业务常见面试题 (数据分析)_数据分析岗位面试问题 偏业务

1.某APP近期上线了一个拉新活动，并在各个渠道进行了推广投放，活动结束后，作为数据分析师，你如何评估这场活动的效果？

①活动关键核心指标达成情况，比如拉新多少用户，达成多少GMV？ROI如何？

②活动关键流程是什么？以及各个流程的漏斗分析（留存，流失率分别是多少），可能的原因有哪些

③活动在哪些渠道推送？活动推送给哪些用户？用户画像是啥样的？各渠道用户的质量/ROI如何？

④活动玩法的裂变效果如何？利益点是否有吸引力？活动整个过程节奏把控如何，前期预热，中期爆发和尾期是否过短/过长，运营应该在何时进行适当干预

2.什么是漏斗分析？有哪些注意的点？

定义：漏斗分析通常作为一种数据分析工具，主要是衡量应用在各关键路径上的流转情况，从而直观地反映出当前产品阻碍用户继续向下使用的关键节点，从而为后续产品迭代提供数据支撑

最核心的有三点：分解流程，评估转化率和定位问题环节

常见的电商漏斗：首页 - 详情页 - 购物车 - 支付；用户的生命周期AARRR；用户行为周期AIDMA

需要注意的点：①漏斗的各个环节一定是连续的，对应连续的业务流程 ②漏斗的环节不宜过多，一般不超过5个 ③一般以上一环节为基准，计算相邻两个环节的转化率 ④计算每相邻环节的转化率，1 - 转化率即为流失率，但并不意味着转化率最低的环节就是问题环节 ⑤漏斗可以结合其他维度看，看不同维度下的漏斗差异，进而判断是哪个因素导致了问题的出现

3.你是怎么理解数据分析的，流程如何

数据分析是基于对业务的理解，发现业务中的问题或潜在增长点，形成分析思路，并利用数据分析工具进行分析，给出结论和解决方案，并协调各方推动方案落地，解决问题，回到业务中去的完整闭环

主要流程：观察现状 → 留意变化 → 多位交叉分析 → 预测趋势 → 生成策略 → 推动落地 → 复盘效果

4.你认为数据分析的价值如何体现？

数据分析不是数据统计，不能仅仅停留在输出一份数据报告

要给出结论，讲清楚数据背后的业务含义，数字的大小正负说明业务是好还是坏

明确数字背后的业务含义外，还要给出背后的原因：好的方面是否可以复用拓展，坏的方面原因是什么，应对方案是什么

要把方案推动落地到业务执行中，并且跟进执行的效果和复盘，螺旋上升，不断迭代优化

5.指标的异常波动变化（例如日活下跌）如何分析？

①首先对以下内容进行确定

确定数量来源是否可靠

确定指标的计算口径是否一致

确定是否是市场的整体趋势

②其次可以从以下角度进行分析

描述性统计：下跌了多少

观察变化：同比下跌多少，环比下跌多少

评估变化/方差分析：跌幅是否在合理范围

交叉分析/相关性分析：对指标进行拆解，有哪些指标可能和日活下跌有关系，有关系到什么程度

业务分析：这些指标的运营部分，是否有某些运营策略或者活动造成了这些指标的变化，间接导致日活下跌

回归分析/预测：还会跌几天？跌幅最坏到什么程度

风险/损失评估：日活下跌对产品的核心KPI有什么影响

制定策略：如何挽回损失/下次如何避免

6.注册类和活跃类指标，你会看哪个？

不同时期关注的指标不同，应区别对待

产品初期：关注产品的快速增长，会重点关注注册类指标

产品成熟期：关注用户的使用粘性，深度等，会重点关注留存和活跃类指标

7.估算一个某品牌门店的销售额

利用“二八原则”拆分，该门店主要以饮品为主，饮品主要以咖啡为主

①从需求端估算

CBD一共有多少人

喝咖啡的比例

每人每天喝几杯

②从供给端估算

忙时供给：忙时每小时多少杯，一天多少忙时

闲时供给：闲时每小时多少杯，一天多少闲时

8.你理解的数据指标是什么？指标口径是什么？

数据指标：有别于传统意义上的数据指标，它是通过对数据进行分析得到的一个汇总结果，是将业务单元精分和量化后的度量值，使得业务目标可描述，可度量，可拆解

数据指标需要对业务需求进行进一步抽象，通过埋点进行数据采集，设计一套计算规则，并通过BI和数据可视化呈现，最终能够解释用户行为变化及业务变化

数据指标一般与维度一起联合分析，从不同维度看同一个指标可能会有差异和业务上的发现

指标口径：举个简单的例子，很多企业会根据自身特点对“活跃用户数”有不同的定义，例如每日登录用户数（过滤掉匿名用户）即为活跃用户数；每日在线时长超过5分钟的用户数（过滤掉低质量用户）即为活跃用户数；每日访问页面超过5个的用户数（过滤掉低质量用户）即为活跃用户数

9.指标和维度的区别和联系

指标：用于定量评估业务好坏程度而建立

维度：描述指标的角度，可以理解为看问题的方面

唯独不能独立存在，一般都是搭配着指标一起分析，可以分析不同维度下的同一指标，也可以多个维度交叉，分析某一个指标，可能会有一些业务上的发现

10.你理解的指标是什么？有哪些组成部分？

指标是有业务含义的，体现业务变化的，不是瞎拍出来的。指标是复杂的，是有特定业务场景的

指标口径：指标的定义，业务定义比如活跃用户数，打开APP的用户数，指标一般与维度一起联合分析，从不同的维度看同一个指标可能会有差异和业务上的发现。同一个指标可能会被应用与不同业务，需要注意保证指标口径的统一，避免造成指标的歧义和误解

11.什么是指标体系，如何建立？

定义：一个指标不能叫体系，多个不相关的指标也不能叫体系，一个指标体系是多个相关的指标有机结合起来，具有严格的逻辑和分层体系

建立方法：①根据业务特点和生命周期选择第一关键指标或者叫北极星指标 ②贴合业务需求将第一关键指标进行逐层拆解，可以按流程拆，按时间区域拆，按公式加减乘除拆等 ③从上至下，从顶层战略或从KPI拆解 ④从下至上，叶子指标向上汇总成整体指标

12.如果要预测下个月的淘宝销量情况，你将如何进行分析？

收集数据：收集历史数据，汇总近几年每个月的销量

数据分析：观察数据分布结构

选用模型：选取合适的模型进行预测，比如，如果数据是线性增长，那么选用线性模型，如果数据表现不仅存在线性增长，还存在季节性因素，那么选用更复杂的模型，比如，时间序列相关的模型

效果评估：结合历史数据，评估模型预测的准确性。模型效果表现良好，那么可以结合模型给出下个月的淘宝销量，如果模型效果变现较差，返回第二步

13.一些商家为了提高商品的曝光量和排名，常常会进行刷单冲销量买好评，作为平台如何识别刷单呢？

流量方面：一般来说，A商品在刷单之前搜索排名会比较靠后，刷单用户在购买A商品时，只点击查看该商品，甚至存在秒拍的情况。用户下单前没有对比同个同款商品

成交方面：流量访问的转化率异常，因为刷单比例较高，故访问了该商品且转换的订单数占比会很高，在数据上的表现即为转化率异常高；商品成交量异常，刷单商品普遍在刷单之前成交量较低，故刷单之后，商品成交量可能会出现暴增

