我们需要综合考虑一些长期指标，如留存率、用户推荐（需要问卷调查）、用户参与程度（APP日均使用时长、numberof sessions per user &interactionspersession*）等(如①②③中所述)。还有一个问题是销售额可能会趋向于符合perato distribution，就是常被提起的二八定律那个distribution，少数人贡献了绝大多数的销售额。那我们选择销售额的什么summary metric呢？选择平均数或者中位数很可能会不robust或sensitive(Udacity课程上有很好的例子具体说明)。可选择90%tail 等指标，去看是否 robust 和 sensitive.总结来说我们可以选择首页商品点击率、 留存率、 日均活动数、 购买转化率和销售额几个指标。有两个问题首先我们想了解各指标的distribution，从而计算他们的variability等，还有我们要定义total汇总的指标，比如可以按照权重分配来加总各个指标。

        各指标的distribution：点击率和留存率趋向于符合binomial distribution，在样本量足够大的时候 (Np>5 & N(1-p)>5) 可以用 normal distribution 近似计算 variability。日均活动数趋向于符合 poisson distribution (a discrete distribution with a long tail，但assumption中说在各个时间段（每一天）应有相同的活动数，这点不一定符合，还是要看具体的数据）。销售额可能趋于pareto distribution，我们一般不取平均数或者众数而是percentile(根据sensitivity和robustness具体定取多少percentile).如何制定汇总指标：我们可以给各指标分配权重然后计算得到最终的汇总指标，对比计算单一指标这样可以综合考虑长期和短期的趋势，但也有很多缺点，如：各权重比例不好具体定义以及说服别人接受；在最后的综合指标产生变化时难以归因，可能整体指标涨了，但有两个小指标下降了三个小指标上涨了这样；指标之间往往是高度关联的，即某一个小指标的增长或减少可能会带动其他小指标增长或减少，而我们想优化某个小指标的时候也会带动其他指标始料未及的变化。Anyway，一些大公司（如微软）还是会用多个指标并分配权重。OEC(Overall Evaluation Criterion)，一种说法是计算各个metric的variability，然后按照他们加总比例分配权重系数，也就是说variability越大的分配的比重就越高，这是因为variability更大的指标有更大的潜力对最终的metric产生明显影响。
       对于 invariant metrics,首先是numberof user_id/cookies在 A/B组（根据我们的unit of analysis 以及unit of diversion来决定）。然后还有一些，在我们漏斗分析里面实验不影响的流程，比如最终完成付款的人数比上点击“我想要”的人数，这可以衡量并保证我们的付款部分系统没有出现什么问题。

（26）抖音视频流，刷着刷着会出现原生视频流广告，可能十个视频里有一个广告，现在想提升广告出现的占比，比如十个视频里出现两个或更多广告，如何设计AB实验？

（27）之前做AB实验上线了一个功能，过了一阵子以后老板说当时做的实验不准，还有些未考虑的因素，想下线功能，怎么办？

       这牵到了learningeffect的相关问题。说的就是在刚上线一个功能的时候，和过一段时间以后，用户的活动与反应发生了变化。可能是一开始觉得，瓦槽真好玩这是啥啊然后疯狂点击，也可能是一开始很厌恶但随着时间就习惯了。在设计实验阶段，我们一方面可以通过人群的设置来更好的衡量learning effect，也叫做cohort analysis，即一般我们分配人群是按照年龄啦地域啦兴趣啦等等，这种叫population，但在实验的过程中，可能会用人从外国来到中国、年龄增长等等导致我们的population进进出出发生变化。我们可以进一步细化population的定义，比如注册时间和活跃频率维度上，选取过去半年或者更久都在中国的人，注册时间大于一年，活跃频次一周登录三次以上的等等，这样在我们想要衡量learning effect、用户留存率、研究用户行为等情景很有用。但也要注意到这需要更复杂的计算，更大的样本量以及可能会产生的对指标方差的影响（参见第三个问题）。在衡量learning effect的时候就可以选择新注册的用户分配到实验的两组中。在Google，还有一些更advance的方法来衡量learningeffect，即所谓的pre periodAAtest和post-periodAAtest。在上线AB实验之前先做个AA实验，以测试系统的稳定性和指标的方差。在实验之后再做一个AA实验，如果之后的AA实验中，指标的方差明显变大了，则可确定是由用户习惯的改变带来的。

（28）一个点击率指标上升了，想归因，就分操作系统分析，但是在安卓和苹果系统上点击率指标都下降了，这可能么？为什么？

       辛普森悖论。当出现辛普森悖论的时候，往往说明：①分组间指标相差很大，这里的分组就是例子中的安卓和苹果平台，指标指的就是点击率，如果有实际数据的话我们很可能会发现安卓与苹果平台之间的点击率相差了十倍二十倍甚至更多。②分组间分母相差悬殊。出现这种问题一般都是比值类的指标，分母在层级之间相差很悬殊，分子在分母小的层级发生了比较大的改变。比如苹果平台上有一万个用户，安卓只有十个用户，苹果点击数量增加了一百个，点击率增加了0.1%，而安卓点击数量增加了一个，点击率就增加了10%。实际在遇到这种问题的时候最好把数字都写下来，要理解为什么会出现这种情况，为什么组间分母会相差的极其悬殊，这在AB测试中尤其不合理。

（29）抖音电商，拉新，对新用户进行视频推荐，如何选取推荐的视频内容？

（30）(上个问题followup)好你提到了推荐网红达人优质视频，如何衡量这些视频推荐是有效果的？

（31）销售额周增长了20%，如何归因？

       首先是数据准确性。然后对于我现在的销售场景，可以从竞品角度（销售份额降低了，去看销售额增长率情况，发现差不多，结果是竞品涨的太好了）；季节性角度，去年/上周/月同期是否发生了类似的数据波动情况？；综合指标来看，比如销售额增长了很多，结合销售量，发现销售量涨的更多，发现通过降价促销带动销售额增长。又或者某产品增长迅速，通过铺货率综合指标来看，铺货率很小，可能是样本选取和放大过程中的问题导致了异常增长；下降维度分析，是某个地区？产品？销售渠道？的增长带动了整体？

（32）电商中经常通过发放优惠券促进转化，现在想测量某类型的优惠券能促进多少转化量，如何测量

（33）如果不能做ab测试如何衡量

（34）根据你的理解，电商行业中，哪些关键指标最能反映业务健康状况？为什么

（35）假设电商平台近期用户活跃度下降，你会从哪些方面入手分析原因，并提出改善建议？

（36）有没有做过看板，说下思路，看板使用方法？看板的作用？

       数据看板（Dashboard）是一种通过可视化工具集中展示关键业务指标（KPI）和数据的平台，其核心目标是帮助用户快速理解数据、发现问题并指导决策。以下是使用数据看板的典型步骤：

       1. 明确目标与需求。确定核心指标：根据业务场景（如销售、运营、用户增长）选择需要监控的指标（如销售额、转化率、活跃用户数）。明确用户角色：不同角色关注的数据不同（如管理层关注宏观趋势，执行层关注细节）。

       2. 设计看板布局

• 分层展示：顶层：核心指标概览（如总销售额、当前用户数）。中层：趋势、对比、构成分析（如按时间、地域分布的图表）。底层：明细数据（如具体订单列表）。
• 交互设计：支持筛选（按时间、部门）、下钻（从省份到城市的数据钻取）。

       4. 配置可视化组件

• 趋势分析：折线图、面积图。
• 对比分析：柱状图、雷达图、条形图、热力图、词云。
• 构成分析：饼图、树状图、堆积图。
• 自动化更新：设置定时刷新（如每小时同步一次数据库）。

       5. 权限与分享设置

• 按角色分配权限（如销售团队仅查看销售数据）。
• 支持导出为PDF/PPT或生成订阅邮件。

       6. 测试与优化

• 用户测试：验证数据准确性（如对比原始数据）和交互流畅性。
• 迭代改进：根据用户反馈调整指标或图表类型。

    数据看板的核心作用

• 实时监控业务状态。动态展示关键指标（如网站实时访问量、库存变化），替代人工汇总报表。案例：电商大促期间，通过看板实时监控流量、订单量、服务器负载。
• 数据可视化与洞察。将复杂数据转化为直观图表，快速识别规律（如用户活跃时段、产品销量周期性波动）。案例：通过热力图发现用户集中在某个功能页面流失。
• 驱动决策与协作。提供数据依据，减少主观判断（如根据转化率调整广告投放策略）。跨部门共享看板，统一信息口径（如市场与财务部门对齐ROI计算逻辑）。
• 问题预警与归因。设置阈值告警（如服务器CPU使用率超过90%时触发通知）。通过下钻分析定位问题根源（如某地区销量下降因物流延迟导致）。
• 提升效率与透明度。减少手动整理数据的时间，自动化生成报告。管理层通过看板透明化业务进展，增强团队目标感。
• 绩效评估与目标管理。跟踪团队/个人KPI完成情况（如销售达成率）。对比目标与实际值，及时调整策略。

（37）如果想给所有用户按照下过单的商家评分来分100个桶该怎么分

       等宽分桶（Equal Width Binning）是将整个评分范围分成等宽的区间。比如，如果评分范围是1到5分，那么每个桶的宽度是（5-1）/100=0.04分。每个桶的范围例如第一个桶是1到1.04，第二个是1.04到1.08，依此类推。这种方法的问题是，如果用户的评分分布不均匀，某些桶可能用户很多，而有些桶可能几乎没有用户。计算步骤中，i向上取整

       等频分桶（Equal Frequency Binning）则是每个桶里的用户数量大致相同。比如总共有N个用户，每个桶大约有N/100个用户。这种方法可以保证每个桶的用户数相对均衡，但分桶的边界可能不整齐，特别是当有很多相同评分的时候，可能出现同一评分被分到不同桶中的情况，或者需要处理重复值的问题。计算步骤：确定每个桶的人数为N/100，记为x，用户按照评分从小到大排序，用户所属桶编号为排名/x，向上取整。

（38）如果数据出现波动会如何分析

（39）GMV下降如何分析

（40）估算一下北京市有多少辆红色小汽车

       估算北京市机动车总量，确定小汽车占比（机动车包括私家车、货车、公交车等），估算红色汽车的比例（常见汽车颜色分布：黑、白、银、灰为主），红色小汽车数量

（41）在一个广告进行投放之后，发现抖音的dau和人均使用时长提高了，那么如何判断这样的提高是因为广告投放导致的？

       考察因果推断，假设检验，来通过t检验判断是否拒绝原假设或者通过延长实验周期，来杜绝偶然因素

       时间序列预测、PSM+DID（分为曝光人群和非曝光人群两组）

（42）假如抖音电商的gmv下降如何进行分析？

（43）你觉得抖音的推荐系统中，哪一个指标应该赋予更高的权重？
       有点类似指标体系构建、也有点像排序题回答了推荐系统中的几个关键指标：点赞、
收藏、评论、完播率、转发等然后觉得完播率应当是比较关键的指标

       个人感觉转发更高，因为转发实际上是用户对别人进行推荐，所以转发率更能代表推荐价值

（44）你对数据分析的理解？

（45）在这个项目里面你的机器学习模型评估指数？
       roc和auc在0.8左右

（46）roc和auc的概念？

       roc描述真正例率与假正例率的关系，auc是roc曲线下的面积

（47）你觉得你的这个评估指标是高还是低？
      原先的话其实在0.6几左右，这个跟初始样本正负不均匀、缺失值空值等都有关后面其实在优化环节多了很多尝试，首先调整好正负比例后，尝试用不同方法处理异常值和缺失值，然后在模型训练的时候不再用简单的28分，采取n折的手段等，还有网格搜索和交叉验证

（48）随机森林的基学习器？xgb、lgb的区别？

（49）如果ab实验中，假设背景是抖音优化推荐系统，对照组和实验组的指标差异不显著，你觉得可能存在什么原因？

（50）有没有遇到过样本量不够分的情况？
       有，如果存在多个αb，那么会进行分层，如果是单个，那么就拉长实验周期、CUPED方差缩减

（51）你刚刚提到的网络效应，能详细讲讲吗
       简单来说，就是实验组和对照组之间能够交互信息，从而导致不准确，举个例子，微信进行优化后，组α的人跟组b的人沟通这种ab 变化

（52）抖音商城的用户往往会因为商品没有正品标识产生顾虑而不愿产生购买行为，现有一个AB实验，实验组为给品牌商家打上正品标识，如何去解读这一实验的结果？

（53）从需求侧 (2C) 的角度分析一下短视频电商和直播电商的区别？

    1. 互动性与参与感

• 直播电商：用户可通过弹幕、评论实时与主播互动，提问商品细节、砍价或参与抽奖活动，形成强社交属性。主播的即时反馈增强了用户的参与感和信任感，例如主播根据弹幕调整讲解重点或推出限时优惠。
• 短视频电商：互动以点赞、评论、分享为主，用户与创作者或品牌之间的交流相对滞后，互动性较弱。用户更多是被动接受信息，难以即时影响内容走向。

       2. 购物决策路径

• 直播电商：用户通常在观看直播过程中完成购买，决策链短且冲动消费比例高。主播的实时推荐、限时折扣（如“全网最低价”）和现场演示（如试用化妆品）直接刺激用户“边看边买”。
• 短视频电商：用户需点击链接跳转至商品页面，决策链较长。内容需通过创意剪辑或场景化展示（如产品使用效果）吸引用户主动搜索或跳转，更依赖用户的兴趣触发。

       3. 内容形式与注意力吸引

• 直播电商：内容以长时段（数小时）的实时展示为主，涵盖产品讲解、互动答疑、促销活动等，适合深度种草。用户可能因观看直播的娱乐性（如主播个人魅力）而停留并消费。
• 短视频电商：内容短小精悍（几十秒至几分钟），通过快速传递核心卖点（如商品使用场景、对比测评）吸引碎片化注意力，适合高效触达潜在消费者。

       4. 信任建立机制

• 直播电商：信任主要源于主播的“人设”和实时互动。例如，头部主播通过专业选品和口碑背书降低用户选择成本，而商家自播（店播）则通过展示生产流程、真实场景增强可信度。
• 短视频电商：信任更多依赖内容质量（如测评类视频的客观性）和平台算法推荐。用户可能因视频的创意或真实性（如手工制作过程）产生兴趣，但缺乏即时互动验证。

       5. 价格敏感度与促销策略

• 直播电商：常以“低价”“限时折扣”为核心卖点，通过价格刺激快速转化。例如，直播间通过“全网最低价”吸引用户停留并下单，部分用户甚至因低价囤货。
• 短视频电商：更注重商品价值的长期传递，如通过创意内容展示产品功能或品牌故事，用户可能因内容吸引力而非即时价格下单。

       6. 用户行为与场景适配

• 直播电商：适合需要深度决策的高单价商品（如电子产品）或体验性强的品类（如美妆、服饰）。用户倾向于在固定时间段（如晚间）观看直播，形成类似“线上逛街”的购物习惯。
• 短视频电商：适配低单价、高频次商品（如零食、日用品），用户可能在刷视频时被随机推荐内容激发兴趣，实现“即看即买”。

（54）作为消费者，哪三个要素会促使你下单呢？

       需求、质量、价格

（55）从供给侧 (2B) 的角度分析一下短视频电商和直播电商的区别？ 换个问法，什么样的商家会选择短视频电商or直播电商？

       1. 供应链与运营模式差异

• 直播电商：强供应链与即时响应：依赖实时互动和促销转化，要求商家具备稳定的库存和快速发货能力。例如，产业带商家通过“工厂直发”模式缩短流通链路，降低物流成本，满足直播间的低价策略需求。高互动性驱动柔性生产：直播中消费者反馈可直接影响生产调整，推动“小单快反”模式。例如，纺织行业通过直播间实时互动调整产品设计，实现以销定产。
• 短视频电商：长尾需求与精准种草：通过短视频内容长期积累用户兴趣，适合非标品或小众商品的长尾需求。例如，非遗工艺品通过创意短视频吸引年轻人关注，实现冷启动。低库存压力：短视频多为“即看即买”场景，商家可通过预售或轻资产模式降低库存风险，更适合中小商家试水市场。

       2. 资源投入与成本结构

• 直播电商：高人力与资金投入：需专业主播团队、场地设备及促销资源（如全网最低价），头部主播合作还需支付坑位费和佣金。强价格敏感性：低价策略是核心卖点，商家需具备成本控制能力，例如白牌商家通过产业带直供压缩中间成本。
• 短视频电商：低成本启动：依赖创意内容而非专业主播，中小商家可借助平台算法免费流量突围。例如，抖音商品卡免佣政策降低商家经营成本。长期品牌建设：通过优质内容积累品牌认知，适合注重差异化定位的商家，如原创设计品牌通过短视频传递品牌故事。

       3. 适配商家类型

• 适合直播电商的商家。供应链成熟的产业带工厂：如服饰、美妆等标品行业，通过直播直接触达消费者，减少中间环节。高毛利、体验性强的品类：例如珠宝、家居用品，通过主播现场演示增强信任感。需快速清库存的商家：直播限时促销能快速消化库存，如季节性商品或尾货处理。
• 适合短视频电商的商家。内容驱动型品牌：如文创、手工艺品，通过短视频场景化展示产品文化内涵，吸引细分受众。新兴品牌与白牌商家：借助算法推荐低成本触达潜在用户，例如抖音“商品卡+图文”模式助力白牌商家冷启动。长尾需求品类：如农产品、非遗产品，通过短视频突破地域限制，连接全国市场。

        4. 平台政策与流量分配

• 直播电商：平台扶持头部与品牌商家：抖音、淘宝等平台资源向品牌商家倾斜，要求商家具备种草能力和高复购率。付费流量占比高：直播间需依赖广告投放维持流量，中小商家面临ROI压力。
• 短视频电商：自然流量占比更高：优质内容可免费获得推荐，例如抖音商品卡通过高体验分入池，降低运营门槛。政策扶持中小商家：如抖音“产业成长计划”减免佣金，助力产业带商家低成本扩张。

       5. 长期战略价值

• 直播电商：信任经济与私域沉淀：商家自播（店播）成为趋势，通过长期互动培养用户忠诚度，如品牌直播间复购率可达30%以上。
• 短视频电商：品牌资产积累：短视频内容可长期留存，形成品牌IP，例如“铜师傅”通过文化故事短视频吸引全年龄段用户。

（56）如何构建直播间的满意度指标？

       1. 行为数据类指标

• 平均停留时长：≥5分钟为优秀（参考抖音直播留存率标准）
• 互动率：发言人数/观众总数≥10%为达标
• 复看率：7天内重复观看用户占比≥15%为佳
• 实时在线人数峰值
• 粉丝转化率：（新增粉丝/观看人数）×100%

       2. 内容质量类指标

• 价值密度评分：每10分钟出现核心卖点次数
• 场景化匹配度：用户评论关键词分析
• 信息可信度：第三方检测报告展示时长占比

       3. 转化验证类指标

• 商品点击转化率：≥8%为优秀（参考头部直播间数据）
• 售后投诉率：≤1.2%为合格（需结合电商平台数据）
• 30天复购率：≥25%反映长期满意度
• 客单价：总GMV/下单人数

       4. 直接反馈类指标

• 实时弹幕情感分析：通过NLP技术识别弹幕中正面/中性/负面评价占比
• 满意度评分：直播结束推送1-5星评分
• 用户调研：抽样调查中"愿意推荐该直播"的比例

（57）假设这样的情境：你与B端业务方进行对接的时候，业务方因为观察期 GMV的提升而着急上线，你作为分析师分析一下这种情况可能是什么原因造成的？如果不符合你的预期，如何与业务方进行沟通？

    GMV短期提升的潜在原因

       1. 短期效应干扰

• 季节性波动：观察期恰逢行业旺季/大促周期（如双11、年货节），需对比同期历史数据
• 补贴驱动：通过优惠券/满减活动拉动的GMV增长，需计算ROI（例：客单价提升20%但补贴成本上升50%）
• 用户透支消费：限时促销导致的消费前置，需监测复购率是否下降

       2. 数据统计偏差

• 统计口径变化：新纳入高GMV业务线/计入未完成订单（如预售订单）
• 数据采集异常：埋点错误导致订单重复统计（如APP/小程序双端重复计算）

       3. 虚假繁荣信号

• 流量倾斜：集中资源导流头部商品（需分析长尾商品动销率）
• 渠道异常：存在刷单/黄牛套利等非正常交易（需核查IP/设备ID集中度）
• 对比基线失真：选择销售淡季等特殊时期作为对照组

       沟通步骤：

       1. 建立共识框架

• STEP1：可视化数据异常，用趋势图+同期对比展示：
  ▸ 补贴GMV占比超60%
  ▸ 日均活跃买家数未显著增长
  ▸ 用户留存率低于行业基准

• STEP2：量化长期风险
  ▸ 若补贴退坡后GMV可能回落50%+
  ▸ 透支消费导致未来30天复购率预估下降15%

       2. 提供替代方案

• 风险可控方案：灰度发布（先覆盖30%用户）
• 验证性方案：延长观测期
• 双赢方案：承诺上线后持续优化（如每月迭代补贴策略）

（58）如果证实了  GMV 的提升并不真实，但业务方依旧要上线，你打算如何与他沟通呢？

    Step 1：确认共同目标

• 明确表达对业务目标的认同
• 将分歧从「是否上线」转化为「如何更安全地上线」

       话术示例："我们目标是一致的，都希望业务长期健康增长。当前数据反映的情况可能需要调整实现路径，避免消耗未来势能。"

    Step 2：三维风险具象化

风险维度	具体话术锚点	数据支撑示例
财务风险	"当前补贴ROI仅0.8，意味着每投入1元亏损0.2元，规模化后月均可能扩大损失至[XX万元]"	计算边际成本递增曲线
运营风险	"异常订单占比23%，若触发平台风控规则，可能导致整体活动被强制下线"	展示IP/设备ID集中度热力图
战略风险	"透支优质客户预算后，Q4核心品类的用户触达率预计下降40%"	构建用户LTV衰减模型

    Step 3：阶梯式妥协方案

       提出「保底条款+动态监控」组合方案：

       1. **限制性上线** 

• 灰度发布：首期仅开放30%用户/50%区域 
• 预算封顶：设置单日补贴上限（如不超过日均GMV的15%）  
• 优化流量分配：将资源倾斜至转化率高、退货率低的商品或渠道。

       2. **硬性熔断机制** 

• 当异常订单率>10%时自动暂停 
• 用户投诉量达日常3倍时触发人工审核  

       3.  **承诺资源支持** 

• 提供实时监控看板（每小时更新核心指标） 
• 组建联合应急小组（分析师驻场响应）

    Step 4：责任留痕

• 书面记录：通过邮件/协同文档确认共识结论
• 风险告知：明确标注「基于当前数据模型的预测结论」
• 存档基线：保存当前数据版本与假设条件

（59）如果你无论如何都无法与业务方达成一致，那你打算怎么做呢？

      1. 升级协调机制

• 高层介入：若僵局影响项目进度，联合业务方对接人共同向上级汇报，提交利弊分析报告。例如，制作对比图表展示不同方案的成本收益，推动高层决策。
• 第三方协调：引入中立的专业顾问或行业协会调解，尤其适用于技术性争议（如合同法律条款）。

       2. 书面留痕

• 正式邮件："基于数据模型验证（详见附件），当前GMV提升存在[具体风险点]，建议采取[XX方案]缓释风险。若坚持上线，需重点关注[指标1][指标2][指标3]的异常波动。"
• 抄送对象：业务方负责人、双方上级、风控/法务关键人
• 会议纪要：在协同文档中标注反对意见："2023/08/20数据分析组提醒：若忽略[XX数据结论]，可能触发[具体风险]"

       3. 最小化风险敞口

• 强制灰度策略：限定测试范围（如仅5%高价值用户可见），设置熔断规则（例：当补贴ROI<1.0时自动下线）
• 预算分割：将总预算拆分为「测试预算」+「应急预算」（比例7:3），避免资源一次性耗尽

       4. 危机响应准备

• 数据溯源包：存储原始数据、代码、模型参数的不可篡改版本（如区块链存证）
• 媒体应对口径：提前准备QA文档（"该策略经小范围测试后推行，我们将持续监控效果"）

（60）你认为你的优势在哪里？ 弱点有哪些？

（61）如何评价xxx搜索业务的好坏？

       1. 用户行为与体验指标

• 搜索需求满足度:无结果率：空结果占比越低，搜索精度与广度的平衡（既需精准匹配用户意图（如通过语义理解优化），又要避免因过度精准导致结果过少）

• 用户交互效率：响应速度，多模态支持（支持文本、语音、图片等多形式搜索）

• 用户粘性与满意度：人均搜索频次，用户留存与卸载率

       2. 技术能力与创新性

• 底层技术架构：AI能力整合，RAG（检索增强生成）技术（解决AI幻觉问题）

• 场景化适配：垂直领域优化（如汽车行业搜索需强化线索转化，游戏行业需支持礼包领取等互动功能），个性化推荐（抖音搜索品专能根据用户意图展示差异化内容）

• 技术迭代速度：参考AI搜索的3阶段划分：从传统关键词搜索（1.0）到多模态深度融合（3.0），技术需持续演进以匹配用户需求。

       3. 商业价值与转化效果

• 直接收入指标：广告ROI，GMV

• 成本控制能力：CPC（单次点击成本）

• 生态协同效应：全链路整合：如抖音“种搜购”链路通过内容激发搜索，再通过品专页完成转化，实现种收效率提升；跨平台引流：小红书、微信等通过私域内容赋能搜索，缩短用户决策路径79。

         4. 市场竞争与用户心智

• 市场份额与增长潜力

• 品牌心智占领：搜索占位：品牌词搜索拦截率提升33倍，用户信任度增加15%-20%（如电商品专）。

       5. 行业适配与长期发展

• 行业特性匹配：电商需强化“搜后购”链路，奢侈品行业侧重品宣与调性提升。本地生活类搜索需缩短转化链路，如团购搜后购买占比63%。

• 可持续发展能力：数据驱动优化：通过A/B测试持续迭代，如阿里通过周期性评估优化搜索效果。商业模式创新：Perplexity尝试按问题竞标广告，CPM定价达50美元，探索高价值变现。

（62）分析小红书和百度的搜索业务的异同

    核心差异

1. 用户群体与搜索场景

• 小红书：以Z世代（18-30岁）为核心用户，搜索内容集中在生活方式、消费决策、本地服务（如美妆、旅行、美食）等场景，用户倾向于通过真实用户分享的笔记获取经验性答案。
• 百度：覆盖全年龄段用户，搜索场景更广泛，包括事实查询、学术研究、综合信息检索等，内容来源以网页、专业文档为主。

