2026年国企BI数据分析试卷（附答案）

2026年国企BI数据分析试卷（附答案）一、单项选择题（共15题，每题2分，共30分）1.在数据仓库的维度建模中，用于描述业务度量、且通常为数值型、可累加的数据，存储在哪种结构中？A.维度表B.事实表C.中间表D.聚合表答案：B2.某国企销售数据分析中，需要计算“本年累计销售额”，最适合使用以下哪种窗口函数？A.ROW_NUMBER()B.RANK()C.SUM()OVER(ORDERBYdate_column)D.LEAD()答案：C3.在评估分类模型（如客户流失预测）性能时，当正负样本比例极度不平衡（例如流失客户仅占1%），以下哪个指标通常比准确率（Accuracy）更具参考价值？A.精确率（Precision）B.召回率（Recall）C.F1-ScoreD.AUC-ROC值答案：D4.以下关于数据中台与数据仓库的描述，错误的是？A.数据仓库偏向于面向主题的、集成的、稳定的数据存储，用于支持管理决策。B.数据中台的核心目标是构建可复用、共享的数据能力，快速响应前台业务需求。C.数据中台通常包含数据仓库、数据湖等组件，是概念上的升级与整合。D.数据中台建成后，传统的数据仓库将被完全取代，不再需要。答案：D5.使用SQL进行数据分析时，想要找出“2025年每个季度，销售额均超过100万元的部门”，以下哪种方法最有效？A.使用WHERE子句过滤每个季度的销售额>100万，然后GROUPBY部门。B.使用GROUPBY部门、季度，然后HAVING每季度销售额>100万。C.使用GROUPBY部门，然后HAVINGCOUNT(CASEWHEN季度销售额>100万THEN1END)=4。D.为每个季度创建子查询，然后进行多表连接。答案：C6.在PowerBI或Tableau中，要创建一个能够展示不同年份、不同产品类别销售额对比，并支持向下钻取（如从年到季度到月）的可视化图表，最适合的图表类型是？A.饼图B.散点图C.树状图D.折线图与柱状图组合，并启用日期层次结构答案：D7.对于国企中大量的非结构化文本数据（如公文、客户服务记录）进行分析，以提取主题和情感倾向，通常采用哪种技术？A.关联规则挖掘B.自然语言处理（NLP）C.时间序列分析D.聚类分析答案：B8.在数据预处理阶段，发现“员工年龄”字段中存在值为“-1”和“200”的异常记录。从业务逻辑判断，合理年龄范围为18-65岁。处理此类数据的最佳实践是？A.直接删除包含异常值的整条记录。B.将异常值替换为字段的平均值。C.将异常值标记为缺失值（NULL），然后根据情况使用中位数或基于其他字段的预测值进行填充。D.保留异常值，在分析时可能具有特殊意义。答案：C9.线性回归模型y=βA.会提升模型的预测精度。B.会导致模型参数β的标准误减小，t检验更容易显著。C.会导致模型参数β的估计值变得不稳定，难以解释单个变量的影响。D.对模型没有任何实质性影响。答案：C10.在构建客户细分模型时，由于客户特征变量量纲不同（如年龄18-65，年收入5万-200万），直接使用欧氏距离进行K-Means聚类会产生偏差，应首先进行：A.数据归一化（Normalization）或标准化（Standardization）B.数据离散化C.主成分分析（PCA）D.特征组合答案：A11.A/B测试是互联网企业常用方法，在国企数字化转型中，可用于评估新上线的“智慧采购平台”界面效果。为了保证测试有效性，核心原则是？A.仅对年轻员工使用新界面。B.控制组和实验组的用户应随机分配，且在其他条件上尽可能一致。C.测试时间越长越好。D.实验组用户数量应远多于控制组。答案：B12.时间序列分析中，差分（Differencing）的主要目的是？A.提高序列的波动性。B.使非平稳时间序列变得平稳。C.增加数据的维度。D.消除数据的季节性。答案：B13.在数据治理框架中，确保数据在采集、处理、存储、应用全过程中准确、一致、完整，并符合业务规则的要求，属于哪个核心领域？A.数据标准管理B.数据质量管理C.数据安全管理D.元数据管理答案：B14.使用Python的pandas库进行数据分析，已知DataFrame`df`包含‘date’（日期）、‘department’（部门）、‘revenue’（收入）三列。