物流方面：一般来说，电商内部的物流订单号是唯一的，即不会重复，刷单商家为了节约成本，可能会重复利用同一个快递订单号；同时如若刷单，商家所发快递物品可能非真实原物，且会虚假发货，可从商品重量，件数预估物流运费，物流轨迹 + 时间等方面进行甄别

买家方面：建立黑名单库，识别刷单账号；同一个手机设备，不同账号，购买同一商品；对于同一个账号重复购买同一件商品；同一个IP网络地址，不同的手机设备，购买同一个商品

14.某业务部门在上周结束了为期一周的大促，作为业务对口分析师，需要你对活动进行一次评估，你会从哪几个方面进行分析？

不管是微商，电商还是店商，有三大关键要点，分别是人，货，场三个重要的环节

①人（用户）

活跃度：活跃的用户数

转换率：下单的用户数，转换率

成交额：成交总额，人均购买金额，人均购买件数

留存率：大促结束后的留存情况以及后续的成交情况

②货（商品）

曝光的商品数：如果存在大促商品池，那么可看曝光的商品数占比

成交的商品数：统计有成交记录的商品数，及成交商品数占比

商品丰富度：从商品的结构，种类进行分析，不同种类的商品成交曝光情况

商品供应量：分析大促的供需关系，是否存在商品库存情况

商品价格：大促期间商品价格的优惠情况

③场（大促活动）

用户大促活动参与度，，比如大促是否设置小游戏，如天猫盖楼游戏，可以分析游戏的参与度和完成度

漏斗转换，大促活动每一步的漏斗流失和转换情况，指导后续大促活动的设计优化

大促页面的活跃情况

15.GMV提升20%怎么分析？

背景确认：20%提升是指AB实验结果还是日常数据监控类，如果是AB实验，确认试验涉及的方案，如果是日常数据监控类，确认数据计算的业务场景

口径确认：确认数据计算的逻辑，20%中涉及到的指标分别是什么

数据分析：确认绝对提升是多少，比如GMV提升20%，可能绝对提升量为2k。业务场景较小，波动较大

问题分类：确认该问题属于正常波动还是异常类数据问题

16.数据不平衡处理

①定义

通常是指在二分类中，两类数据量悬殊，举个例子，化妆品购买人群中，男性有100人，女性有10000，男女比例严重失衡，称为数据不平衡

②为什么重要？

数据不平衡意味着对少数类别的信息捕捉不充分，刻画的特征缺失，进而导致机器学习算法中，趋向于将测试集预测为多数类别，得到的准确性能降低

③解决方案

A.过抽样

对少数类进行重抽样，至数量与多数类相似

在上述例子中，将男性的100个样本，进行有放回抽样，直至样本数量扩充到10000个为止

优点：简单粗暴，不损失样本量

缺点：导致严重过拟合，模型的泛化性降低

B.欠抽样

对多数类进行删减，直至数量与少数类相似

在上述例子中，对女性的样本进行筛选，从10000个样本中，随机无放回抽取100个样本

优点：简单粗暴

缺点：损失大量有效信息

C.人工合成法（SMOTE）

改良版的过抽样方法

原理：根据现有少数类样本的特征，人工创造更多的少数类样本

SMOTE算法分三步走：

计算距离：以男性的100个样本为基础，计算任意样本Xi与其他99个样本的欧氏距离，得到Xi的neighbors

确定采样倍率Y：Y根据不平衡的比例计算得到。之后，对任意Xi，选取y个neighbors，记其中任意一个neighbors为Xy

创造新样本：Xnew = Xi + rand(0,1) * |Xi - Xy|

17.某一新上线功能，预期提高留存率0.1，实际提高0.05，怎么分析？

确定不是数据异常后，就分析指标下降的原因；确定该数据指标的属性：名称，数值，单位和口径（统计方式，统计范围）

再就是明确问题的描述，指标下降，是什么时间段和什么周期比较

其次定位发生的位置，是谁的销售额变低？不同用户，不同产品，不同渠道来划分

再问题拆解，公式法或业务流程拆解，销售额 = CV * 转化率 * 客单价，CV = 各方面来源的流量（免费和付费）等

确定具体原因后，分析为什么会有这个原因，内部原因：网站改版，产品更新，广告投放；外部原因：采用PEST分析法分析

18.用户流失的分析，老用户的流失和新用户的流失有什么不同？

①用户流失分析

两层模型：细分用户，产品，渠道，看到底是哪里用户流失了，注意由于是用户流失问题，所以这里细分用户时可以细分用户处在生命周期的哪个阶段

指标拆解：用户流失数量=该群体用户数量*流失率。拆解，看是因为到了这阶段的用户数量多了，还是这个用户群体的流失率比较高

内外部分析

内部：新手上手难度大，收费不合理，产品服务出现重大问题，活动质量低，缺少留存手段，用户参与度低等

外部：市场，竞争对手，社会环境，节假日等

②新用户流失和老用户流失有什么不同？

新用户流失：可能是非目标客户，产品不满足需求，难上手，竞品影响；要考虑如何在较少数据支撑下做流失用户识别，提前防止用户流失，并如何对有效的新用户进行挽回

老用户流失：可能是达到生命周期衰退期，低端用户驱逐，满足前期用户需求，竞品影响；老用户产生的消费数据较多，容易识别流失用户，做好防止流失更重要，同时考虑用户生命周期剩余价值，是否需要挽回

19.公司进行了一次活动，需要做评估，从哪些方面着手分析？

①确定促销的目的：拉新？促销活动？还是清库存？

②根据目的确定核心指标

③效果评估：与自身在活动前和活动中比较，与预定目标比，与同期其他活动比，与往期同类活动比

④持续监控：检查活动后情况，避免透支，根据后续数据检验质量

20.深圳有多少理发店？

( 在进行费米问题估算时，需要将很难获得的数据拆分为容易获得的数据

费米问题有专门逻辑套路，一般有需求端，供给端，供需端三个方面

①需求端是从用户需求的角度出发去计算市场的大小，将指标一步步拆解，若还有未知量继续拆解

②供给端是从企业供给能力出发评估企业能够支持多达市场规模

③供需结合，是最简单的方式，分为以小见大和以大见小两个方法 )

广东1.15亿人，深圳1340万人

理发店的服务对象是人，是生活需求，可从城市人口方面预估

理发师总数 = 理发店总数 * 平均每个理发店的理发师人数

平均每个理发店的理发师人数假设为5个

每个理发师每天工作8小时，一个月工作240小时

每个人每个月剪头发一次用一小时

从而每个理发师每个月理发人数 = 240人

即每个理发店每月理发人数 = 240 * 5 = 1200 人

理发店数量 = 1340 万 / 1200 = 1.1 万家左右

21.如果新开一个店，主要关注什么指标？

（可以一边提问，一边回答的方式，梳理一下大致的业务流程，有助于了解整个业务）

新开的店，可以从业务发展的不同阶段思考

既然是新开的店，说明处于业务发展（AARRR模型）的流量获取阶段，我们现阶段的关注点应该是人流量，所以增加到店体验人数为主要目标

初创阶段：要增加到店体验人数，没有历史数据的时候，先进行用户调研，问卷调查，行业研究，竞品分析，找出目标客户的用户画像，精准推广，用户画像关注的用户属性有性别，年龄，省份，行业，是否会员等，常见的行为属性有新/老用户，是否有交易，回访频率，用户来源，会员等级；主要指标有点击率，留资率，到店率，转化率

