数分面试题到底能不能面出真实水平​ ？

数据分析师面试题到底能不能看出水平？

我的观点：能

 

我从一般的看涨看跌来说起，比如同比增长50%、环比下降60%，复合增长率仅为3%等等，这些都不陌生吧，都是大家常见的典型问题

 

这些为什么是典型的问题呢？增速或者减速的程度超出或者跌出了预期，当预期与实际有差异时，大脑的第一反应，这就是问题，但这真是的问题吗？这里给大家思考几秒，再继续读下去

 

我拿网上的一个面试题来大家做一个解析：

 

某日某APP的DAU下降了20%？

 

相信很多人都看过这个题的答案，也有一些博主用这个场景来作为数据分析师的工作场景（假设-验证）过程，当然要拿那些答案去应付要求不高的JD是没有问题的，但是要用这个题的答案拿高薪，那我就要给那些答案打个问号了？我解析一下我的思考过程：

首先是判断这是不是问题，四大角度：

1、DAU的定义是什么？也就是大家常说的这个指标计算的口径是什么样子的？

2、数据的可信度，这组数据来自哪里？大家都知道企业的数据库是很多的，而且之间的关系很复杂，是KPI级别的还是运营级别的，界定是不一样的

3、数据的真实性如何？这点很多人忽视了，比如别人拿了一个欠条，说你欠他钱了，你会做什么？我和核实这个的信息的准确程度，而不是你说什么就是什么

4、和谁比下降了？比的标准直接会决定你分析的方向

 

那回到我们的话题，某日某APP的DAU下降了20%？先要做DAU的定义，这个是DAU的界定是第一步

DAU是指一个用户启动一次APP算一个DAU与APP启动一次并停留3分钟以上算一个，分析的复杂程度是不一样的，直接会影响你后面的分析思维，一个是单一的行为分析，一个是行为+质量的综合分析，还有几个指标同时约束的定义，约束条件越多，问题分析的复杂程度越高，思维的要求也会越复杂。

第二步：这个数据来源是哪里？是来自我们日常的分析报告还是高层的汇报资料呢？这决定着这个数据的可信度到底如何？都很清楚，高层每天都要看各种报告，而且报告取数的地方都可能不同，难免会给看报告的负责人造成一定的假象。

 

第三步：数据的真实性，有几种常见的假设，1、假设数据的传输没有丢包现象：2、假设数据ETL的逻辑没有错误：3、假设最终数据计算的逻辑没有错误；4、假设最近没有实验测试：5、假设没有版本的变更；6、假设统计周期内没有宕机的情况等等

第四步，和谁比下降了？以上三步都搞清楚了，接下来就要看和谁比，和去年同期比，那分析的核心可能会是看去年与今年各类维度的多指标分析，和竞争对手比，那分析的核心可能更多是竞争对手的运营策略

当以上问题都搞清楚时，我们才明白了第一步，这是不是一个问题

其次判断问题的严重性，2个方向

当问题出现时，判断问题的严重性，对分析师来讲至关重要，这可能会影响你的分析框架和分析的周期、以及要对此付出的时间。

1、静态值比对，也就是我们常说的环比、同比，这个只是通过简单的比对得出的问题，那其实和分子、分母当时的业务环境有很大的关系，那就要找出一个极值来判断问题的严重性，比如本次下降20%，历史上我们最大值是下降10%或15%，问题的严重性是不一样的，也可以用竞争对手的幅度来作为基准。

2、动态值比对，很典型的就是复合增长、连续几天下降，这个与时间的周期有很大关系，一般来看统计周期的时间越久，问题的严重程度越高，比如连续3天下降与连续10天下降，问题的严重程度不一样的。

最后，把握好2个度

当你搞清楚了问题，并知道问题的严重程度时，面试官想要的分析框架也是不同的，框架不同，那薪水的定价自然不一样。

1、广度

框架，结构化思维，这个能帮助你做什么？比如我们要分析DAU下降的问题的，其实会有很多假设的，比如围绕APP来看，把APP当初一个指标，那切分的维度很有很多，对吧，这是分析师的基本要求，分时间、分城市、分用户类型等

做发散思维，这都是人类的强项，比如一件事情如果出了问题，我们通常会有N个理由来捍卫自己的利益，发散的好处就是让我们一定程度能够做到没有遗漏，但做不到彼此之间独立的归纳

