DA 面试 · DA 方向
DA 高频面试题
DA 面试的技术性比 BA 更强，除了行为面试外，还会深入考察你的 SQL 能力、统计知识、实验设计和数据处理思维。本篇精选了 DA 面试中出现频率最高的问题。
一、统计与分析概念
问题 1：什么是 A/B 测试？请描述完整的实验设计流程
参考回答：
“A/B 测试是一种随机对照实验方法，用来验证某个改变是否能带来统计显著的效果提升。
完整的设计流程：
1. 定义假设
- 零假设（H0）：新方案与旧方案没有差异
- 备择假设（H1）：新方案优于旧方案
- 明确主要评估指标（比如转化率）
2. 确定实验参数
- 显著性水平（alpha）：通常设为 0.05
- 统计功效（power）：通常设为 0.80
- 最小可检测效应（MDE）：你希望检测到的最小变化幅度
- 基于以上参数计算所需样本量
3. 分组与执行
- 将用户随机分为实验组和对照组
- 确保分组维度的均衡性（如新/老用户、平台比例）
- 运行实验至达到所需样本量
4. 分析结果
- 检查数据质量和分组均衡性（AA 检验）
- 计算实验组和对照组的指标差异
- 进行假设检验，计算 P-value 和置信区间
- 检查护栏指标是否有异常
5. 做出决策
- P-value < 0.05 且效果具有实际业务意义 → 上线
- P-value >= 0.05 → 不上线（或延长实验）
- 核心指标提升但护栏指标恶化 → 需要权衡”
问题 2：P-value 是什么？如何向非技术人员解释？
参考回答：
“P-value 是在零假设为真的前提下，观察到当前结果或更极端结果的概率。
技术解释：如果 P-value = 0.03，意思是’如果新方案其实没有效果（H0 为真），那么我们观察到这么大（或更大）的差异，纯粹由随机波动造成的概率只有 3%’。因为 3% < 5%（我们的显著性阈值），我们认为这个差异不太可能是偶然的。
向非技术人员解释：’我们做了一个实验对比新旧方案。统计分析显示，新方案带来的提升不太可能是碰巧的——如果用掷骰子类比，出现这种结果纯属巧合的概率只有 3%。所以我们有比较充分的信心认为新方案确实更好。’
常见误区：
- P-value 不是’效果为真的概率’
- P-value < 0.05 不意味着效果一定有实际业务价值（统计显著 ≠ 实际显著）
- 多次检验会增加误报概率，需要做多重比较校正”
问题 3：解释一下 Type I Error 和 Type II Error
参考回答：
| 错误类型 | 定义 | 通俗解释 | 控制方法 |
|---|---|---|---|
| Type I Error（假阳性） | 零假设为真时错误地拒绝它 | ‘其实没效果，但你说有效果’ | 由显著性水平 alpha 控制（通常 5%） |
| Type II Error（假阴性） | 零假设为假时未能拒绝它 | ‘其实有效果，但你没检测出来’ | 由统计功效 (1-beta) 控制（通常 80%） |
在 A/B 测试中的影响：
- Type I Error：上线了一个实际上没有效果的功能，浪费了开发资源
- Type II Error：放弃了一个实际有效的功能，错失了增长机会
如何权衡：在大多数互联网公司，Type I Error 的成本更低（大不了回滚），所以有时候会放宽 alpha 到 0.10；而在医疗领域，Type I Error 可能导致无效药物上市，所以 alpha 设得更严格。”
问题 4：什么是 Simpson’s Paradox？举个例子
参考回答：
“Simpson’s Paradox（辛普森悖论）是指在分组数据中出现的趋势，在合并数据后反转了。
经典案例： 假设某医院两种手术方案的成功率对比：
| 方案 | 轻症患者成功率 | 重症患者成功率 |