增长阶段：积累一部分成功案例后，开始重点关注客户体验营销的全流程，推广效果跟踪，售前体验满意度调查，售中流失原因反馈，售后满意度调查。主要指标有：净推荐值，满意度，忠诚度，用户流失率

22.留存率下降如何分析？

以新用户留存率下降为例，从用户，产品，运营侧分析原因

①用户

新用户是否为薅羊毛用户，是否是目标用户

解决办法：根据用户画像判断是否为目标用户，若是，考虑采取调研的方式寻找原因

②产品

产品的新手引导是否体验较差

产品功能是否不吸引用户

解决办法：结合用户在产品上的行为轨迹，从以下数据中发现产品功能是否对新手友好：观测用户在第一次登录时是否使用核心功能，在核心功能上停留的时长等关键指标，根据这些数据做产品功能的迭代改善

③运营

运营活动是否不能吸引用户

解决办法：结合用户画像，用户偏好等在合理的时间推送活动，运营消息，比频繁推送，无差异化推送效果要好得多，通过活动刺激用户，提升用户活跃性和留存率

23.分析数据时发现，其他交易额都增长了，只有男装行业较去年同期下降了20%，你认为可能是什么原因？说明一下你的分析思路过程

①排查是否为真实现象

review数据口径和逻辑，排查该数据是否为真

和竞品比较，是本产品特有，还是行业共有现象

②确认数据表现

拉长时间周期，看往前更长几年的男装交易额是否有类似波动，确认这是一个自然波动现象还是异常情况

是连续下降还是骤然下降，确认时间点

③分析外部原因

国家是否对男装行业有相关政策出台

国际贸易是否对男装有相关限制

人群结构方面，男性群体占比，是否较去年有较大下滑

④分析内部原因

供应链上是否存在大量关停和转型

需求源头上是否存在男性对服装的需求力度较去年降低

站内的品类上，男装品类的sku是否明显减少，站内的扶持力度是否减弱

⑤拆维度分析

交易额 = 交易量 * 交易单位

确认交易量，交易单位下降幅度，定位是在哪一块的缺量

细分整个男装行业不同类别，每个种类与去年相比，定位哪个种类存在大幅度下降

细分不同人群，男装的购买力，是哪类群体存在大幅度下降

24.如何建立某app的指标体系？

运用AARRR增长模型建立指标体系

①用户获取

主要拆分维度是不同渠道，看下哪个渠道效果好

获客价值：新用户注册数，新用户1日，7日...留存，新用户1日，7日消费情况（新用户的发帖，互动情况）

获客花费：CPM，CP从单次点击计费，CPA单次获客花费

渠道转化率：下载总量 / 该渠道曝光总量

②活跃

活跃用户数：DAU日活跃用户数量，MAU月活跃用户数量，DAU / MAU

消费者 - 时长：分不同Tap场景的在线时长（发现页，直播页，附近等）；用户单日app停留总时长

消费者 - 互动：点赞渗透，评论渗透，私聊渗透，千次曝光点赞，千次曝光评论，UV独立访问用户数，PV页面访问量，完播率

创作者 - 发布：发布渗透，当日发布曝光量

③留存

活跃用户/新增用户，留存率1日，7日，30日

流失率：统计周期内登陆app，下一个周期未登录用户的占比

④转化/变现

拆分不同场景（直播，小视频，小游戏等），所对应的付费用户数，付费率，ARPU（人均收入）

⑤传播

邀请率，邀请到接受率，K因子 = 邀请率 * 邀请的接受率

25.如果我们要上线一个新产品，你会怎么分析

分析一件新产品的市场前景

①产品生命周期，尤其是产品的引入期和成长期的分析

②分析产品是不是有典型的需要跨越鸿沟的特性

③可以做价格和需求特性分析 / 市场规模分析

④可以根据现有不同时期的销量来评估产品所处的大致周期

26.举个例子来讲讲你的商业能力

商业能力=商业理解+事实分析能力（主要依靠数据资源）

PAS是一家销售企业管理软件的公司，虽然整个行业欣欣向荣，但是这家公司销售额连续八个季度出现下滑

用结构化思维进行描述性分析，对公司的业务现状和数据情况进行调研，然后使用机器学习技术计算出不同特征对销售业绩的影响到底有多大，再进行预测性分析不同销售员kpi表现。最后处方式分析

其中描述性分析是发生了什么，诊断性分析是为什么会发生，预测性分析是什么可能会发生，处方性分析是该做些什么

27.如果你要售卖一个之前没有卖过的商品，怎么评估这个商品是否有市场

28.异常值检测

原因：

①数据来源于不同的类:某个数据对象可能不同于其他数据对象（异常），因为它属于一个不同的类型。离群点定义：离群点是一个观测值，它与其他观测值的差别如此之大，以至于怀疑它是由不同的机制产生的

②自然变异：许多数据集可以用一个统计分布建模，如正态分布建模，其中数据对象的概率随对象到分布中心距离的增加而急剧减少。换言之，大部分数据对象靠近中心（平均对象），数据对象显著的不同于这个平均对象的似然性很小

③数据测量和收集误差：数据收集和测量过程中的误差是另一个异常源。剔除这个异常是数据预处理的关注点

方法：

①基于模型的技术：许多异常检测技术首先建立一个数据模型。异常是那些同模型不能完美拟合的对象

②基于邻近度的技术：通常可以在对象之间定义邻近性度量，并且许多移仓检测方法都基于邻近度。异常对象是那些远离大部分其他对象的对象。这一领域的许多技术都基于距离，称作基于距离的离群点检测技术

③基于密度的技术：对象的密度估计可以相对直接的计算，特别是当对象之间存在邻近度度量时，低密度区域中的对象相对远离近邻，可能被看做异常

29.从提升视频号的当日留存时间，次日留存，三日留存，新用户转化率等指标出发，设计一系列针对推送不同内容给用户的实验，并通过实验验证指标是否有所增长

这个问题应该是需要考察如何科学合理去测试ab实验，包括如何选取用户，如何分组保证每个分组用户之间没有差异。另外我觉得可能要考察到的是一个漏斗图，通过漏斗图去看用户的一个行为流，设计漏斗中要看的相应指标，包括转化率还有次数这些，帮助业务找到漏斗中的问题，从而去提高留存率

用户的分层可以考虑：

年龄

按注册视频号的时间

按区域区划分

随机抽样分组

30.怎么评估一次活动的收益

一般会评价一个活动的效益，即收入与花费的比较，这就需要从各个角度去统计花费与支出，比如物料，人力，广告等，销售类的收益比较好评估。既然您说的是收益，一般可以从品牌影响力扩大，销售收入，股价收益等方面进行估计和汇总判断

31.一个网站销售额变低，从哪几个方面考量？

①首先要定位到现象真正发生的位置，到底是谁的销售额变低了，这里划分的维度有：

用户（画像，来源地区，新老，渠道等）

产品或栏目

访问时段

②定位到发生未知后，进行问题拆解，关注目标群体中哪个指标下降导致网站销售额下降：

销售额=入站流量*下单率*客单价

入站流量=∑各来源流量*转化率

下单率=页面访问量*转化率

客单价=商品数量*商品价格

③确定问题源头后，对问题原因进行分析，如采用内外部框架

内部：网站改版，产品更新，广告投放

外部：用户偏好变化，媒体新闻，经济环境，竞品行为等

32.当你手上已经有制作好的数据分析报好（数据分析师主导的专题分析后）如何与你的业务方沟通，推动他们去执行落地？如果在推动过程中他们不配合你怎么办？

首先告诉业务方，这次的数据分析报告目的是什么，通过分析之后我们发现了哪些问题，那么针对这些问题，我们提供了那些解决方案

如果推动过程中对方并不配合，得先搞清楚，对方不配合的原因是什么，是因为觉得数据不准确还是因为提供的方案不切实际无法落地

针对业务方觉得数据不准确的情况，目前想到以下两种方案

①在制作分析报告之前，先跟业务方做个兜底，告诉对方我们这会儿有事，将会有哪些维度指标的分析，口径是什么，提前告知

②另一种就是提前没有预先通知业务方的情况下，分析报告已经开展了，对方对你的数据存在疑问，那么首先必须保证自己的计算口径是合理的，没有问题的，可以把我们的数据口径告诉对方，跟对方核对，业务方是否也是这么算的？如果不是且我们的计算口径合理的情况下，跟业务方讲明为什么我们的口径合理（部分情况是因为业务方的计算口径对业务方自身更有利）