比如围绕DAU有很多因素的影响，那你如何思考这些因素呢？这些因素在你的框架中是什么问题，能用“人话”说清楚吗？这时候我们日常学习的方法论就可以用上了，比如PEST、AAARRR、4P、5W2H等，其实简单来讲就是给你发散的思维要有一个约束的条件或者起点（对新手来讲作为起点更好用，对老手来讲是约束条件），这样发散+约束=好的框架

还有几个方式，比如按照用户的行为逻辑来思考、按照部门架构（市场、运营、产品、开发），按照商业元素（用户、产品、运营）等等

那其实面试的时候，这个属于你业务的广度，考量你对这个业务分析的宏观的思维过程，这个广度就需要你了解APP各个环节可能出现的问题，并对此进行假设，而这种假设要给它套一个约束条件，那就是我们常说的方法论，这样的好处就是你把你的分析思维做成了一种标准化商业化的话术。这个看着简单，但要在面试的时候快速的输出，还是要有大量的刻意训练的，冰冻三尺非一日之寒。

2、深度：

所谓的深度就是要找你熟悉的一个领域去引导，但实际中情况要复杂的多，可能多个方向综合对比后给出答案，毕竟是面试，一般人的引导有几个方向：

第一步假设：

假设新增用户表现好，是因为存量用户的疲劳造成？

假设是某些渠道带来的用户质量不高造成？

假设某个地区出现了竞争对手造成？

第二步：切入点

用户切入：新增VS存量

渠道切入：导航VS搜索引擎VS联盟VS商城

区域切入：省市区

第三步：验证假设，找出主要原因，做几个模拟的结论场景

1、发现了新增用户有问题，主要是新增用户减少导致，然后通过渠道分析得出是搜索引擎带来的新用户减少了X%，明显大于其他渠道，再分区来看，是某一地区出现竞争对手购买我们的关键字导致。

2、分析发现新增用户的增速虽高，但用户的质量却很低，进一步分析新增用户来源得知，某渠道来的用户质量相比平均值低X%。

3、存量用户的问题，存量用户对我们近期APP的运营策略感到不适，第一是变现意图太明显（广告增多），第二是无效信息推送过多（不是用户喜欢的）。

4、安卓系统升级导致，之前只要用户选择联网时，后台默认打开我们的APP，现在安卓系统升级，必须手动操作设置才可以自动打开

第四步：在模拟场景中找一个适合秀你的深度逻辑的场景开始

那2举例吧，我们第一步的假设得到了验证，是某渠道来的用户质量造成的，那接下来继续假设

1、渠道有问题，比如刷量、造假数据

2、渠道没问题，渠道的用户画像和我们产品的画像不相符，差异太大

3、渠道没问题，边际效用可能存在差异

......

边际效用这个可能大家不太好理解，可以理解为DAU指数是一个渠道衡量的指数，它与DAU高度相关，而这个指数是要根据用户的多种行为数据来综合加权计算，比如用户落地页面的浏览量、停留时长、回访、下载到开启APP的间隔时长等等，也可以描述一下你用的方法，比如因子、主成分、主观权重、AHP等

那这里面其实还延伸出你的几个认识领域，作弊分析、用户画像、综合评价

之后要做的就是重复以上的流程，直到整个问题从业务上能说通，从数据上有差异，有思路上有承接关系。

要是面试的话，没这么复杂，其实顺着一条线串下来就可以完美的解答，要想办法在你的思路中体现二个方面实力，1、你了解的领域很多，做过很多相关的主题；2、你善于用高级的分析方法解决现实问题；

实际中要复杂的多，要做好这个专题，那还是需要很多功底的，靠网上那些攻略是远远不够的。问题可深可浅、框架可大可小、方法可易可难，我们常说的数据分析入门容易，深入难就是这个原因，很难说那个好，也很难说那个不好，唯一的衡量就是你老板对你是否满意，年年给你加薪升职吗？真正差异会体现在3年以上，开始不开窍，以后开窍就可能来不及了，年龄不允许....一定想办法找个前辈带带你，会省很多路。

最后总结一下，先四大角度看“问题”，再2个方向判断问题严重性，最后把握好2个度去分析问题。注意做好，框架大而全，要说人话，分析有深度，围绕业务流程。

End

    销量下降，到底应该怎么分析？！    机器学习万字实战宝典！    数据分析里常用的五个统计学概念
小z微信坑位限时开放后台回复“芝麻开门”即可捕捉号主本人

“Nice!”