       2.  内容生态与技术路径

• 小红书：依赖UGC（用户生成内容），搜索结果来自真实用户的图文或视频分享，强调“生活化答案”。技术方面，小红书推出AI搜索应用“点点”，结合平台内海量笔记数据，提供场景化解决方案。
• 百度：整合全网信息源（包括百家号、B站、抖音等），并引入AI大模型（如DeepSeek、文心一言）优化搜索体验。

       3. 商业化模式

• 小红书：搜索流量与电商深度绑定，通过“搜索→种草→转化”链路提升GMV。
• 百度：以搜索广告为核心收入，依赖CPC（单次点击成本）和关键词竞价，正探索AI生成内容与广告的融合。

       4. 市场定位与竞争策略

• 小红书：定位“生活场景的搜索引擎”，通过强化“搜索心智”争夺垂类市场，并推出“AIPS人群资产模型”量化种草效果。
• 百度：回归“搜索本质”，将Slogan从“生活更好”改为“你就知道”，强调技术驱动，通过接入DeepSeek和开源文心大模型巩固行业地位。

     共同点与行业挑战

       1. AI技术的深度应用

• 双方均引入生成式AI优化搜索体验：小红书“点点”支持多模态搜索，百度则通过大模型实现智能问答和内容生成，同时均面临AI技术带来的商业化难题，例如如何平衡用户体验与广告收益。

       2. 应对社交媒体与短视频平台的冲击

• 用户注意力转移：抖音、快手等内容平台通过推荐算法分流搜索流量，传统搜索引擎的市场份额被挤压。
• 内容形态竞争：短视频和图文结合的“搜推联动”模式（如抖音的AI搜索结合视频攻略）对两者均构成威胁。

（63）设计一套指标体系评价社区类app的搜索业务

       指标体系涵盖核心业务效果、用户体验、生态健康度、技术效能及商业价值五个维度：

    1. 核心业务效果指标

• 搜索渗透率：日/月搜索用户占比：搜索用户占DAU/MAU的比例，反映用户对搜索功能的依赖程度。人均搜索次数：区分高频用户（如日均≥5次）与低频用户，分析用户行为分层。
• 搜索效率：首屏结果点击率（CTR）：衡量搜索结果与用户意图的匹配度。无结果率/低质结果率：社区长尾内容需控制在8%以下。搜索转化率：搜索后触发互动行为（点赞/收藏/评论）的比例，反映内容消费效率。
• 内容激活能力：旧内容召回率：历史内容（发布超30天）被搜索触达占比。冷启动内容曝光率：新发布内容通过搜索获得的初始流量占比，衡量搜索对新创作者的扶持作用。

    2. 用户体验指标

• 交互体验：搜索响应时间，多模态搜索覆盖率：支持图片/语音/视频搜索的类目占比，搜索引导有效性：热词推荐/联想词的点击转化率。
• 满意度指标：NPS（净推荐值）：通过用户调研获取搜索功能推荐意愿；会话留存率：搜索后继续浏览≥3篇内容的用户比例，反映内容衔接流畅度。
• 场景适配度：垂类搜索满足度：重点领域（如美妆/数码）搜索结果优质率；个性化偏差率：避免过度依赖用户画像导致信息茧房

       3. 生态健康度指标

• 内容供给质量：UGC搜索覆盖率：用户生成内容在搜索结果中的占比；优质内容曝光权重：搜索排名算法对高互动内容的加权系数。
• 创作者激励效果：搜索流量分配基尼系数：衡量流量在创作者中的分布公平性；搜索引导创作率：用户根据热搜词发布新内容的比例。
• 社区氛围维护：敏感内容拦截率：搜索高危关键词的违规内容过滤效率；争议话题平衡度：对立观点在搜索结果中的呈现比例。

       4. 技术效能指标

• 算法能力：语义理解准确率；多模态对齐度：图文/视频内容与搜索词的相关性评分
• 系统性能：高并发稳定性；索引更新时效：新内容进入搜索库的延迟
• AI应用深度：智能摘要生成采纳率：用户点击AI生成摘要的比例；跨场景联想准确率：搜索“露营装备”能否关联“户外急救知识”等延伸需求

       5. 商业价值指标

• 直接变现效率：搜索广告eCPM：对比信息流广告溢价幅度；搜索引导GMV占比：电商类社区需关注搜索到交易的转化链路
• 间接价值贡献：搜索用户LTV：搜索活跃用户的长期留存与付费价值；品牌专区ROI：企业号通过搜索获得的粉丝获取成本与转化收益比
• 生态协同价值：搜索引流效率：搜索为其他功能模块（直播/圈子）导流的用户占比；跨平台心智渗透：用户主动使用“在XX社区搜索”的行为占比

（64）在你刚刚设计的指标体系里，小红书相比百度更关心哪几个，为什么

    小红书更关注的指标及原因

       1. 核心业务效果维度

• 冷启动内容曝光率：小红书依赖新创作者持续生产优质内容维持生态活力，搜索是新内容冷启动的核心通道（如通过热搜词引导曝光）。相比百度侧重全网索引，小红书需确保算法对新内容的公平推荐。案例：B站通过搜索流量扶持新UP主，使新人视频搜索流量占比提升至22%。
• 旧内容召回率：UGC内容长尾价值显著，用户常搜索历史攻略（如“2020大理民宿推荐”）。小红书需通过优化内容时效性判断（如季节、流行趋势过滤）和语义理解，提升旧笔记的搜索曝光。对比：百度更关注实时性（如新闻搜索），旧内容权重较低。

       2. 用户体验维度

• 多模态搜索覆盖率：小红书70%以上内容为图文/视频，用户习惯用图片搜同款、用视频搜教程。对比：百度虽支持多模态，但文本搜索仍占主导。
• 个性化偏差率：避免过度依赖用户画像导致“信息茧房”。小红书需平衡个性化推荐与内容多样性。技术难点：社区口语化表达（如“梨形身材穿搭”）的语义泛化能力要求高于百度标准化的关键词搜索。

       3. 生态健康度维度

• 搜索流量分配基尼系数：防止头部创作者垄断流量，维护中小创作者积极性，而百度搜索排名更强调权威性（如官网优先）。
• 搜索引导创作率：将搜索行为反向驱动内容生产，形成“需求→搜索→创作→供给”的正循环。例如用户搜索“露营穿搭”后，平台通过创作工具推荐相关话题，刺激UGC产出。

       4. 商业价值维度

• 搜索引导GMV占比：小红书构建“搜索→种草→购买”闭环，需衡量搜索对电商交易的直接贡献。而百度搜索广告以品牌曝光和线索收集为主，较少直接促成交易。
• 跨平台心智渗透：培养用户“生活方式搜索=小红书”的认知（如“小红书搜穿搭”成用户习惯），这是社区类App建立竞争壁垒的关键。百度则需维护“综合信息搜索”的通用心智。

     百度更关注的指标（对比参考）

• 核心业务效果维度：无结果率（全网内容覆盖度要求更高）
• 技术效能维度：语义理解准确率（需覆盖专业领域）、高并发稳定性（日均10亿级请求）
• 商业价值维度：搜索广告eCPM（依赖竞价排名模式）、品牌专区ROI（企业官网导流）

（65）如何评估搜索的信息质量？

       1. 内容可信度评估

• 权威性验证：来源可信度，内容真实性验证
• 时效性管理：动态衰减机制，新闻类内容半衰期≤24小时，科普类≤3年；时效标注系统（如知乎显示「该回答发布于2021年，部分信息可能过时」）

       2. 用户价值匹配度评估

• 意图理解深度：事实查询评估答案准确性、数据来源；经验决策评估案例丰富度、实操细节；知识探索评估体系完整性、延伸阅读推荐
• 长尾需求覆盖：冷门问题召回率（如「猫传腹早期症状」的优质内容覆盖率）；方言/网络用语理解能力
• 交互有效性验证：有效阅读率（页面停留≥30秒且滚动深度≥70%）；二次搜索率；跨平台验证行为

       3. 生态健康度评估

• 多样性保障：信息茧房破除（观点多样性指数、跨圈层推荐率）；文化适应性（地域差异化呈现、敏感内容动态过滤）
• 商业干扰控制：广告内容标识（原生广告检出率、软文识别模型）

       4. 技术处理能力评估

• 内容理解维度：多模态对齐度（图文一致性检测、视频关键帧语义提取准确率）；深度语义处理（反SEO作弊能力；观点对立检测）
• 索引健康度：僵尸内容清理率（180天无访问的内容自动降权）；热点响应时效（新事件相关内容进入索引时间≤5分钟）

（66）请分析一种情况：两个用户分别搜索了相同的词语，一个搜完后不用点进去就获得想要的信息了于是退出，另一个用户搜完后找不到想要的信息体验很差也退出了，请问怎么识别区别出这两种情况 

    1. 页面停留时长与阅读深度

• 满意退出：
  ① 停留时间≥答案直接展示所需时长
  ② 鼠标轨迹显示焦点停留在答案片段区域
  ③ 屏幕滚动幅度与答案呈现位置匹配

• 失望退出：
  ① 停留时间短于同类query中位数
  ② 快速滚动浏览多个结果但无聚焦停留
  ③ 高频触发Ctrl+F页面内搜索（反映用户主动寻找关键词匹配）

    2. 交互行为特征

行为维度	满意退出用户	失望退出用户
答案复制	可能复制摘要内容到剪贴板	无复制行为
多标签操作	直接关闭标签页	快速切换至其他搜索引擎标签
历史记录回溯	无后续操作	可能返回搜索结果列表页重新筛选

    3. 跨会话延续性

• 满意退出：
  ① 同一session内无相关二次搜索
  ② 后续访问中减少同类query搜索频次（需求被满足）

• 失望退出：
  ① 短期内（5分钟内）重复相同/相似query搜索
  ② 转向社区提问（如知乎提问“如何准确查找XX信息”）

（67）再看推荐系统，如果我告诉你小红书有1%的作者占据了99%用户的首页推荐流量，你怎么分析

    一、平台算法逻辑下的流量集中现象

1. 流量分发的底层规则：小红书通过用户互动行为（点赞、收藏、评论、转发、关注等）判断内容质量，高分内容进入更大流量池。若头部作者的笔记持续获得高互动率，系统会将其推荐至更广泛的用户群，形成“爆文更爆”的循环。这种机制可能导致流量向少数优质内容倾斜。

2. 流量层级的阶梯效应：小红书的流量按层级进行划分，只有少数内容能进入人工审核加权推荐阶段。若1%的作者持续产出高互动率内容，其笔记更易进入高阶流量池，形成流量垄断。

3. 用户行为的自然选择：用户对内容的点击、停留、互动等行为直接影响推荐权重。头部作者通常更擅长打造高点击率的标题、封面和内容结构，符合用户偏好，从而获得更多流量。这种情况下，流量集中是用户选择与算法共同作用的结果。

    二、可能的非正常因素分析

1. 隐性限流与内容质量审核：若普通作者的内容因质量或匹配度不足被算法过滤，流量会进一步向头部集中。

2. 商业利益驱动的流量倾斜：平台更倾向于扶持能为自身带来商业价值的账号（如认证企业号、参与蒲公英计划的博主）。若头部作者通过付费推广或品牌合作获得额外曝光，可能加剧流量分配失衡。

3. 马太效应与生态健康：若流量过度集中，新账号难以突破初始流量池，可能打击创作积极性，导致平台内容生态僵化。长期来看，这与小红书“去中心化”的定位存在矛盾。

       三、判断“正常性”的关键标准

1. 是否由内容质量主导：若头部作者的内容因高互动率、高完播率等用户反馈数据自然获得流量，符合算法逻辑，属于正常现象；若因平台人为干预或商业合作倾斜，则需质疑其公平性。

2. 是否存在长尾流量机会：小红书的搜索页流量具有长尾效应，普通作者可通过精准关键词布局持续获取流量。若搜索流量未被垄断，说明平台仍为中小作者留有空间。

3. 平台生态的多样性：健康的生态应允许垂直领域的中小作者通过优质内容突围。若所有赛道的头部均被少数账号占据，可能反映算法过度依赖短期数据，需调整权重分配。

（68）你怎么从我说的这两个数字里得出或者你用什么方法确定现实就是你提到的内容供给丰富度问题

（69）你认为剩下的99%长尾作者重要吗

    一、对平台生态的核心价值

1. 内容多样性与生态活力：长尾作者是垂直细分领域的内容供给者，覆盖美妆教程外的“小众需求”（如家居改造、职业经验、冷门兴趣等）。这种多样性避免了平台陷入同质化内容的内卷，吸引更多元的用户群体，维持生态的长期活力。

2. 去中心化与抗风险能力：过度依赖头部作者会导致平台生态脆弱，例如头部作者流失或负面事件可能直接冲击平台流量，算法若只强化头部内容，用户会因信息茧房加速流失。长尾作者的存在分散了风险，形成“多中心化”生态，提升平台稳定性。

3. 新创作者孵化的土壤：所有头部作者均从长尾成长而来。若平台完全忽视长尾，将导致创作者断层。

    二、对用户需求的深层满足

1. 精准匹配长尾需求：用户需求呈“二八分布”：20%的泛需求（如美妆、穿搭）由头部覆盖，80%的细分需求（如“小个子梨形身材职场通勤穿搭”“ADHD患者时间管理”）依赖长尾作者提供解决方案。

2. 真实性与信任感构建：长尾作者多为“普通人”（KOC），其分享更贴近真实生活经验，用户信任度往往高于商业化明显的头部KOL。

       三、对商业价值的隐性贡献

1. 长尾流量的聚合效应：单个长尾作者流量有限，但整体规模庞大。广告价值：品牌可通过“海量长尾博主软植入”实现低成本广覆盖；搜索价值：长尾内容占据搜索结果页，为品牌提供持续自然曝光。

2. 本地化与下沉市场的触达：长尾作者分散在三四线城市乃至县域，能帮助品牌渗透传统营销难以覆盖的下沉市场。

3. 中小商家生存的基础：小红书中小商家（如手作店主、独立设计师）依赖长尾流量生存，其存在丰富了平台商业生态，避免成为“大品牌广告墙”。

（70）如果这1%的作者里30%是美妆类博主、40%是求职类博主，整个平台40%是美妆类博主、50%是求职类博主，你会怎么分析？

       若小红书的头部作者与平台整体内容分布呈现显著差异，需重点关注以下矛盾点：

1. 流量效率差异：求职类占平台50%内容但仅占头部40%，美妆类占平台40%但头部仅30%，说明求职和美妆的内容竞争激烈但流量转化效率低；

2. 小众赛道红利：其他类别仅占平台10%内容却占据头部30%流量，反映小众领域存在“低供给-高需求”机会窗口；

3. 生态失衡风险：平台过度依赖少数大类（美妆+求职占比90%），可能引发用户审美疲劳与创作者流失。

（71）如果改变算法策略，1%的作者变成20%的作者，你认为会有什么影响

       将头部作者占比从1%扩大至20%，本质是通过算法调整实现流量分配去中心化。这一变化对平台生态、用户体验、商业化等维度将产生深远影响。

    一、积极影响

       1. 内容生态激活

• 长尾创作者激励：中腰部及新人作者获得曝光机会，打破“流量垄断-创作倦怠-生态萎缩”的恶性循环，吸引更多元创作者入驻。
• 垂类内容繁荣：美妆/求职等红海赛道外，家居、知识付费、小众兴趣等内容供给增加，满足用户精细化需求。

       2. 用户体验优化

• 信息茧房弱化：用户接触的内容类型更丰富，减少同质化内容刷屏导致的审美疲劳，提升探索新鲜领域的兴趣。
• 搜索与推荐协同：更多长尾内容被推荐后，用户主动搜索行为可能增加（如“小众旅行地攻略”），形成“推荐激发需求-搜索满足需求”的正循环。

       3. 商业化空间拓展

• 广告投放去中心化：品牌可批量合作中腰部博主（如“千人千面”软广），降低对头部KOL的依赖，提升投放性价比。
• 新变现模式孵化：知识付费、本地服务等长尾领域商业价值释放。

    二、潜在风险

       1. 用户体验短期波动

• 推荐精准度下降：算法从“强头部偏好”转向“多样性优先”，可能导致用户兴趣匹配度降低，点击率/完播率下滑。
• 内容质量参差不齐：大量中腰部内容涌入推荐池，若审核机制未同步升级，低质内容可能影响用户体验。

       2. 创作者生态震荡：

• 头部作者流失：原1%的头部博主流量被稀释，可能转向其他平台或减少更新频率，导致平台优质内容供给短期减少。
• 马太效应转移：新头部（20%作者）可能形成次级垄断，若算法未动态优化，中小作者仍难突破“二八定律”。

       3. 平台收益压力

• 广告单价承压：头部KOL的CPM（千次曝光成本）通常高于中腰部作者，流量分散可能导致平台整体广告收入增长不及预期。
• 运营成本上升：需投入更多资源审核海量内容、开发创作者培训工具、优化多样性算法，可能挤压利润空间。

（72）如何设计AB实验验证你说的影响

（73）大数定理是什么？回答只记得中心极限定理，追问中心极限定理的概念

       大数定律（Law of Large Numbers，LLN）是指某个随机事件在单次试验中可能发生也可能不发生，但在大量重复实验中往往呈现出明显的规律性，随着样本量的增加，样本均值会趋近于总体的期望值。虽然中心极限定理也描述了样本均值的行为，但它关注的是样本均值的分布形态。

       中心极限定理是统计学中常用到的一个理论，也是大部分数据分析必须用到的一个定理。它说明了当一个随机变量的样本量足够大时，无论该随机变量的分布如何，其样本均值的分布会趋向于正态分布。

    大数定律和中心极限定理的区别

       中心极限定理关注的是样本均值的分布，而大数定律关注样本均值是否收敛于总体期望值。中心极限定理说明了分布趋向正态的现象，而大数定律仅说明趋近于期望值

（74）SQL 视频完播率计算

（75）两个人在一个小时内到达同一地点，到达时间服从均匀分布且相互独立。如果一人到达后15分钟另一人还没到达，则离开。问两人相遇概率？

       图解：设两人到达时间分别是X，Y，两人相遇条件是|x-y|<=0.25h，所以正方形是所有情况，S(黄色区域)/S(正方形)是相遇概率，S(其他区域)/S(正方形)是错过概率

（76）增加一个支付方式，AB测试怎么设置指标 如果增加支付方式后，实验组新支付方式的使用比例高，但整体的人均支付金额下降，怎么归因。

    一、AB测试指标设置

       1. 核心指标（直接反映目标）

• 新支付方式渗透率：实验组中使用新支付方式的订单占比。
• 总交易额（GMV）：实验组与对照组的整体交易额差异。
• 人均支付金额：用户单次支付的平均金额（总GMV/支付用户数）。
• 支付成功率：新支付方式与原有方式的支付成功比例。
• 转化率：从加购到最终支付的转化率对比。

       2. 辅助指标（辅助归因分析）

• 用户分层消费差异：新用户/老用户、高低价值用户的支付金额变化。
• 客单价分布：不同价格区间订单量的变化（如是否低单价订单占比上升）。
• 退款率：新支付方式是否导致更高的交易纠纷或退款。
• 用户行为路径：支付流程时长、跳出率、重复支付尝试次数等。

       3. 长期指标（可选）

• 用户留存率：实验组用户后续复购率是否受影响。
• 渠道偏好稳定性：新支付方式的使用是否持续增长或衰减。

    二、实验组「新支付使用率高但人均金额下降」归因分析

       1. 用户群体差异

• 假设：新支付方式可能吸引了低消费倾向用户（如优惠敏感型用户）。
• 验证方法：分层对比实验组/对照组中不同用户分层（新用户/老用户、历史消费水平）的人均金额变化。若实验组中新用户占比显著更高，且新用户本身消费较低，可能导致整体均值下降。

       2. 支付方式特性

• 假设：新支付方式存在限制（如额度限制、不支持分期），导致高客单价用户无法使用。
• 验证方法：统计实验组中使用新支付方式的订单金额分布，对比原有支付方式的客单价。检查新支付方式的技术限制（如单笔支付上限）。

       3. 促销或场景偏差

• 假设：实验组被误分配到低单价活动页面，或新支付方式与特定低价商品绑定。
• 验证方法：检查实验组/对照组的流量分配是否均匀（如商品类目、促销活动曝光是否一致）。对比不同商品类目下的人均金额差异。

（77）为什么现在各大平台都想要有自己的钱包？

      一、提升用户体验与支付效率

1. 满足本地化支付习惯。电子钱包已成为全球电商支付的主导方式，且不同地区用户对支付方式偏好差异显著。平台自建钱包可精准匹配目标市场的支付习惯，减少用户因支付方式不兼容导致的流失
2. 简化支付流程。自有钱包能深度整合平台生态，用户无需跳转至第三方支付工具即可完成交易，显著缩短支付路径，提升购物便捷性。
3. 增强支付安全性。平台通过自建钱包可自主设计安全机制，降低用户数据泄露风险。同时，钱包内置的托管功能（如交易资金暂存）可减少纠纷，保障买卖双方权益。

    二、掌控用户数据与商业价值

1. 用户行为分析与精准营销：电子钱包积累的支付数据（消费频次、金额偏好、商品类别等）是平台优化运营的核心资源。通过分析这些数据，平台可构建用户画像，实现个性化推荐和动态定价。
2. 构建闭环生态。自有钱包可与其他平台服务（如会员体系、积分兑换、金融服务）无缝衔接，形成生态闭环，增强用户粘性。

    三、拓展商业模式与盈利空间

1. 金融业务延伸。钱包是开展信贷、理财、保险等金融业务的基础设施。例如，平台可通过钱包推出“先用后付”服务，或与金融机构合作提供消费分期，从中赚取利息或服务费
2. 跨境支付与全球化布局。自建钱包支持多币种结算，助力平台拓展海外市场，降低跨境交易成本。
3. 广告与流量变现。钱包界面可作为广告投放渠道，或通过联合品牌发放优惠券实现流量变现。例如，平台在钱包首页推广合作商家的限时折扣，按点击或成交收取费用。

    四、应对竞争与政策环境

1. 防御性战略。在支付宝、微信支付等巨头占据主导的市场中，平台自建钱包可避免被竞争对手的支付工具“卡脖子”。
2. 政策合规与监管要求。部分国家限制外资支付工具的本地化运营，平台通过合作或自建钱包可规避政策壁垒。

（78）机器学习问题：

       - 模型原理、数据清洗方式、特征工程方法和原理 - TIPS：由于是数据科学岗位，所以一上来就针对我写的机器学习项目展开提问，问题肯定会根据简历而异，一定记住盘清楚自己写过的方法原理、流程等细节。

（79）介绍分析项目，做了什么，为什么做，得到了什么效果？

（80）如何量化所做动作对结果的影响，相关性，因果性？

       衡量策略的影响+因果推断

（81）如何评估商家标签的合理性？

       等等。 - TIPS：这部分聊了大概15分钟，对大家的普适性不够，就不赘述。记住宗旨就是梳理清楚分析目的、流程、方法和结果，从面试官的角度复盘可能被问的问题，比如项目卡点，可优化的点，迭代的思考，以及多复盘该如何给面试官讲清楚整个闭环的故事。

（82）统计学/AB实验/因果推断

（83）假设检验、P值、第一/二类错误

（84）实验分组需要注意什么、如何保证分组的随机性、PSM原理

       TIPS：大家不要仅仅停留在原理层面的解释，多和互联网场景结合解释&操作细节流程都尽量熟悉

（85）口述思路（分组的日均点击率问题）

（86）窗口排序函数介绍、区别 - 表连接区别

（87）Excel的掌握程度、之前实习的技术栈软件是怎么样的

（88）满减券的满减条件和满减金额应该如何确定？
       背景：外卖平台期望通过发放满减券提升GMV，从而提升平台的收益。需要数据分析师决定券的投放面额，即满多少减多少？

    1. 数据基础构建

• 用户分层数据：按历史消费金额（低/中/高）、下单频率、优惠券使用敏感度划分用户群体。
• 订单数据：客单价分布（如30%订单在30-50元，40%在50-80元）、未使用券时的自然GMV。
• 历史优惠券效果：不同面额券（如满30-5、50-10）的核销率、GMV提升幅度、ROI（每1元补贴带来的GMV增量）。
• 商家数据：商家平均利润率、可承担的优惠分摊比例（如平台补贴70% vs 商家30%）。

    2. 关键分析步骤

       2.1 确定优惠券设计目标

       平台收益=(GMV×佣金率)−补贴成本平台收益=(GMV×佣金率)−补贴成本。需最大化该值，而非单纯追求GMV。

       2.2 用户敏感度与客单价分析

       敏感度测试：

• 对低客单价用户（历史单均价30元）发放满25-5券，观察是否推动其消费提升至30元。
• 对高客单价用户（历史单均价70元）测试满80-15券，判断能否拉动跨档消费。

       分位数分析：若平台客单价75%分位数为60元，可设定满减门槛略高于此值（如65-12），刺激用户向上突破。

       2.3 历史数据建模

       回归模型：ΔGMV=β0+β1×满减门槛+β2×折扣力度+ϵ

       通过系数β1,β2判断门槛与折扣的边际效应。

       2.4 A/B测试验证

       测试组设计：

• Group A：满50-10（门槛=历史客单价均值×1.2）
• Group B：满40-8（门槛=历史客单价均值×0.9）
• 对照组：无券

       指标监控：核销率、客单价提升幅度、GMV增量、补贴成本占比。

       2.5 成本收益平衡

       临界值计算：假设满X-Y券使订单量增长20%，单均补贴成本Y×核销率，需满足：

       (1.2×原GMV×佣金率)−(Y×核销用户数)>原收益，解此不等式可得Y的最大允许值。

（89）假设分析出是单纯商品属性/流量的原因，预期可做什么事情？

（90）假如知道是商品属性的原因（例如蓝色裙子），除了投流测款，还能做什么事情？

       答：结合用户画像及用户行为在tts上进行投放

（91）分析想达到什么业务目标？

       答：新项目不确定是由于流量还是由于商品属性，需要有较确切的答案，后续才能做不同的投放策略。

（92）分析框架？

（93）如何利用商品卡点击&商详加购来量化商品属性？

       答：两指标是用户意愿来量化商品特性。用的是购买结果指标。

（94）蓝色比白色连衣裙在用户的购买意愿上面是更好的，基于该数据表现刻画出什么商品特性？

（95）后续落地方向？如何推动业务落地？你的分析结论能够怎么去驱动业务？

       答：新项目前期需要吸引大批用户来到站内，利用比基尼爆款的特性(价格低、销量高)吸引流量入站内。定位爆款，对有潜力的爆款进行打标、利用首页or显眼的入口位进行展示，做到引流的效果。