针对方案不切实际无法落地的情况，目前想到以下方案：

首先是方案确实能够推动业务增长的情况下，是什么原因无法落地？成本问题？人力问题？还是有其他因素，这还是一个沟通的过程，通过后期的沟通去了解情况

33.短视频平台会吸引许多品牌商或者是其他的一些平台过来合作，对于品牌商而言，如何判断采用这个渠道是有效的呢？对于平台而言，关注或监控哪些点可以帮助平台吸引到更多的品牌商呢？

对于品牌商它核心关注带货量，指这些不同的平台可以给他们带来多大的曝光和销售量

对于平台，就是很简单的，他能给平台带来多少曝光，这个就够吸引了

总得就是：他们双方都是在控制各自ROI的基础上，看各自的品牌（平台）体量，客户（用户）特征，出身等各因素match找到最大化的各自渠道价值

34.ABC公司主营在网上卖床垫，我们发现12月份比11月份购买床垫的顾客数量下降了10%，怎么回事？

我打算从这几个方面分析原因。首先，今年12月和去年同期相比是否正常？整体行业是否处于下降，排除外部原因后，我会先对销售的环节进行切分，找出下降的原因：是否网站访客数量下降？是否购物车用户数量下降？假设我们法案购物车数量下降，我会接下来对这部分用户根据地区，使用年龄，所购商品进行再次切分，找出下降尤为严重的客户群体

床垫问题参考答案：

我们把它写成一个等式：

商品购买人数=网站访问人数*搜索商品的比例*点击商品页面的比例*将商品放入购物车的比例*点击下单的比例

我把购买人数这个指标进行如此分解，基于这个分解我可以通过观测该公式每一项来分析，在我们用户转化这个流程里，到底是哪个环节导致了购买用户数量的降低

点击下单人数=地区A购买人数+地区B购买人数

所以你会进一步对用户群体按地区进行切分，看看是哪个地区对整体点击比例下降的贡献最大。类似的，你还可以做进一步切割：

点击下单人数=从未购买的用户人数+经常购买的顾客人数

点击下单人数=购买行军床的用户人数-购买席梦思的用户人数

35.公司最近一周的销售额下降了，请分析原因

我认为主要有两个方面的原因：一个是内部原因，一个是外部原因

首先考虑内部原因：

主要从影响销售额的因素去分析：

①比如是单价下降了还是数量下降了，还是单价和数量都下降了，这是从直接影响的角度去分析

②其次，还有可能是转化方面的原因，所以回去看一下前置性的因素，比如一个电商的销售额下降，可以去看看是不是激活下降了，再往前，可以看看自己的app排名是否下降了

③此外，还有一个思路就是下钻，大致分为两个，一个是时间上的下钻，一个是空间上的下钻。时间上的下钻：去看每一天的销售额是否有异常，是突然下降还是持续下降。空间上的下钻：去看具体那个地区的销售额出现了下降，哪个品类的销售额出现了下降，哪个人群（新用户，老用户）的销售额出现了下降

然后考虑外部原因

主要分为竞争对手和政策性的原因。比如竞争对手在搞促销活动，可定会吸引一部分用户过去，比如亚马逊图书搞活动，会导致京东图书的销售额下降，政策性原因：这个很好理解，比如最近贸易战，出于避险情绪，股票的价格突然下挫

36.用户流失的原因有哪些？（三个月未下单叫做流失）

针对这种具体的业务场景要明确出KPI（关键绩效指标），一个业务如果没有KPI那是没有办法去衡量和提升的，明确KPI后，再去对KPI进行指标拆解，比如电商中我们的KPI是订单转化率，那我们就可以拆解到他下面的小指标，比如提单量，购物车放弃量等我们再来看这个问题本身，在写问题时，对于该企业的用户流失产生了疑问：3个月未下单的用户叫做流失？这时对于该公司业务不够了解，不同的产品有不同的定义方式

37.给你两周时间，写一份陌生行业的分析报告，你会怎么做？

行业基础研究的目录层次：基础知识，经营环境，市场特征，商业模式分析，产业链，业内主要企业，未来发展趋势，成功融资案例，行业评价

38.如果你手机里边有100个app，这些app里边的数据都是你都可以拿到，一年后，如何知道这些app里边哪些用户怀孕了？

面试官是想看看你从数据中提取有效信息，挖掘有用价值的能力

首先，你要能从中发现有效信息哪些信息可与用户怀孕挂钩

①对于100个app，里面可假设包括了某一母婴类或记录用户怀孕情况的app，这一app的新用户很可能就是一怀孕用户，当然用户在此app上其他行为更能或更易辅助判别其是否为怀孕用户

②对于这100个app中其他类型的app，以电商app为例，可以通过用户的浏览，购买行为数据对其是否怀孕进行判断，预测，比如经常浏览或购买钙镁等营养品，叶酸，其他婴儿用品。当然，这些判断和预测的准确程度另说，毕竟我也经常给我怀孕的姐姐买保健品，我可能就被打标了孕妇

其次，如何从发现 有效信息中判断或预测用户是否怀孕，这边又可以有一些方法，模型等可讲，如果你刚好有熟悉的，掌握的模型能实现预测的话， 那你也可以跟面试官讲一讲

最后也可以上价值，结合下业务，拿到用户是否怀孕的标签，或者预测用户现在的怀孕周期，我们能做什么，比如针对性的推送商品，优惠券

39.哪里可以查到最新或者领先的用户需求洞察技术等（传统标签静态画像等不在此列）

用户需求洞察“技术”应该是没有这个概念的，或者说没有特定的“技术”，太泛了，各种分析模型，用户分层，用户画像（肯定是包括静态和非静态的，静态的基本上是表示某用户不改变的特征，价值不大）等等都是做用户洞察的方式

如何做好用户洞察？

①一定要明确每次洞察用户的目标是什么，不能做着做着把A目标和B目标混合，即要明确解决的问题，而后拆分问题

②针对问题做定量数据分析结论辅助用研，用研调查结果又可以做二次的数据分析

定量的数据分析手段有很多种，画像，分层，流失，活跃，RFM等等都是处理方式，传统标签静态画像不在此列

定性的研究主要是做用研（可以通过已经有的一些定量数据分析结果来设置问题，最好是这里有个用户需求洞察小组）+一些反馈意见的文本挖掘

40.如果一个人有多个账号，分别做不同用途，abtest的时候怎么分组才最合理能？

①如果它符合标准的行为，那么他现实中是不是一个人不重要。只需要按照我们统计口径中到底是uid还是什么的，当做正常用户做ab做ok了。如果考虑薅羊毛等场景，这部分用户就不应该算作正常或规则内用户，他们的行为等也可能就不具参考意义或者会有影响，所以开始前这波人就被排除了

