某大型国企数据建模工程师招聘笔试题（含完整参考答案）

某大型国企数据建模工程师招聘笔试题（含完整参考答案）某大型国企数据建模工程师招聘笔试题（含完整参考答案）考试说明总分100分，考试时长120分钟；题型：单选、多选、SQL编程、统计学建模、算法应用题、业务建模综合题；国企侧重：数据规范、风控/经营分析建模、SQL实操、可解释模型、数据安全、国产化工具适配。一、单项选择题（每题2分，共20分）国企经营风控建模中，优先选择可解释性最强的模型是（）

A.XGBoostB.逻辑回归C.神经网络D.LightGBM

答案：B

解析：逻辑回归系数具备业务可解释，监管、国企风控审计要求模型可追溯，树模型黑盒属性强。处理缺失值时，针对企业客户营收这类偏态数值特征，最优填充方案（）

A.均值填充B.中位数填充C.0填充D.随机填充

答案：B

解析：营收存在极端大额客户，中位数不受极值干扰。区分训练集、验证集、测试集核心目的是（）

A.提升样本量B.防止过拟合，客观评估泛化能力

C.简化特征工程D.加速模型训练

答案：B相关系数Pearsonr=0代表（）

A.无任何关系B.无线性相关，可能存在非线性关系

C.完全负相关D.完全正相关

答案：B下列不属于特征工程降维方法的是（）

A.PCAB.LDAC.IV值筛选D.t-SNE

答案：C

解析：IV是特征筛选，不是降维算法。数据库中用于窗口排序、分层统计的关键字是（）

A.GROUPBYB.OVER()C.DISTINCTD.HAVING

答案：B二分类模型评估，样本极度不平衡（正负1:100）优先看（）

A.准确率AccuracyB.AUC-ROCC.F1-Score/PR-AUCD.召回率

答案：C

解析：准确率在不平衡样本下失效，PR曲线更适合不均衡业务场景。建模时多重共线性会严重干扰哪种模型（）

A.逻辑回归B.随机森林C.XGBoostD.K-Means

答案：A

解析：线性模型系数震荡、符号失真，树模型天然抗多重共线性。大数据分布式建模常用国产框架（）

A.SparkMLlibB.TensorFlowC.PyTorchD.Sklearn

答案：A国企数据建模必须遵守，客户信息不能导出原始明细属于（）

A.建模规范B.数据安全分级管控C.算法规范D.运维规范

答案：B二、多项选择题（每题3分，共15分，多选少选不得分）企业信用建模中常用特征分箱好处（）

A.消除极端值影响B.特征单调，提升模型可解释性

C.减少缺失值干扰D.加快线性模型收敛

答案：ABCD容易造成模型过拟合的操作（）

A.特征数量远大于样本量B.树模型深度设置过大

C.训练集迭代次数过多D.增加正则化系数

答案：ABCSparkSQL窗口函数包含（）

A.row_number()B.rank()C.lag()D.sum()over()

答案：ABCD无监督建模场景（）

A.客户分群K-MeansB.异常交易孤立森林

C.信贷违约逻辑回归D.用户画像聚类

答案：ABD数据建模全流程包含阶段（）

A.数据接入与清洗B.特征衍生与筛选

C.模型训练验证D.模型部署监控迭代

答案：ABCD三、SQL编程题（共25分）题目背景国企客户业务表两张：customer_info客户基础表

customer_id(客户ID),company_name(企业名称),register_cap(注册资本),industry(行业),create_date(注册时间)trade_record交易流水表

trade_id,customer_id,trade_amt(交易金额),trade_date(交易日期),trade_type(收支类型)1.需求1（8分）查询2025年度各行业企业总交易金额，按交易总额降序，输出：行业、企业数量、年度总交易额sql

SELECT

t.industry,

COUNT(DISTINCTc.customer_id)AScompany_cnt,

SUM(tr.trade_amt)AStotal_trade_amt

FROMcustomer_infoc

LEFTJOINtrade_recordtrONc.customer_id=tr.customer_id

WHEREDATE_FORMAT(tr.trade_date,'%Y')='2025'

GROUPBYt.industry

ORDERBYtotal_trade_amtDESC;2.需求2（9分）统计每个客户2025年每月交易总额，并标记当月交易金额在该客户全年月份中排名（金额越高排名越小）

输出：客户ID、月份、月度交易额、月度金额排名sql

SELECT

customer_id,

month,

month_amt,

RANK()OVER(PARTITIONBYcustomer_idORDERBYmonth_amtDESC)ASmonth_rank

FROM(

SELECT

customer_id,

DATE_FORMAT(trade_date,'%Y-%m')ASmonth,

SUM(trade_amt)ASmonth_amt

FROMtrade_record

WHEREDATE_FORMAT(trade_date,'%Y')='2025'