（96）为什么比基尼价格低能成为爆款，但是连衣裙没有这种趋势？

       答：由于商品特性，低价连衣裙并不能满足消费者预期。比基尼来讲，布料较少、图案形状单一、投入较少的人力能获得较高质量的商品输出，所以比基尼价格低能满足消费者的需求、因此比基尼价格越低越容易成为爆款。

（97）常用的手机软件？并对其进行分析

（98）为什么现在的分享从微博转移至小红书or抖音？

    1. 内容生态的差异化竞争

• 微博：内容同质化与流量黑产泛滥。微博的核心功能热搜榜长期被娱乐八卦、营销号和水军占据，真实用户的原创内容（UGC）逐渐边缘化。此外，微博的媒体属性过强，用户更多作为热点事件的“旁观者”，而非内容创作者，导致社交属性弱化。
• 小红书与抖音：垂直化与沉浸式体验。小红书以“生活方式种草”为核心，用户既是内容消费者也是生产者，社区氛围强调真实分享与互动。抖音则依托算法推荐和短视频形式，提供沉浸式体验，用户更易通过兴趣标签找到精准内容，形成高粘性社区。

    2. 商业化能力的差距 

• 微博的变现困境。微博广告加载率高，用户单次使用时长和广告点击率（CTR）骤降，电商闭环能力薄弱，转化率和会员体系吸引力低。
• 小红书与抖音的社交电商崛起。小红书通过“内容+交易”双引擎驱动，抖音依托直播带货和算法精准匹配需求。此外，两平台均构建了私域流量闭环，例如小红书通过群聊和AI工具提升用户复购率，抖音通过数据中台优化广告匹配效率。

3. 用户体验与平台政策调整

• 微博的导流限制与用户画像模糊。微博近期加强私信导流管控，要求商家必须使用官方工具，增加了运营成本。此外，其用户行为数据单一（以娱乐和时政为主），广告精准度远低于抖音的多维数据整合能力。
• 小红书与抖音的开放性与灵活性。小红书允许全球用户共用内容池，美国用户可直接下载使用，无需切换区域，降低了迁移门槛。抖音则通过短视频形式天然适配用户碎片化时间，且算法推荐机制更高效。

    4. 明星与网红的迁移逻辑

• 微博的“流量收割”模式失效。明星在微博的热搜效应虽能维持曝光，但变现路径单一。而抖音和小红书可直接带动商品销售或礼物打赏，商业转化效率更高。
• 新兴平台的“信任经济”优势。小红书博主通过“真实测评+用户共创”建立信任，抖音则通过算法筛选核心用户，即使粉丝量不高，也能实现高转化。

（99）微博还是想做社交和分享的功能，你会做什么改进？

    一、重构内容生态，强化垂直社区与UGC激励

1. 入口引导：引导用户创作内容、分享生活

2. 精细化内容分类与推荐算法优化

• 参考鸿蒙原生版微博新增的“明星、短剧、高校、情感”等垂直频道，进一步细分兴趣标签（如职场、科技、小众文化），通过算法精准推送用户关注的领域内容，减少娱乐八卦的过度集中。
• 引入“创作者成长计划”，提供流量扶持与变现工具（如付费问答、订阅专栏），吸引高质量创作者持续产出优质内容，而非依赖营销号与水军。

      3. 打击虚假流量，重塑社区信任

• 借鉴小红书“真实分享”的社区氛围，建立用户信用评分体系，标记高可信度账号，并通过技术手段（如行为分析模型）识别并清理机器账号，减少虚假互动。

    二、优化分享体验，打破跨平台壁垒

1. 无缝跨平台分享功能升级

• 整合“一键多平台分享”功能，允许用户同时将内容分发至微信、抖音、小红书等平台，减少跳转步骤。
• 解决外链跳转问题，与其他平台协商开放API接口，实现微博链接在微信、抖音内直接播放。

       2. 增强私域流量运营工具

• 升级群聊功能，支持群内电商拼团、投票、话题接龙等互动形式，并允许用户自定义群内内容权限（如仅群成员可见的独家福利），强化社群粘性。

    三、技术创新驱动社交互动革新

1. AI赋能社交互动与内容生产

• 扩展“小艺帮写”功能，提供多风格文案生成（如情感共鸣型、幽默吐槽型），并支持用户自定义AI助手形象（如虚拟偶像），增强互动趣味性。
• 优化社交机器人“评论罗伯特”，增加“情绪识别”功能，根据用户历史互动调整回复语气（如对高心理韧性用户使用幽默调侃，对敏感用户转为温和鼓励）。

       2. 沉浸式内容形态探索

• 引入动态照片、AR试穿（如小红书功能）和3D虚拟空间（类似元宇宙场景），让用户通过多模态内容表达自我。

    四、平衡商业化与用户体验

1. 精准广告与电商闭环优化

• 利用多维用户行为数据（如浏览时长、互动偏好）优化广告匹配，降低加载频率（当前每屏1.8条广告可缩减至1条），并允许用户标记“不感兴趣”以动态调整推送策略。
• 完善电商模块，支持直播带货与用户共创选品，提供“先试后买”服务（如AR试妆），提升转化率。

      2. 会员体系与增值服务差异化

• 推出分层会员权益，如基础会员免广告、高阶会员专享独家内容或线下活动名额，增强付费吸引力。

       入口的引导、活动促使用户分享生活。引导参与话题。这三种引导分别对应不愿意发微博的原因：1.入口-入口深，没有使用习惯。2.习惯在其他平台发，很少在微博发。3.推荐不准确。

（100）如何做入口上的引导？手势引导

    一、初次引导阶段（新手适应期）——动态浮层教学

• 采用三幕式动画：首屏展示手势滑动路径（从发布按钮到编辑界面），次屏演示话题添加操作，末屏模拟发送成功动效
• 触发机制：新用户首次进入首页时，延后3秒展示，避免即时干扰
• 交互设计：允许手势滑动翻页，增加操作沉浸感

    二、场景化触发机制——内容消费后即时引导

• 浏览深度触发：用户连续阅读10条内容后，底部浮现半透明气泡「看到有趣内容？分享你的观点→」
• 热点关联引导：当用户停留某热搜话题超15秒，弹出话题卡片「参与讨论赢流量包」

    三、社交激励体系——关系链驱动

• 好友动态提示：当用户3天内未发布，feed流插入「你的好友@XX刚分享了午餐，点击回应」
• 群组挑战：创建「7天生活记录赛」，展示好友完成进度条

    四、渐进式奖励设计——阶梯式成就系统

• 即时反馈：首次发布奖励专属「生活家」气泡框（24h有效）
• 连续奖励：3日分享解锁虚拟盆栽成长，7日获得「周更达人」徽章
• 特权解锁：月活跃用户可定制发布按钮样式

（101）采纳了改动，数据分析师要怎么评估功能是的确有效的？核心指标是什么？

评估维度	核心指标	计算逻辑	分析要点
基础行为	日活用户发布率	(当日发布用户数 / DAU)*100%	分新老用户对比
	人均发布频次	总发布量 / 活跃用户数	统计分布（中位数 vs 平均数）
内容质量	多媒体内容占比	(带图/视频的发布量 / 总发布量)*100%	对比历史基线
	话题参与率	带话题标签的发布量 / 总发布量	关联热搜词库
用户留存	7日发布留存率	第N日发布用户在第N+7日仍发布的比例	分引导类型拆解
社交扩散	二次传播率	被转评赞的引导发布量 / 总引导发布量	监测传播衰减曲线
功能渗透	引导点击转化率	完成发布流程的用户数 / 触达引导的用户数	分场景漏斗分析
负向指标	引导关闭率	主动关闭引导提示的用户占比	监测异常峰值
	发布中途放弃率	进入编辑页但未发布的次数占比	定位卡点步骤

因果推断：PSM+DID、时间序列预测（被引导触达的用户群体、未触达引导的同质用户）

       人均点击按钮的次数、发博数。护栏指标：对于“发现”按钮影响的相关指标

（102）实验开启后发现样式改动预期不会影响到的指标（不相干）负向？基于该数据表现，你会怎么去排查？

    1. 验证实验基础设置

• 分流是否均匀：检查实验组与对照组的分流比例、用户画像（如设备类型、地域、活跃度）是否存在显著差异。可通过AA测试（实验组与对照组无差异时）验证历史数据是否稳定。
• 实验配置错误：确认实验参数（如触发条件、白名单、过滤规则）是否正确，避免因配置错误导致非目标用户被纳入实验。
• 样本污染：检查用户是否同时参与其他实验（尤其是影响相同指标的实验），或实验组与对照组存在交叉（如用户在不同设备登录导致分组冲突）。

    2. 数据采集与计算验证

• 埋点准确性：检查相关指标的埋点是否正常上报，是否存在漏埋、误埋或重复上报问题。对比实验组/对照组的原始日志数据差异。
• 数据聚合逻辑：验证指标的计算公式（如去重规则、时间窗口、过滤条件）是否与预期一致，避免因分母变化（如活跃用户数下降）导致比率类指标失真。
• 数据延迟或丢失：排查实验期间是否存在数据上报延迟、ETL流程异常或存储故障，导致部分数据缺失。

    3. 分析用户行为路径

• 间接影响路径：即使改动看似无关，可能通过用户心理或操作路径间接影响其他指标。例如：

  • 样式改动导致页面加载时间增加 → 用户流失率上升。

  • 按钮位置变化使用户更易误触其他功能 → 转化路径被打断。

• 用户细分分析：按用户属性（新/老用户、设备类型、使用场景）拆解指标，观察负向波动是否集中在特定群体。例如：实验改动可能在移动端引发布局错位，而桌面端正常。

    4. 排除外部干扰因素

• 时间效应：检查实验窗口内是否存在节假日、促销活动、系统故障等外部事件，通过对比同期历史数据或AA测试结果排除干扰。
• 季节性/周期性波动：某些指标（如DAU、GMV）可能受自然周期（如周末效应）影响，需通过时间序列分析确认波动是否异常。

    5. 统计显著性检验

• 假阳性（Type I Error）：确认指标变化是否具有统计显著性（如p-value < 0.05），避免因随机波动误判结果。可通过扩大样本量或延长实验周期复现结论。
• 多重检验问题：若同时监控多个指标，需校正显著性水平（如Bonferroni校正），避免因多次检验增加假阳性概率。

    6. 因果推断与反向验证

• 差分分析（Diff-in-Diff）：对比实验组与对照组在实验前后的指标变化趋势，确认负向波动是否由实验引发，而非自然趋势。
• 反转实验（Switchback Test）：临时恢复对照组配置，观察指标是否回归正常，快速验证因果关系。

（103）除了被其他实验影响负向，还会有什么原因？

       答：样本量。

（104）字节独立电商项目与抖音电商项目的差别？

       1. 定位与核心目标

• 独立电商项目（如抖音商城版）：以“货架电商”为核心，强调用户主动购物需求，对标淘宝、京东、拼多多等传统电商平台。

• 抖音电商项目：基于抖音App内嵌的“兴趣电商”模式，依赖短视频和直播内容激发用户潜在购物需求，属于“货找人”的被动消费场景。其核心优势在于算法推荐能力和流量分发效率，通过内容驱动交易。

       2. 功能与用户体验

• 独立电商项目：功能精简：去除短视频创作功能，仅保留视频带货和直播内容，购物车、订单管理等核心功能置于一级入口，缩短购物路径。货架场景强化：首页以商品分类、搜索栏、促销专区为主，弱化内容沉浸感，更接近传统电商界面。

• 抖音电商项目：内容与电商融合：用户在浏览短视频或直播时被“种草”，通过购物车或直播间直接下单，购物流程需跳转多个页面。流量分配限制：为避免影响主站用户体验，抖音App内电商内容流量占比控制在7%-8%，且需平衡内容与商业化关系。

       3. 运营与商业化路径

• 独立电商项目：独立运营体系：可能为未来分拆上市做准备，需实现资产、业务、人员独立，减少与抖音主站的关联。促销常态化：计划每月举办大促活动，通过高频促销提升用户粘性，并降低高价商品占比。

• 抖音电商项目：全域兴趣电商：整合“内容场”（短视频、直播）与“货架场”（商城、搜索），形成双轮驱动。闭环生态建设：通过切断第三方外链、推广抖音支付、完善物流体系（如小时达服务），逐步构建独立电商生态。

（105）为什么字节有抖音电商为什么要从自营的角度发展独立电商app?/为什么要做独立的产品？

       1. 避免过度依赖抖音主站，分散风险并拓展增长空间。抖音电商虽然依托抖音主站的巨大流量，但过度依赖单一平台存在风险。例如，主站需平衡内容生态与商业化，电商流量占比被限制。独立App可突破这一限制，形成独立的流量入口和用户体系，减少对主站算法的依赖。

       2. 满足用户分层需求，强化购物心智。主动购物需求激增：抖音电商发现，部分用户存在明确的主动购物需求（如搜索、比价、复购），而抖音主站以“兴趣电商”为主，用户更多是被动种草。独立App通过精简功能（如强化搜索栏、促销专区、订单管理），缩短购物路径，迎合这类用户的需求。

       3. 货架电商的战略补位，完善全域兴趣电商闭环。2023年抖音货架场景GMV同比增长277%，占平台总GMV的30%。独立App可进一步放大货架电商的潜力。

       4. 构建独立生态，为分拆上市或资本运作铺路。独立App可建立独立的运营体系（如用户数据、支付、物流），减少与抖音主站的关联，为未来分拆上市或引入外部资本提供可能性。此外，抖音主站功能日益臃肿（短视频、直播、社交、电商等），独立App可剥离电商功能，优化主站用户体验，同时避免因商业化过度导致用户流失。

       5. 应对行业趋势，抢占新增长极。当前电商行业呈现“内容平台货架化，货架平台内容化”的融合趋势。独立App是抖音向传统电商腹地进攻的关键布局。

（106）从分析师的角度，假设一开始有独立站或依靠抖音电商去发展电商的两种模式，前置性探索这两种模式到底哪一种从xxx角度更适合去做目标定位，怎么用数据来做支持？

    一、用户行为与需求匹配度

1. 主动购物 vs 被动种草

• 独立站（货架电商）：适合有明确购物需求的用户，尤其是价格敏感的下沉市场群体。
• 抖音电商（兴趣电商）：依赖短视频和直播激发用户潜在需求，属于“货找人”模式。

     2. 用户心智与留存

• 独立站通过界面设计（如商品分类、搜索栏）强化购物心智，用户复购率更高。
• 抖音主站用户以娱乐为主，购物行为多为“顺便消费”，留存依赖内容生态持续吸引。

    二、市场规模与增长潜力

1. 国内货架电商渗透空间

• 传统货架电商（淘宝、京东、拼多多）占据主导，但抖音商城通过低价策略（如“价格力”任务）快速渗透下沉市场。
• 独立站需直面竞争，但抖音商城已具备流量优势（日活超7亿），且白牌商家占比提升。

     2. 海外市场的差异化机会

• TikTok电商在东南亚、英国增长较快，但美国市场受地缘政治限制。
• 独立站依赖低价策略，但供应链和物流能力不足，访问量波动大。

    三、成本结构与运营效率

1. 流量获取成本（CAC）

• 独立站需自建流量入口，初期依赖高价广告投放（如Facebook、Google），CPM成本高（受苹果ATT隐私政策影响）。
• 抖音电商依托主站流量池，算法精准分发，商家广告成本可控（但抖音商城广告费用高于天猫）。

    2. 商家运营成本

• 独立站需承担仓储、物流等重资产投入（如TikTok效仿亚马逊FBA仓模式）。
• 抖音电商通过“商品卡免佣”政策降低商家成本，扶持店播（店播GMV占比70%，商家自播成本更低）。

    四、战略定位建议

• 若目标为快速抢占市场份额：选择抖音电商，利用现有流量优势及算法分发能力，尤其适合中小品牌及白牌商家（2023年抖音白牌商家占比提升至20%）
• 若目标为长期品牌建设与供应链控制：选择独立站，但需配套供应链与物流能力，并聚焦细分市场（如快时尚、高性价比品类）

（107）看用户的消费行为习惯决定模式能展开细化一下吗？

（108）你的思路更倾向于已经有两种模式了，两者要不要做合并。问题关键是已经有抖音电商的情况上还需不需要去做独立站？

（109）你做过理点方案的重构，请你精炼总结一套科学的理点设计体系？会有什么关键的点？          一、需求分析体系

1. 目标拆解：将业务目标分解为可量化的数据指标（如转化率、留存率）
2. 用户旅程映射：绘制完整的用户行为路径图（典型路径＞10个关键节点）
3. 需求矩阵：建立跨部门需求池（产品/运营/市场＞80%需求覆盖率）

    二、事件模型设计

1. 四层建模法：

• 实体层（用户/设备/环境）
• 事件层（注册/支付等核心行为＞50个标准事件）
• 属性层（事件属性＞200个标准化字段）
• 参数层（动态扩展参数保留位）

     2. 命名规范：

• 事件命名：动宾结构（如video_play）
• 属性命名：snake_case（如device_os_version）
• 版本控制：v2.3.1格式（主版本.业务线.迭代号）

    三、技术实施规范——埋点方式：

• 代码埋点（关键路径100%覆盖）
• 全埋点（通用事件自动采集）
• 可视化埋点（快速迭代场景）

    四、质量保障机制——监控看板：

• 数据丢失率＜0.1%
• 延迟报警（＞5分钟触发预警）
• 异常值检测（3σ原则）

    五、元数据管理——埋点字典：

• 版本历史追溯（变更记录永久保存）
• 血缘关系图谱（影响分析＞3层关联）
• 生命周期管理（废弃埋点自动归档）

（110）为什么要设计埋点？什么样才算好的埋点体系？

    1. 场景完整性：覆盖80%以上的核心业务场景（如电商需覆盖：搜索→浏览→加购→支付→售后全链路），且每个埋点能对应到具体的业务问题（如「商品详情页停留时长」用于优化转化瓶颈）。

    2. 正交设计：事件与属性解耦，避免冗余。例如：✅ 标准事件purchase(amount=100, currency=CNY)，❌ 错误设计purchase_CNY_100（耦合金额和币种）

    3. 可解释性：通过埋点字典实现「人-机」双向理解：机器层面：严格遵循命名规范（如video_play_start）；业务层面：标注指标含义（如「播放完成率=play_end事件数/play_start事件数」）

    4. 时空一致性：时间戳统一采用服务端时间（避免设备时区干扰），地理位置关联IP解析+GPS双源数据（误差＜500米）

    5. 弹性扩展：预留20%的自定义属性扩展空间，支持灰度发布（如新版本埋点先对5%用户生效）

    6. 质量监控：实时检测数据异常（如某页面曝光量突降90%时，5分钟内触发报警）；建立埋点健康度评分（如字段缺失率＞1%则标记为故障）

（111）一个非常全的埋点算一个好埋点吗？

       全面性不是唯一标准，甚至可能带来问题。比如数据冗余、维护成本高、隐私问题等。

（112）你刚刚聊都是比较全而准，那埋点的关键是什么？有很多参数都可以报上去，怎么确定哪些参数该报呢？

     5个上报的场景：

• 关键路径转化：如电商下单流程中的step_name（浏览→加购→支付）必要参数：step_time, step_status, referrer
• 用户标识体系：user_id(登录用户), device_fingerprint(未登录用户), session_id
• 上下文环境：network_type, app_version, location（需脱敏）
• 内容特征：如视频业务的video_duration, resolution, content_category
• 异常监控：error_code, api_response_time, crash_stack

     3个不报的场景：

• 无法定义口径的参数：如user_interest（未明确计算逻辑），替代方案：通过行为数据（如浏览记录）间接计算
• 高成本低收益参数：如full_page_screenshot（除非法律纠纷场景
• 法律明文禁止的参数：敏感数据：通讯录、精确GPS（未经授权）、生物特征

       答：用户相关的埋点，可以根据这些参数了解用户who,when,where,what等信息，并能够链接用户行为的可以作为必传公参。其他可以按照业务需求进行设计，

（113）从流量角度去平衡业务的健康度？如何设计一级和二级指标？
       答：健康度：进来的流量是否健康（价值）？一级指标是：1.ROI-投资回报率2.跳出率-到站即跳出3.转化率-完单/到站uV。二级指标：广告/用户转化链路(UJM)建立从到站->完单的情况。

    一、流量视角下的业务健康度评估框架

       1. 流量质量评估

• 用户结构合理性：新老用户占比、高价值用户占比（如付费用户、活跃用户）
• 流量来源健康度：自然流量 vs 付费流量比例、渠道ROI（避免过度依赖单一渠道）
• 用户行为深度：跳出率、页面停留时长、访问深度（衡量流量与内容的匹配度）

       2. 流量转化效率

• 核心路径漏斗转化率：从曝光→点击→注册→付费的全链路效率
• 流量价值分层：不同用户群体的LTV（生命周期价值）、CAC（获客成本）平衡
• 流量分配合理性：首页/推荐位等核心位置的流量分发效率（如CTR、转化率）

       3. 流量可持续性

• 留存率与复访率：次日/7日/30日留存（流量能否转化为长期用户）
• 流量波动预警：同比/环比流量变化、异常波动归因（如突发流量下降）

    二、指标体系设计原则

       1. 一级指标（战略层）：直接反映业务核心目标，需与公司战略强关联。

• 电商：GMV（流量×转化率×客单价）
• 内容平台：DAU/MAU（流量规模） + 用户日均使用时长（质量）
• 工具类产品：核心功能使用率（如文档编辑次数）

       2. 二级指标（战术层）：支撑一级指标的细分维度，用于定位问题。

• 设计逻辑：按流量生命周期拆解：

• 获客阶段：渠道质量：付费渠道CPA、自然流量占比；用户质量：新用户次日留存率、注册转化率
• 转化阶段：关键行为转化率（如加入购物车→支付）；页面效率：首屏点击率、跳出页面TOP3分析
• 留存阶段：功能使用频次（如复购率、功能渗透率）；流失用户画像（如高流失渠道/用户特征）

（114）你聊的都是偏用户的，从一个独立产品来看，你最核心的指标只有这些吗？

（115）独立产品运营起来的逻辑是什么？run起来的动力和元素？

    一、运营逻辑的底层框架

       1. 需求驱动：从流量逻辑到用户价值逻辑

• 独立产品的起点是精准选品与需求匹配。不同于平台依赖流量分发，独立站需通过数据工具挖掘未被满足的长尾需求或高利润品类，
• 关键逻辑：从“流量驱动”转向“用户需求驱动”，通过产品差异化（如功能创新、场景化设计）建立竞争壁垒。

       2. 流量获取与转化闭环

• 流量入口：通过SEO、社交媒体（TikTok/Instagram）、付费广告（Google/Facebook）等多渠道获取精准流量。
• 转化优化：着陆页（Landing Page）需简洁高效，突出核心卖点（如价格、功能）并设置明确的行动号召（CTA），减少用户决策步骤。例如，泳装类产品通过绑定健身场景视频展示，转化率提升40%。
• 复购与裂变：通过会员体系、微信邮件营销（如新品推送、优惠券）和社区运营（如Discord群组）提升用户生命周期价值（LTV）。

       3. 用户资产沉淀
       独立产品的核心优势在于用户数据的自主掌控。通过注册/订阅获取用户信息，结合行为数据（如热力图分析、复购周期）进行分层运营，例如针对高价值客户推送个性化内容。

    二、驱动产品“跑起来”的核心动力

       1. 精准选品与供应链效率

• 选品策略：需平衡市场需求与利润空间，例如高毛利（>50%）的小众品类。
• 供应链支撑：快速响应市场需求，例如采用海外仓缩短履约时间（美国仓3-5天达），降低成本。

       2. 流量成本与ROI平衡

• 初期依赖付费流量快速验证产品可行性，后期通过SEO、内容营销降低边际成本。
• 数据监控重点：跳出率、平均停留时间、广告投入产出比（ROAS）等，实时优化投放策略。

       3. 用户信任与品牌建设

• 信任锚点：明确的退换货政策、支付安全标识（如SSL证书）、真实用户评价等。
• 品牌故事：通过“关于我们”页面传递品牌价值观（如环保理念），建立情感连接。例如，某运动品牌将销售额1%用于公益，提升会员活跃度40%。

（116）自营商品的供给优先级，重点发力哪几个品类？用数据去刻画？
       答1:TGI（热度）、GMV、用户活跃度。维度：品类；指标：TGI-消费热度、GMV衡量营收、活跃衡量流量
       答2：利用热度和营收刻画，分成四象限。

（117）如何对指标进行排序确定优先级？

       答：参考rfm思想，把商品的供给进行刻画。

（118）rfm适合与不适合的分析场景？
       答：rfm从交易数据反推价值。适用：频次较高的产品，可以刻画用户或商品的特性。不适用：季节性、商品特征、促销活动、节假日事件、用户生命周期。频次较低的产品，例如对耐消品进行刻画，但用户10年可能才重新购买一次产品。

（119）有没有做过ab实验，实验结果不显著怎么办？

（120）说一下自己的3个优缺点

（121）GMV下降怎么分析？

（122）你用过我们的产品吗？你觉得还有哪些地方可以改进？

    一、算法治理优化

• 强化用户控制权：为用户提供更灵活的内容屏蔽选项（如按关键词、账号类型过滤）78。
• 针对“信息茧房”问题，可增加“随机探索”功能，主动推送用户未关注领域的内容，结合兴趣探索与多样性推荐机制，打破同质化推送。

    二、用户体验与功能创新

• 优化内容消费场景：针对长视频或系列内容（如影视解说），可优化“合集”功能，支持自动连续播放及历史进度保存，减少用户手动切换的麻烦。增加“历史记录”功能，允许用户回溯近期浏览内容，并支持按时间或分类筛选。
• 跨设备协同：开发多端同步功能，实现手机、平板、智能电视的无缝切换，提升大屏观看体验。

（123）接触过AB实验吗，能否讲解一下AB实验的全流程，且AB实验中的最小样本量是怎么计算的；

（124）如果发现现在发布的一个AB实验分流不均，在不重启实验的前提下，你有什么办法让分流达到预期；

       1）重新确定分流比例，拉长实验周期；

       2）调整分流规则：随机分流/Hash分流/时间片轮转分流等；

       3）PSM

（125）能否介绍一下实习中使用的XGB、LGB等模型；同时，在训练好模型后，最重要的一些特征变量是什么；

（126）能否说一下XGB这类模型的特征重要性求解原理；

（127）搜索领域有JPMS这一指标(表示每千次搜索转化的GMV)，如果这一指标下降，你将怎么分析；

       JPMS是（搜索次数 × 转化率 × 客单价）/搜索次数 × 1000，简化后就是转化率乘以客单价再乘以1000。所以JPMS下降可能是转化率或客单价下降导致的。

