字节跳动数据分析工程师面试题精选：10道高频考题+答案解析

ZHHHHH15

878人浏览 · 2026-04-29 10:30:00

ZHHHHH15 · 2026-04-29 10:30:00 发布

基于2025-2026年真实面经及高频考点整理，涵盖SQL高阶、AB测试、指标体系、业务分析、数据驱动策略五大模块。

一、SQL高阶

第1题：窗口函数 - 连续登录天数

题目：给定用户登录表 user_login，包含字段 user_id、login_date。求每个用户的最大连续登录天数。如果用户隔天登录也算连续（即"连续登录"指登录日期差不超过2天）。

思路解析：这道题是字节面经里出现频率极高的一道题。核心思路是"断点重分组"。先用 lag 函数或 row_number 给每个用户的登录日期按时间排序，然后算当前登录日期和上一个登录日期的差值，判断是否跨过了一个空档。差值超过2天的，我们就认为这是一个新的连续段的开始。然后对每个 user_id 开个累加标记，这样同一段内的记录就有了相同的 group id。最后按 group 分组算日期差得出连续天数，取每个用户的最大值。

关键点是知道窗口函数 lag() 的用法，以及怎么用累加 sum 来生成分组标识。字节面试官特别喜欢在这个基础上追问——如果数据量特别大怎么办？可以答：用增量计算，只处理新的登录记录，把之前算好的连续天数缓存下来，不要每次都全量跑。

第2题：复杂Join - 用户留存率

题目：给定两张表：user_info（user_id, reg_date）和 user_act_log（user_id, act_date, act_type）。请计算某一天新增用户的次日留存率、7日留存率。

思路解析：这是一道"看起来简单、但答好很难"的题。基本思路是：先筛选出指定日期的注册用户作为分母，然后左连活动日志表，找这些用户在注册后第1天、第7天有没有活动记录。关键是在 join 的时候要注意条件——不是简单 join on user_id 就完了，还要限定活动日期范围。比如次日留存，活动日期 = reg_date + 1。如果直接用 inner join 会漏掉没回访的用户导致分母变小，所以必须用 left join。然后 count(distinct) 统计有回访的用户数除以总注册用户数。

字节很爱在这个基础上问：如果注册用户量级特别大，join 性能很差怎么办？可以从数据倾斜、分桶、用子查询预聚合等角度回答。另外面试官还可能问怎么定义"留存"——是用户必须有点击行为才算留存，还是打开就算？这个要跟业务方对齐。

第3题：查询优化 - 慢查询排查

题目：一个报表查询跑了一个小时还没出结果，SQL 长这样：SELECT user_id, count() FROM orders WHERE create_time > '2025-01-01' GROUP BY user_id HAVING count() > 5 ORDER BY count(*) DESC。请问你会怎么排查和优化？

思路解析：这道题考的是实战能力，不是死记硬背。第一步肯定是看执行计划（explain），看看有没有走全表扫描。一般这种问题有两个常见原因：一是 create_time 没有索引，导致扫了全表；二是 group by 的 user_id 数据分布严重倾斜，比如一个大 V 用户占了90%的数据量，那一个 reduce 任务就扛不住了。

优化的方向：给 create_time 建索引；如果数据量是亿级的，考虑在 Hive/Spark 里跑而不是直接在 MySQL 上搞；对于数据倾斜问题，可以先对 user_id 做哈希分桶，或者加盐（salting）打散热点 key。关键是要先定位瓶颈在哪，不要一上来就说"加索引"，得结合执行计划来答。

第4题：ClickHouse - 实时聚合查询

题目：某短视频业务需要实时统计每秒钟的视频播放量（VV）、播放用户数（UV），数据写入延迟要求5秒以内。你会选择什么引擎，怎么设计表结构？

思路解析： ClickHouse 在字节内部用得非常多，面试官问这个就是想看你有没有实时数仓的经验。核心点在于用聚合表（AggregatingMergeTree）或者物化视图来预聚合。表引擎推荐用 ReplicatedAggregatingMergeTree 保证高可用。建表的时候，分区键按时间分区（如 toMinute(event_time)），排序键设成 (video_id, toStartOfSecond(event_time))，这样查询的时候能走索引。

要回答得更出彩一点，可以提一下用 SummingMergeTree 配合状态表做累计指标，或者讲一讲 Flink + ClickHouse 的实时链路怎么搭，Flink 做实时 ETL，ClickHouse 做 OLAP 查询引擎。字节的数据团队大量使用这套架构。

二、AB测试和实验设计

第5题：AB测试的完整流程

题目：抖音要把推荐算法从 A 模型换成 B 模型，提高用户观看时长。请设计一个 AB 实验方案，包括实验设计、样本量计算、评估指标、注意事项。

思路解析：这道题是字节 DS 面试的"必考题"，几乎可以确定会考到。完整回答需要覆盖以下几个要点：

实验设计：先说分流方式，推荐用用户 ID hash 分流，保证同一个用户始终在同一个实验组，避免体验不一致。分两组：对照组用 A 模型，实验组用 B 模型。实验时长至少跑满一个完整周期（含周末），推荐跑2周以上。

样本量计算：需要根据效应量和显著性水平来算，用公式 n = (Z_α/2 + Z_β)² × 2σ² / δ²。简单说就是：期望提升越大，需要样本越少；指标波动越大，需要样本越多。字节内部一般要求统计功效（power）达到0.8，显著性水平0.05。

