数据分析师入职培训考试题库

数据分析师入职培训考试题库2.Excel函数应用题题目：销售数据表（字段：`日期`、`产品`、`销售额`）需统计每月、各产品的累计销售额，请用Excel函数实现（禁止手动求和）。解题思路：考点：`SUMIFS`函数的多条件求和、日期的月份提取（`MONTH`函数）。步骤：1.新增“月份”列，用`=MONTH(日期单元格)`提取月份；2.对每个产品、每个月份，用`SUMIFS(销售额列,产品列,目标产品,月份列,目标月份)`求和；3.若需动态累计（如“截至当前月的累计”），可嵌套`<=`条件或结合`OFFSET`函数。3.Python数据处理题题目：CSV文件`sales.csv`包含字段`date`（字符串格式，如“____”）、`product`、`revenue`，请用pandas计算每个产品的月均收入。解题思路：考点：数据读取、日期格式转换、分组聚合。步骤：1.读取CSV：`df=pd.read_csv('sales.csv')`；2.转换日期格式：`df['date']=pd.to_datetime(df['date'])`；3.提取月份：`df['month']=df['date'].dt.month`；4.按`product`和`month`分组，计算`revenue`的均值：`result=df.groupby(['product','month'])['revenue'].mean().reset_index()`；5.（可选）若需“月均”为“所有月份的平均值”，则仅按`product`分组：`result=df.groupby('product')['revenue'].mean().reset_index()`。二、数据分析方法与模型模块（一）核心知识点包含描述性统计（分布、趋势、异常值）、推断统计（假设检验、置信区间）、经典模型（线性回归、K-means聚类、逻辑回归）的业务适配场景与参数解读。（二）典型题型示例1.统计分析题题目：某APP新功能上线后，A组（实验组）用户留存率15%（样本量200），B组（对照组）留存率10%（样本量300），如何判断新功能是否显著提升留存率？解题思路：考点：双独立样本比例的假设检验（Z检验或卡方检验）。步骤：1.建立假设：H₀（原假设）：p₁=p₂（留存率无差异）；H₁（备择假设）：p₁>p₂（实验组留存率更高）；2.计算合并比例：`p=(x₁+x₂)/(n₁+n₂)`（x为留存用户数，n为样本量）；3.计算标准误：`SE=sqrt(p*(1-p)*(1/n₁+1/n₂))`；4.计算Z统计量：`Z=(p₁-p₂)/SE`；5.对比临界值（如α=0.05时，单侧Z临界值为1.645），若Z>1.645则拒绝H₀，认为新功能显著提升留存。2.模型应用题题目：某零售企业需分析“用户消费金额”的影响因素（如年龄、消费频次、会员等级），应选择哪种模型？说明建模步骤与核心注意事项。解题思路：考点：线性回归模型的业务适配性与实施逻辑。步骤：1.模型选择：因变量“消费金额”为连续型，自变量包含连续（年龄、频次）与分类（会员等级）变量，适合多元线性回归；2.数据预处理：缺失值填充、分类变量编码（如会员等级用哑变量）、异常值处理；3.建模与评估：用`sklearn.linear_model.LinearRegression`拟合，通过R²、调整R²、P值（t检验）评估拟合度与变量显著性；4.注意事项：需检验多重共线性（VIF值）、异方差性（残差分析），避免过拟合（正则化或交叉验证）。三、业务理解与需求转化模块（一）核心知识点聚焦业务流程拆解（如电商“人货场”逻辑）、需求结构化（从业务问题到数据指标）、指标体系设计（北极星指标、关联指标）。（二）典型题型示例1.业务场景分析题题目：某在线教育平台想提升“课程完课率”，请从用户、课程、运营三个维度拆解问题，并提出可量化的分析方向。解题思路：考点：业务问题的多维度拆解与分析方向推导。