       纵向内因

    （1）搜索转化率下降的可能原因

• 搜索相关性下降：算法调整导致搜索结果与用户需求不匹配（如召回/排序模型异常）；关键词与商品匹配度降低（如新商品未覆盖长尾词、标题/标签优化不足）。
• 用户体验问题：搜索结果页加载速度变慢、页面布局调整（如广告过多）；商品信息展示不全（如图片模糊、价格未突出）。
• 用户行为变化：用户搜索词分布变化（如更多低转化意图词占比上升）；用户从搜索转向推荐流、活动页等其他入口。
• 商品库存问题：平台内同一搜索词下高转化商品缺货。

    （2）客单价下降的可能原因

• 商品结构变化：低价商品在搜索结果中曝光占比增加（如算法倾向促销品）。高客单价品类缺货或供给减少（如3C家电库存不足）。
• 促销策略影响：满减活动力度降低，用户倾向购买低价单品。捆绑销售策略失效，用户单次购买件数减少。
• 用户画像偏移：新用户占比上升，且新用户客单价较低；高价值用户流失（如会员续费率下降）。

    横向分析

• 用户分层：新用户 vs 老用户、不同用户等级（如会员/非会员）的JPMS差异。
• 场景维度：不同终端（APP/PC/小程序）、不同时间段（如工作日/节假日）的表现差异。
• 商品维度：按品类、价格带、品牌拆分搜索词与商品匹配度及转化情况。

（128）抖音商城为推广一款新品，采用了两种营销渠道，线上社交媒体推广和线下实体店铺体验活动，同时将销售区域划分为一线城市和二线城市。从各城市分组看，线上渠道的访客平均GMV均高于线下。那么整体来看线下渠道的访客平均GMV就一定低于线上渠道吗。

       辛普森悖论：全国数据可能会出现：线下渠道的整体访客平均 GMV 高于线上。这是因为线下推广在二线城市投入了大量资源，吸引了远超线上渠道的流量基数 ，虽然二线城市单个访客 GMV 低，但庞大的流量拉高了线下渠道的整体 GMV；线上推广则在一线城市集中发力，可一线城市流量占比相对小，不足以支撑起整体优势，最终出现与分组相悖的整体结果。

（129）作为数据分析师，你认为在项目中，数分与业务的差异化价值是什么，为什么业务不能做；

（130）能否介绍XGB、LGB、CB等模型的差异，各自有什么优缺点，为什么还要做集成学习；

（131）最后集成学习模型的泛化效果如何，模型上线是怎么上线的；

（132）是否接触过AB实验，讲一下实验通常会用到什么假设检验；

       1）Z检验 适用场景：常用于大样本（样本量通常要求大于30）的均值差异检验，且总体标准差已知的情况。在AB实验里，如果样本足够大，并且对两组实验数据的标准差有先验了解，比如一些成熟业务流程下的数据，就能派上用场； 、

       2）T检验 适用场景：主要针对小样本（样本量小于30）的均值差异检验，当总体标准差未知，需要用样本标准差来估计总体标准差时，尤为适用。在很多早期探索性的AB实验、或是细分领域实验中，样本获取难度大，样本量小，T检验就发挥作用；

       3）卡方检验 适用场景：用于检验两个分类变量之间是否存在显著关联，在AB实验里，要是关注的指标是分类数据，如页面不同版本下用户点击“是/否” 、“购买/未购买”这类二分类响应，卡方检验就很合适；

       4）F检验 适用场景：常用来比较两组样本的方差是否相等，是做后续T检验等分析的前置步骤，判断数据离散程度一致性；也用于方差分析，检验多个总体均值是否相同，例如AB实验拓展到多组对比场景。

（133）P值和统计功效1-β的定义是什么；

（134）如何刻画用户体验？
       短期看：新用户增长、用户日活增加、播放量、互动量、广告变现率
       长期看：留存率、用户生命周期、用户粘性(使用频率。．．)

       1. 用户满意度指标

       净推荐值（NPS）（衡量用户推荐意愿，反映整体忠诚度）、客户满意度（CSAT）（通过调查直接评估用户对特定体验的满意程度）

       2. 行为分析指标

       转化率、任务完成时间（用户完成特定任务所需时长，时间越短效率越高）、跳出率、购物车/收藏放弃率（电商场景）、功能渗透率、互动量、播放量、完播率

       3. 活跃度与留存指标

       日活跃用户（DAU）/月活跃用户（MAU）（反映用户粘性）、会话时长与频率（单次使用时长及启动频率，高参与度通常体验佳）、留存率、流失率

       4. 技术性能指标

       页面加载速度（直接影响用户等待体验）、API响应时间（后端服务效率，影响操作流畅度）、崩溃率/错误日志（技术稳定性问题会严重破坏体验）

       5. 情感与反馈指标

       情感分析（通过评论、社交媒体分析用户情绪倾向）、用户访谈/焦点小组（深度挖掘主观体验和痛点）、应用商店评分与评论（公开的用户满意度反馈）

       6. 可访问性与包容性指标

       WCAG合规性（符合无障碍标准，如色盲友好、屏幕阅读器兼容）、多设备兼容性（在不同设备/浏览器上的体验一致性）

（135）为什么选择数据分析师，你的职业规划是什么；

（136）发现用户播放量下降，应该怎么分析？
       Step l:ask for clarification确认了播放量的定义
       Step 2：排除外部因素(竞品、算法错误、数据错误)的影响
       Step 3：开始维度细拆：视频种类；用户画像(性别、爱好、年龄等)；系统 (IOS or 安卓)

（137）做一个 AB Test 把抖音的单列 --〉双列，你会怎么分析？
       答：首先得确定我们预期的Lift，而且这个Lift 不能很低。因为修改成本很高，涉及算法、UI 的变化，不能“过于”轻易上线新版本。
（138）应该观测什么指标呢？
       答：(1)抖音的收益指标：总收益额、每个用户的平均收益、每条视频的平均收益(2)用户体验指标：播放量、点击率、完播率

（138）Q:抖音的单列和小红书的双列对比？
       单列：沉浸式 ＋广告变现会容易
       双列：信息量大、丰富

（139）辛普森悖论有了解吗？
       辛普森悖论：在分组数据中，某种趋势在各个子组中存在，但在合并后的总体数据中，趋势却反转或消失了。这种悖论表明，当忽略分组或背景信息时，简单的合并数据分析可能会得出误导性的结论。

（140）AB实验最小样本量、P值，以及问是否可以用SQL写P值、AB实验分流异常如何判断

（141）如果用户的人均使用时长下降，怎么分析？
       ①明确分析指标：人均使用时长=总使用时长/DAU，因此人均使用时长的下降有可能是总使用时长的下降，或 DAU 的提升
       ②确认数据准确性：排查数据埋点，看看是否是埋点上报出错；结合历史数据排查是否是周期性变化（如周日到周一，人均使用时长下降，是因为主要用户群体上班上学，这点符合周期性规律，因此不是问题）
       ③拆分维度，定位原因：按国家/地区、OS、新老用户拆分按业务场景（功能模块）拆分，查看具体是哪个场景的运营策略或性能下降引起了该场景下用户的人均使用时长下降

（142）和平常使用的其他电商app相比，抖音商城的使用体验有何差异？

       1. 核心定位与用户场景

• 抖音商城：以“兴趣电商”为起点，强调内容与购物的融合。用户通过短视频、直播等内容场景被种草后，可直接跳转至商城完成交易，形成“内容激发需求-货架承接转化”的闭环。
• 其他电商app：以综合性货架电商为核心，商品种类丰富，品牌商家占比高，用户多通过主动搜索或活动促销完成购买，购物流程更偏向传统电商逻辑。

       2. 用户心智与使用习惯

• 抖音商城：用户更多将抖音视为娱乐平台，购物行为多为冲动消费或内容引导下的即时需求。
• 其他电商app：用户已形成明确的购物意图，淘宝适合全品类搜索，拼多多则满足低价刚需。

（143）xx业务想要做广告投放，主要区别是素材不同(图文or短视频)，怎么衡量不同素材的效果？提出的方案怎么评估效果，指标体系的搭建等等。

       1. 明确广告目标——首先需明确业务的核心目标（不同目标关注不同指标）：

• 品牌曝光：触达人数、展示量、播放量、千次曝光成本（CPM）
• 用户互动：点击率（CTR）、点赞率、分享率、评论率、关注率、平均观看时长、完播率、跳出率。
• 转化导向：转化率（CVR）、单次转化成本（CPA）、ROI、表单提交/购买率
• 用户留存：活跃度、复购率、留存率。
• 用户心智：品牌搜索量、自然流量增长、社交声量（如UGC内容）

       2. 核心数据指标对比

    图文素材

• 曝光阶段：触达人数、展示量、播放量、千次曝光成本（CPM）。
• 互动阶段：点击率（CTR）、点赞率、分享率、评论率、关注率、平均观看时长、跳出率。
• 转化阶段：转化率（CVR）、单次转化成本（CPA）、ROI、表单提交/购买率。
• 用户留存：活跃度、复购率、留存率。
• 用户心智：品牌搜索量、自然流量增长、社交声量（如UGC内容）

    短视频素材

• 品牌曝光：触达人数、展示量、播放量、千次曝光成本（CPM）
• 用户互动：点击率（CTR）、点赞率、分享率、评论率、关注率、完播率、跳出率、平均观看时长。
• 转化导向：转化率（CVR）、单次转化成本（CPA）、ROI、表单提交/购买率
• 用户留存：活跃度、复购率、留存率。
• 用户心智：品牌搜索量、自然流量增长、社交声量（如UGC内容）

       3. 实验设计与数据采集

• A/B测试：将同一广告内容分别以图文和短视频形式投放，确保受众群体、时段、预算一致，对比效果。

（144）xx业务的xx数据男女差别很大，分析原因。

     1. 验证数据准确性

• 数据采集可靠性：确认性别标签的来源是否准确（如用户注册信息、第三方数据或算法预测），避免因数据错误导致偏差。
• 样本量是否充足：检查男女用户的样本量是否足够支撑统计显著性（例如男性样本过少可能导致数据波动大）。

       6. 外部因素与竞争环境

• 竞品动作：竞品是否针对某一性别发起促销活动或定向广告，导致用户分流。
• 社会文化影响：特定时期的社会话题或舆论可能影响性别群体的消费意愿（如节日营销对女性更有效）。
• 季节性需求：某些产品季节性需求可能因性别而异（如男性运动装备在体育赛事期间更热门）。

     2. 分析广告定向与触达差异

• 广告投放渠道：不同性别的用户可能集中在不同平台（如女性更活跃于小红书，男性在虎扑）。检查广告是否在某一性别主导的渠道过度投放。
• 定向策略：广告是否设置了性别定向限制（如仅针对女性投放）？是否因算法优化导致性别触达不均衡？
• 时段/地域差异：男女用户的活跃时段或地域分布可能不同，导致曝光量或点击机会差异。

     3. 拆解广告内容与创意

• 视觉元素：广告素材中的布局、颜色、模特性别、场景设计、信息密度是否对某一性别更有吸引力（例如粉色系可能更吸引女性、如女性偏好细节描述，男性偏好简洁导航）。
• 文案与卖点：语言风格、利益点（如折扣、功能、情感诉求）是否更契合某一性别的需求（如男性更关注性能，女性更关注性价比）。
• 产品匹配度：产品本身是否存在性别倾向性（如美妆产品天然女性用户更多），需结合业务目标判断是否合理。

（145）除了观察的正向指标外，有没有衡量负面影响的指标，以及如何权衡。

       1. 用户流失与负面体验

• 用户流失率
• 广告跳出率

       2. 品牌形象与用户评价

• 负面评价比例：争议性广告可能导致用户负面评价飙升，需监控社交评论的正负比例。例如，若负面评价占比超过阈值（如30%），则需考虑下架素材。

（146）如果给抖音直播的直播间打分类标签可以用哪些特征，以及这些分类标签的更新频率多久合适，为什么

    一、分类标签的特征维度

1. 核心内容特征

• 直播主题：美妆/游戏/服饰/教育（垂类标签来自主播预设）
• 商品品类：服饰/美妆/3C数码（电商直播核心特征）
• 内容形式：才艺表演/连麦PK/知识分享（互动形式标签）

       2. 实时互动特征

• 观众停留时长：超过3分钟标记为高粘性直播间
• 互动密度：点赞/评论/礼物频率（每分钟互动次数阈值）
• 用户画像：性别年龄/地域分布/消费层级（实时匹配推荐池）

       3. 主播特征

• 认证类型：企业号/达人号/明星号（官方认证标签）
• 粉丝画像：与直播内容匹配度（系统对比主播历史数据）
• 行为模式：开播时长/频次稳定性（职业主播识别标签）

       4. 流量质量特征

• 转化率指标：商品点击率/购物车转化率（电商直播核心指标）
• 违规记录：低质内容标记/违规次数（反向标签影响推荐）
• 流量来源：自然推荐/付费投流/粉丝召回（渠道质量评估）

    二、更新频率建议及依据

1. 实时动态更新（秒级）

• 适用特征：互动热度、实时在线人数、礼物打赏数据
• 技术支撑：Flink实时计算框架处理流数据
• 必要性：确保推荐系统对突发流量事件（如明星空降）的即时响应

       2. 短周期更新（15-30分钟）

• 适用特征：内容主题偏移检测、商品切换识别
• 案例：带货直播从美妆切换到食品，需触发标签变更
• 依据：抖音用户平均停留时长7分钟，需匹配内容保鲜期

       3. 中周期更新（24小时）

• 适用特征：用户长期兴趣模型、主播信用评级
• 更新逻辑：基于Spark离线计算夜间批量更新
• 优势：平衡计算资源与画像准确性，避免特征抖动

       4. 长周期更新（7天）

• 适用特征：垂类领域权重、粉丝质量评估
• 数据依据：完整直播周期数据（多数主播每周2-3场）
• 特殊处理：教育/金融等强监管领域需延长审核周期

（147）怎么看待取数工作，如何从取数工作中得到提升

    一、对取数工作的认知（体现价值判断）

       取数工作通过提取、整理和交付数据来支持业务决策或需求，是数据与业务之间的重要桥梁。通过取数工作，我们可以理解需求背后的业务逻辑，逐步建立对业务模式的认知，这是后续分析工作的基础。同时，频繁接触数据能培养对数据的敏感性，例如发现数据异常、理解指标波动原因、识别关键变量之间的关系等。此外，与需求方反复确认口径、澄清模糊点，能提升沟通效率和对业务痛点的把握能力。

    二、提升方法论（展现系统思维）
       在实际工作中，我通过技术层面和业务层面构建提升体系：

1. 技术层面：精进工具与效率。掌握Python/Pandas处理复杂数据清洗和自动化任务。建立常用代码库或模板，减少重复工作。将高频需求转化为自动化报表（如通过BI工具或Python脚本）。

2. 业务层面：从“取数”到“分析”。追问需求背景，交付数据时，附上关键发现（如异常值、趋势变化）或初步分析建议，逐步从“数据搬运工”转向“问题解决者”。争取参与需求方的后续讨论，了解数据如何影响决策，反向提升取数的精准性。通过取数需求积累行业知识（如电商的GMV拆解、用户生命周期管理），为参与业务分析打基础。

（148）和产品运营工作对接中有什么需要注意的地方，如果对方不积极配合的话要怎么推动工作

    一、关键注意事项

       1. 目标对齐机制

• 建立双周目标校准会议，使用OKR框架同步双方季度核心指标
• 共同制定关键结果验收标准（如转化率提升3%）
• 创建共享目标看板，实时更新进度偏差

       2. 需求管理规范

• 实施需求双评审制度（业务价值评审+技术可行性评审）
• 使用RACI矩阵明确需求各环节责任人
• 建立需求优先级评分模型（包含用户影响、营收贡献、实施成本等维度）

       3. 数据协同体系

• 共建数据埋点规范文档
• 搭建BI共享看板，设置自动化数据预警
• 每月进行数据复盘会

       4. 流程优化机制

• 绘制端到端流程泳道图，识别3个关键协作节点
• 制定SOP操作手册（含checklist和常见问题库）
• 每季度进行流程效率评估，优化2-3个阻塞点

    二、对方不配合时的破局策略

1. 深度归因与精准突破

• 优先级冲突：使用矩阵图量化需求价值
• 资源瓶颈：提供临时支援方案（如抽调1名研发协助数据埋点，换取运营提前2天提供素材）。

       2. 场景化说服策略

• 用户故事映射：呈现负面案例。
• 成本可视化：计算延迟成本（如“每推迟1天上线，损失潜在转化收益约2万元”）。

       3. 杠杆资源与向上管理

• 构建证据链：汇总邮件沟通记录、会议纪要和数据预测，形成逻辑闭环。
• 阶梯式升级：先向共同上级（如增长负责人）汇报进展受阻，若未果再提交至VP层级周会。

       4. 关系资本积累

• 非正式沟通：通过午餐会、咖啡聊天了解对方近期压力点，寻找共赢契机。
• 小胜利构建信任：优先协作完成对方高优先级需求（如紧急活动bug修复），换取后续支持。

    注：OKR

       目标与关键成果法，明确公司和团队的“目标”以及每个目标达成的可衡量的“关键结果”

（149）因为字节号称app工厂时不时会开展新业务，如何看待从0到1的业务中，可能存在的重复性工作

（150）Xgboost和随机森林区别

（151）Psm解释 

（152）怎么构建指标体系？

       1. 明确核心目标——希望通过指标体系解决什么问题？提升GMV？给某一个部门看还是多部门看？（市场增长主要用AARRR模型）

       2. 确定拆解模型和指标梳理

       ①AARRR模型：常用于内容型产品和游戏产品，用来衡量用户不同环节转化情况。

       ②北极星指标拆解法：常用于交易场景（最关注收入）：

• 首先确定最重要的指标(北极星指标，指引业务前进的指标)
• 然后横向拆解法(分类/渠道)和纵向拆解法（公式指标拆解）逐步拆解。

       需要注意：最后的指标应能对应到业务策略，只有这样才能衡量业务效果。而不是为了拆解而拆解。以电商App的GMV指标为例：

       转化率（完单率）可以横向拆解多模块，纵向还可以细化搜索、点击、浏览、收藏、支付之间的转化率。客单价还可以横向拆解为多品类。

（153）常用的报表输出方式有哪些？

       我会说：报表输出一般有两种方式，一种是通过数据看板平台，另一种是通过邮件发送。邮件报表虽然信息量少一些，但因为是日常工作的一部分，所以传递信息更快速直接。📬 而且，报表的受众很重要，比如领导层、业务层和客户，他们关注的点不一样，所以要根据他们的需求来定制报表内容和展现方式。

    1. 电子文档格式

• PDF（正式报告、存档、邮件附件）
• Excel（数据分析、财务统计、可编辑数据导出、邮件附件）
• Word（项目总结、说明性报告
• CSV/TXT（数据交换、数据库导入导出
• HTML（网页端报表、邮件正文内嵌）
• PPT（会议复盘）

    2. 纸质打印（会议材料、合同签署、存档备查、年度报告）

    3. 数据看板（运营监控、指挥中心、管理层看板）

    4. 邮件推送（将PDF、Excel等文件作为邮件附件发送、将HTML文件作为邮件正文发送）

（154）广告收益下降，怎么分析（指标异动）

       收益 = 广告展示量（Impression） × 点击率（CTR） × 单次点击成本（CPC）或

       收益 = 流量（UV/PV） × 广告填充率（Fill Rate） × 千次展示收入（RPM）

       平台侧：

        流量（UV/PV）

• 分渠道：自然流量 vs 付费渠道（如某渠道流量骤减）。
• 分用户：新用户 vs 老用户（如新用户占比下降导致广告价值降低）。
• 分终端：APP端 vs Web端（如iOS端因政策调整广告加载失败）。
• 分内容类型：视频 vs 图文（如视频内容减少导致高价值广告位闲置）。

       广告填充率

• 分广告位：首页Banner vs 信息流（如某广告位CTR异常）。
• 分广告类型：品牌广告 vs 效果广告（如品牌广告主预算缩减）。
• 分行业：电商 vs 游戏（如某行业广告主出价下调）。
• 填充率异常：广告请求成功率、返回空广告的比例、广告加载时长（如服务器延迟导致广告未展示）。
• 数据埋点：曝光/点击上报是否准确（如SDK版本故障导致数据丢失）。

       千次展示收入：促销活动导致价格下调？

（155）某企业本月广告收益增加了，怎么确定说广告收益增加是企业一些策略导致的，而不
是季节性因素或长期效果导致的呢？
       同比、大盘趋势比；撤销策略看收益是否回落；时间序列预测；双重差分/PSM+双重差分（前提是存在不受策略影响的群体）

（156）你刚才说了AB测试，如果没有办法做AB测试，是否有其他方法
       答：AB测试的本质是因果推断，在流量不够的情况下，可以通过双重差分，断点回归，虚拟ab等方法做推断，也可以使用一些模型比如卡尔曼滤波，prophet等时间序列模型

（157）抖音短视频中插入广告势必会降低用户体验，如何平衡广告的投放量和用户体验-
       答；先开ab实验明确每个广告量的调整会带来多少用户负面(dau？刷频次数？)，然后从提高广告收入和减少负面两个方向分别讲有什么策略，总之就是出策略，不断用b送代优化（知乎红薯上都有很多回答可以参考）←

       1. 提高广告的推荐精准度
       广告的推荐逻辑与自然内容类似，可以结合用户画像、用户历史行为精准匹配广告内容、投放相似广告，提高广告的相关性。

       2. 提升广告内容的供给量&质量
       广告的选择丰富度决定了推荐系统的可优化空间。如果广告供给不足，即使算法再强，也难
以精准匹配用户需求。优化方向：

• 扩充广告素材库：与广告投放方合作，丰富广告的形式，如图文、短视频、长图等，提高供给量。
• 提升广告质量：引入广告质量分，过滤低质广告(如低点击、低转化的素材)。
• AIGC(AI生成内容)：利用AI辅助广告素材创作，提升内容质量和多样性。

       3. 个性化广告策略(Ad-Organic Merge)
       不同用户对广告的接受度不同，因此需要针对不同用户群体采取个性化的广告插入策略。例如：

• 对广告耐受度高的用户（高消费人群）：可适当增加广告位，提高变现效率。
• 对广告敏感的用户（新用户、低活跃用户）：减少广告干扰，以内容为主。
• 具体手段：
• 广告动态插入（Dynamic AdInsertion):基于用户行为调整广告频率，如长时间未点击广告、快速跳过广告的用户，减少广告曝光。
• 多样化混排策略：基于用户点击行为，动态调整广告与自然内容的比例（如5:1、4:1等）。

       广告策略的优化不能只看短期的收益提升，还需要长期监控其对用户体验的影响。关键指标包括：

• 短期指标（即时体验）：CTR（点击率）：广告的吸引力是否足够？停留时长：用户在广告后的整体使用时长是否下降？广告跳出率：广告出现后，用户是否立即退出？
• 中期指标（用户行为变化）：曝光-点击比(PCVR,PCoC):广告转化率是否下降？广告屏蔽率：用户是否主动屏蔽广告？广告后续交互：广告曝光后，用户是否愿意继续浏览推荐内容？
• 长期指标(用户留存&变现)：DAU/MAU:广告调整后，日活、月活是否有明显波动？用户回访率：广告策略调整后，用户次日留存是否下降？LTV（用户终身价值）：长期来看，用户是否持续愿意在平台消费？
• A/B测试+长期追踪：在新广告策略上线前，进行灰度测试，观察核心指标是否有负向影响。结合时间窗口分析，避免仅关注短期数据，忽略长期趋势

（158）AB测试如何分流的(AB测试太重要的，大厂应该都是必问的吧？)
        随机方式一般通过哈希算法，分流参考正交互原则，同一实验层不同实验桶互斥，
不同实验层正交，流量可以复用。

（159）如果要监测抖音电商的转化率CVR，该如何去建设数据指标体系？

       曝光、点击、加购、下单、支付成功

       1. 用户行为路径指标

• 渠道、地域、新老客、设备细分
• 流量获取效率：CTR（点击率）、CPM（千次曝光成本）、CPC（单次点击成本）等广告投放效果指标。
• 内容吸引力：短视频/直播的完播率、点赞率、评论互动率等，直接影响用户停留与转化意愿。
• 购物链路效率：加购率、下单率、支付成功率，识别漏斗中的流失环节。

       2. 商品与运营指标

• 商品品类：商品品类对转化率存在影响。
• 商品库存：头部商家库存短缺会影响下单支付
• 促销活动效果：优惠券使用率、秒杀活动参与率等，直接影响短期转化。
• 退货与售后指标：退货率、仅退款率，高退货率可能拉低有效CVR。

       3. 平台治理与流量机制

• 流量分配公平性：自然流量与付费流量的占比，算法推荐精准度（如商品匹配度）。
• 运费险与保证金政策：降低商家成本可能间接提升商品竞争力，影响CVR。

（160）抖音目前增加了一些社交属性的功能，如何选取指标评估这个策略的效果？

       结合用户行为、内容传播、社交关系链沉淀等方面综合分析：

       1. 新增用户：首次使用社交功能的用户数

       2. 用户活跃度与参与度

• 日活跃用户（DAU）中社交功能使用比例：统计使用社交功能（如私信、视频通话、好友动态浏览）的日活用户占比，反映功能渗透率。
• 用户使用时长与频次：监测用户在社交功能上的平均停留时间及使用频率，例如好友聊天室、一起看视频的参与时长。
• 互动率：包括点赞、评论、分享、@好友等行为在社交场景中的占比，例如好友视频的互动量与非好友内容的对比。

       3. 用户留存与粘性

• 次日/7日留存率：观察使用社交功能后的用户留存情况，判断功能对长期活跃的贡献。
• 跳出率：不再使用社交功能的用户数的比例
• 功能依赖性：分析用户是否因社交功能提高打开抖音的频率（如每日多次查看好友动态）。

       4. 社交关系链的建立与维护

• 好友添加率与互关率：统计通过“互关得红包”“抖一抖”等功能新增的好友数量及互关比例，评估社交功能的拉新效率。
• 社交关系密度：分析用户平均好友数、群组创建数量及活跃度，反映社交网络的扩展效果。
• 私信与通话使用率：监测用户私信发送量、视频通话发起次数及成功率，尤其是熟人间的使用频率。