②我们对这类人的分类是，看的不是他是谁，而是他做了什么。按照我们对行业的分类，行为不同的话就是两类人，和身份证是不是同一个无关，我们要聚合的是有相同行为特征的账户，而不是人

③这类人的号不分开，因为这类人不管怎么伪装本质还是一个人，我想测得是这个个体的体验数据和业务数据，但是要确保独占域和共享域都有同比例的人群，同时确保共享域各层的随机性

41.某购物中心计划开展网上商城业务，对此进行战略分析，分析思路是什么？

分析思路是从研究目的到研究内容的分解过程，那战略分析研究目的和研究内容是什么

研究目的无非是帮助企业进行战略选择，选择企业目标市场，对此就需要回答两个问题，一个问题是市场吸引力如何？能不能赚钱？另一个问题是企业竞争力如何，能不能赚到钱

从研究内容来说，对于市场吸引力的判断就需要考虑宏观环境和市场环境，对企业竞争力的

分析就需要考虑竞争环境

说到宏观环境，之前的PEST分析模型就派上了用场，比如政治政策是否对这个市场有促进作用？是提供了机会还是带来了威胁？

比如家电下乡政策一定程度上推动了家电企业在农村市场的拓展，这是政治环境给家电市场带来的机会，随着经济发展，人们很少再选择用缝纫机修补衣物了，衣服换新也比较快，这缝纫机的需求也没有以前那么大了，这个就是经济发展给缝纫机市场带来的威胁

诸如此类的机会和威胁还有很多，通过宏观环境分析可以判断出对于某个市场哪些是机会，哪些是威胁，如果机会大于威胁，表明此市场还是存在一定吸引力的

接着就需要对市场环境进行分析，指了解这个市场的现状，发展潜力有多大，市场规模多大，利润水平怎么样，生命周期等各个方面，当然市场并不一定具备上述所有的方面的好，比如处于发展初期潜力大的市场往往规模不够大，规模够大的市场往往已经没有了什么发展空间，所有具体的还需要按照企业的现实情况进行判断

最后就是竞争环境的分析了，竞争环境可归纳为影响企业生存状态的波特五力。具体的五力指供应商，买家，直接竞争对手，潜在竞争对手，替代品

举个例子，比如你想要进军电磁炉市场，作为电磁炉生产方，首先你需要考虑原材料的供应，那么供应商就是影响你生存状态的第一力。生产的电磁炉要售卖，买家就成了影响生存状态的第二力。其他名电磁炉厂商，你的直接竞争对手就是第三力，一些大家电的生产商可能也觊觎小家电的市场，他们是你潜在的竞争对手，是第四力，而其他的锅具，厨具生产商的产品可作为你产品的替代品，是第五力

因此可以从以上方面对竞争环境进行分析，了解企业是处于上风还是下风，优势是什么？劣势是什么？是否具有竞争力

具体的分析就按照上述宏观，市场，竞争等拆分，对其中的机会，威胁，优势，劣势（SWOT）进行定性与定量的分析即可，这一部分数据获取，数据处理，数据分析就显得尤为重要

42.现在要对某彩电企业进行用户偏好分析，应该调查分析哪些内容

由于用户行为表征了用户偏好，因此可以通过用户行为进行分析

从结构思维逻辑线索讲，如果是你，你会从哪些方面对用户行为进行描述？这是一个发散思想的问题，可以使用提问的方法进行一些答案的找寻，比如为什么要买，什么时候买，在哪里买，谁买，买的时候考虑什么因素，怎么买，买什么价位的

从时间思维逻辑线索讲，用户从购买才点钱到购买时直至购买后都会有哪些行为？这其中包括用户为什么要买彩电？买彩电时考虑的因素是什么？如何进行比选？购买后使用情况如何？体验如何？书中通过用户行为五阶段理论对此进行了详细的描述，包括需求的产生，信息的收集方案的选择，购买决策的完成和购买后的行为，此理论符合MECE的不重不漏原则。

总结来说，对于彩电企业用户偏好的分析，从时间和结构两条逻辑线索出发，根据所罗列的点即可得到彩电用户偏好分析体系

43.对部分用户采用曝光优先策略，怎么判断CTR上升是因为该策略

部分做了什么操作，产生对比性的变化，首先想到的就是AB test

至于怎么判断某指标的变化时由此变动导致的，我是从两个方面考虑的：

其一：ABtest前，需要合理划分对照组和实验组，使得对照组和实验组的用户尽量相似且只有曝光优先这一策略不一致，此外流量的选择也很重要，大盘流量太多，取少部分流量进行实验就能获得某些指标的变化，而流量太少了又容易有各种波动，无法进行指标变化的判别

其二：实验数据的分析，首先是与改动相关的指标的之间变化（曝光数，点击数），然后是ctr，看下实验组和对照组之间的difference，此时观测时长的选取有比较重要了，如果要考虑理论知识的话，此时应该考虑置信度，判断此变化是否是随机变化，是否置信。现实工作中接触过现成的AB测试平台，实验期间就可以进行各类指标和p值等的观测，目前的话会在事先AA测，排除通不平等因素后，在对实验数据分析时直接将指标变化是为此唯一变量带来的（波动除外）

44.日活，销售额这些指标突然下降30%，注册人数突然增加20%，分析原因

第一步需要确认是否是真的下降（准确性）还是说只是报表不小心弄错了或者脚本搞错了

第二步在已经确认真实下降情况下分维度来拆分数据，比如DAU相关的由新老用户，旧版本新版本，移动端PC端流量，时间点等等（计算每个维度的一个影响系数，归一化之后衡量会更精准）

第三步定位了维度问题之后拉一个群，把相关的产品，运营和研发人员拉进来讨论，讨论是不是产品上线新功能，运营做了啥活动还是研发那边服务器采集的数据积压未能上报等

45.某视频网站A花了100万签约了一个up主，如何评估这个up主未来带来的营收

首先，从问题来看，我能想到的是100万（成本）和营收的关系，也就联想到了ROI，才想看看这位up主能从哪些方面给小破站带来哪些价值

我会先从目的性方面进行划分：A签这位up主是为了拉新，促活，保留村还是其他，然后根据不同的目的，从具体的指标进行分析

如为了拉新，可以根据此up主的历史数据记录来分析下不同渠道来的新用户数，新用户质量（登录率，注册率等），转化率（广告，打赏，会员等付费）等，以此价值衡量up主可能带来的营收

46.如何了解一个产品？

要分析一个产品，就要了解产品的本质，产品是由公司设计，通过提供用户价值，满足自身商业价值的一个工具

因为我们需要知道的是，这个产品的用户是谁，解决了这部分用户的什么问题（用户价值是什么），与此同时为公司创造了多少商业价值

以滴滴出行乘客产品为例子，它的用户是谁，是有出行需求的人，对应的指标是这部分用户有多少，他提供的用户价值是什么？是满足了乘客的出行需求，对应的指标就是订单量，创造了多少商业价值，对应的就是公司的毛利

47.如果你要做一个营销活动，怎么评估活动效果呢

营销活动的效果评估主要取决于你的活动目标，比如拉新，促活，转化等目标，举例，拉新的主要考核核心指标为渠道质量，用户数量，用户质量等。从方法上来说，主要用AB testing实验和观察研究中的因果推断方法，考核营销活动是否和自然增长有显著效果，具体归因到活动带来的提升量