GROUPBYcustomer_id,DATE_FORMAT(trade_date,'%Y-%m')

)t;3.需求3（8分）找出近12个月无任何交易记录的企业客户sql

SELECTDISTINCTc.*

FROMcustomer_infoc

LEFTJOINtrade_recordtrONc.customer_id=tr.customer_id

WHEREtr.trade_date<DATE_SUB(CURDATE(),INTERVAL12MONTH)ORtr.trade_idISNULL;四、统计学与建模理论题（20分）1.简述IV值、WOE分箱原理，以及在信贷/客户风险建模中的作用（10分）参考答案WOE（证据权重）

对连续特征分箱，每箱WOE公式：

WOEiIV（信息价值）

IV=∑(好占比−IV<0.02：无预测能力，剔除0.02~0.1：弱特征0.1~0.3：中等有效特征0.3~0.5：强特征0.5：大概率数据泄露，禁用国企风控建模价值满足监管可解释要求，分箱后每段特征对应风险趋势；快速筛选有效变量，减少无效特征降低多重共线性；输出规则可直接落地业务风控阈值。2.什么是过拟合、欠拟合？分别给出3种解决方案（10分）参考答案欠拟合：模型无法捕捉数据规律，训练、测试集效果都差

解决：增加特征、特征交叉衍生；提升模型复杂度（加深树深度、增加迭代次数）；减少正则化惩罚系数。过拟合：训练集效果极好，测试集效果大幅下滑，泛化差

解决：数据层面：扩充样本、交叉验证、分层抽样；特征层面：降维、剔除冗余特征、减少特征数量；模型层面：增加L1/L2正则、限制树深度、早停EarlyStop、随机采样（Bagging）。五、算法应用题（10分）业务场景：某国有能源企业，需要对数千家合作供应商做风险分层，无违约标签，仅拥有供应商注册资本、历史回款、供货频次、投诉次数、逾期供货天数等20项经营指标。

问题：选用什么建模算法？说明理由简述完整建模落地步骤参考答案算法选择：K-Means聚类+层次聚类辅助校验

理由：无标签属于无监督场景；供应商指标为连续数值，聚类可自动分群；结果分群后可人工标注高/中/低风险，适配国企供应商分级管理；算法简单、可解释，便于业务落地。

补充：异常供应商可搭配孤立森林单独识别。落地步骤

①数据清洗：剔除缺失严重供应商，极值缩尾处理；

②特征标准化：消除量纲差异；

③肘部法则+轮廓系数确定最优聚类分群数；

④K-Means训练，输出各供应商聚类标签；

⑤业务人员结合每簇特征均值定义风险等级；

⑥模型固化，按月增量更新供应商分群；

⑦建立监控：供应商簇分布偏移预警。六、综合业务建模大题（10分）背景国有电力集团，需搭建客户电费拖欠风险预测模型，提前预判用户是否会逾期欠费，用于催收资源分配。现有数据：用户用电档位、历史欠费次数、月均用电量、缴费方式、台区线路故障次数、用户类型（居民/工业）。

请输出完整建模方案，包含：数据预处理、特征工程、模型选型、评估指标、国企落地约束。参考答案数据预处理缺失：用电数据中位数填充，分类特征新增“未知”分箱；异常：月度用电量3σ缩尾，剔除测试无效数据；数据划分：分层7:2:1划分训练/验证/测试集，保证逾期样本比例一致。特征工程基础特征：用户类型、缴费渠道、历史欠费次数；衍生特征：近3/6/12月欠费频次、用电量环比波动、故障次数累计；筛选：IV值过滤弱特征，VIF方差膨胀因子消除多重共线性；WOE分箱线性化。模型选型

主模型：逻辑回归（国企审计、监管要求可解释，输出欠费概率便于分级）；

辅助模型：XGBoost做特征重要性筛选，对比提升效果。评估指标

业务关注召回率（不漏高风险欠费客户）、PR-AUC、F1；按欠费概率分层，统计Top10%客户实际逾期占比。国企落地约束模型系数、分箱规则全部存档，可审计；禁止使用客户隐私原始明文，脱敏建模；模型月度监控特征分布漂移、预测结果漂移；输出风险分档规则，对接催收系统，留存全量建模日志。附加面试简答题（笔试题附赠）数据漂移是什么？如何监控？

特征漂移：训练与线上特征