       5. 内容传播与社交裂变

• 社交分享量：统计通过社交功能分享至站内外的视频数量及触达率，例如“一起看视频”的邀请成功率。
• 用户生成内容（UGC）增长：监测用户因社交互动产生的原创内容（如合拍视频、互动挑战），评估社交对内容生态的促进作用。
• 跨平台传播效果：跟踪内容被分享至微信、QQ等外部平台后的回流数据，反映社交功能的跨平台影响力。

       6. 用户反馈与体验

• 用户满意度调查：通过问卷或应用内评分收集用户对社交功能的满意度，重点关注隐私保护、易用性等痛点。
• 负面反馈率：监控用户投诉（如推荐熟人导致的尴尬场景）及功能关闭率，优化算法推荐策略。

       7. 商业化潜力

• 社交场景的广告变现效率：分析社交页面广告点击率、转化率，评估社交功能对商业化的提升。
• 付费功能渗透率：如虚拟礼物、社交专属会员的购买率，反映用户付费意愿。

（161）如何判断一个活动的数据增长是真的由这个活动造成的？还是有其他因素。

• 检查活动期间行业新闻、政策变化、竞品动作、是否有其他产品改动、市场推广、自然流量波动（如节假日、行业趋势）
• 中断活动检查数据变化
• 时间序列预测
• PSM+DID（前提是存在不参加活动的群体）

（162）你最常用哪个软件，这个软件做某个改进，如何评估这个策略对这个软件的影响？核心指标如何选取？

（163）当ab实验效果呈统计学意义上的显著时，如何判断它是否真的能给业务带来好的影响？

       检查内容包括：效应量是否足够大？核心指标是否同步改善？长期影响是否正向？是否存在负面子群体？ROI是否合理？结果是否对外部干扰稳健？

• 效应量是否足够大？——评估效应量（Effect Size）。统计显著可能是由大样本量导致的微小差异，而非实际业务意义。方法：计算实验效果的绝对值（如转化率提升百分比、人均收入变化等），而非仅依赖p值。
• 核心指标是否同步改善？——关联核心业务指标。实验可能优化了局部指标（如点击率），但未带动核心指标（如收入、留存）。方法：验证实验是否同步影响核心业务指标（如GMV、用户生命周期价值、留存率）。检查是否存在指标冲突（如点击率提升但用户满意度下降）。
• 长期影响是否正向？——长期影响分析。短期显著效果可能在长期失效（如用户适应新功能后效果衰减）。方法：延长实验周期，观察效果是否持续。分析用户行为是否随时间变化（如新用户 vs 老用户反应差异）。
• 是否存在负面子群体？——细分用户群体分析。整体显著可能掩盖负面子群体的影响。方法：按用户特征（新/老用户、地区、设备类型等）细分分析效果，识别是否存在某些群体效果为负。
• ROI是否合理？——收益与成本权衡。实验可能带来收益，但需付出额外成本。方法：计算ROI（投资回报率），包括开发、运营、机会成本，评估规模化后的边际收益（如资源消耗是否剧增）。
• 结果是否对外部干扰稳健？——反事实因果推断。实验期间可能存在外部干扰因素（如节假日、竞品动作）。方法：通过双重差分（DID）、合成控制法排除外部影响。对比历史同期数据，验证趋势一致性。

（164）辛普森悖论是什么？为什么会出现辛普森悖论？业务中如何避免辛普森悖论？

（165）什么情况下无法开启实验

• 0-1
• 干预的策略不道德，有危害（疫情对xx的影响）
• 干预的策略成本太高
• 采用策略干预后效果很晚出现

（166）最小样本量计算公式
       n=2*方差的平方*(z a+z b)的平方/diff的平方

（167）指标方差很大，显著不了的情况下有什么方法能帮助该指标吗？

       方差缩减的方法分为分配时(at-assignment)方法以及分配后(post-assignment)方法。

• 分配时方法：将实验对象分配到实验各组别来进行方差缩减，主要以分层抽样（stratified sampling)为例。
• 分配后方法：将实验对象分配到实验组别之后进行方差缩减，主要以CUPED(controlled experiments utilizing pre-experiment data)

       协变量调整（CUPED）

• 原理：利用实验前的历史数据（如用户活跃天数、历史购买金额）作为协变量，通过线性回归调整实验指标。
• 操作：将实验指标与协变量进行回归，用残差作为调整后的指标，方差更小。
• 注意：协变量需与实验指标强相关，否则效果有限。

（168）DML的前提假设有哪些？

（169）平时用app时有没有感受不好、觉得可以改进的点？
       我喜欢上B站观看一些音乐live现场，一开始是喜欢B站弹幕营造的交流氛围，这也是B站引以为傲的UGC社区氛围，但是同样存在的一些低素质弹幕，非常影响观感，希望增加一个按钮，提前训练模型识别弹幕情感倾向，按钮开启后就可以提前过滤负面评论。

（170）自然语言理解是件很难的事，比如一些阴阳弹幕机器很难判别情感倾向，怎么解决？
       NLP模型训练想取得较好效果需要大量标注的语料，我们可以发动观看视频的用户主动点击负面弹幕举报，用弹幕举报数代表消极程度，既简化了模型开发，又增强了用户与平台之间的互动，而且非常符合B站UGC社区的调性。
（171）如何衡量你提到的这个用户体验问题的严重性？
       比较讨巧的做法是在视频观看结束后在视频页中间附上弹幕氛围评价的选择，目前B站也是这么做的。收集观看量、问卷消极占比、问卷参与率指标，首先看消极占比是否大，其次看视频观看量和问卷参与率衡量影响规模，就可以对弹幕质量和用户体验做出综合性评价。
（172）本地生活gmv目前主要由达人宣传带货贡献，问某天以后发现gmv出现较明显下跌，且后续几天也没有恢复，该怎么去分析？
       答：可以先将本地生活gmv拆解，gmv=达人宣发视频量*平均播放人数*挂载链接点击率*点击转化率*客单价，和异常发生前的指标做逐个比较，定位到某一环节以后再分维度下钻
（173）如果发现是点击、转化环节出了问题，该怎么进一步排查原因？
       答：可以分内容侧和商品侧来看，假设一是视频创作内容质量下滑，吸引不了用户，或者推荐不精准，假设二是最近带货品类、品牌吸引不了用户。
（174）视频本身质量差和推荐不精准在指标表现上会趋同，比如完播率、转赞评都会表现不佳，该如何验证呢？

       1. 基于用户分组的对比实验设计：

• 对照组：将视频推送给精准匹配的目标用户（例如通过兴趣标签、历史行为筛选的潜在受众）。
• 实验组：将视频推送给非目标用户（例如随机用户或相关性较低的用户）。
• 观察指标：对比两组的完播率、互动率、跳出率等核心指标。

       结论：

• 如果对照组数据显著优于实验组，说明推荐不精准是主因；
• 如果两组数据均差，则更可能是视频质量差。

       2. 自然流量 vs 推荐流量的表现对比分析方法：

• 自然流量：通过搜索、关注页、分享等主动触达用户的场景。
• 推荐流量：通过算法推荐被动触达用户的场景。
• 对比同一视频在不同流量场景下的数据表现（如完播率、互动率）。

       结论：

• 若自然流量表现正常（用户主动观看并互动），但推荐流量数据差，说明推荐不精准；
• 若两者均表现差，则指向视频质量差。

       3. 用户反馈与评论分析方法：

• 收集用户评论、弹幕、举报原因等非结构化数据。
• 使用情感分析或关键词提取（如“无聊”“不相关”“画质差”等）判断用户不满的方向。

       结论：

• 高频出现“不感兴趣”“推荐错了”等反馈，指向推荐问题；
• 高频出现“内容差”“无聊”“画质低”等反馈，指向质量问题。

（175）如果排除了推荐不精准这个原因，又该如何继续分析呢？

• 分商品品类：比较这段时间各个品类（餐饮，丽人，娱乐）对应宣传视频的点击率、转化率
• 分商家：商户分成头部和腰部尾部，也分别查看对应宣传视频的指标，锁定问题是否出在某类商户某特定品类上
• 分达人：如果问题出在某类商户某特定品类上，那就分头腰尾部达人查看该品类涉及视频的完播、点击、转化情况。如果发现都很差，那就极可能是这段时间该商品有问题，可以进一步收集转化用户的购后好/差评、复购率，判断是商品质量问题还是本身天然转化差。如果发现比如头部视频指标表现稳定，尾部拉跨，那可能是尾部达人对这类商品的宣发技巧不熟，那我们就可以针对性开展专题运营活动、对尾部达人进行帮扶，加强这方面的内容生产能力

（176）抖音跟其他传统电商的区别
       内容电商（货找人）vs.货架电商（人找货）
（177）关注什么指标体系，一级指标丶二级指标分别是什么

       流量*转化率*客单价

       流量除了常规区分，还可以分为内容引流、直接搜索

       转化分为两个链路：搜索、浏览、点击、加购、下单、支付；观看视频、链接点击、加购、下单、支付

        客单价按常规分：品类、品牌白牌

（178）抖音商城购物界面，怎样确定评论区对于最终购买行为是重要的，如何量化评论区的作用

• 转化率：不同评论区正负向内容占比的商品转化率差异

• 跳失率：不同评论区正负向内容占比的跳失率差异

（179）了解ab实验吗？ab实验的流程用哪些指标评估一条评论是高质量的，商品详情页面需要调整物流信息和评论区的顺序，如何确定是把物流信息放在前面还是评论区放在前面呢？

       评论内容本身：

• 信息丰富度：内容类别（是否包含图片内容视频）、细节描述（是否提及产品的具体功能、使用场景、优缺点）、覆盖维度（是否涵盖价格、质量、服务、物流等多方面）、
• 客观性与真实性：主观倾向（是否过度情绪化，缺乏事实依据）、体验证据（是否包含实际使用体验，如“连续使用一周后电池续航下降”）、广告嫌疑（是否存在推广其他品牌或链接的嫌疑）
• 原创性：是否重复其他评论内容，或使用模板化语言（可通过文本相似度算法检测）
• 时效性：评论发布时间
• 有用性投票：其他用户点击“有帮助”的数量占比（高投票通常反映实用价值）。
• 回复与讨论：是否引发其他用户的追问或讨论（如解答具体问题）。
• 举报记录：是否因虚假信息、广告或违规内容被多次举报。

       评论用户：

• 评论者历史：用户过往评论的质量、真实性，是否存在刷评行为（如全部五星好评）。
• 账号真实性：账号注册时间、购买记录验证（如“已购用户”标签）。
• 行为模式：是否短期内密集发布评论（可能为水军）。

1. 指标确定

• 核心指标：转化率（加入购物车/下单）
• 辅助指标：页面停留时长、评论区点击率、物流信息查看率、跳出率
• 观测指标：客诉率（特别是物流相关咨询量）

       2. 实验设计

• 分组策略：对照组（50%流量）：保持原有布局（假设当前是评论区在前）；实验组（50%流量）：物流信息模块前置

• 分层规则：新访客与老客户分开采样；商品品类；按地域物流时效分组（次日达区域vs普通区域）；商品评分（评论区正负向内容占比）

（180）实验中在计算最小样本量的时候会受到哪些指标的影响

（181）实验会用哪些指标衡量哪一组更优

（182）如何确定这个实验需要进行多长时间，投流多少？

（183）通俗讲解一下 Typel和 Typell Error

（184）如何确定评论区评论数量拐点

       移动平均法、增长率变化

（185）有没有因为过度依赖某种增长手段而导致增长瓶颈的情况？如果有，你是如何突破的？在字节的业务中，你会如何避免陷入类似的瓶颈？

    一、从“数据虚增”转向“价值深耕”

1. 回归用户价值本质

• 企业增长的本质应是用户价值的长期积累，而非单纯的数据增长。GMV的虚高可能掩盖退货率攀升、用户留存率低等问题，需通过提升商品质量、优化履约效率、强化用户信任来夯实根基。
• 关注用户生命周期价值（LTV）而非单次交易数据。用户增长策略强调增强用户粘性，而非仅依赖拉新活动。

       2. 优化用户结构，提升存量价值

• 精细化运营现有用户，通过行为图谱和用户画像分析用户偏好，设计分层运营策略。
• 避免“流量洪水”陷阱，聚焦高价值用户。

    二、构建多元化增长路径

• 将漏斗型增长（优化转化路径）、策略型增长（数据驱动的A/B测试）、整合型增长（线上线下资源联动）结合。

（186）有没有遇到过“投入产出比”不理想的情况？如果有，你是如何识别并优化的？

（187）你怎么进行用户生命周期管理？你们是如何识别和解决用户流失问题的？

       识别用户流失：超过30天未使用的用户

       解决用户流失：广告投放、短信、push推送、专属优惠券

（188）在××的工作中，有没有遇到数据分析结果与实际业务表现不符的情况？你是如何处理这种矛盾的？你会如何确保数据分析能够真正指导业务决策？

    一、矛盾出现时的处理步骤

       1. 验证数据质量与完整性

• 数据源检查：确认数据采集是否完整（如埋点是否遗漏、ETL流程是否出错）。
• 指标定义：核查指标计算逻辑是否与业务定义一致（如“活跃用户”是否包含非目标用户）。
• 异常值处理：识别数据中的噪声（如极端值、测试数据未过滤），避免误导结论。
• 案例：某电商发现GMV分析结果虚高，最终发现促销活动的机器人流量未被过滤。

       2. 对齐业务逻辑与假设

• 业务场景还原：与业务团队确认分析背景（如分析的是短期促销还是长期趋势）。
• 假设合理性：验证分析前提是否成立（如“用户流失率下降是因产品改进”是否忽略竞品影响）。
• 案例：某社交平台发现用户停留时长增长，但实际是因服务器故障导致页面卡顿，而非内容质量提升。

       3. 复查分析方法与模型

• 统计方法：检查是否误用相关性代替因果（如“冰淇淋销量与溺水率正相关”实为季节因素）。
• 模型选择：验证模型是否适配场景（如用线性回归预测用户增长，但实际存在指数增长拐点）。
• 实验设计：A/B测试是否存在样本污染或周期不足（如新功能仅上线1天即得出结论）。
• 案例：某金融公司误将用户收入与贷款额度强关联，未发现背后实际依赖征信评分。

       4. 引入外部变量与动态因素

• 时间窗口：对比分析时段是否匹配业务周期（如分析Q4数据但未考虑春节提前）。
• 环境变量：加入市场趋势、政策变化等外部因素（如疫情对线下零售的冲击）。
• 滞后效应：某些业务结果存在延迟（如广告投放对品牌认知的影响需3个月显现）。
• 案例：某教育公司发现课程销量下降，实因政策调整而非运营策略失效。

       5. 构建验证闭环

• 小规模实验：通过局部试点验证假设（如针对特定用户群实施策略）。
• 反向验证：若数据表明策略A有效，可关闭A观察业务是否下滑。
• 案例：某游戏公司通过灰度发布验证新玩法对留存率的影响，避免全量上线风险。

    二、确保数据指导业务的长期机制

       1. 建立数据与业务的双向沟通

• 需求分层：区分战略级分析（如市场进入决策）与执行级分析（如活动ROI优化）。
• 定期校准：通过BI看板与业务周会同步关键指标，减少认知偏差。
• 案例：某零售企业设立“数据BP”（业务伙伴）角色，常驻业务部门解读数据。

       2. 构建可解释性分析框架

• 归因分析：使用Shapley值、增量贡献模型量化各因素影响（如渠道投放对增长的贡献度）。
• 可视化叙事：用动态仪表盘替代静态报告，展示数据与业务的逻辑链条。
• 案例：某物流公司通过归因模型发现“时效承诺”比“价格折扣”更能提升复购率。

       3. 强化数据驱动的决策文化

• 决策流程：将数据验证设为决策必经节点（如资源分配需附分析报告）。
• 容错机制：允许数据结论部分错误，但要求记录假设并迭代。
• 案例：某互联网公司要求所有OKR需包含数据验证路径，否则不予审批。

       4. 动态迭代分析模型

• 持续监控：设置指标异常预警（如DAU波动超过10%自动触发分析）。
• 模型衰减管理：定期评估模型性能（如用户分群模型每月重训练）。
• 案例：某出行平台每周更新供需预测模型，适应天气、节假日等动态因素。

（189）你×段的用户增长中，哪些数据指标是你最关注的？为什么？如果让你负责×颜的增长，你会新增哪些关键指标？这些指标如何帮助你发现新的增长机会？

（188）你们是如何通过数据挖掘发现用户需求的？你认为我们的产品还有哪些潜在的用户需求尚未被满足？你会如何通过数据分析来验证这些需求？

    一、通过数据挖掘发现用户需求

       1. 数据源选择与整合

• 数据来源：用户行为日志（点击、浏览、停留时间）、交易记录、社交媒体评论、客服工单、问卷调查、APP埋点数据等。

       2. 文本挖掘（NLP）

• 方法：对评论、反馈、社交媒体文本进行情感分析、主题建模（如LDA）、关键词提取。
• 工具：Python的NLTK、spaCy、BERT等预训练模型。
• 案例：酒店预订平台通过分析用户差评，发现“床垫太硬”“隔音差”是高频关键词，定位改进需求。

       3. 用户行为模式分析

• 关联规则挖掘（Apriori算法）：发现商品搭配购买规律（如“尿布+啤酒”）。
• 序列模式分析：用户从搜索到购买的路径分析（如“先比价后收藏再下单”）。
• 案例：视频平台发现用户在观看综艺后常点击“明星同款商品”，推出边看边买功能。

       4. 聚类分析（用户分群）

• 方法：使用K-means、DBSCAN等算法，将用户按行为、属性聚类。
• 案例：出行APP通过聚类发现“商务差旅用户”更关注快速值机、发票功能，而“旅游用户”需要景点攻略。

       5. 预测模型

• 方法：通过分类或回归模型（如随机森林、XGBoost）预测用户流失、付费意愿等。
• 案例：金融APP发现“多次查看理财产品但未购买”的用户可能因收益率不足，针对性推送高收益产品。

     二、通过数据分析验证需求

       1. 用户实验验证

• A/B测试：将用户分为实验组和对照组，验证需求解决方案的效果。
• 案例：社交APP为部分用户新增“语音状态”功能，测试用户活跃度是否提升。
• 灰度发布：逐步向小范围用户开放新功能，监控留存率、转化率等指标。

       2. 业务指标关联分析

• 方法：通过相关性分析（如Pearson系数）验证需求与核心指标（GMV、留存）的关系。
• 案例：电商发现“商品详情页视频化”与转化率正相关（r=0.7），验证其价值。

       3. 用户调研交叉验证

• 方法：将数据结果与问卷调查、用户访谈结合，避免数据偏差。
• 案例：数据分析显示用户常使用“夜间模式”，但调研发现实际因“默认开启”而非真实需求。

       4. 优先级排序

• 方法：使用KANO模型或ICE评分（Impact, Confidence, Ease）对需求排序。
• 案例：通过KANO模型确定“加载速度优化”是基础需求，优先级高于“个性化皮肤”。

（189）有没有因为部门目标不一致而导致增长项目受阻的情况？如果某个团队没能按时交付支持，你会如何调整计划？

       1. 快速诊断问题根源

• 明确冲突点：通过跨部门会议或一对一沟通，确认目标分歧的具体原因（如资源竞争、优先级差异、KPI冲突等）。
• 分析影响：评估未交付的支持对项目的直接影响（如关键功能延迟、用户触达受阻等）。
• 区分轻重缓急：识别哪些任务是项目核心路径（Critical Path），哪些可以灵活调整。

       2. 对齐目标与优先级

• 向上沟通：向高层（如CEO或项目发起人）汇报当前阻碍，请求明确项目优先级是否需公司级调整。
• 重新协商目标：组织跨部门协调会，以用户增长的核心目标为基准，协商各部门的阶段性支持（如技术团队优先修复某个功能，市场团队调整活动排期）。
• 利益绑定：将支持项目与相关部门的KPI挂钩（例如，技术团队的交付进度影响其季度创新指标）。

       3. 调整项目计划

• 拆分任务：将原计划拆解为更小的可交付模块，优先完成对用户增长影响最大的部分（如先上线核心功能，后补全附加功能）。
• 寻找替代方案：内部替代：抽调其他团队资源（如借调其他部门开发人员）或简化需求（如用低代码工具临时替代定制开发）。外部合作：考虑外包或第三方工具短期过渡（例如使用现成的数据分析工具替代内部开发）。
• 调整时间线：重新规划里程碑，明确各方承诺。

       4. 强化协作机制

• 透明化进度：通过共享看板（如Jira、Trello）实时更新任务状态，减少信息差。
• 每日站会（Scrum）：针对关键任务开展短期高频同步，确保各方快速响应。

       5. 制定应急方案

• 短期止损：针对未交付的模块，启动Plan B（例如用人工流程替代自动化功能，或通过邮件、短信等替代渠道触达用户）。
• 用户侧缓冲：若影响用户体验，提前告知用户并设计补偿机制（如发放优惠券、延长服务周期）。

       6. 复盘与长期优化

• 事后归因：项目结束后分析冲突根源，优化跨部门协作流程（如建立公司级项目优先级评估机制）。
• 调整考核方式：推动管理层将协作效率纳入部门考核，避免目标孤立。
• 知识沉淀：将本次调整经验形成文档，用于未来项目风险预判。

（190）你觉得自己还有那些不足？

（191）用户分层的底层逻辑？简单讲一下你对海盗模型的理解

       对待不同的用户群进行不同的运营策略呢。制定对应的运营策略对不同需求、不同偏好、不同购买原因的用户，对症入药针对性、多样化的满足他他们，从而实现资源投产最大化。 不同的用户带来的价值不同，20％的用户能带来80％的价值收益 海盗模型是企业对用户成长路线进行规划，让用户从新客户成长为高价值用户，过程分为五个指标获取用户、激活用户、提高留存率、用户转化、推荐自播

    一、用户分层的底层逻辑

       用户分层的核心在于差异化运营，通过识别用户特征与行为差异，将用户划分为不同层级，并针对性地配置资源以实现价值最大化。其底层逻辑可概括为以下几点：

1. 用户需求的差异性：不同用户的需求、消费能力和行为模式存在显著差异。例如，价格敏感型用户可能更关注优惠，而高价值用户更在意服务体验和品牌认同感。通过分层，企业可以精准匹配用户需求，避免“一刀切”策略的弊端。

2. 资源的最优配置：不同的用户贡献的价值存在差异。利用RFM模型对用户进行分层后，企业可将有限资源（如优惠券、专属服务）重点投向高价值用户，提升投入产出比。

3. 问题定位与策略优化：分层能快速定位业务问题。例如，当销售额下降时，通过分层分析可判断是高价值用户流失还是普通用户复购率降低，从而制定挽留或激活策略。

4. 动态调整与精细化运营：用户分层需结合标签体系（如静态标签、消费标签、行为标签），实时更新用户画像，并根据业务目标调整分层标准。例如，电商平台可能通过RFM模型（最近消费时间、消费频率、消费金额）动态划分用户层级。

    二、海盗模型（AARRR模型）的理解

       海盗模型是用户增长领域的经典框架，包含五个阶段：获取用户（Acquisition）→ 提高活跃度（Activation）→ 提升留存率（Retention）→ 获取收入（Revenue）→ 自传播（Referral）。其核心逻辑是围绕用户生命周期设计增长策略。

（192）如果用户留存率低你会考虑那几个方面？对于新用户，你会如何涉及首次体验来提高留存率？

       1. 数据准确性、统计口径变化

       2. 同比环比，和大盘趋势比

       3. 外因：政策、社会变化、节假日、季节趋势、竞品活动

       4. 内因：技术侧（页面加载、异常退出、按钮失效）、产品侧（版本更新、功能更新）、活动侧（新活动、新策略导致用户获取质量较低、用户触达策略不佳：过低或过高）

       5. 观察用户流失的“关键时间点”(如次日、7日、30日)，判断用户是在哪个阶段流失。以下是常见的关键时间点用户流失原因：

• 0-7天流失可能是用户未完成核心价值体验(如未触发“Aha时刻”)，或存在产品功能缺陷、新手引导不足等早期体验问题。
• 7-30天流失可能是用户初步体验后未形成使用习惯，或产品缺乏持续吸引力(如内容平台内容更新慢、社交平台互动性不足）。
• 30天以上可能是用户生命周期进入衰退期，或产品无法满足用户长期需求(如健身App缺乏个性化训练计划)。

       6. 分析用户从注册到流失的路径，检查是否存在漏斗断层。如果用户在关键节点上流失，(如注册→功能使用→购买→复购）。可能说明产品存在障碍或者吸引力不足。例如，80%用户在购买商品后流失，可能是商品质量差、退换货服务体验不好等原因

       7. 将用户分群后进行对比分析，判断留存率低是否由某类群体导致。

• 用户属性：可分为年龄、性别、地区、设备类型等。
• 行为特征：可分为高频/低频用户、付费/免费用户、完成关键动作的用户
• 渠道来源：可分为不同获客渠道（自然流量、广告投放、社交媒体等）。
• 用户生命周期：新用户和老用户的留存率是否有差异？

       8. 用户反馈也是一个重要的信息来源。用户有没有在社交媒体、应用商店评论、客服工单中是否提到他们的不满或遇到的问题？这些反馈能直接指出产品的不足之处。此外，可以通过用户调研或访谈深入了解用户流失的原因，比如发送调查问卷或进行一对一访谈，了解用户的真实体验和需求。

       设计首次体验来提高留存率：新手引导、新用户优惠券（阶段发放）培养使用习惯、精准推荐

（193）描述一次你成功提升用户转化率的案例 这个也是因人而异，记得套star法则,背景，目标，动作，结果，说清楚就可以 没有的话，可以提前编一个，但是要合理

（194）谈谈你对❌项目的贡献，你觉得这个项目最有价值的部分是？有没有遇到过难以解决的困难？

（195）为了提升留存你的具体措施是？拆分一下这几个核心场景，怎么定义每个场景的优先级？

       提醒、签到奖励、小游戏、定期根据用户反馈分析痛点与需求，据此改善产品

（196）你如何理解用户增长的议题？你们的用户画像是什么？怎么做用户分层的？几个常见的用户分层模型都简单讲一下。你们的用户拉新渠道主要是什么？

    一、如何理解用户增长的议题？

       用户增长的本质是通过系统性策略，在用户生命周期的各个阶段（获取、激活、留存、变现、推荐）实现可持续的价值提升。其核心逻辑包括：

1. 从“流量思维”到“价值思维”：用户增长不等于单纯拉新，需关注用户全生命周期的价值贡献（如复购、口碑传播）。例如，高留存用户可能比新增用户带来更高长期收益。

2. 数据驱动的精细化运营：通过用户行为数据分析（如点击率、转化漏斗），识别增长瓶颈并针对性优化。例如，若用户激活率低，可能是产品引导流程设计不合理。

3. 平衡短期目标与长期健康度：避免“饮鸩止渴”式增长（如过度补贴吸引薅羊毛用户），需关注用户质量（如付费意愿、活跃度）与生态可持续性。

4. 跨部门协同与实验迭代：用户增长依赖产品、运营、技术等多团队协作，并通过A/B测试快速验证假设。例如，优化注册页面按钮颜色可能提升10%的转化率。

    二、常见的用户分层模型

       用户分层模型是实现精细化运营的基础工具，以下是几种典型模型及其应用场景：

       1. RFM模型（消费行为分层）

• 定义：基于用户最近消费时间（Recency）、消费频率（Frequency）、消费金额（Monetary）进行分层。
• 应用：电商行业识别“高价值用户”（高频高额）和“流失风险用户”（长时间未消费）。针对不同层级设计差异化营销（如向“高消费低频用户”推送折扣券刺激复购）。