48.如何分析未知数据

首先需要知道面试官针对未知的定义，而不是说啥都没有，这是扯淡，正常习惯将无法归类或者数据模糊的归为未知

思考几点：

这些未知数据是不是真的对分析结果有影响

如果有，造成未知的原因是什么，埋点采集出了问题，数据不完整，缺失，等等

49.某电商业务部门在上周结束了为期一周的618大促，作为业务对口分析师，需要你对活动进行复盘，并为你的业务leader做ppt汇报，那么这个ppt：

你会分成哪几个方面进行分析？（提示：比如用户？流量？等等）

每方面用哪些方法如何分析？

每方面的具体指标有哪些？

数据分析师除了在活动前和活动中负责数据监控和汇报外，最重要的是活动后的问题复盘。而复盘的内容并没有人会告诉你怎么做。

首先，我认为这份ppt应该分两部分，第一部分是业务指标汇报，第二部分是业务问题改善分析

第一部分是业务指标汇报。业务leader并不会关心业务所有的指标。你只需要汇报今财年kpi相关的指标就行。比如市场渗透率，用户数量等核心指标。然后拆解出影响这些北极星指标的子指标。同比和环比的结果。如果指标出现了上升或下降，都需要进行归因分析。原因分析这块才是作为数据分析师的核心优势

第二部分中的业务问题改善分析。就是承接上面这块的归因分析进行进一步问题探讨。或者除上面问题之外，其他会影响业务指标但未被发现的原因。你需要找到足够的数据理由来支撑你的结论。因为业务方经常会质疑你的指标计算，方法运用。曾经就碰到过别的数据分析师因为汇报业务的kpi指标下降惹怒业务而被怼到哑口无言。所以在汇报前需要跟你的主管沟通，你的分析部分是否能帮助业务更高效的决策。

整个ppt建议不超过10页，每一页都能汇总一个核心观点。用充足的数据结论支撑核心观点。数据正确性需要反复核对。最终汇报后考虑是否有能够落地的数据报表或数据产品帮助业务持续跟进。这样你的分析工作就形成了闭环，这也是以后能在面试中可以完整复述的项目之一

50.用户行为路径分析是什么，有什么作用？

首先我们要讨论用户是什么，在互联网工具类产品中，用户是需求的集合。即用户到你的产品中来，就已经表达了自己的需求，那用户行为路径是什么，我认为用户行为路径指的是，用户为了满足自己需求，付出的部分成本（注意力成本，时间成本）

分析用户路径有什么用？这其实是为了用户的一种方式，通过用户在我们产品上的行为，结合产品提供的场景，还原用户心理，进一步强化我们的用户模型

51.对于用户行为路径分析而言，应该重视老用户还是新用户？

在不同的场景下，会有不同的答案。对于一个产品而言，新用户的行为路径能直接衡量产品经理对用户的理解程度（同理心），能不能让用户一看到这个产品就知道自己的需求应该如何满足（比如一看到按钮，就知道需要按他，而不是在上面滑动。看到发送两个字，就知道点击它代表文章发出来了）如果新用户在你的产品里面点来点去，基本不是什么好事，除了来竞品调研的，大概率就是这个用户迷路了。假设老用户是在我们的产品中，已经成功多次满足过需求的用户，那分析老用户的用户路径其实是我们学习用户的一种好方法，这里在第一问“有什么作用”的基础上展开一点。比如发现淘宝用户，经常在购物车页面截屏，经过调研得知是为了方便和他人分享自己的喜欢的商品，于是考虑加一个分享购物车的功能

52.北极星指标

①什么是北极星指标，为什么重要？

产品现阶段最关键的指标

OMTM one metric that matters

指引公司上上下下向着同一个方向迈进，对各团队细分目标，对个人指引决策

例子

网易云音乐 使用时长

知乎 问答数

网盘 文件操作数

钉钉 消息发送数

Airbnb 预定天数

淘宝 总销售数

②什么样的指标算是比较优质的北极星指标

能够反应用户从产品获得核心价值

能否为产品达到长期商业目标奠定基础

能否反映用户活跃程度

指标变好，能否预示公司往好的方向发展

是否简单，直观，容易获得，可拆解

是否是先导指标，而非滞后指标

③一个产品可以有多个北极星指标么

可以，比如淘宝北极星指标为交易额，反向指标为退货订单数

在不同的产品生命周期，北极星指标也会发生变化

④如果北极星指标不合格，如何选择更好的

明确商业目标和用户价值，找到二者的交集

列出备选指标，通过第二题的6个标准进行进一步筛选

确认最终北极星指标，结合公司的情况和战略决定

⑤北极星指标是如何驱动业务，产品决策的？

举例来说：google的商业目标是长期的广告营收，google的用户价值是高质量的搜索结果

53.给某短视频app设计一个数据看板 ，你想怎么设计
理清产品逻辑
如果把它看成一个供需市场 ，有创作者提供视频 ，有更多的消
费者看视频 ，并且消费者通过点赞评论转发与创作者交互 ，同时平台从中变现 ，同时注意产品的时间基础 ，比如抖音属于日用产品 ，那么应该多关注日用指标围绕产品的关联方，设计相对应的指标进行观测
创作者：每一天新视频的产生量 ，每一天的创作者
消费者：DAU time spend /DAU number of sessions
交互：评论数量 ，点赞数量
平台：收入
最后对于每一个产品都提前做好
segmentation ，比如 D AU 在设计的时候分不同的用户
年龄 ，用户性别 ，地区等等 ，便于之后分析或者查找异常值

54.假如某一天使用飞书视频的用户急剧下降，你应该如何分析
① 向业务方确认数据的统计口径，急剧下降是下降百分之几？是同比下降还是环比下降，数据是否存在SQL 的取数逻辑错误？并且寻找一个标准来判断，这个标准可以是历史数据的标准，也可以是同行业的标准，根据标准来判断用户数量下降是否是一个问题，因为现状≠问题，现状+标准=问题，如果她是一个问题，那么进行下一步
② 分析用户数量的历史数据，并计算同环比，确认数据是否存在周期性，季节性变化
③ 从用户维度分析，将用户分为新用户和老用户，如果是新用户数量下降了，那么是不是渠道引流做的不好，需要考虑是来自哪个渠道的新用户下降了？可以通过计算各个渠道新用户来源的影响系数，或者使用归因分析中的末次归因模型来分析渠道出现的问题。如果是老用户的数量下降了，那么可以根据用户最近一次登陆时间，使用飞书视频的次数，性别，年龄，职业，地域，使用kmeans 聚类模型对用户分层分析，确定是哪一部分用户群体数量下降了
④ 从产品方面分析，飞书这类办公软件主要是面向于tob 用户，也就是商业机构的用户，而toc 用户的数量比较少，所以一般来说飞书视频的用户数量大量减少的话，一般是因为一些规模较大的企业放弃使用飞书而转向于其它办公平台比如钉钉，可以进行竞品分析，来比较飞书视频和其他办公软件的区别，当用户使用一次飞书视频时候，也可以向用户发放调查问卷，来深挖tob 用户流失的原因从运营角度分析，上个月是否举行过相关推广活动，或者本月是否开展过推广活动，假如推广效果不好，导致用户大量流失，竞品是否开展了推广活动从技术方面分析，最近是否发生过版本更迭，或者用户打开APP 出现秒退或者卡顿，导致用户体验不佳造成流失
⑤ pest 宏观环境分析，因飞书视频无盈利点，不考虑从经济上分析