要计算每个部门最近30天的滚动平均收入，正确的代码片段是？A.`df.groupby('department')['revenue'].rolling(window=30).mean()`B.`df.set_index('date').groupby('department')['revenue'].rolling(window='30D').mean()`C.`df['revenue'].rolling(window=30).mean()`D.`df.groupby('department').rolling(window=30,on='date')['revenue'].mean()`答案：B15.在解释决策树模型的结果时，若要评估每个特征对于预测目标变量（如“项目是否超预算”）的重要性，应查看：A.树的深度B.每个节点的样本数C.特征用于分裂节点所带来的不纯度减少的总量（如基尼不纯度或信息增益）D.叶子节点的值答案：C二、多项选择题（共5题，每题4分，共20分。全部选对得满分，少选得部分分，错选不得分）1.以下哪些场景属于典型的描述性分析（DescriptiveAnalytics）在国企BI中的应用？（）A.生成上月集团各子公司利润对比仪表盘。B.预测下季度原材料价格走势。C.分析近三年客户投诉的主要原因分布。D.基于历史数据优化库存水平，给出建议采购量。E.报告本年截至目前为止的安全生产事故次数及类型统计。答案：A,C,E2.关于数据湖与数据仓库的区别，以下描述正确的有？（）A.数据湖通常存储原始、未加工的数据，包括结构化和非结构化数据；数据仓库存储的是清洗、转换后的结构化数据。B.数据湖采用“写入型模式”（Schema-on-Write）；数据仓库采用“读取型模式”（Schema-on-Read）。C.数据湖更适合用于探索性数据分析、机器学习；数据仓库更适合用于固定的商业报表和OLAP分析。D.数据湖的用户主要是数据科学家和工程师；数据仓库的用户主要是业务分析师和决策者。E.两者在技术架构上完全独立，无法共存于一个企业数据平台。答案：A,C,D3.在构建一个预测性维护模型（如预测设备故障）时，可能涉及到的数据挖掘和机器学习方法包括？（）A.逻辑回归（用于预测故障概率）B.生存分析（用于预测故障时间）C.关联规则（用于发现故障与工况参数的关联）D.异常检测（用于识别设备运行状态的异常点）E.K近邻算法（用于基于历史相似设备状态进行分类）答案：A,B,C,D,E4.为确保BI报表的数据安全，防止敏感信息泄露（如员工薪酬、未公开财务数据），可以采取的措施有？（）A.实施行级权限控制（RLS），使用户只能看到其权限范围内的数据。B.对敏感字段进行数据脱敏或加密存储。C.建立报表访问审计日志，追踪所有数据访问行为。D.所有报表数据都设置为公开可读，以提高透明度。E.在ETL过程中，对敏感数据使用哈希函数进行不可逆加密，但保留关联性。答案：A,B,C,E5.关于SQL优化以提高大数据量查询性能，以下哪些做法通常是有效的？（）A.在WHERE子句和JOIN条件涉及的字段上建立合适的索引。B.尽量避免在WHERE子句中对字段进行函数操作（如`WHEREYEAR(date)=2025`）。C.使用`SELECT*`查询所有字段，以避免字段遗漏。D.将大的复杂查询拆分为多个临时表或CTE（公用表表达式），分步处理。E.在多表关联时，优先过滤掉不需要的数据行，再进行连接。答案：A,B,D,E三、填空题（共10空，每空2分，共20分）1.在数据仓库的星型模式中，位于中心的是______表，周围连接的是多个______表。答案：事实；维度2.衡量数据质量的六个核心维度通常包括：准确性、完整性、一致性、______、______和时效性。答案：唯一性；有效性（或“规范性”，顺序可调）3.在假设检验中，我们通常会设定一个显著性水平α（如0.05），它代表了拒绝______假设时可能犯错的概率，即______错误的最大允许概率。答案：原；第一类（或I型）4.主成分分析（PCA）是一种______技术，其目的是在尽可能保留原始数据信息的前提下，将高维数据降维到低维空间，新的变量称为主成分，它们是原始变量的______组合。