       2. 用户生命周期分层

• 定义：按用户所处阶段划分为新用户、活跃用户、沉默用户、流失用户。
• 应用：新用户：强化引导教育（如发放新手礼包）；沉默用户：通过召回活动（如推送限时优惠）重新激活。

      3. AARRR模型（海盗模型）

• 定义：按用户增长阶段分层（获取→激活→留存→变现→推荐）。
• 应用：社交App在“激活阶段”优化注册流程，在“推荐阶段”设计邀请奖励机制。

       4. 用户价值金字塔

• 定义：根据用户价值贡献（如收入、传播力）分为超级用户、高价值用户、普通用户、低价值用户。
• 应用：品牌私域运营中，为“超级用户”提供专属特权（如优先试用新品），增强忠诚度。

       5. 行为标签分层

• 定义：基于用户行为特征（如浏览品类、点击偏好）打标签分组。
• 应用：内容平台根据用户阅读兴趣（如科技、娱乐）推荐个性化内容，提升留存时长。

       6. 用户旅程分层

• 定义：按用户与产品的互动阶段分层（认知→考虑→购买→复购→推荐）。
• 应用：SaaS产品在“考虑阶段”提供免费试用，在“复购阶段”推出订阅优惠。

    三、用户增长与分层模型的关联

       用户分层是用户增长的核心手段之一，二者结合可实现：

1. 精准资源投放：避免对低价值用户过度补贴，集中资源转化高潜力用户。
2. 动态策略调整：通过分层数据监控用户状态变化（如活跃→沉默），及时干预。
3. 提升用户体验：分层后提供差异化服务（如VIP专属客服），增强用户粘性。

       案例：

• 滴滴出行通过RFM模型识别高频用户，推出“黑金会员”权益（如优先叫车）；
• 拼多多利用行为分层，向价格敏感用户推送“拼团优惠”，向高消费用户推荐品牌商品。

（197）如果投放效果不佳，你会怎么处理？渠道投数据你会看哪几方面的数据？

    一、广告效果不佳的处理步骤

       1. 明确目标与KPI

• 检查广告目标是否清晰（如品牌曝光、转化、拉新等），是否与业务阶段匹配。
• 确认KPI设定是否合理（如CPA、ROI、CTR等），避免目标与数据脱节。

       2. 诊断核心问题

• 定向问题：受众画像是否精准？地域、兴趣、行为定向是否偏离目标？
• 创意问题：素材是否吸引目标用户？文案是否清晰传达价值？A/B测试不同版本。
• 渠道问题：所选渠道（如Meta、Google、TikTok）是否覆盖目标用户？竞品是否抢占流量？
• 落地页体验：加载速度、内容匹配度、转化路径是否流畅？跳出率是否过高？
• 预算分配：是否过度集中在低效渠道？是否因竞价策略导致成本失控？

       3. 数据驱动的优化策略

• A/B测试：分批次测试创意、定向、落地页，保留最优组合。
• 预算再分配：砍掉低ROI渠道，向高转化或低成本渠道倾斜。
• 归因分析：使用归因模型（如末次点击、时间衰减）分析用户路径，避免低估辅助渠道价值。
• 技术排查：检查追踪代码是否准确（如UTM参数、第三方监测工具），排除数据误差。

       4. 长期优化方向

• 用户分层运营：针对不同人群（新客、老客、高潜力用户）设计差异化广告策略。
• 动态创意优化（DCO）：利用AI自动生成适配用户的个性化素材。
• 竞品监控：分析竞品素材、投放策略，寻找差异化切入点。

     二、渠道投放需关注的核心数据维度

       1. 基础效果指标

• 曝光量（Impressions）：广告触达用户广度，过低可能因定向过窄或竞价不足。
• 点击率（CTR）：反映创意吸引力，低于行业均值需优化素材或定向。
• 转化率（CVR）：衡量落地页与用户需求匹配度，低转化需检查页面体验或受众精准度。
• 单次转化成本（CPA）：结合预算与ROI评估渠道性价比。
• ROI/ROAS：核心指标，直接反映渠道的盈利贡献。

       2. 用户行为数据

• 落地页行为：停留时长、跳出率、页面滚动深度，判断内容是否有效。
• 转化路径分析：用户从点击到转化的步骤，识别漏斗流失环节。
• 用户属性：年龄、性别、地域分布，验证定向是否偏离目标人群。

       3. 渠道对比维度

• 流量质量：对比不同渠道的CPC、CVR、用户留存率，筛选优质渠道。
• 时段/地域表现：分析高转化时段/地区，调整投放策略。
• 竞争强度：某些渠道可能因竞争激烈导致CPM上涨，需权衡成本与效果。

       4. 辅助诊断指标

• 频次（Frequency）：同一用户看到广告的次数，过高可能导致疲劳。
• 无效流量（IVT）：排查机器人或异常点击，避免预算浪费。
• 广告排名/竞得率：在竞价广告中，排名过低可能导致曝光不足。

（198）用过❌颜吗？谈谈你对目前增长策略的理解？

（199）你觉得和市面上的竞品比较他的优势是？你觉得那些功能可以优化？如果让你进行用户拉新，你会从哪几个渠道进行？

（200）你觉得增长产品经历需要哪些核心能力？

（201）描述一次你处理失败的经历，讲三个你的优点

十二、帆软

2.面试问题

（1）为什么选择帆软，为什么选择数分，怎么判断行业有发展前景

（2）贝叶斯公式 t检验，z检验的区别

（3）你说的看板是什么，效果为什么好

       A：看板可以做交互，可以点击不同的地方，或者通过切片器筛选来看某年、某个商品什么的信息，数据的呈现很直观，也都很美观

十三、数禾

2. 面试问题

（1）互联网的一些常用分析方法都知道哪些

（2）过往实习除了分析之外有负责落地的内容吗

（3）对商分的理解以及纯数分和落地更倾向于哪个

十四、安克创新

（1）对投递岗位的认知

（2）针对某品销量下降，如何拆解问题并给出提高销量的办法。

       从消费者行为漏斗去逐步分析问题所在，定位问题后从用户分层、用户行为、外部影响等因素找到解决方案。（还追问了你认为销量下降本质，考察业务理解）

       产品销量下降的本质是产品价值与市场需求之间的错位或失衡，这种失衡可能由多种深层因素引发。

• 核心价值失效：产品的质量、功能或体验无法满足用户的需求；新技术或替代品颠覆原有需求。
• 市场博弈失衡：竞品通过技术迭代或成本优势抢占市场
• 渠道失控：新兴渠道崛起时反应滞后
• 信任崩塌：产品质量事故或价值观冲突引发用户抵制

（3） 综合能力与价值观（类似宝洁八大问）：阐述沟通应对/协作案例/创新思维案例/自身特质等安克价值观问题（一定要提前了解）

（4）最有成就感的一个经历？追问其中的创新点？自己个人的贡献？

（5）城市偏好/薪资期待/大企业与初创公司之间的选择等问题

（6）你是怎么了解到安克这个品牌和公司的

（7）如何理解跨境电商

       跨境电商是不同国家的交易双方，借助互联网渠道完成交易、进行支付结算，并通过跨境物流送达商品完成交易的一种国际商业活动。具体来说，即通过速卖通、亚马逊等电商平台实现商品展示、买卖双方沟通协商、意见达成一致、买家依约付款、发家依约发货等一系列买卖行为。

（8）如何计算你所在的城市有多少辆自行车？

       城市人口数、自行车出行比例、私人自行车拥有率、共享单车日均服务人数

       总人口数1000万，日常使用自行车出行的的人口比例为10%，代表有100万人使用自行车出行，私人自行车拥有率为20%，则代表20万人拥有私人自行车，80万人日常出行使用共享单车，一辆共享单车日均服务人数为4、代表20万辆共享单车基本可以满足80万人的出行，因此城市的自行车总量为20万+20万=40辆

（9）如果让你做一个活动管理系统，你会如何执行，会从哪些方面考虑？

       活动前期：建立数据指标体系，帮助我们在活动上线前期，制定结构化的活动目标，将运营方向，活动效果牢牢把控在手里。

       活动期间：最重要的就是通过各项数据，监控活动是否正常运转。如果发现问题，及时追踪分析原因，并制定相应的解决方案，保证活动正常开展

       活动复盘：活动结束后，需要及时进行活动复盘，这是活动运营至关重要的一环。在进行数据复盘时，需要与活动目标进行整理对比，才能体现我们的活动预估目标是否合理，以及目标达成进度，为之后活动预估指标制定打下基础

       指标体系：

• 总体营收指标：活动成本、活动转化率、GMV、销售毛利、毛利率
• 营销渠道指标：渠道来源、渠道转化率、渠道成功率、渠道成本、ROI、引导进店UV、PV、成交金额、全引导UV、PV、成交金额
• 页面流量指标：1、流量规模指标：独立访客数(UV)、  页面浏览量(PV)、页面传播数； 2、流量成本指标： 用户获取成本(CAC)；3、流量质量指标：跳失率、用户访问时长、人均页面访问次数(PV/UV)
• 用户价值指标：1、一般用户指标：用户量、活跃度、留存率、转化率、用户获取成本(CAC)、  用户生命周期价值(LTV)、用户等级分布、用户互动数、新增用户量、累计购买用户数、客单价；2.新用户指标：新用户数量、新用户获取成本、新用户客单价；3.老用户指标：R：最近一次购买时间、F:消费频次、M:消费金额、复购率；4、会员指标：注册会员数、活跃会员数、会员复购率、  会员回购率、会员活跃度、会员人均购买频次、会员留存率
• 商品类目指标：1、产品总数指标：总库存量、标准化产品单元；2、产品类目库存指标：上架商品SKU、上架商品SPU、上架商品数
• 销售转化指标：1、销售指标：总成交金额、销售金额、客单价；2、下单指标：下单数量、下单金额、下单买家数、下单浏览转化率；3、支付指标：支付金额、支付买家数、支付买家浏览转化率、支付金额下单转化率、支付时长；4、交易指标：交易成功订单数、交易成功买家数、交易成功商品数、交易失败订单金额、交易失败买家数、交易失败商品数、退款总订单量、退款金额、退款率
• 风险控制指标：1.买家评价指标：买家评价数、买家好评率、买家差评率、买家评价率；2.买家投诉指标：投诉率、撤销投诉数量
• 市场竞争指标：1.市场份额指标：市场占有率、市场用户份额；2.市场排名指标：交易额排名、流量排名
• 营销转化指标：1.新增访客数、2.新增会员数、3.总交易额(GMV)、4.总访问人数、5.商品购买用户数量、6.订单数量、7.人均消费单价、5.UV订单转化率、6.广告投资回报率

（10）如何通过数据获取信息？举个例子？

       异动分析题

（11）如何进行数据同步？对数据埋点有什么了解？怎么利用？

       数据埋点：数据埋点，简单来说，是通过在产品中某些节点嵌入采集代码(通常是通过自研或外采的数据采集SDK)，将用户的行为数据、行为触发时间、操作路径等信息记录下来，用于后
续的数据分析和产品优化。

       数据埋点的作用：

• 数据驱动：流量分布与流动监测：洞察用户行为与价值提升之间的关联；提高渠道转化：通过数据理点收集到的数据存储在数据仓库中，可用作个性推荐算法原料，也可通过统计分析找到用户流失的节点，提高渠道转化。
• 产品迭代：优化产品：统计分析用户行为数据，了解他们的操作习惯、流程，对产品结构进行优化，提升操作效率和体验；其次通过对一些日常点击事件、曝光事件以及页面事件来监测用户在使用过程中的体验和偏好以及问题，及时跟进优化。
• 精细化运营：建立客户画像：统计基本属性(性别、年龄、地区等)，消费属性（消费偏好等），行为属性（设备操作习惯等），对每一位客户构建起用户画像。精准运营：对客户进行分组(例如有的喜欢打折购买，有的喜欢直接购买等)，服务于精准营销和优惠券系统及规则的构建。个性化推荐：用户数据可作为原料供给推荐算法的运作。

       数据埋点环节：

1. 了解需求/需求评审：业务方根据业务需求提出的获取数据的需求，分析师了解业务方需求后判断已有数据是否满足需求、是否需要埋新的点、业务方的需求是否合理，最终评审敲定需求。
2. 写埋点文档：埋点文档的作用是将业务需求转化为埋点工程师可以看懂的文档，埋点工程师根据文档编写代码实现需求。埋点文档的主要内容包括：事件是怎么定义的、属性要填哪些、触发的场景是什么、不同场景的汇报值，最终新建的埋点需满足采集数据的需求并方便后期使用。
3. 埋点评审：工程师收到埋点文档后，需评审：埋点是否可以被完成、复杂度是否足够高、是否需要被简化。
4. 埋点开发：埋点工程师确定数据采集方式（H5、客户端、后端）、埋点由谁来做。如果是可视化埋点或无代码埋点，则由数据分析师进行埋点开发。
5. 埋点测试：埋点工程师/数据分析师进行大框架自测，再由测试部门进行测试，验证开发的埋点是否与当初设计的一致采集到需要的数据。
6. 埋点验收：数据分析师验证数据采集是否正确，再交给业务方确认是否满足业务需求
7. 线上验收/验证：当埋点上线后，验证采集数据是否正确，验证数据是否符合预期
8. 数据复盘：根据埋点数据分析业务动作是否有效、活动是否有效、新产品是否有效

  注：埋点方式

  注：埋点需要关注的信息（埋点属性）

       1、通过4W1H模型提取数据：

• a.Who 用户自身属性：性别、年龄、职业、籍贯；账号相关属性：用户唯一ID、账号等级、活跃度、用户标签、渠道来源、手机号、身份证、微信号等
• b.Where在什么地方完成了行为。现实位置：IP地址、用户提供的地址信息、地理位置等；产品位置：哪个页面、哪个模块
• c.When在什么时间完成此行为。数据指标：时间、当地时间
• d.What做了什么（业务）行为？购买：商品ID、商品价格、商品数量、商品属性、交易方式、交易金额等；浏览：内容ID、内容类型、内容属性、浏览次数、浏览时间等；常规：进入渠道、退出节点
• e.How用户完成行为的环境？数据指标：端口、设备版本、产品版本、网络环境等

       2、用户行为类型：

• a.页面事件。计用户在某些页面上停留的时间长短
• b. 曝光事件。用户每成功打开、加载、刷新一次页面计一次曝光，指标：UV、PV
• c.点击事件。用户点击按钮，无论反馈与否都计一次点击

    注：埋点方案设计流程

       1. 确认事件与变量

• 事件：指产品中的操作(如“加入购物车”)
• 变量：指描述事件的属性(如加入购物车的什么商品？哪个店铺的？等等)
• 随后利用AAARR模型或UJM模型拆分用户操作路径，确定每一个步骤需要采集哪些数据才能满足需求。
• 如：购买路径“注册-登录-商品曝光-商品点击-浏览页面详情-加入购物车-生成订单-订单支付”，拆分每个步骤会产生哪些数据指标。

       2.明确事件的触发时机

• 明确是在用户点击按钮后触发还是完成整一个流程步骤后触发采集。
• 如是点击加入购物车的按钮后还是加入购物车成功后。

       3.明确事件的上报机制：明确是同步上报还是异步上报。

       4.统一数据表结构：团队内部形成一套统一的数据结构规范，不同层级记录不同信息，

       5.统一字段命名规范：统一命名规范可以避免很多混乱，可以通过建立数据字典的形式解决。一般是“名词+数据字段”

       6.形成数据埋点文档(DRD)

（12）能不能分享自己对于数据报表建设的看法或者有用的方法？

• 明确目的：在开始制作报表之前，首先要明确报表的目的和受众。这将帮助你确定需要收集哪些数据以及如何呈现这些数据。
• 收集整理数据：根据报表的目的，从各种来源收集相关数据。对收集到的数据进行清洗和整理，去除重复、错误或无关的信息。将数据转换为适合分析的格式，如表格或CSV文件。
• 选择报表工具并设计布局：根据需求选择合适的报表工具，如Excel、Tableau、Power BI等。在报表工具中创建一个新的报表，并设计布局。确定报表的整体结构，选择合适的字体、颜色和样式。
• 添加数据：将整理好的数据添加到报表中。根据需求选择合适的图表类型来展示数据，如柱状图、折线图、饼图等。确保图表清晰易懂，能够传达出你想要表达的信息。
• 设置交互功能（可选）：根据需要，为报表添加交互功能，如筛选器、切片器等。这将使报表更加灵活，允许用户根据不同的条件查看和分析数据。
• 审核和测试：完成报表设计后，仔细检查数据的准确性和图表的合理性。与团队成员或利益相关者分享报表，收集他们的反馈并进行必要的修改。
• 定期更新：根据业务需求和数据变化，定期更新报表。这将确保报表始终反映最新的情况，为决策提供有力支持。

       例如电商运营每月数据报表通常需要包含以下几个内容： 🔹1.店铺总览 🔹2.流量来源 🔹3.推广数据 🔹4.大盘情况（销售额、购买数） 🔹5.竞店情况 （销售额、占比、购买量）🔹6.产品系列别数据 （销售额、占比、购买量）🔹7.优惠券使用情况 🔹8.旗舰店在品牌销售额占比

• 【当月目标及目标达成率】 了解当前目标进度。
• 【关键数据汇总】 几项核心指标，如销售额、访客数、转化率、推广费用等，另外重要的是，通过环比指标，将他们的波动给体现出来。因为分析变化找原因才是数据分析的核心目的。
• 【流量来源】 各流量入口的流量大小（点击量）、占比、波动、转化率、成交笔数（占比）、销售额（占比）、平均点击花费ppc，花费、ROI
• 【主推商品数据】 对近期的主推品进行支付金额、访客、支付转化率等关键指标分析，找到优化路径。
• 【用户数据】会员数（新增）、粉丝数（新增）、新老客数，以及前面用户的活跃度、留存率
• 【优惠券使用数据】名称、面额、领取张数、使用张数、使用率、支付金额
• 【店铺综合评分、售后、中差评】 了解店铺近期的评分指标情况，关注售后、中差评。
• 【本周关键动作】 本周主要做了哪些影响指标的行为，如报活动、直播、推广、调整产品策略等
• 【提升策略】 这里分为两个方向的内容，即上周目标的回顾以及本周目标的制定。一切运营行为要以目标为导向，目标有没有达成，达成了多少。然后再将接下来一个周期的目标提炼为几个关键指标， 指标一定要精简、具体并且实际，多了也完不成，没有意义。比如：XXX单品的XXXX访客增长到XXXX。

（13）怎么处理和业务对接过程中遇到的数据问题？怎么让业务对接的小伙伴理解字段含义？

       问题分类与解决方案

• 技术问题：如接口故障、数据格式不符（如JSON vs XML）、编码错误等，需立即技术排查。
• 数据质量问题：缺失值、重复记录、逻辑矛盾（如订单金额为负），需清洗或业务规则修正。
• 逻辑定义冲突：双方对同一字段的计算逻辑不一致（如“活跃用户”定义差异），需对齐业务规则。

       可能需要建立数据字典，详细说明每个字段的名称、类型、含义、示例、业务规则等。另外，可能需要定期开展培训或会议，确保双方对数据有一致的理解。此外，在沟通过程中使用具体的例子和场景，帮助业务方更直观地理解字段的意义和使用方式。

（14）自己感兴趣的业务方向？想往哪个方向发展？

（15）介绍一下自己做过的项目并说明自己的产出价值

（16）如何面对业务对于数据的质疑？怎么和业务进行沟通（聊了比较久这个话题，并给出了一定建议）

       一、理解业务质疑的根本原因

1. 先明确质疑类型

• 数据准确性：怀疑数据来源、统计方法或计算错误。
• 分析逻辑：认为分析维度不贴合业务场景，或结论与业务直觉不符。
• 结果应用：质疑数据是否能为业务提供实际价值。
• 沟通误解：业务对数据术语或图表的理解偏差。

       二、应对质疑的步骤

       1. 验证数据准确性

• 检查数据源：确认采集链路（如埋点、ETL流程）是否正常。
• 核对统计逻辑：重新验证计算口径（如DAU定义是否包含非活跃用户）。
• 提供证据：展示原始数据、中间表或SQL逻辑，证明数据的可靠性。

       2. 对齐业务背景

• 结合业务场景：解释数据背后的业务动作（如促销活动、渠道调整）。示例：“Q3的转化率下降可能与新用户补贴策略收缩有关，这是当时的运营调整记录。”
• 对比历史数据：通过趋势分析说明异常值是否合理。示例：“虽然本周销售额下降10%，但去年同期降幅为15%，今年受天气影响更小，实际表现优于预期。”

       3. 共同探讨解决方案

• 承认不确定性：若数据存在局限，明确说明边界条件。示例：“目前数据无法区分自然流量和外部广告的影响，建议下周部署UTM参数后再做分析。”
• 协作制定策略：邀请业务方参与分析，提出假设并验证。示例：“您认为用户流失是因为价格问题，我们可以筛选高流失客群做定向调研。”
• 数据与直觉冲突，可以小范围实验验证（如灰度发布）

       4. 用业务语言沟通

• 避免技术术语：将“统计显著性”转化为“结果可信度较高”；用“漏斗转化率”替代“CVR”。
• 聚焦业务目标：将数据与业务KPI挂钩。示例：“用户留存率每提升1%，对应年度收入增加约50万，我们可以优先优化新用户引导流程。”
• 可视化辅助：用图表简化复杂结论（如趋势图、对比柱状图）。

       三、建立长期信任的关键

1. 前置沟通

• 在项目启动时与业务对齐分析目标和数据口径。
• 定期同步分析进展，避免“黑盒式”汇报。

      2. 数据教育

• 为业务团队提供基础数据培训（如指标定义、看板使用）。
• 用案例说明数据如何驱动成功决策（如“通过A/B测试优化按钮颜色，转化率提升8%”）。

     3. 标准化文档

• 维护数据字典，明确指标定义、计算逻辑和更新时间。
• 记录每次质疑的解决方案，形成FAQ共享给团队。

     4. 平衡数据与业务直觉

• 认可业务经验的价值，数据是辅助而非替代决策。
• 若数据与直觉冲突，建议小范围实验验证（如灰度发布）。

（17）有使用过哪些数据分析工具和语言？会不会用xx？觉得有什么不同和优缺点

（18）如何看待加班问题？

（19）如何处理历史遗留的数据或者数据埋点？

       1. 建立数据审计清单

评估维度	检查项示例	工具方法
业务价值	该数据是否支撑核心业务指标？	与业务方核对报表需求
合规风险	是否包含PII敏感信息？	使用OpenGDPR自动扫描
存储成本	冷数据占比是否过高？	AWS S3智能分层分析
使用频率	近一年被查询次数	分析数据库日志（如pg_stat_statements）

       2. 根据数据处置决策矩阵处理数据

价值\风险	高风险（如含敏感数据）	低风险
高价值	迁移治理	优先清洗
	- 敏感数据脱敏后迁移至新系统	- 修复逻辑错误
	- 保留业务必须字段，审计访问权限	- 补充缺失元数据
低价值	脱敏归档	逐步下线
	- 加密存储至低成本归档库	- 停止数据写入
	- 设置3年保留期后自动销毁	- 标记废弃并通知下游系统

       1. 根据埋点健康度看板评估埋点的健康度

指标分类	具体指标	定义	计算方式	健康标准
完整性	埋点存活率	正常上报的埋点占比	有效埋点数 / 应上报埋点总数 ×100%	≥98%
及时性	采集延迟	事件发生到入库的时间差	P95延迟（95%事件延迟值）	≤5秒
准确性	字段填充率	必填参数实际填充比例	非空字段数 / 总字段数 ×100%	≥95%
一致性	跨端数据差异率	同事件在iOS/Android/web端数据差异	ABS(Android值 - iOS值)/MAX值 ×100%	≤1%
稳定性	异常波动告警次数	单日埋点量突增/突降超过阈值次数	同比上周同时段波动超过±20%则计数	≤1次/周

       2. 出现问题及时归因并解决

（20）英文自我介绍

（21）为什么想来安克创新、投了哪些岗位的工作

（22）期望薪资、目前有哪些offer

（23）最看重的这份工作的两个因素

（24）把做的最困难，最有成就感的一个项目提前梳理好，多问自己几个why，多用数据说明结果，项目当中体现的能力尽量与岗位所需要的核心能力匹配

（25）遇到一些团队合作的问题怎么办？作为新加入的成员怎么融入团队？自己独立负责一个项目要怎么做？

       冲突定位与解决方案

• 任务型冲突（目标/方案分歧）：确定共同目标、主动倾听、说出自己的想法、寻找共识或民主投票

• 关系型冲突（人际摩擦）：采用DESC沟通法（描述事实-表达感受-明确需求-建议方案）

• 流程型冲突（协作不畅）：绘制RACI矩阵明确角色分工（谁负责/批准/咨询/告知）

       快速融入团队

• 刚进入团队需多看、多听、多做、多问，快速了解团队的目标，当前的项目情况
• 针对团队痛点提供"微价值"，如优化会议纪要模板/制作自动化工具
• 当基本掌握团队、项目情况后，对项目、团队提出自己的想法

       负责项目

• 三维目标设定法：战略层：与上级确认项目的北极星指标（NSM）及成功标准。执行层：确定执行指标，使用OKR分解关键结果，设置里程碑检查点。风险层：建立FMEA（失效模式分析）表，预判3级风险及应对方案
• 动态管控机制：定时检查项目进度与情况，及时分析原因并制定解决方案

（26）可以提前了解安克的企业文化和目前的业务情况，以防被问到，就算没被问到也可以在面试过程中把提前了解到的业务知识穿插在回答中，个人觉得会比较加分，推荐可以看看Anker ceo阳萌关于安克企业文化“第一性，求极致，共成长”的29分钟解读视频