|---|---|---|
| 方案 A | 90%（90/100） | 30%（30/100） |
| 方案 B | 95%（19/20） | 40%（72/180） |
分组看，方案 B 在轻症和重症中都优于方案 A。
但合并后：
- 方案 A 总成功率：(90+30)/(100+100) = 60%
- 方案 B 总成功率：(19+72)/(20+180) = 45.5%
合并后反而是方案 A 更好！原因是方案 A 接的轻症患者比例更高。
对数据分析师的启示：永远不要只看汇总数据，要分维度拆解分析。在 A/B 测试中如果分组不均衡，也可能出现类似的问题。”
二、数据处理与质量
问题 5：你会如何处理数据中的缺失值？
参考回答：
“处理缺失值没有万能方法，要根据缺失的原因和场景来选择：
第一步：理解缺失原因
- 完全随机缺失（MCAR）：缺失与数据本身无关（如系统随机故障）
- 随机缺失（MAR）：缺失与其他已知变量有关（如年龄大的用户更不愿填收入）
- 非随机缺失（MNAR）：缺失与缺失值本身有关（如高收入者不填收入）
第二步：选择处理方式
| 方法 | 适用场景 | 优缺点 |
|---|---|---|
| 删除缺失行 | 缺失比例很小（< 5%）、MCAR | 简单但会丢失信息 |
| 用均值/中位数填充 | 数值型、缺失比例适中 | 简单但会降低方差 |
| 用众数填充 | 类别型变量 | 简单但可能引入偏差 |
| 前向/后向填充 | 时间序列数据 | 适合缓慢变化的指标 |
| 标记为单独类别 | 类别型、缺失本身有业务含义 | 保留了缺失信息 |
| 模型预测填充 | 缺失比例较大、MAR | 更精确但实现复杂 |
关键原则：
- 先理解’为什么缺失’，再决定怎么处理
- 处理后检查数据分布是否发生了不合理的变化
- 在分析报告中说明缺失值的处理方式”
问题 6：如何识别和处理数据中的异常值（Outlier）？
参考回答：
“识别异常值的常用方法：
- 统计方法：超过均值 ± 3 个标准差的数据点
- IQR 方法：低于 Q1 - 1.5 x IQR 或高于 Q3 + 1.5 x IQR
- 可视化：箱线图（Box Plot）、散点图直观观察
- 业务规则：基于业务逻辑判断（如年龄为 200 岁、订单金额为负数）
处理方式：
- 保留：异常值是真实数据（如高价值客户），不应删除
- 删除：异常值是数据错误（如录入错误、系统 Bug）
- 替换：用上下限截断（Winsorization），保留信息但降低极端影响
- 分开分析：对异常值和正常值分别分析
最重要的原则：不要盲目删除异常值。先调查它是’错误’还是’真实的极端情况’。”
三、业务分析题
问题 7：如果产品的 DAU 上升了但收入下降了，你会怎么分析？
参考回答：
“这是一个看似矛盾但很常见的情况。我会从以下角度分析：
第一步：拆解收入公式
收入 = DAU x 付费转化率 x ARPU
DAU 上升但收入下降，说明付费转化率或 ARPU 下降了，而且下降幅度超过了 DAU 的增长。
第二步：分群分析
- 新增用户质量：DAU 增加是因为大量低质量新用户涌入（可能来自某个低价获客渠道），这些用户不付费
- 付费用户行为变化：老的付费用户是否在减少消费？客单价是否在下降？
- 用户结构变化：高价值用户占比是否在缩小？
第三步：可能的原因
| 可能原因 | 验证方式 |
|---|---|
| 新获客渠道带来大量非目标用户 | 按渠道拆分 DAU 和付费率 |
| 产品功能变更影响了付费路径 | 对比变更前后的付费漏斗 |
| 竞品降价导致用户迁移消费 | 检查付费用户的流失率和竞品动态 |
| 促销活动结束导致 ARPU 回落 | 对比促销期和非促销期的数据 |