步骤：用户维度：分析完课用户与未完成用户的特征差异（如学习时长、登录频率、购买课程数），定位“高流失风险用户”；课程维度：分析课程章节的“跳出率”（哪一环节用户放弃）、课程难度/时长的合理性（如章节时长超过20分钟的完课率是否更低）；运营维度：分析督学服务（如班主任提醒）、激励机制（如完课奖励）对完课率的影响，评估运营策略的ROI。2.指标设计题题目：为某生鲜电商设计“用户复购能力”的指标体系，包含核心指标与辅助指标，并说明逻辑。解题思路：考点：指标体系的分层设计（核心+辅助）与业务逻辑关联。步骤：核心指标：复购率（=复购用户数/总购买用户数）、平均复购间隔（=总时间间隔/复购次数）；辅助指标：用户分层复购率（新用户/老用户/高价值用户），定位复购薄弱群体；品类复购率（如水果/海鲜的复购率），识别高复购品类；复购用户的ARPU（客均收入），评估复购用户的价值贡献；逻辑：核心指标反映复购“有没有”“快不快”，辅助指标从用户、品类、价值维度拆解“为什么复购（或不复购）”。四、数据可视化与报告输出模块（一）核心知识点可视化原则（信度、效度、美观性）、工具操作（Tableau/PowerBI的图表逻辑）、报告结构（结论-分析-建议的金字塔结构）。（二）典型题型示例1.可视化设计题题目：需展示“某产品全年销售额的月度趋势”与“各地区销售额占比”，请选择合适的图表类型，并说明设计逻辑。解题思路：考点：图表类型的业务适配性（趋势vs占比）。步骤：月度趋势：用折线图（展示随时间的变化规律，可叠加目标线或同比线）；地区占比：用环形图（突出各地区份额，避免饼图的“切片过多”问题，可标注具体数值）；设计逻辑：折线图聚焦“变化趋势”，环形图聚焦“结构占比”，两者结合可同时传递“总量走势”与“区域贡献”。2.报告撰写题题目：基于“新用户留存率低于老用户”的分析结论，撰写一份业务导向的分析报告大纲，包含核心模块与内容逻辑。解题思路：考点：报告的结构化表达（结论先行、论据支撑、建议落地）。大纲示例：1.结论页：新用户30日留存率（12%）显著低于老用户（28%），核心差距来自“首单体验”与“初期触达”；2.分析页：数据对比：新/老用户的留存曲线、分渠道新用户留存率；原因推导：首单商品满意度（新用户差评率25%vs老用户8%）、首月触达次数（新用户平均1.2次vs老用户3.5次）；3.建议页：产品侧：优化首单商品选品逻辑（如推荐“高好评+低退货”商品）；运营侧：新用户首月触达策略升级（如第1、3、7天触发个性化push）；逻辑：结论明确问题，分析用数据支撑“为什么”，建议给出“怎么做”，符合业务决策的思考路径。五、数据伦理与合规模块（一）核心知识点数据隐私保护（GDPR、《个人信息保护法》）、数据使用合规（脱敏、授权、最小必要原则）、伦理风险规避（算法偏见、数据歧视）。（二）典型题型示例1.合规案例分析题题目：某公司为优化广告投放，计划采集用户“浏览历史、购物记录、社交关系”数据，是否合规？请结合法规说明判断依据与改进建议。解题思路：考点：个人信息保护法的“告知-同意-最小必要”原则。分析：合规性：浏览历史、购物记录属于敏感个人信息（或重要个人信息），社交关系属于个人敏感信息，采集需满足：1.单独告知并取得用户明示同意（不可与其他服务捆绑授权）；2.仅采集“优化广告投放”所需的最小必要数据（如无需社交关系即可通过购物记录做偏好分析）；改进建议：梳理数据采集范围，去除非必要的社交关系数据；设计清晰的授权页面，明确告知数据用途、存储期限；对采集的个人信息进行去标识化处理（如哈希加密用户ID）。六、题库使用建议1.分阶段学习：基础阶段（1-2周）：聚焦“数据基础与工具”模块，通过SQL/Excel/Python的实操题巩固工具熟练度；进阶阶段（2-3周）：深入“分析方法、业务理解”模块，结合业务场景题训练逻辑拆解能力；冲刺阶段（1周）：以“可视化、合规”模块为补充，通过综合案例题模拟真实考核场景。2.结合实践项目：将题库中的业务题与实际工作项目结合（如用公司真实数据复刻题型），验证分析思路的落地性。3.错题归因与总结：建立错题本，标注“知识点漏洞”（如SQL窗口函数不熟悉）