（28）一个产品的销量有问题，应该如何提升

       分析问题：

• 数据准确性、同环比、和大盘趋势比
• 外因：季节趋势、竞品活动、社会舆情
• 内因：营销活动、产品更新、页面卡顿、异常退出、流量减少、转化率降低

       解决方法：

• 竞品活动、营销活动——加大促销力度
• 社会舆情——分析用户关于该产品的评论、找出产品改进方向
• 页面卡顿、异常退出——检查落地页是否存在技术问题
• 产品更新——分析产品的新版本内容更新目标人群，在渠道推广时精准定位目标人群
• 流量减少——渠道分析：分析目前的渠道的量级和质量，采取针对性措施，或者寻找新的渠道；内容分析：根据点击转化率评估营销素材的质量，及时进行调整
• 转化率降低——优化产品详情页（产品细节、产品优点，数据支撑）、检查库存量

（29）最失败的事情，可以怎么补救（套用遇到的困难模板）

（30）是否遇到过与别人争执或者矛盾，如何解决

（31）如何计算上海市的自行车数量？

       这个题目网上出现了很多，面试的时候面试官让我说出具体数字，可以自己假设情况

（32）开放性问题：深圳的违停费用为什么最高？（要求多角度分析）

（33）用三个词形容你自己？
（34）你的优缺点？
（35）怎么了解到我们公司的？
（36）看到公司直播间有什么想法吗 (我说我有

       官方直播间出镜的是外国人，产品展示非常多元，采取的是不停地过不同链接的产品，并实时跟观众互动和解答问题。比较好的是还配合了助播，不断在旁边说又有几位客户下单，最后优惠五单，这样通过助播来逼单，提高销量转化。 中间穿插着抽奖，来增加直播间的人气。

（37）如何看待公司加班？

（38）你居住的地方？ 为什么想来广州？
（39）职业规划？
（40）相较于之前个人承接项目经验较多，对于团体合作怎么看？

       我认为团队合作是现代职场不可或缺的核心能力，我在之前的学习中也经常需要合作完成小组作业。

       【博弈论】

       这次合作不仅提前3天完成任务，还收获了老师的认可。我深刻体会到，优秀的团队合作应该是1+1>2的效能聚合，需要主动沟通、互相补位，同时保持目标一致性。

（41）你的抗压能力怎么样（如何体现）

（42）过去自己最proud的经历（套用长远眼光看问题回答模板）
（43）你的职业发展规划，为什么想来安克
（44）你理想中的leader需要具备什么品质

• 第一，战略层面的远见与担当，能把公司战略转化为可执行方案
• 第二，团队维度的共情与赋能，关注成员职业发展，化解团队矛盾，开放包容，鼓励创新
• 第三，执行层面的闭环思维，擅长用PDCA闭环管理，用看板管理追踪进度，出现延期风险时及时调配资源

（45）你leadership风格？(我不知道有哪些风格，瞎答)
（46）安克跨境情境下4p里面哪个最重要（面试官告诉你哪4p)
（47）卖一个智能门锁，之前出单量都不错，突然断层式掉销量，你作为运营如何处理【同第（28）题】

（48）团队协作时，如果你所在的组的紧急任务在别的部门优先级靠后，你如何沟通

       在跨部门协作中遇到紧急任务优先级不一致的情况，需要以“换位思考+利益共情+灵活推动”的方式沟通。

     1. 主动联系对接人，询问对方的优先级和资源限制，找到双方诉求的交集点，避免直接冲突。

     2. 将紧急需求与对方部门的利益挂钩，用具体数据说明后果，并与对接人协商互助方案

     3. 若未果，向双方直属上级同步信息，提出资源调配建议

     4. 即使沟通未果，也要同步准备替代方案：

• 拆分需求，优先完成不依赖对方的部分
• 寻找其他部门现有资源替代（如借用其他系统的相似接口）
• 准备向上汇报时的风险预警文档

（49）举例一个你课外自学的历程
（50）前两轮面试体感如何？
（51）你觉得你的面试中你有什么可以提升的地方？
（52）具体如何在工作中应用excel sqt python
（53）如何从商家和平台两个角度去思考问题，具体举例

    1. 用户流量分配

       商家角度：

• 核心目标：获得精准流量，提高转化率。
• 具体考量：搜索排名、广告投放成本、用户评价。
• 举例：电商平台上的服装商家希望出现在“连衣裙”搜索结果的顶部，可能需要竞价排名或优化关键词，但广告费可能挤压利润。

       平台角度：

• 核心目标：最大化流量价值，保持用户活跃度。
• 具体考量：算法公平性、用户体验（避免广告过多）、平台收入（广告费）。
• 举例：淘宝的“千人千面”算法根据用户行为推荐商品，可能牺牲部分商家的曝光机会，但提高了整体转化率。

       解决方案：

• 平台提供多样化的流量工具（如直播、短视频、搜索广告），商家根据预算选择。
• 商家通过优化商品详情页、提升好评率，获得自然流量推荐。

    2. 数据所有权与使用

       商家角度：

• 核心目标：获取用户数据，优化运营。
• 具体考量：用户购买习惯、复购率、偏好分析。
• 举例：商家希望获得用户在平台上的订单历史，以便精准推荐商品，但平台可能限制数据开放。

       平台角度：

• 核心目标：保护用户隐私，防止数据滥用。
• 具体考量：合规风险（如GDPR）、数据垄断优势、生态安全。
• 举例：亚马逊仅向商家提供脱敏后的用户行为数据，避免直接泄露个人信息。

       解决方案：

• 平台提供数据分析工具（如抖音的“巨量云图”），商家可间接利用数据优化广告投放。
• 商家通过会员体系（如小程序、社群）直接积累私有用户数据。

    3. 利益分配与长期合作

       商家角度：

• 核心目标：降低平台依赖，拓展多渠道经营。
• 具体考量：佣金比例、独家合作条款、跨平台经营风险。
• 举例：品牌商家在淘宝开设旗舰店，但同时通过私域流量（微信小程序）销售，避免被平台“绑架”。

       平台角度：

• 核心目标：增强商家粘性，巩固市场地位。
• 具体考量：独家合作激励、生态闭环建设。
• 举例：拼多多通过“百亿补贴”吸引商家独家入驻，但要求最低价保证。

       解决方案：

• 平台设计阶梯式返佣政策，鼓励商家长期合作。
• 商家通过差异化产品（如平台专供款）平衡多渠道策略。

（54）具体举例一个商家和平台的矛盾你如何做润滑（上一问我提到运营的中介和润滑作用）

       以商家与平台在物流体验上的矛盾为例，矛盾背景：

• 商家诉求：降低物流成本，倾向于选择价格低但时效慢的物流公司。
• 平台诉求：确保配送时效（如“48小时送达”），避免用户因物流延迟差评或流失。
• 冲突点：商家压缩成本损害用户体验，平台强制要求高成本物流引发商家不满。

       润滑策略设计

    1. 分阶段物流考核与补贴

       平台动作：

• 将物流服务分为基础版（72小时达，低成本）和优质版（48小时达，高成本），允许商家自主选择。
• 对选择优质版的商家，平台按单量给予运费补贴（如每单补贴2元），降低商家成本压力。
• 对使用基础版的商家，若物流评分低于4.5分，则限制其参与大促活动的资格。

       商家动作：

• 高客单价商品（如电子产品）默认使用优质物流，提升用户满意度；
• 低毛利商品（如纸巾）可尝试基础物流，但需通过赠品或客服提前沟通降低用户预期。

    2. 数据透明化与正向激励

       平台动作：

• 提供物流数据看板，展示商家物流评分 vs 同类目均值，明确改进方向。
• 对物流评分持续达标的商家，奖励搜索流量倾斜（如搜索排名加权10%）。

       商家动作：

• 根据数据优化物流合作方（如切换至性价比更高的区域化物流公司）；
• 在详情页标注“发货时效”，管理用户预期（如“偏远地区延迟1-2天”）。

    3. 风险共担机制

       平台动作：

• 推出“物流体验保险”，商家支付少量保费，若因物流问题导致用户退款，平台承担部分损失。
• 对因物流问题产生的差评，允许商家申诉并暂不计入评分。

       商家动作：

• 将保险成本纳入定价策略，避免转嫁给用户；
• 对物流异常订单主动补偿（如发送5元无门槛券）。

（55）对待灰色地带的工作，你作何态度

       对待“灰色地带”工作（指处于法律、道德或行业规范的模糊边界，可能涉及争议或潜在风险的工作），我的态度倾向于理性权衡、谨慎评估，同时尊重个体差异与复杂现实。

       1. 明确边界，法律是底线。同时关注政策动态：某些行业的“灰色”可能源于法规滞后。需持续关注政策风向，评估合规化趋势，避免成为牺牲品。

       2. 行业特性与长期规划。跨境贸易因复杂性存在灰色操作惯例，需区分“普遍现象”与“系统性风险”，避免盲目跟风。若灰色工作能提供稀缺资源或技能（如特定人脉、行业洞察），需思考如何将其转化为合法竞争力，为转型铺路。

（56）你最大的优势是？反之会有什么负面影响？
（57）你认为这个岗位需要什么样的能力？

（58）假设你现在接手到一个新项目，gmv下滑，问题点有哪些？方案有哪些？

（59）对比内容电商和货架电商的区别？

（60）简单介绍公司情况（乙方代运营业务）那么作为乙方需要做很多你可能并不想做但甲方
需要的事情怎么看待

        代运营的核心是“服务属性”，甲方付费购买的是乙方的专业能力和服务适配性，乙方需要接受“以客户需求为中心”的工作模式。

• 关键认知：

  • 甲方可能有非专业诉求，但本质是希望解决问题（如品牌曝光、转化率等）；

  • 乙方需要通过专业能力将甲方需求转化为可落地的方案，而非单纯“执行指令”。

   应对策略：平衡专业建议与客户需求

       1）前期预防：明确边界与规则

• 合同条款：在合作协议中清晰界定服务范围、交付标准、额外需求的处理流程（如增项收费）；
• 需求管理：建立需求评估机制（优先级、资源投入、ROI分析），避免无限制接受“拍脑袋需求”。

       2）沟通引导：用专业影响决策

• 换位思考：理解甲方提出需求的背景（例如老板的个人偏好、内部KPI压力等）；
• 数据说服：用行业案例、测试数据或成本分析，引导甲方调整不合理需求（例：“您希望增加每日10篇推文，但根据数据，3篇优质内容的转化率更高”）；
• 提供替代方案：用更高效的方案满足甲方核心目标（例：用精准投放替代盲目追求粉丝量）。

       3）灵活执行：在妥协中寻找主动权

• 小步试错：对存疑需求采用低成本试点（如A/B测试），用结果证明可行性；
• 资源分配：将非核心需求分配给初级团队或外包，聚焦资源在关键业务上；
• 记录留痕：书面确认甲方提出的额外需求（如邮件、会议纪要），避免事后权责不清。

    心态调整：从“被动执行”到“价值共建”

• 短期矛盾：接受乙方角色的天然局限性，部分需求即使不合理，也可能是维护客户关系的必要成本。
• 长期视角：通过解决甲方问题建立信任，逐步成为其“战略合作伙伴”，从而获得更多决策话语权。
• 止损原则：若长期遭遇压榨式合作（如无限免费加班、反复推翻方案），需评估客户价值，必要时放弃低质量客户。

    进阶建议：提升乙方不可替代性

• 深度绑定：通过数据工具、独家资源或定制化服务，增加甲方替换成本；
• 价值外延：主动提供甲方未察觉的解决方案（如竞品分析、市场趋势报告），超越“执行者”角色；
• 团队赋能：建立标准化流程和知识库，提高需求响应效率，降低边际成本。

    总结

       代运营业务的挑战本质是“专业性与服务性的平衡”。乙方需明确自身定位：既不是甲方的附庸，也不是对抗者，而是通过专业能力将甲方需求转化为可持续的解决方案。关键在于前期规则设定、中期灵活沟通、后期价值证明，最终实现双方目标的动态平衡。

（61）假设现在有两个offer给你如何选择，第一份：挑战难度大批判多于鼓励长期发展空间大，第二份：当下工资高平稳鼓励多于批评发展比第一份慢
（62）追问工作的驱动力是什么

我的工作驱动力分为内在和外在两个方面：

       1. 内在驱动力

• 意义感与使命感：我认为运营工作能让产品、平台变得更好。
• 成长与自我实现：通过挑战和学习新技能获得成就感，追求个人潜力最大化
• 兴趣与热情：工作内容本身符合个人爱好或价值观，能带来愉悦感

       2. 外在驱动力

• 人际关系与环境：在舒适、创新的团队文化中工作会提高我的工作效率，也能提升我对岗位的忠诚度。

（63）和社招相比有什么优势，优势具体体现的事例
（64）有没有经历过背锅如何对待背锅

       虽然我目前没遇到过明显背锅的情况，但我的原则是：优先止损，再谈责任，最重要的是解决问题，可以先复盘原因，后续再明确如何避免。我认为成熟的职场人应关注如何让团队成功，而非个人委屈。当然面对错误发生后出现的责任推诿而导致工作效率下降的问题，也应采取预防措施，例如关键决策通过邮件/书面确认，在任务初期明确职责范围，避免信息不对称而发生错误
（65）之前的领导或老师对你的评价
（66）你觉得你的缺点是什么
（67）英文自我介绍

（68）测试方案如何操作？全面性和有效性如何保证？（其中包括方案的追问）

（69）如何处理差异化意见？

（70）差评如何处理？

       作为电商商家，差评是不可避免的，但处理得当可以将其转化为提升口碑和客户信任的机会。

        1. 快速响应，冷静处理

• 及时回复：第一时间公开回复差评（平台允许范围内），展现重视态度。同步通过私信、电话等方式联系客户，避免公开争论细节。
• 保持专业与同理心：不争论、不辩解，先道歉并表达理解。

       2. 分析差评原因，针对性解决

• 产品质量问题：检查库存批次，确认是否普遍存在缺陷。
• 服务问题：复盘客服沟通记录，优化服务流程。
• 物流问题：与物流公司核实延误或破损原因。
• 误解或误操作：耐心解释使用说明或政策规则。

       3. 提供补救方案

• 退款/补发
• 赠送优惠券/小礼品
• 提供专属售后服务（如优先处理通道）

       4. 跟进客户，争取转化

• 解决问题后二次沟通，确认客户对解决方案是否满意，并委婉邀请修改评价
• 差评无法删除时，通过优质回复展示服务态度，让其他客户看到商家的责任感。

       5. 差评预防策略

• 优化产品与服务：定期分析差评数据，总结高频问题，针对性改进。加强客服培训，提升响应速度和沟通技巧。
• 完善售后提示，发货时附赠售后卡：“如有任何问题，请优先联系客服，我们承诺24小时内解决！”，自动发送关怀短信：“商品已送达，使用中遇到问题可随时联系我们哦~”
• 引导好评，稀释差评影响，在包裹中放置“好评返现卡”或邀请客户参与晒单活动。对满意客户发送友好提醒：“若喜欢我们的产品，期待您点亮五颗小星星❤️”

知识点

一、 对比分析法

1. 什么是对比分析法

       对比分析主要是指将两个相互联系的指标数据进行比较，从数量上展示和说明研究对象的发展情况（规模大小、水平高低、速度快慢等），通过相同维度下的指标对比，可以发现、找出业务在不同阶段的问题。

       【注意】 绝对数据意义不大， 要看相对数据。举个例子，某产品的用户满意度达到了30%，这个结果是好还是不好？单一的数值并不能说明什么问题，因为并不能判断这个30%的满意度到底是高还是低？是升了还是降了？只有通过对比分析，才能让数据变得有意义。

2. 如何使用对比分析法？

（1）比什么？

       绝对值：本身具备价值的数字，如销售额、阅读数、视频/直播的观看人数
       比例值：在具体环境中看比例才具备对比价值（单独看分子或分母价值都不大）。例如活跃占比：单独看某个产品的月活，可能一直在小幅度上升,但是看活跃占比的话，就会发现活跃占比是在逐步下降了，说明产品的用户粘性已经出现了问题。注册转化率：，注册转化率保持在一个相对稳定的状态，是比较健康的，如果哪一天注册转化率有一个突然下降，说明产品一定出现了问题。
       注意事项：单纯的比较绝对值，不易得知问题的严重程度；比例值比较容易忽略数据量级

（2）和谁比？

    和自己比

• 和不同时期的自己比：从时间维度上对比现在和之前的数据差异，也称为趋势分析，用来追踪业务动态是否有异常（同比、环比）
• 和同类比：同公司的不同业务线，比如教育公司的不同课程版块进行对比
• 和目标比：与既定的目标比，来了解当前数据距离目标的差距

    和行业比

       和行业的平均水平进行对比，或者和行业内的标杆进行对比，可以清楚知道是自身因素还是行业趋势。都涨，是否比同行涨得快？都跌，是否比同行跌得慢？

（3）怎么比？

       数据整体的大小：常用的是平均值、中位数
       数据整体的波动：变异系数(变异系数=标准差/平均值)
       趋势变化：常用的是时间折线图（以时间为横轴，观测数据为纵轴绘制的折线图）、环比（主要对短期内具备连续性的数据进行分析，对比短时间内的涨幅程度）和同比（主要用来观察更为长期的数据 （某种程度上消除一些干扰，比如季节、节假日、营销策略因素）

3. 注意事项

       在使用对比分析时，如果是对总体数值进行比较，那么各对比维度的规模需要一致。

       例如，有3个地区的每日平均销售额，其中B地区的销售业绩没有其他地区的好。但实际上，这些地区的店铺数量并不一致，需要计算单个店铺的每日平均销售额，结果发现与其他地区相比，B地区的销售业绩并不差

4. 应用场景

（1）柱状图/条形图背后的原理其实就是对比分析

       有一张9月份各渠道获客统计的一个对比分析图表，针对各渠道的访问量、下载量、注册量进行对比。对比要点一：对比建立在同一标准维度上（9月份），对比要点二：拆分出相关影响因素（将获客效果衡量分为了访问量、下载量和注册量），对比要点三：各项数据对比需要统一量纲（万、千）

（2）A/B测试的背后也是对比分析

二、多维度拆解法

1. 什么是多维度拆解法？

（1）理解两个关键词
       维度：看问题的角度
       拆解：其实就是做加法，A=维度1+维度2+维度3+…
       在数据分析中，多维度拆解法指的就是通过不同的维度（角度）去观察同一组数据，从而洞察数据波动背后的原因。例如举例：我们可以把用户拆解成：用户=老用户 (维度1)+新用户 (维度2)，从而可以看到老用户和新用户分别的数据表现是什么

2. 从哪些维度进行拆解？

（1）从指标构成来拆解：分析单一指标的构成。比如单一指标为用户，而用户又可以拆解为新用户、老用户；也可以按照性别拆分为男用户、女用户
（2）从业务流程来拆解：按业务流程进行拆解分析，比如不同渠道的用户付费率、不同城市的用户付费率等等

3. 应用场景

（1）某APP启动事件的分析。某公司做了一款穿搭产品的APP，前段时间在微博上进行了一波大V推广，老板想看看推广情况。

       数据分析团队综合分析之后，决定对推广之后的APP启动事件进行4个维度的拆解。

• 按启动设备类型：启动设备类型一共有3种，分别是iPhone系列、安卓系列和美图手机
• 按启动来源：分为从桌面和从PUSH（推送消息）两类
• 按城市等级：分为超一线、一线、二线、三线及以下
• 按新老用户：分为新用户和老用户

       分析结论：目前推广群里正确，确实吸引了一波新用户，但是因为用户打开APP的绝大部分原因，都来自推送，而我们的运营力量不足，只在北上广深等超一线城市进行了推送，所以微博带来的大量其他城市流量都被浪费了，进而导致新用户虽然不断在涨，但整体日活却相对一般。

（2）分析房价影响因素

       将房价影响因素先拆分成几个方面，然后在深入探索每个方面

• 产品：产权、楼龄、朝向、户型、景观
• 资源：交通、教育、医疗、配套
• 城市：超一线、一线、二线、区域中心、净流出地
• 区域：CBD、新区、老区、近郊、远郊

三、漏斗分析法

1. 什么是漏斗分析法

       漏斗分析本质是一套流程分析，主要适用于流程较长，环节较多，并且随着环节进行流量逐渐流失的场景(在互联网产品/推广/运营分析中使用较多)

       漏斗=一连串向后影响的用户行为

2. 漏斗分析的不足之处

     从本质上看，漏斗分析是一种：知其然，不知其所以然的方法。通过漏斗图，可以很轻松的看到问题发生在哪里，但是无法解释：为什么问题发生在这里（特别是问题发生在漏斗的未端的时候），所以漏斗分析是帮助我们找到流程中的问题点，但是要解决问题，还需要进一步的分析。

       很明显，商品A是因为广告页转化低，那换个广告即可解决问题。但商品B呢？每一步看起来都很正常，但是用户就是不买单，为什么？用户在等优惠活动？用户跑去别的平台比价去了？如果用户不喜欢商品的图片、价格、设计，为啥不早跳出？

四、公式拆解法

1. 什么是公式拆解法？

       所谓公式拆解法就是针对某项指标，用公式表现该指标的影响因素。以日销售额为例做一次公式拆解分析

• 第一层：找到日销售额的影响因素
• 第二层：找到各商品销售额的影响因素
• 第三层：找到销售数量的构成因素
• 第四层：找到新客的来源
• 第五层：计算渠道推广回报

       此处拆解出了对渠道推广效果的分析，这是对店铺新客的拆解，也可以对店铺老客或者复购客户进行拆解，例如复购用户可以拆解出复购周期、复购次数、累计复购数量等因素，对复购用户给予特殊购买通道或提供有约束力的购买政策，例如年卡之类的。

2. 公式拆解法应用场景

       一般涉及到金额(比如销售额、客单价等)会使用公式拆解法。【举例】假设你是某电商平台的数据分析师，现在业务反馈最近几个月的客单价在缓慢下降（即使和去年同期比也是如此），那么你觉得可能的原因是什么呢？

  第三步：基于拆解出来的指标，分析原因。客单价下降了，有可能的原因是：
       1、新老客客单价相对稳定，但是新老客用户数比例变化，新客数占比上升，或者老客数占比下降。

       新客数占比上升，是不是产品处于快速增长期（新客占比较高），新客增长速度快，也就导致新客占比逐渐增大；新客增长是相对平稳的，但是老客在加速流失，甚至是很多高价值的老客（客单价较高）；

       2、新老客用户数比例稳定，新老客的客单价往下掉，可能是两类客群都掉，也可能是其中一个

       对于新客或者老客，还可以再“套娃”一层上面的那个公式，新客中也能分出来客单价高和客单价低的人群。那是不是拉新带来的用户质量比较差呢？或者老客中那些消费金额非常高的用户(超级RMB玩家)变得“沉默”了。
       用户结构没啥问题，但是客单价确实往下掉，这个可以从商品的角度细拆

       3、新老客的用户结构以及各自的客单价都有问题，也就是上面情况1和情况2都出现了 

五、矩阵分析法

1. 什么是矩阵分析法

       矩阵分析法就是通过两个指标的交叉，构造四个象限的分析矩阵，从而产生四种可能的结果

2. 矩阵分析法的应用场景

（1）波士顿矩阵(BCGMatrix, Matrix: Boston Consulting Group)

• 市场占有率高，且市场增长率高的产品称为明星产品。此类产品市场份额高，且有较大的成长空间，需要加大投资，使其继续增长。
• 市场占有率高，但市场增长率低的产品称为现金牛产品。此类产品市场占有率高但没什么成长空间，属于成熟阶段，能够为企业带来大量的现金流，保持即可。
• 市场占有率低，但市场增长率高的产品称为问题产品。这种产品往往是一个企业的新产品，潜力大，但也伴随着风险，想提高市场占有率就要加大投资，以便快速抢占市场份额，加大投资可能会影响企业现有的成熟的业务，意味着企业需要转型，所以“问题”这个词很好地描述了这种产品，企业必须慎重考虑是继续发展该产品还是放弃。
• 市场占有率和市场增长率都低的产品称为瘦狗产品。此类产品无法带来现金流，也没有办法改善其增长问题，更多地是基于情感因素或者其他因素保留该产品，对于这类产品，需要尽快剥离或者放弃。 

（2）时间管理四象限

• 重要且紧急的事情，应该优先处理
• 重要但不紧急的事情，虽然不紧急但很重要，也应该优先处理
• 紧急但不重要的事情，可以利用空余时间或者垃圾时间来处理
• 既不重要也不紧急的事情，应该尽量避免 

（3）销售能力矩阵

3. 矩阵分析优势

       矩阵分析法的最大优势，在于：直观易懂

       可以很容易从两个指标的交叉对比中发现问题，当这两个指标是投入/成本指标的时候，成本高+收入低，成本低+收入高两个类别，能直接为业务指示出改进方向，因此极大避免了：“不知道如何评价好坏”的问题

六、用户行为分析

1. 什么是用户行为？

       互联网行话一般用“事件模型”来描述用户的各种行为，事件模型包含事件和用户两个核心要素。

       其中How：即用户进行这个事件的方式。包括用户使用的设备、使用的浏览器、使用的App版本、操作系统版本、进入的渠道、跳转过来时的referer等

       实体User：每个User实体对应一个真实的用户，每个用户有各种属性。常见的属性例如：年龄、性别等。和业务相关的属性则可能有：会员等级、当前积分、好友数等。 

2. 用户行为序列分析

（1）什么是用户行为序列分析

       在日常工作中，我们经常会遇到一些异常情况，这个时候我们就可以抽样出N个用户，查看这些用户的行为序列，然后进行问题排查，这就是我们要讲解的用户行为序列分析。

       用户行为序列指的就是将单一用户的所有行为以时间线的形式进行排列。而用户行为序列分析模型指的就是通过查看固定时间内单个用户按时间顺序依次触发的部分或全部事件，找出异常或特殊点，进而归纳出群体用户的行为特征的一种分析模型。

（2）用户行为序列分析应用场景

       查找漏斗转化率低的原因：根据漏斗分析找出转化率低的关键位置，然后找出这个位置的流失用户，查看他们的用户行为序列，研究流失之后他们都做了什么。当通过分析模型找出一批异常用户，需要分析他们的异常原因时，也可以通过查看用户行为序列，找到线索 

       巧用行为序列，发现渠道新价值：作为直营渠道，某电商小程序除了提供购买的功能，还支持用户通过绑定设备领取优惠券，获取优惠信息和最新产品资料。小程序运营人员在分析过程中发现，有一群用户在3月集中活跃，产生了大量的事件，但是在5月才完成注册(3月到5月期间几乎没有任何的活跃)分析人员就思考：这批几乎已经流失的用户，为什么会再回来完成注册呢？