答案：降维（或特征提取）；线性5.在时间序列预测模型ARIMA(p,d,q)中，参数p代表______阶数，d代表______阶数，q代表移动平均阶数。答案：自回归；差分四、简答题（共4题，每题10分，共40分）1.请简述在国企BI项目中，数据治理的主要内容和意义。答案：主要内容包括：（1）数据质量管理：制定数据质量标准，监控、评估和提升数据质量。（2）数据标准管理：定义业务术语、数据模型、编码规则等统一标准。（3）元数据管理：管理描述数据的数据，包括业务元数据、技术元数据、操作元数据，实现数据血缘追踪和影响分析。（4）数据安全管理：制定数据分类分级策略，实施访问控制、加密、脱敏等安全措施。（5）数据生命周期管理：规定数据从创建、存储、使用到归档、销毁的全过程管理策略。意义：确保企业数据的准确性、一致性、安全性和可用性，为BI和分析提供可信的数据基础；降低数据理解和使用的成本；提升数据资产价值，支撑数据驱动的决策和业务创新；满足外部法规（如《数据安全法》）的合规要求。2.现有一个销售数据表`sales`，字段包括：`sale_id`（销售单号），`sale_date`（销售日期），`product_id`（产品ID），`quantity`（销售数量），`unit_price`（单价）。请写出SQL语句，计算“2025年第二季度（4月-6月）每个产品的总销售额，并按总销售额从高到低排序，仅显示前10名”。答案：```sqlSELECTproduct_id,SUM(quantity*unit_price)AStotal_sales_amountFROMsalesWHEREsale_date>='2025-04-01'ANDsale_date<='2025-06-30'GROUPBYproduct_idORDERBYtotal_sales_amountDESCLIMIT10;```（注：日期范围判断也可用`BETWEEN`或`YEAR(sale_date)=2025ANDMONTH(sale_date)IN(4,5,6)`，`LIMIT`在某些数据库中用`TOP`或`ROWNUM`）3.解释什么是过拟合（Overfitting），并列举三种在机器学习模型中防止或减轻过拟合的常用方法。答案：过拟合是指模型在训练数据上表现非常好（误差很小），但在未见过的测试数据或新数据上表现显著下降的现象。模型过于复杂，学习了训练数据中的噪声和偶然规律，导致泛化能力差。防止或减轻过拟合的方法：（1）增加训练数据量。（2）使用正则化技术，如在损失函数中加入L1(Lasso)或L2(Ridge)正则化项，惩罚过大的模型参数。（3）简化模型复杂度，如减少决策树的深度、神经网络的层数或神经元数量。（4）使用交叉验证来评估模型泛化能力并选择合适参数。（5）集成学习方法，如随机森林（通过Bagging减少方差）。（6）对于神经网络，可以使用Dropout技术。（答出任意三种即可）4.在BI可视化设计原则中，“图表垃圾”（Chartjunk）是指什么？请举例说明，并阐述如何避免。答案：“图表垃圾”是指图表中所有非必要、冗余、干扰数据信息传达的视觉元素。它不仅不能提供有效信息，反而会分散读者注意力，增加认知负担，甚至误导解读。举例：（1）过度使用3D效果，使柱状图或饼图难以准确比较。（2）不必要的背景图片、阴影、渐变填充。（3）过于密集和花哨的网格线、边框。（4）滥用爆炸式切片、夸张的动画效果。（5）使用与数据无关的装饰性图标。如何避免：（1）遵循“数据墨水比最大化”原则，即图表中每一滴墨水都应用于传达数据信息。（2）简化设计，移除所有非数据元素和冗余的数据元素。（3）谨慎使用颜色，确保其有明确的信息编码意义（如区分类别、表示数值大小）。（4）选择合适的图表类型，确保能清晰、准确地呈现数据关系和模式。（5）保持视觉一致性，便于读者理解和比较。五、综合应用题（共2题，第1题20分，第2题30分，共50分）1.报表需求分析与SQL实现（20分）背景：某大型国企人力资源部门希望分析员工培训效果。现有三张数据表：`employee`（员工表）：`emp_id`（员工编号），`dept_id`（部门编号），`hire_date`（入职日期），`job_level`（职级，1-5级）。