评估指标：核心指标是人均观看时长（正指标），辅助指标包括完播率、点赞率、分享率（确保不因追求时长而牺牲体验），负向指标包括跳出率、负反馈率。

注意事项：网络效应（社交产品做实验，实验组用户的内容可能被对照组用户看到，造成污染）；新奇效应（新算法刚上线用户可能因为新鲜感而有异常行为，需要跑足够长时间来稀释）；多重比较问题（看了太多指标容易找到假阳性）。

第6题：实验指标不显著怎么办

题目：跑了两周的 AB 实验，核心指标 p 值 = 0.08，没有达到显著性水平。产品和老板都想上线新功能，你怎么决策？

思路解析：这道题考的是面试者的数据科学素养和沟通能力，是在字节面试中真正拉开差距的题目。不能简单说"p值大于0.05所以不能上线"，也不能说"老板要上就上"。正确的思考路径是：

先排查实验本身有没有问题：样本量够不够（做 power analysis 看看是不是检验力不足），分流有没有偏差（做 AA 检验验证两组在实验前是否一致），指标是不是方差太大（方差大的指标需要更大样本量才能检出显著差异）。

如果实验没问题，p=0.08 意味着有8%的概率是误报，你的决策要考虑成本和收益。如果新功能几乎没成本、有潜在收益，那就值得冒险上线然后监控；如果成本高或有风险，那就继续跑一周或者扩大流量再看。关键是要把分析逻辑讲清楚，而不是输出一个"上线/不上线"的结论。

三、指标体系

第7题：DAU下降的归因分析

题目：某天抖音的 DAU 下降了5%，作为数据分析师，你怎么排查原因？

思路解析：这也是字节的高频实战题。分析框架要按照"从宏观到微观、从外部到内部"的逻辑展开：

第一步验证数据，确认不是埋点或 ETL 问题（这个经常被忽略，但也是最常见的原因之一）。第二步看大盘，DAU 下降是有规律的周期性下降还是突发异常，用同比和环比做对比。第三步拆维度：按新老用户拆，看是新用户获取变少了还是老用户流失了；按渠道拆，看是不是某个渠道（如iOS/Android、特定广告渠道）出了问题；按地域拆，看是不是某个区域的网络问题；按版本拆，看是不是新版本上线导致的。

还要考虑外部因素：是不是竞品有活动（比如快手搞了春节红包）、是不是有公共事件（比如服务器故障、断网）。最后给出行动建议：如果是渠道问题就找渠道运营，如果是产品问题就推动版本回滚或修bug。

第8题：LTV和ARPU的计算

题目：字节的某款社交产品，用户在首月免费使用，之后需要付费订阅。请设计 LTV（用户生命周期价值）的度量方案，并估算合理的 ARPU 预期。

思路解析：这道题考的是商业化思维。LTV 的计算公式是：LTV = ARPU × 平均用户生命周期。但实际算的时候要复杂得多，因为用户生命周期是用留存率曲线拟合出来的。

一个完整的方案是：先用 Cox 回归或指数衰减模型拟合留存曲线，算出用户的期望生命周期天数。ARPU 要拆开通（广告收入）和付费（订阅收入）两部分来算。对非付费用户，ARPU = DAU × 广告展示量 × eCPM / 用户数；对付费用户，ARPU = 订阅价格 × 付费率 × 续费次数。

字节面试官还喜欢追问：怎么衡量获客成本（CAC）的合理性？答案是 LTV/CAC > 3 是比较健康的指标，如果低于3说明获客效率有问题，需要调整投放策略。

四、业务分析

第9题：短视频推荐指标

题目：你是抖音的数据分析师，现在要设计一套"视频质量评分"体系，用来评估每一条视频在推荐系统中的表现，你会设计哪些指标？怎么综合打分？

思路解析：这道题的亮点在于考察你对推荐系统的理解深度。不能只说"点赞率、评论率、分享率"就完了，那样太初级了。

更全面的指标体系应该分层：消费层指标（完播率、播放时长、重播率）、互动层指标（点赞率、评论率、分享率、关注转化率）、负向指标（划走率、不感兴趣率、举报率）。考虑到不同时长的视频互动率天差地别，需要按视频时长做分层或归一化。

综合打分可以借鉴 YouTube 的"观看时长预期"或者抖音内部的"视频价值分"。推荐用加权打分的方式，权重可以通过回归模型或者专家经验来定。最重要的是，要讲清楚如何防止"刷量"——比如一个视频只有点赞没有完播，就要降低权重。字节非常看重防作弊能力。

五、数据驱动策略

第10题：广告投放ROI优化

题目：字节的穿山甲广告平台，广告主反馈 ROI（投入产出比）持续下滑。作为数据分析师，你怎么分析和解决这个问题？

思路解析：这道题综合了业务理解、数据分析和策略制定，是字节 DS 面试中典型的"策略分析题"。回答要体现出从发现问题到提出方案的全链路思考。

先说分析路径：数据上先验证 ROI 确实在降（同环比、去掉季节性因素），然后拆解 ROI = 收入 / 成本。收入端看是不是转化率下降、客单价下降，成本端看是不是 CPC（每次点击成本）上涨、展示量下降但是出价提高了。再往下拆：按广告类型（激励视频、开屏、原生广告）、按行业（游戏、电商、工具）、按用户分层（新用户、老用户）来看是哪个细分人群出了问题。

常见的原因可能有：流量质量下降（用户刷广告疲劳）、竞争加剧导致竞价成本上升、归因模型不合理（把转化归到了错误的广告上）。解决方案可以是：优化定向策略（减少低频曝光）、调整出价策略（用 oCPM 智能出价）、改进归因模型（从末次归因改为多触点归因）、或者建议广告主更新素材减少疲劳。

能答到"多触点归因"和"素材疲劳度"这个深度，面试官就会觉得你确实懂业务，不是只会写 SQL。