第四步：建议
根据诊断结果，可能的建议包括：调整获客渠道策略、优化付费转化路径、针对高价值用户做留存策略。”
问题 8：请设计一个衡量搜索功能效果的指标体系
参考回答：
“我会从搜索的用户体验和商业价值两个维度来设计：
用户体验维度：
| 指标 | 定义 | 为什么重要 |
|---|---|---|
| 搜索使用率 | 使用搜索的用户占 DAU 的比例 | 衡量搜索功能的渗透程度 |
| 零结果率 | 搜索返回 0 条结果的查询占比 | 反映搜索覆盖度和内容丰富度 |
| 首次点击位置 | 用户点击的第一个结果的平均排名 | 反映搜索排序的准确度 |
| 搜索后点击率（CTR） | 搜索后有点击行为的比例 | 反映结果的相关性 |
| 搜索修改率 | 搜索后修改关键词重新搜索的比例 | 比例高说明首次搜索结果不满意 |
商业价值维度：
| 指标 | 定义 | 为什么重要 |
|---|---|---|
| 搜索后转化率 | 通过搜索最终完成目标行为的比例 | 搜索对业务的直接贡献 |
| 搜索贡献 GMV 占比 | 通过搜索入口产生的 GMV / 总 GMV | 搜索的商业价值量化 |
| 搜索广告收入 | 搜索结果中广告的点击和收入 | 搜索的变现能力 |
护栏指标：搜索响应时间（不超过 200ms）、搜索崩溃率。”
四、行为面试题
问题 9：描述一次你的分析结果和直觉不一致的经历
回答要点：
- 展示你尊重数据而非盲从直觉
- 但也要展示你会深入检查数据是否有问题
- 最终是数据验证了直觉还是推翻了直觉
参考思路：”我做某个功能的使用率分析时，直觉认为新用户应该比老用户使用率低，但数据显示新用户使用率反而更高。我首先检查了数据是否有问题——发现是因为新用户引导流程中强制展示了该功能，老用户则需要自己发现。进一步分析后发现，虽然新用户的’使用率’高，但深度使用指标（如使用时长、重复使用率）远低于老用户。最终我建议将分析指标从’使用率’调整为’深度使用率’，更准确地反映功能的真实价值。”
问题 10：你最引以为豪的一个数据分析项目是什么？
回答框架：
- 项目背景（30 秒）：为什么要做这个分析？业务问题是什么？
- 你的方法（1 分钟）：你用了什么数据、什么工具、什么分析方法？
- 关键发现（1 分钟）：你发现了什么？有什么令人意外的洞察？
- 业务影响（30 秒）：你的分析带来了什么实际改变？用数字量化
- 学到了什么（30 秒）：这个项目让你在技术或业务理解上有什么提升？
核心原则：选一个你真正做过的项目，不要编造。面试官会追问细节——你用了什么 SQL 写法？遇到了什么数据问题？为什么选择这个分析方法而非其他？
DA 面试前的最终检查清单
- SQL：LeetCode Database 至少刷 50 题，Medium 和 Hard 要有信心
- 统计：能清晰解释 P-value、置信区间、A/B 测试、Type I/II Error
- Case Study：练习 5 个以上的业务分析场景
- 行为面试：准备 8 个 STAR 故事
- Portfolio：2-3 个完整的分析项目并能详细讲解
- 公司研究：了解目标公司的产品、商业模式、数据团队结构
- Mock 面试：至少做 2 次模拟面试（找朋友或用 Pramp 等平台）
本篇小结
- DA 面试的技术性更强，SQL 和统计是核心考察点
- 统计概念要能用通俗语言解释，不要背公式
- A/B 测试的完整流程是高频考点，从假设到决策都要能讲清楚
- 数据质量相关问题（缺失值、异常值）反映你的数据处理经验
- 行为面试同样重要，用真实项目经历展示你的分析能力
恭喜你完成了”DA 面试”模块的全部内容！准备好实战了吗？可以回到面试通关指南制定你的求职计划，也可以前往工具箱探索更多学习资源。