广发银行湛江市麻章区2025秋招数据分析师笔试题及答案

广发银行湛江市麻章区2025秋招数据分析师笔试题及答案一、选择题（共5题，每题2分，共10分）1.在湛江市麻章区进行消费数据分析时，最适合使用哪种图表展示不同年龄段的消费占比？A.散点图B.饼图C.折线图D.柱状图2.广发银行在湛江地区推广信用卡时，通过用户历史交易数据预测未来消费倾向，最适用的机器学习模型是？A.决策树B.线性回归C.神经网络D.聚类分析3.在分析湛江市麻章区小微企业贷款违约风险时，以下哪个指标最能有效反映客户的还款能力？A.账户余额B.信用评分C.收入稳定性D.贷款金额4.广发银行在湛江地区进行客户画像分析时，以下哪个维度最能体现当地居民的生活习惯？A.年龄分布B.职业类型C.消费频次D.账户余额5.在分析湛江市麻章区线上贷款申请数据时，以下哪个指标最能反映业务流程的效率？A.申请时长B.审批通过率C.用户留存率D.贷款金额二、填空题（共5题，每题2分，共10分）1.在分析广发银行湛江地区信用卡逾期数据时，可以通过______方法识别异常交易行为。答案：孤立森林2.湛江市麻章区小微企业贷款数据中，______是衡量客户信用风险的关键指标。答案：违约率3.广发银行在湛江地区开展客户流失分析时，需要重点关注______因素的关联性。答案：产品使用率4.在构建湛江市麻章区消费预测模型时，______算法能有效处理多维度数据。答案：梯度提升树5.分析广发银行湛江地区网点客流数据时，______方法最适合检测季节性波动。答案：时间序列分解三、简答题（共3题，每题10分，共30分）1.简述在分析湛江市麻章区小微企业贷款数据时，如何处理缺失值？答案：-数据清洗：对于缺失比例低于5%的数据，可使用均值/中位数/众数填补；对于缺失比例较高，可考虑删除或插补（如KNN插补）。-业务验证：结合当地小微企业特点（如行业属性、经营规模），通过专家访谈或实地调研补充缺失信息。-模型适配：若缺失值较多，可选用能直接处理缺失值的模型（如XGBoost）。2.广发银行湛江地区信用卡用户消费行为分析中，如何定义“高价值客户”？请列举至少3个量化指标。答案：-消费金额（月均）：信用卡年消费额超过当地平均水平1.5倍。-交易频次：月均消费笔数≥10次。-产品渗透率：同时持有借记卡、理财产品等广发银行产品的用户。3.在分析湛江市麻章区线上贷款申请数据时，如何评估模型的效果？请说明至少2个评估指标及其适用场景。答案：-AUC（ROC曲线）：适用于二分类问题（如审批/拒绝），能综合评估模型的区分能力。-KS值：适用于信贷风险评估，衡量模型在不同阈值下的最大区分效果。四、计算题（共2题，每题15分，共30分）1.某数据集包含湛江市麻章区1000户小微企业贷款数据，其中贷款金额（万元）、企业成立年限（年）和违约率如下表：|贷款金额|成立年限|违约率||||-||50|3|0.05||80|5|0.08||120|2|0.12||...|...|...|假设通过线性回归模型分析，得到预测方程为：违约率=0.01×贷款金额-0.005×成立年限+0.03。请计算当贷款金额为100万元、成立年限为4年的企业，其预测违约率是多少？答案：违约率=0.01×100-0.005×4+0.03=1-0.02+0.03=1.01%2.广发银行湛江地区信用卡用户数据中，某月消费数据如下：-标准差：200元-样本量：5000人-平均消费：1500元假设消费分布近似正态，请计算95%置信区间下，该地区信用卡用户的月均消费范围。答案：-标准误差=标准差/√样本量=200/√5000≈7.07元-95%置信区间=平均消费±1.96×标准误差=1500±1.96×7.07≈1489.5元-1510.5元五、论述题（共1题，20分）结合湛江市麻章区的经济特点（如水产养殖、轻工业等），论述数据分析师如何通过消费数据支持银行制定本地化营销策略？答案：1.行业洞察：-通过分析小微企业贷款数据，发现麻章区水产养殖户对短期流动资金需求较高，可针对性推出“渔期贷”等产品。-轻工业客户消费频次低但金额大，可推荐分期付款或供应链金融方案。2.客户分层：-基于消费画像，将客户分为“高频低额”（如餐饮商户）和“低频高额”（如工厂采购），分别推送促销活动或理财推荐。3.渠道优化：-分析线下网点客流数据，结合线上交易习惯，增设水产市场附近的智能柜台，提升服务效率。4.风险控制：-通过历史交易数据，建立本地化信用评分模型，降低信贷审批时间，提高小微企业获客率。答案及解析选择题：1.B饼图适合展示占比，年龄段分类清晰。2.B线性回归适用于消费预测。3.C收入稳定性直接反映还款能力。4.C消费频次体现当地消费习惯。5.A申请时长是流程效率的关键指标。填空题：1.孤立森林：适用于异常检测。2.违约率：信贷风控核心指标。3.产品使用率：反映客户粘性。4.梯度提升树：处理多维度数据能力强。5.时间序列分解：检测季节性波动。简答题：1.缺失值处理：均值填补、KNN插补、业务验证、模型适配。2.高价值客户指标：月均消费额、交易频次、产品渗透率。3.模型评估指标：AUC（区分能力）、KS值（信贷风险）。计算题：1.违约率计算：代入公式得出1.01%。