政治上，最近国家是否出台了不利于本产品相关政策
社会上，疫情得到控制，线上办公的需求是否会减少
科技上，自身产品的科技含量和质量水平，是否长时间没有提高

55.对于某视频网站，如何构建一套指标体系去监控业务的增长情况
指标体系的构建需要既符合业务目标，又可真实反映业务现状
可以利用OSM 例论入手
O：公司的核心目标是什么
S：为达到此目标各业务向下拆解所采取的策略是什么
M：针对S 设计度量标准来衡量/评估效果
例如：作为视频业务，核心目标是提升营收，围绕营收的抓手可能有用户侧，产品侧，商业侧
对于用户侧，可以从拉新类，活跃类，留存类，转化类等指标结合业务策略考虑进行监控；视频作为用户使用产品的承载体，需要考虑视频的播放情况（内容指标相关）丰富度，上架（供给侧指标相关）情况来设计；商业侧注重广告收益，ROI 等指标

56.国家出台某政策，统计发现各个省人均收入均有所增加，但是全国人均收入下降了，请
问这种情况有可能发生吗
有可能，这属于辛普森悖论问题
这里涉及到两个时间点：出台政策前各省的人均收入，出台政策后各省的人均收入因为统计的两个时间存在一段时间间隔，可能导致各省份人口数发生变化，从而导致在各省收入增加的情况下，全国人均收入出现下降那么有哪些可能的情况影响了各省人口数发生变化？各省人口流动性，各省出生率和死亡率

57.不同领域答案的点赞数不一样，比如5k 赞在娱乐领域很常见但在医学领域算是高赞回
答，如果按照点赞数进行高质量答案判断，怎么处理数量级不一样的问题
① 分领域进行排名，根据排名占比划分高质量回答。比如将所有医学领域回答依据点赞数从高到低进行排名，选取前10%的回答定义为高质量回答② 分领域设置不同的标准，结合不同领域答案点赞数分布。比如娱乐领域高质量答案的点赞数必须大于5 万，医学领域高赞回答必须大于5 千，这个阈值判断需要结合历史点赞数分布进行界定

58.某视频app推出初期，希望通过push 来引导更多的用户参与答题，现在如果需要你确认
哪段时间进行push 推送能更好的引流，你怎么做
非个性化方案，也就是所有用户push 时间点一样，该方案可以结合历史用户使用西瓜视频APP 的习惯对用户使用时间进行分析，选取用户使用APP 高峰时间段进行push个性化运营方案，也就是不同的用户收到push 的时间是不一样的。这种方案可以结合模型进行用户预测，预测用户使用APP 高峰时期，目标是为了在用户打开APP 概率最高的时刻进行推送

59.假设某著名超市决定对世界范围内1000 家门店实行某措施，然后先对100 家店进行试水，
结果不错，但是应用到1000 家店后，发现效果不行，这是为什么，怎么分析
为什么效果不行？
因为试水的门店与实际分布偏差太大，简言之，就是这试水的100 家门店分布与1000家门店的分布不一致，导致全面试行之后，效果不好该怎么分析？
基于现有的数据说明该措施对部分门店有效，并非对所有门店有效。现在需要解决的问题就是，对哪些门店是有效的。这个问题可以结合门店的特征属性进行分析，比如门店所处城市，城市人口情况，城市人口习惯偏好，门店规模，销量等进行挖掘分析补充问题，如何进行抽样针对第一小问，试水门店与实际分布偏差太大，应该如何避免。这涉及到随机抽样的问题，可以考虑分层抽样。具体操作可以结合实际问题进行回答。比如家乐福问题，应该结合门店城市及门店本身情况进行分层，目的尽量保证随机抽样可以代表整体抽样

60.下载某著名咖啡APP,并基于该产品并阐述以下问题：
1）请为该产品搭建一个完整的指标体系
我会从产品、用户、收入、服务四个模块来构建指标体系：
产品模块的话，我会选择各种商品的当天和累计销售数量、库存量作为指标，例如咖啡、咖啡豆、三明治的当天销售和库存数量。各种商品的销售数量可以反应出商品的受欢迎程度，根据受欢迎程度，可以给用户实现更好的推荐策略。实时监控库存数量可以有效避免爆款下线造成较大损失。
用户模块的话，我会选择新增用户人数、各个等级的会员人数、日活跃人数、点击率、购买率、复购率作为指标。这些指标可以很好地体现用户粘性和用户价值。
收入模块的话，我会选择销售额、利润、利润率、客单价等指标。企业的目的是为了盈利，关注销售额，确定日常状态下稳定地保持增长，活动状态下达到既定目标。关注利润率指标，能够在一定程度上反映出公司人员的运营策略，若利润率低于预警线，可能是活动优惠券发放过多，损失了利润，需要重新制定运营策略。
服务模块的话，我会选择平均订单时长、好评率、投诉率等指标。这些指标反映了业务的健康状况，以便提升服务水平，为消费者带来更高质量的消费体验。
2）假设以下场景：我们所在的应用团队希望促进用户充值，并鼓励使用余额消费，请你为它涉及一个运营活动，其中包括：
①如何策划该活动
第一步，明确活动目的。这个活动的目的是促进用户充值，并鼓励用户使用余额消费。与应用团队共同协商制定活动目标，比如新增2000 个充值用户、新增1000 个使用余额消费的用户、总充值金额达到10 万、使用余额消费的总金额达到5 万、ROI 达到2（投入：人工成本渠道成本+物流成本+钩子成本，收入：用户使用余额消费的总金额）
第二步，确定活动钩子（奖励）。不管活动怎么变，我们都要保证奖励的价值感大于用户的付出成本，只有这样用户才愿意付出行动。钩子的价值不在于价格，而在于能否戳中用户痛点，满足用户需求。比如：我们可以在线下星巴克店内进行调研，询问用户对星巴克里的哪一些东西感兴趣？还可以进行竞品分析、用户访谈等。根据这些条件我所选定的钩子奖励是星巴克的周边产品比如圆珠笔、杯子、钥匙环等，例如用户使用两次余额消费或者达到某一个消费金额后，赠送用户一个带有logo 的钥匙环，当用户使用五次余额消费后，赠送用户一个带有logo 的圆珠笔。当用户使用五次余额消费后，赠送一个带有logo的杯子。活动奖励设置限量，先来先得。
第三步，梳理活动路径
第四步，文案包装。用户通过文案了解活动，好的文案可以成倍放大价值，直戳用户痛点。
第五步，准备活动预案。在活动开始前，模拟用户体验整个活动环节，尽可能的预想会出现的问题，比如：活动被封了怎么办？奖品领完了怎么办？参与人数少了怎么办？用户骂声多怎么办？，并做好相应的预案。
第六步，进行MVP 测试。MVP 测试，就是用最小的成本验证核心策略、核心设计是否能支持目标达成，从而降低风险，消除不确定性。我们可以先将活动投放至小部分用户，根据数据结果反馈，调整活动：用户是否理解活动路径？礼品奖励是否有吸引力？，当MVP 测试的结果数据符合预期时，我们就可以进行大规模推广。

第七步，活动发布。在朋友圈、视频号等渠道投放文案广告。
②如何评估该活动的活动效果
使用余额支付的用户数、使用余额支付的总金额、用户的复购率、总消费用户数量、ROI，与初始的活动目标对比来评估活动效果。哪些指标完成了？为什么能够完成？哪些指标没有完成？没有完成的原因是什么？最后总结形成报告向上一级汇报。