`training`（培训课程表）：`course_id`（课程ID），`course_name`（课程名称），`hours`（课时），`category`（类别，如‘技术’、‘管理’）。`training_record`（培训记录表）：`record_id`（记录ID），`emp_id`，`course_id`，`score`（考核成绩，0-100分），`complete_date`（完成日期）。（1）2025年度，每个部门员工参与培训的平均课时数。（2）2025年度，每个培训类别（category）下，员工考核成绩的平均分及合格率（成绩≥60分为合格）。问题：（1）请根据上述需求，设计并写出计算这两个指标的SQL查询语句。（12分）（2）假设在运行查询时，发现`training_record`表中`complete_date`字段存在少量记录为NULL（表示课程未完成），`score`字段也存在NULL（表示未考核）。你的SQL语句应如何妥善处理这些NULL值，以确保计算结果的准确性？请在你的查询中体现或说明。（8分）答案：（1）SQL查询语句设计：```sql需求（1）：2025年度，每个部门员工参与培训的平均课时数假设：平均课时数=该部门员工在2025年完成的所有培训课程总课时/该部门在2025年有培训记录的员工人数（去重）SELECTe.dept_id,SUM(t.hours)AStotal_training_hours,COUNT(DISTINCTe.emp_id)AStrained_employee_count,ROUND(SUM(t.hours)*1.0/COUNT(DISTINCTe.emp_id),2)ASavg_hours_per_employeeFROMtraining_recordtrINNERJOINemployeeeONtr.emp_id=e.emp_idINNERJOINtrainingtONtr.course_id=t.course_idWHEREtrplete_dateISNOTNULL--仅考虑已完成的培训ANDYEAR(trplete_date)=2025GROUPBYe.dept_idORDERBYe.dept_id;需求（2）：2025年度，每个培训类别下，员工考核成绩的平均分及合格率SELECTt.category,COUNT(tr.record_id)AStotal_records,--总考核记录数AVG(tr.score)ASavg_score,--平均成绩（自动忽略NULL）SUM(CASEWHENtr.score>=60THEN1ELSE0END)ASpass_count,ROUND(SUM(CASEWHENtr.score>=60THEN1ELSE0END)*100.0/COUNT(tr.score),2)ASpass_rate_percentage--合格率，基于有成绩的记录计算FROMtraining_recordtrINNERJOINtrainingtONtr.course_id=t.course_idWHEREtrplete_dateISNOTNULLANDYEAR(trplete_date)=2025ANDtr.scoreISNOTNULL--仅统计有考核成绩的记录GROUPBYt.categoryORDERBYt.category;```（2）NULL值处理说明：对于需求（1）“平均课时数”：`training_recordplete_date`为NULL的记录表示培训未完成，不应计入培训效果统计。因此在WHERE子句中明确添加`trplete_dateISNOTNULL`条件进行过滤。`score`字段在此需求中无关。对于需求（2）“平均分及合格率”：除了需要`complete_date`不为NULL，还需要`score`不为NULL，因为NULL成绩无法参与平均分计算，也无法判断是否合格。因此在WHERE子句中添加`tr.scoreISNOTNULL`。在计算合格率时，分母使用`COUNT(tr.score)`而非`COUNT(*)`，确保分母与分子（通过CASEWHEN计算）的统计口径一致，都是针对有成绩的记录。