       分析人员抽取了几个用户行为序列，分析发现，这批用户在3月就在小程序中了解了产品，因为价格原因没有下单，购买完成后再回到小程序，是为了绑定产品，拿到更多的福利优惠。业务启发：通过用户行为序列分析，发现小程序不仅是一个卖货平台，更是一个可以影响用户心智、促使用户种草的售前渠道，因此小程序具有销售+培养用户心智的双重价值。

3. 用户行为路径分析（和漏斗分析、用户行为序列的区别？）

（1）什么是用户行为路径分析

       用户行为路径分析，是追踪用户在APP使用过程中的起始事件到结束事件所经历的所有路径，能清晰展现用户做了哪些操作，以及操作后续的行为流向，通过分析用户流转的特点，频繁访问的路径，以及在哪些环节发生了流失，真实还原用户行为特点，从而有针对性地优化产品，提升用户体验和转化。

（2）用户行为路径在产品优化和用户增长中的价值

  1、寻找价值功能点，优化产品布局，实现用户增长

       验证产品规划中设计的用户行为路径和用户真实路径之间有哪些差异，对于指导产品迭代优化至关重要。

       【背景】某APP线上的课程主要分为减压、情绪管理、个人成长、睡眠、专注这五类，应用内变现主要是会员付费。【问题点】之前产品规划预测最有付费价值的课程是减压、情绪管理这两
类，但通过路径分析发现引导用户付费的最大流量来源却是“睡眠”类课程。【改进动作】于是产品团队决定提高这个核心功能点的展示层级，减少用户选择及犹豫成本，在新用户最开始对产品形成认知的短时间内，快速获取用户价值认同感【结果】就是这样一个页面层级的调整，让新用户次日留存率提升了15%，日活跃用户提升了17%，付费转化提升了20%，典型的小投入大回报。

  2、针对用户行为特征，设计运营活动，提升用户留存

       针对用户行为特征我们可以对比分析不同用户群的路径偏好，比如不同年龄段新用户的产品使用路径是否相同、高粘性用户有哪些偏好路径等，根据业务需求对各类用户群进行拆分分析，探索行为路径背后的规律、挖掘产品优化方向。

       【背景】某社交类App运营人员发现近期整体的用户留存率明显降低，希望通过寻找高粘性用户相似的行为特征，设计运营活动、引导新用户及流失边缘用户也向该特征转化，提升产品使用粘性。【分析】通过路径分析模型，主要分析活跃用户的行为路径，发现70%以上的活跃用户每天打开App三次、浏览内容并关注博主的比率高。【优化】两条优化措施，改善留存情况：一、优化Push发送机制，通过A/B测试提升Push的文案质量，通过人群细分做精细化触达；二、优化产
品功能，当用户浏览其他用户的主页详情超过3秒，页面弹出“关注一下”的提示【结果】两个措施上线一个月后，留存率明显提升。

  3、对比各路径转化效率，探寻更优路径

       一个常见的场景是，App内有不同的banner（首页的各种图片）、不同的icon（小图标）、不同的内容都对ViP会员付费进行了引流，那么用户更偏爱通过哪条路径完成最终的付费呢？每条转化路径在各个环节的流失率有何差异？哪些付费路径转化效果好？哪些路径有挖掘潜力，需要给予更多流量？在这种情况下，规定开始和结束事件，不规定过程事件

       通过路径分析模型可以很简单的对这个问题进行分析，首先确定好事件范围一一从用户启动APP到支付完成，然后根据路径快速对比各个路径的付费转化效率。

  4、指定起始事件，挖掘多元路径

       日常工作中，产品一般会预先设计好某个功能或某个活动的引导路径，但不一定所有用户都按照该路径行进，在每个环节都会有部分用户流失，那用户流失后都去做了什么？他们被什么内容吸引了呢？在这种情况下，只规定开始事件，不规定结束事件

       举个例子，某电商App发现很多用户在“创建订单-支付完成”环节流失了，想要分析用户取消支付的原因，是又去浏览其他商品了、还是去进行了价格比对、抑或是因为地址填错、数量拍错等进行取消订单又重新购买。…那么就可以将“创建订单”设置为起始事件，查看用户创建订单后都进行了哪些流程动作。

  5、洞察流失异常路径，探寻流失根因

       通过路径分析发现某些环节的流失率超出预期时，我们可以借助漏斗分析、用户行为路径分析与对比分析进一步定位流失原因，比如可以从省份、城市、应用版本号、活跃用户、新用户、下载渠道等不同维度定位（人货场）、排查流失根因，并制定针对性优化措施

4. 用户行为分析工具

七、用户留存分析

1. 什么是留存

       通过一些拉新引流活动，把用户吸引到自己的产品上来，在经过初步的引导以及提供个性化服务后，有些用户会因为没办法满足自身需求而逐渐流失，另外一部分会选择继续使用该产品，后者就是产品的留存用户。

       根据产品定位以及运营法则的不同，对于留存有着不同的理解，比如：

• 对电商产品来说，留存意味着用户要持续重复购买；
• 对于社区产品来说，留存意味着用户要持续重复贡献内容；
• 对于互联网金融产品来说，留存意味着用户投资的资金持续在账，不会流向其他平台；
• 对于内容产品来说，留存意味着用户持续重复阅读。 

2. 为什么要分析用户留存？

       对于任何一款产品来说，用户本身就是有其生命周期的，因此需要想方设法让用户流失得慢一些（待得越久，消费金额可能就越高）。

       对于互联网产品来说，裂变拉新、用户留存、唤醒用户以及流量转化，这四个环节贯穿整个产品生命周期，任何一个环节有所疏漏，都会影响到产品的后续经营。

       “哈佛商业评论”研究了用户留存的价值，发现70%的公司的共识是：让现有用户留存下来比重新获取一个用户更便宜；一个新用户的获客成本比留存一个老用户贵5倍以上；用户留存率每提高5个百分点，利润就会高25~95个百分点

       一个高留存率的产品能够带来复利效应，产品留住用户的时间越长，从用户身上获得的利益就越大

3. 常用的留存指标

       日留存：以天为单位，衡量用户当下&接下来的表现（可以了解某个渠道的质量）
       周/月留存：以周/月为单位，观察用户在平台上的粘性（衡量产品的健康程度）
       留存率：留存用户占这批新增用户的比例，根据留存的时间，留存率又分为次日留存、第七日留存、第30日留存。

4. 如何提升用户留存率

（1）增加高频功能

       很多产品本身是正确的，但问题出在过于低频，低频需求的结果是低功能，用户用完就意味着流失。通过增加相对高频的功能来帮助APP提升用户活跃度。

       如：支付宝的蚂蚁森林、链家的房产估值功能、签到送积分功能、玩小游戏领金币功能等。

（2）增加使用场景

       很多产品之所以没有做起来，其实是因为可使用的场景太少，以至于用户忘记了它。

       如：微信支付增加了拜年红包和拼手气使用场景。

（3）恰当的提醒

       人都比较健忘，现在大家手里里装的APP比较多，用户主动寻求打开手机可能性不高。如果不去提醒使用很容易忘记。

       提醒方式有：push、短信、邮件、公众号；这些方式各有特点，各有利弊，一般需要相互组合来用。

       需要注意的是：
   ①提醒文案要结合场景；
   ②针对不同用户要精细化运营；
   ③不断看数据反馈，不断优化文案和推送时机。

（4）让用户付出

    ①付费：已经让用户花了钱的产品，就更容易高频使用。如：优酷会员、饿了么会员。
    ②用情：付出感情，也是同样一种沉没成本，会让用户不轻易离开，当人们投入感情后，他们会潜意识认可。如：苹果的系统体验时间久了产生习惯、小米的性价比口碑。
    ③用时：用户投入大量时间后更不容易离开

（5）用户激励体系

       通过建立用户积分和会员等级，激励用户相关行为，核心在于奖励。如：QQ农场种菜，支付宝蚂蚁森林收能量、头条极速版APP签到积分换好礼

（6）找到魔法数字

       在国外提升留存率的案例中，会经常提到一个概念：魔法数字。

• Twitter发现留存用户首月内会关注30个用户；
• Facebook发现10天内添加7个好友的留存率高；
• Linkedin的留存用户特征是，是一周内会添加5个好友；
• Dropbox里使用了1次文件夹的用户，会成为更活跃的用户

       魔法数字的方法论本质是通过分析、调研找到活跃用户和非活跃用户之间的行为差异，并通过产品设计和运营尽可能地让所有新用户触发核心操作，达到魔法数字。

       当Twitter发现留存用户首月有关注30个用户的行为特点后，在产品设计上简化流程、突出重点，在运营上加强引导优选推荐关注人等，让新来的用户非常轻松地关注多个个用户，这样留存率就提高了。

八、同期群分析

1. 什么是同期群分析？

       同期群：将相同时间段内具有共同行为特征的用户划分为同一个群体，即为同期群。可以是“同一天注册的用户”、同一天第一次发生付费行为的用户等等

       同期群分析实际上是一种用户分群的细分类型，是一种“纵横”结合的分析方法：横向上一一分析同期群随着周期推移而发生的变化；纵向上一一分析在生命周期相同阶段的群组之间的差异。

       同期群分析包含三个核心的元素：

• 客户首次行为时间：这是划分同期群体的基点；
• 时间周期维度：比如N日留存率、N日转化率等；
• 变化的指标：比如注册转化率、付款转化率、留存率等。

       例如【背景】某APP是需要付费才能注册使用的，为了庆祝3.8妇女节，3.8日向所有用户开放免费注册，我们对3月6日到3月12日之间注册的新用户做一个同期群分析。【动作】以每天注册的新用户作为一个群体，即以一天为周期对用户进行分群，观察每一个群体在后续N天的留存变化情况。横轴是周期，以一天为一个周期，分析从一个周期到七个周期的客户留存率；纵轴是同期群，以一天来划分不同的分组，每一个日期都确定一个同期群。结果发现免费注册的那一天新增用户数明显上升，但是留存率明显降低，表明免费注册获得的新用户粘性较低

2. 为什么要进行同期群分析？

       产品周期：产品从初期到后期的成熟稳定，产品形态和商业模式都是在不断送代的，前后用户体验的差异是巨大的；
       用户质量：产品发布初期的种子用户和后续买量带来的用户，在用户质量上的差异也是很大的。
       将用户按照同期性构成一个群组，比较不同的同期群在生命周期内的变化，帮助我们实时监控真实的用户行为、衡量用户价值，并为营销方案的优化和改进提供支撑，避免“被平均"的虚荣数据。

3. 同期群模型应用场景

       同期群分析在商品分析、用户运营、渠道投放等经营活动中有着广泛应用。

       商品同期群：商品同期群分析也被称为商品LTV模型，需要先设定商品等级(A、B、C级)，从商品上市时开始观察商品上市后销量或利润走势，对比每个等级商品是否达成该商品平均水平。如表现优于平均，则重点关注缺货问题，保障供给；如表现低于平均，则重点关注积压问题，减少库存。

       通过同期群分析，可以为每个级别的商品定出合理的LTV范围，从而及早发现商品销售是否达成预期。从而进一步地控制库存情况，实现利润最大化。新上市商品定位为A级，但是上市后表现明显差于A级水平，则还在成长期就要开始控制库存，避免后期积压到无法处理

       用户同期群：用户同期群分析主要用于用户留存，首先设定用户群(一般按注册时间or注册渠道)从注册时间开始，观察X天后，该用户群的留存率。 

       很明显12月18日新增用户质量更差，结合当天注册人数明显比其他日期人数更多，很有可能是运营为了冲量，找了劣质渠道来数。为避免此类情况再次出现，应将新增和留存作为运营考核指标，激励用户增长的同时，寻找更优质的拉新渠道。

       渠道同期群：如果在用户同期群分析时，考虑不同渠道的用户，则可以进一步做渠道质量同期群分析。首先按渠道和投放广告时间进行用户分群，关注该用户群的用户，后续N天的转化率或付费率，计算用户产生的消费，对比渠道投放成本。针对转化好的渠道，考虑追加投放；针对转化差的渠道，消减预算和整改投放措施。

九、用户画像分析

1. 什么是用户画像

       目前业界常使用的用户画像概念有2种，一种是User persona，一种是User profile。

（1）用户画像User persona：AlanCooper（交互设计之父） ）最早提出了persona的概念：用户画像是目标用户的具体表示。用户画像是基于产品抽象出来的具有代表性的虚拟用户模型，有时也被称为综合的用户原型。

       这个画像的主要特征是：

• 1、描述一个用户画像包括角色描述和用户目标
• 2、可以代表相似的用户群体或类型，也可以代表个体
• 3、须针对具体情境、具体产品的行为和目标进行用户画像构建

（2）用户（数据） 画像User profile：数据画像是指用户信息标签化，通过收集用户多维度的信息数据（如人口统计属性、社会属性、行为偏好、消费习惯等），并对其进行统计、分析，从而抽象出的用户信息全貌，相比user persona，它更侧重于数据挖掘、标签体系搭建。

       这类画像的主要特征为：

• 真实性：集合了每个个体的真实信息，如既有人口统计属性等静态信息，也有用户行为的动态信息。
• 时效性：用户动态信息并非一成不变，可以实时追踪其变化。
• 覆盖度广：既能监测到用户感兴趣的内容，也可以看到其不感兴趣的内容，维度众多，颗粒度粗细均有。

（3）用户画像Vs数据画像

2. 为什么要分析用户画像？

       用户画像可以应用在很多方面：产品设计、广告投放、精准营销、个性化推荐、风控检测、数据分析等

       产品设计：互联网的产品价值离不开三个要素：用户、需求、场景。做产品设计时，首先得清楚产品适用于什么样的用户，他们的具体情况，他们的特殊需求。这样才能设计出符合现在用户需求痛点的一些产品。

       广告投放：现在的日常运营活动中也经常会涉及到广告投放。广告投放成本很高，企业会比较慎重，需要把有限的投入成本用在刀刃上，因此需要选择合适的渠道，在合适的时间，把合适的内容推送给合适的人，而用户画像就可以帮我们去找到合适的人

       精准营销：例如一个电商平台要做活动，给不同层次的用户来发放优惠券，可以利用用户画像，对用户进行一个划分，可以划分成不同的付费活跃度的用户，然后根据不同的活跃度给用户发放不同的优惠券。付费次数在1-10次的时候，发一张10块钱的优惠券。付费的次数超过10次，发一个100元的优惠券，促进付费活跃度高的用户继续消费。

       个性化推荐：个性化推荐的是向用户分发精确的内容。例如音乐app上的每日推荐、淘宝的猜你喜欢啊，这些都是基于用户画像来做出来的。那网易云之所以推荐准确，就是因为在做点击率预估模型的时候，根据用户画像中的用户属性推荐歌曲。当软件推荐类似歌曲时，用户点击这些歌曲就代表推送正确，下次继续推荐类似歌曲。

       风控检测：主要涉及金融或者银行这个行业，银行在判断是否给一个申请贷款的人发放贷款时，会构建分控预测模型，来预测这个人是否会违约，违约风险有多大。这个模型背后也依据了用户画像。用户的收入水平、教育水平、职业、是否有家庭、是否有房子、过去的诚信记录，这些画像就是模型预测准确性的基础数据。

       数据分析：在做描述性的数据分析时，经常需要画像的数据。例如描述抖音美食博主的个人情况、投稿视频的观看情况、关注其他博主的情况等，在做用户刻画时，用户画像可以帮我们清晰的去刻画用户。 

3. 不同行业的用户画像应用 

       不同行业业务属性不同能收集到的数据也不同，对画像的应用场景有不同的需求，下面梳理了互联网TOC、电商和安防等行业的画像应用场景，提供画像可以应用的思路。除了360全息画像、个性化内容推送等场景外，还可以提供实时预警管控、专项场景分析、个性化人工运营服务等方面支持。其中，专项的场景分析就是一些常见的数据分析模型，比如事件分析、留存分析和漏斗分析，这些分析模型都是基于标签和行为数据之后，把数据模型产品化后做成一些特定场景的分析，这就是基于用户画像的一种应用场景。

 4. 用户画像体系搭建流程

十、RFM模型

1. 什么是RFM模型

       RFM模型是用户细分领域比较常用的一种模型，也是衡量客户价值和客户创利能力的重要工
具和手段。RFM模型指的就是三个指标：Rencency（最近一次消费），Frequency (消费频
率）、Monetary （消费金额）。

       R值：最近一次消费 (Recency)：R值指的是客户在店铺消费最近一次和上一次的时间间隔，反映一个客户的活跃程度。R越大表示客户越久未发生交易，R越小表示客户越近有发生交易。理论上R值越小的客户是价值越高的客户，即客户会在很短时间里回到店铺进行复购。

       F值：消费频率 (Frequency)：消费频率是客户在固定时间内的购买次数，反映一个客户的忠诚度。F越大表示客户交易越频繁，F越小表示客户不够活跃。这个固定时间根据产品性质不同而有一些差异，比如：快消类产品一般会统计每月内的消费频率，而3C产品，耐用品等即使是忠实粉丝用户也很难在1年内购买多次。所以，一般店铺在使用RFM模型时，会把F值的时间范围去掉，替换成累计购买次数。电商平台不考虑具体购买的商品时，可以加上时间范围。

       M值： 消费金额 (Monetary)：消费金额指的是客户在最近一段时间内交易的金额，反映一个客户的贡献度。M越大表示客户价值越高，M越小表示客户价值越低。M值是RFM模型中相对于R值和F值最难使用，但最具有价值的指标。理论上M值和F值是一样的，都带有时间范围，指的是一段时间内的消费金额，在实际工作中对于一般店铺的类目而言，产品的价格区间都是比较单一的，比如：同一品牌美妆类，价格浮动范围基本在某个特定消费群的可接受范围内，加上单一品类购买频次不高，所以对于一般店铺而言，M值对客户细分的作用相对较弱。所以，在实际工作中，用店铺的累计购买金额和平均客单价替代传统的M值能更好的体现客户消费金额的差异。电商平台可以带时间范围。

2. 如何应用RFM模型

3. 注意事项

4. RFM实操练习

十一、AARRR模型

1. 什么是AARRR模型

       AARRR模型本身是一个用户增长模型，近几年“增长黑客”概念的崛起，使得AARRR模型被广
泛传播井应用。AARRR漏斗模型是Dave Mc Clure在2007提出的用户生命周期模型，解释了实现用户增长的5个方面，分别是：Acquisition（获取）、Activation（激活）、Retention（留存）、Revenue（收入）、Referral（自传播）

2. AARRR模型的5个关键词

（1）Acquisition拉新

       定义：吸引潜在用户首次接触产品，完成注册、下载或访问。
       核心目标：扩大用户基数，降低获客成本（CAC）。
       关键指标：

• 新增用户数、注册率
• 渠道ROI（如广告投放回报率）
• 自然流量占比（SEO、社交裂变等）

       典型策略（增加曝光、社交裂变）：

• 拼多多：通过“砍价免费拿”社交裂变吸引微信用户；
• 抖音：利用算法推荐内容吸引用户下载App；
• 得物：与潮流KOL合作发布开箱视频，精准触达目标用户。

（2）Activation激活

       定义：引导新用户完成关键行为，体验产品核心价值，成为活跃用户。
       核心目标：缩短用户从注册到首次产生价值行为的路径。
       关键指标：

• 激活率（如完成首次购买、发布内容）
• 新手引导完成率
• 次日/7日活跃率

       典型策略（首单低价、核心功能体验）：

• 拼多多：新用户首单立减、1元购专区；
• 得物：引导用户完成“球鞋鉴定”功能体验；
• 抖音电商：推送“新人专属低价商品”到首页，刺激首单转化。

（3）Retention留存

       定义：让用户持续使用产品，避免流失，形成使用习惯。
       核心目标：延长用户生命周期，提升复购/复访频率。
       关键指标：

• 次日留存率、7日留存率、30日留存率
• 用户活跃频次（如周均打开次数）
• 流失用户召回率

       典型策略（提高产品或内容质量、轻游戏、精准推荐、推送提醒、提升用户体验）：

• 拼多多：通过“多多果园”游戏化任务促使用户每日登录；
• 得物：每周限量发售新品，维持用户周期性访问；
• 抖音：算法推荐用户感兴趣的内容，提高停留时长。

（4）Revenue收益

       定义：将用户行为转化为收入，包括直接消费、订阅、广告变现等。
       核心目标：提升用户付费率及客单价（ARPU）。
       关键指标：

• 付费转化率、客单价
• LTV（用户生命周期价值）
• 付费用户占比

       典型策略：

• 拼多多：低价爆款商品刺激冲动消费，叠加“满减券”提升客单价；
• 得物：稀缺潮鞋溢价销售，利用“保证金竞价”模式提高收入；
• 抖音：直播间“限时秒杀”促成即时交易，打赏礼物创造额外收入。

（5）Referral 自传播

       定义：用户主动推荐产品，带来新用户，形成裂变循环。
       核心目标：降低拉新成本，放大用户增长杠杆效应。
       关键指标：

• 分享率、邀请转化率
• K因子（平均每个用户带来多少新用户）
• 社交裂变贡献的GMV占比

       典型策略（砍一刀、用户体验、转发抽奖）：

• 拼多多：“帮砍一刀”邀请好友助力获取免费商品；
• 得物：用户晒单后生成“潮流穿搭卡片”供社交分享；
• 抖音：视频“转发抽奖”活动激励用户传播内容。

如何搭建经营分析指标体系

       首先，需要引入两个概念： 过程指标和结果指标，结果指标通常以“产出”为导向，易于衡量，但难以快速改善或影响；过程性指标通常以动作/投入为导向，主要用于影响和管理。

       当定位出一系列重要的业务动作作为过程指标后，通常会默认只要所有过程指标表现均较好，结果指标就能表现好。 举个例子： ❗️结果指标：英语考了100分 💡过程指标：读了100本书、刷了1000道题、背了3000个单词

       核心竞争要素：对于一个业务最关键的几个业务板块，如电商业务有供给、渠道、服务三个核心竞争要素。基于以上两个概念，可以根据如下步骤搭建和使用一个比较好用的经营指标体系：

• 明确业务关键的结果指标，如常用的GMV、DAU、毛利率等等
• 根据核心竞争要素的几个模块，各自形成关键的过程指标（这个过程需要反复讨论和迭代，找到最合适的，对业务具有影响力的过程指标）。如电商业务的供给板块，过程指标可以是商品SKU数、商品成本指数、售价指数等，服务可以是客户差评率，物流平均时效等。
• 日常分析过程，结果指标的变化作为观测，无论结果指标是否出现异动，最终都要回归到过程指标的检测和管理，把关键过程指标明确到部门，甚至明确到人，日常持续针对过程指标的异动进行干预和管理。

怎么做经营分析/业绩监控

       经营分析是商业分析师最重要的工作板块之一，通常形式会是商分需要固定周期写经营分析报告，写完后与相关业务方开会分享讨论

       Step1：指标体系的搭建和持续迭代 指标体系是经营分析所有工作的基础，这部分详情可以看另一篇文-《如何搭建一套经营指标体系》 简单的来说就是要包含关键的结果指标（GMV、DAU、毛利率等等）和过程指标（新增门店数，商品SKU数，价格指数等），并且在使用过程中要持续关注效果，持续迭代指标体系。

       Step2：根据指标体系，搭建对应的SQL，EXCEL模板、然后出数 ❗接下来是重中之重

       Step3：进行数据分析，通常包含以下异动分析和目标追踪两块

       ①（最重点）异动分析：包括异动定位、归因、解决策略三步。

• a.异动定位：首先需要设定一个对比对象，常用的是时间维度和自己的基期比（如与上周比），一般会设定一个阈值（如10%），异动就是与对比对象比，波动超过这个阈值的指标；
• b.归因：从数理层面来说，一是进行指标的拆解，用乘法拆分计算链路（如转化率=曝光率*点击率*购买率），用加法拆分不同维度（如不同品类，不同城市），二是用贡献度的概念定位出最主要的问题。后续针对贡献度较大的问题展开分析即可。数理分析后，还是回归业务，拿着定位出颗粒度最细的异动指标，自行分析+和业务沟通得到异动原因。
• c.解决策略：定位清楚原因后解决策略的输出就会很自然，重点是别忘了需要给到业务建议，不要只找问题。

       ②目标进度追踪：在上述指标体系中，结果指标及部分重要的过程指标，都会有对应目标并且与业务绩效考核强相关，分析的时候阐述目标进度，点一下做的很好or很差的并对应到人即可。

异动分析框架

1️⃣第一步：确认异常是否真实存在

       - 检查数据源头：数据波动是埋点错误、口径变更（如GMV是否含取消订单）还是系统延迟？

       - 明确对比基准：是环比下降20%？还是同比下滑？比如电商双11后GMV下降属于正常季节波动，无需过度归因

       - （实习中遇到过平台显示DAU骤降，实际是看板SQL未更新导致统计口径偏差）

2️⃣第二步：排除外部干扰因素

       - 宏观环境：yi情、zc调整、竞品活动（如拼DD百亿补贴导致🍑客流量分流）

       - 时间周期：工作日/周末差异、节假日（如春节物流停滞导致电商订单延迟）

3️⃣第三步：内部归因——拆解核心指标

       如果异常变化很急剧，意味着突发事件或系统问题，而比较缓慢则可能反映出长期的市场趋势或用户流失。产品和运营层面的变化也是不容忽视的因素，需要分析近期的版本更新记录和运营策略是否对用户体验产生影响

       关键原则：优先从业务近期动作切入（如新上线功能、运营策略调整），避免盲目拆分维度 ✨ 拆解方法（以GMV下降为例）

       1. 公式拆解法：GMV=流量×转化率×客单价

       - 流量异常：拆分渠道（直播/搜索/活动页）、用户类型（新老客）、品类（服饰/3C）

       - 转化率异常：分析页面跳出率、加购率是否受页面加载速度、商品缺货影响

       - 案例：某电商平台GMV下降，拆解发现“直播渠道流量占比从30%降至10%”，结合业务背景定位主因

       2. 漏斗分析法：按用户行为路径拆分 （以DAU下降为例）

       - DAU=启动用户数×首页留存率×功能使用率

       - 发现启动用户数正常，但首页到购物车的转化率骤降15%，结合日志分析用户在价格筛选区异常跳出

4️⃣第四步：量化归因贡献度

       - 计算各因素影响占比：例如“区域A销量下降贡献了整体GMV降幅的60%”

       - 方法示例

       - 加法型指标（活跃用户=北京+上海+广州）：用各城市用户变化的绝对值差异计算贡献率

       - 乘法型指标（GMV=流量×转化率）：用对数拆分法量化各环节影响（需结合实际数据）