61.介绍最喜欢的app及其优缺点

小红书

产品定位：是一款以分享生活内容为载体的社区+电商平台

商业模式：主要的盈利模式为广告，增值服务和电商

用户特性：追求生活品质，热爱生活，爱好分享交流吃穿玩乐的年轻群体

用户场景：①创作者角度：视频文字形式结合，打开标签，打卡记录多种形式刺激用户发帖 ②浏览者角度：种草拔草，建立自己收藏夹，点赞评论分享互动，在用户路径上做到即下可以点击链接购买种草商品，形成完整的种草-下单闭环流程。总之，很好地解决了用户的发布需求和浏览需求

视觉界面和交互体验：大红色配白色，自备产品番薯id，更具可爱体验，贴合用户心理需求，更加人性化；视觉界面上感知体验较好，大图为主的综合性视频流，精致的图文搭配和标题，吸引用户发布精美的图片吸引用户点击

优点：可以从前面用户侧分析摘取，作为内容发布者和内容浏览者两种身份分别谈一下有哪些功能可以给自己带来良好的用户体验

缺点：在框架层面上，商城模块整体设计比较简洁和紧凑，在这么窄小的空间里设计这么多东西实属不易，可能是产品种类较少，分类太粗。如果小红书想在电商行业发展，可能还需要加强自身的供应链建设

62.GMV下降如何分析？

①确认数据的准确性，数据来源是否真实，业务会遇到数据服务，数据上报，数据统计上的bug，在数据报表上就会出现异常值。可以找数据流相关的产品和研发确认下数据的真实性

②确认指标异动的类型：偶发性，周期性还是趋势性

③了解数据指标的业务情况与异常情况

• 出现异动多久了，指标变化范围是多少？
• 和上一时期环比同比变动了多少？
• 与这些因素相关的运营以及产品部门对指标的影响程度有多大？
• 了解指标下跌对产品业务线有哪些影响？

④拆解，定位。初步拆分维度，定位原因大致范围。计算影响系数：(今日量-昨日量)/(今日总量-昨日总量) ，影响系数越大，说明此处就是主要的下降点

指标拆解：定位异常部分GMV = 访客数 * 订单转化率 * 单均价

维度拆解：人（用户类型，用户画像各方面，登录渠道），货（不同品类，不同价位，不同供应商），场（平台，版本，区域，时间）

⑤对维度，细分指标进行原因分析，综合考虑以往数据异常原因与自身业务经验确定几个最可能的原因假设，设置数据验证的优先级，逐一排查

• 异常范围定位：起点（指标刚下跌时，发生了什么事件，往往起点事件是问题发生的直接原因），拐点（在指标持续下跌过程中，是否某个事件的出现，让问题变得更严重，活着开始转暖。拐点意味着可以通过运营手段改善指标），终点（当某个事件结束后，指标恢复正常，或当开始某个事件后，指标下跌结束。终点事件的两种形态代表着两种改善指标的方法：等问题自己过去或者主动出击解决问题）
• 归因分析：外部（政策，经济，天气，周期，竞争者），内部（产品侧：功能迭代，用户行为变化，改变模块入口等；运营侧：广告投放，用户渠道，push效果；技术侧：接口不稳定，系统故障，网页打不开，加载慢），短期变化找内因，长期异动找外因

⑥预测未来，采取措施：预测未来是否还会下跌，应该采取什么方式避免下跌。同时，与业务沟通反馈分析结论，制定优化策略

63.使用过什么产品？你认为它的主要问题是什么？如何改进？

使用过B站，主要问题是内容重复率有时候有点高

首先得明确好，你所认为的问题是一个问题，那么就要确认下问题的影响用户范围多大

首先定义什么是重复，如果拿视频信息然后采用embedding算法来压缩信息，然后再计算两个内容之间的余弦距离，则太慢了。我们做数据分析也得考虑MVP（最简可行产品），最简单度量重复率就是两个视频带的话题是否一样，如果一样则视为重复，然后看下用户完播率的流失曲线随着重复的内容个数的变化，再确定用户大概看了多少个视频整体完播率出现大幅下降，最后再用这部分用户数量除以总体的用户数量就可以明确影响范围

64.规定时间内将某新上线的APP做至DAU一千以上，你会这么做？

内部资源共享

市场合作资源：资源互换，让出自己的首屏几个banner广告位和合作伙伴互换曝光

应用市场优化：付费推广和ASO

提升用户粘性

流失用户分析：利用数据分析技能

65.某次针对新用户的活动共计带来收益500万，如何判断各渠道的贡献值？

各渠道的贡献值：对接第三方API接口进行监控与追踪（内部系统最佳）：百度统计，友盟，google analytics；关键位置埋点

判断：归因模型分析

首次互动模型：与末次互动模型相对应，即最先一次互动的渠道获得100%的功劳；优势：简单易实施，被应用最广泛的模型；劣势：若产品转化周期过长，可能导致资源流失；适合业务：转化快且无品牌影响力的产品，便于前期对于渠道的探索

基于位置的归因模型（U型归因）：是一种多触点归因模型，实质上是一种重视最初带来线索和最终促成成交渠道的模型，一般它会给首次和末次互动渠道各分配40%的权重，给中间的渠道分配20%的权重，也可以根据实际情况来调整这里的比例；优势：多触点综合分析，关注首次触动及末次转化的公司或产品；劣势：容易忽视二次转化时中间渠道的作用

66.用户增长模型有哪些？你怎么理解？

AARRR模型：获取 → 激活 → 留存 → 收益 → 传播

消费者行为理论AIPL模型

• A：awareness品牌认知人群（广告曝光，公域页面曝光，无品牌倾向搜索，被品牌广告触达，和品类词搜索的人）
• I：interest品牌兴趣人群（广告点击，粉丝互动，店铺浏览，品牌倾向搜索，关注收藏加购）
• P：purchase品牌购买人群（购买，购买过品牌的人，购买过商品的人）
• L：loyalty品牌忠诚人群（反复购买，主动分享，正面评论，品牌忠诚人群，关注收藏加购）

FAST模型

• FAST模型主要是有四个大指标组成，用四个英文字母替代，分别用来衡量和评价用户的数量和质量。其中F和S用来评估用户资产的规模数量，A和T用来评估用户资产的质量
• 通过对FAST模型四大指标的量化分析，我们就可以知道商家用户资产的现状是好是坏，评估其资产不足是用户数量导致还是用户质量导致，是哪些哪类用户导致（A\I\P\L\S）导致？通过定位这些问题，我们就可以有针对性去制定用户运营策略，做用户的精细化运营，真正盘活用户资产，做到用户的持续增长

人群总量（F）：Fertility，指AIPL人群去重后的总数量；
人群加深率（A）：Advancing，消费者从认知，到兴趣，在到购买，并成为忠诚用户各个阶段转化率；
超级用户数（S）：Superiority，商家的高价值，比如会员和粉丝总量；
超级用户活跃度（T）：Thriving，超级用户活跃度。

GROW模型

• GROW模型包含四大指标，用四个英文字母表示，代表了驱动商家业务增长的四大增长因子

• 是指定精细化运营策略的向导

G：Gain，代表渗透力 ，指通过对现有品类渗透更多消费者给商家带来的增长；
R：Retain，代表复购力，指通过让消费者更频繁或重复购买产品给商家带来的增长；
O：bOOst，代表价格力，指通过提升消费者购买的客单价给商家带来的增长；
W：Widen，代表延展力，支通过新品类的创新延展给商家带来的增长。