`AVG()`函数会自动忽略NULL值。2.业务场景建模与数据分析（30分）背景：某能源国企拥有多个大型发电厂，计划构建一个BI分析系统，用于监控和优化发电厂的运营效率。其中一个核心分析主题是“设备能效分析与预测”。数据：已收集到某电厂一台关键发电机组过去一年的运行数据，采样频率为每小时一次。主要字段包括：`timestamp`（时间戳）`power_output`（实际发电功率，MW）`fuel_input`（燃料消耗量，吨标准煤/小时）`steam_pressure`（主蒸汽压力，MPa）`cooling_water_temp`（冷却水温度，℃）`ambient_temp`（环境温度，℃）`equipment_status`（设备状态，如‘正常运行’，‘降负荷运行’，‘停机检修’）业务目标：1.能效评估：计算并监控发电机组的“发电煤耗率”（每发一度电消耗的标准煤克数），这是衡量能效的核心指标。公式：发电煤耗率g/kWh=燃料消耗量2.能效预测与因素分析：管理者希望了解哪些运行参数（如主蒸汽压力、冷却水温度、环境温度）对发电煤耗率有显著影响，并希望能基于这些参数预测未来的煤耗率，从而进行运行优化。问题：（1）指标计算与可视化（10分）：请根据上述数据与公式，写出计算每小时“发电煤耗率”的具体步骤或SQL/Python伪代码。为了直观展示能效变化，你会选择哪种类型的时间序列图表来展示“发电煤耗率”随时间的变化趋势？并说明理由。（2）预测模型构建（12分）：为了分析运行参数对煤耗率的影响并进行预测，你计划建立一个回归模型。a.你会选择哪种或哪几种回归模型？请说明理由。b.在构建模型前，需要对数据和变量进行哪些必要的预处理和检查？c.如何评估你所构建的回归模型的预测性能？请列出至少两个评估指标并解释其含义。（3）深度分析与建议（8分）：假设你的回归模型结果显示，“环境温度”和“冷却水温度”与“发电煤耗率”呈显著的负相关（即温度越高，煤耗率越低），而“主蒸汽压力”与煤耗率呈正相关。从发电厂热力学的物理原理角度，尝试解释“环境温度”呈负相关可能的原因。基于你的分析，可以向电厂运营人员提出哪些具体的优化建议？答案：（1）指标计算与可视化：计算步骤/SQL伪代码：```sql假设原始数据表为plant_operationSELECTtimestamp,power_output,--MWfuel_input,--吨标准煤/小时计算发电煤耗率(g/kWh)(fuel_input*1000000)/(power_output*1000*1)AScoal_consumption_rate_g_per_kwh燃料消耗量(克)=fuel_input*10^6发电量(kWh)=功率(MW)*1000(转换为kW)*时间(1小时)FROMplant_operationWHEREequipment_status='正常运行';--通常只分析正常运行状态下的能效```Python(pandas)伪代码：```pythondf['coal_rate']=(df['fuel_input']*1e6)/(df['power_output']*1000)```可视化选择：我会选择折线图来展示“发电煤耗率”随时间的变化趋势。理由：折线图是展示时间序列数据连续变化趋势最直观、最有效的图表类型。它能清晰显示煤耗率随时间（小时点）的波动、周期性（如日周期、季节周期）以及长期趋势（如设备老化导致的能效缓慢下降），便于运营人员快速捕捉异常点（如煤耗率突然飙升）和规律。（2）预测模型构建：a.模型选择及理由：多元线性回归：假设因变量（煤耗率）与多个自变量（蒸汽压力、水温、环境温度等）之间存在线性关系，模型简单、可解释性强，可以明确给出每个运行参数对煤耗率的影响系数（正负和大小）。这是首选的基准模型。岭回归（Ridge）或套索回归（Lasso）：如果自变量之间存在较强的多重共线性（如不同温度参数可能相关），使用这些带正则化的线性回归变体可以防止过拟合，提高模型稳定性。Lasso还能进行特征选择。决策树回归或随机森林回归：如果变量间存在复杂的非线性关系，树模型可以自动捕捉这些关系，且