商业数据分析师

定位先行：偏描述型（报表与异动监控）、诊断型（归因与漏斗分析）、预测型（建模与预估）、还是策略型（直接给业务建议并跟进落地）？不同公司「数据分析师」含金量差异巨大，先讲你所在的段位。然后讲代表作：业务问题、你的分析框架、用什么工具（SQL/Python/BI）、产出了什么结论、业务怎么用了你的结论、效果如何。「分析改变了什么决策」是分析师价值的核心证明——只讲「我做了很多报表」会被归为取数岗。

经典异动分析题，考的是排查框架：①确认真实性——埋点与统计口径有没有变更、是否周期性因素（节假日/周末效应，对比去年同期与环比）；②拆解定位——按维度拆分（渠道、平台、地域、新老用户、版本）找跌在哪个分群，多数问题在拆解后自现；③内部变更排查——近期版本发布、运营活动结束、服务故障（技术侧确认）；④外部因素——竞品动作、政策、舆情；⑤量化归因——各因素贡献度拆解（可用贡献度分解），给出主因与置信度；⑥输出建议与监控。结构完整+有真实案例补充是高分关键，最忌一上来猜原因。

次日留存：用户表（首活日期）自关联活跃表，datediff=1 有记录即留存；写法上用 LEFT JOIN 或 EXISTS，注意分母是首活日新用户数。窗口函数高频场景：row_number 去重取最新记录、rank/dense_rank 排名（TopN 商品/用户）、lag/lead 计算相邻行为间隔（复购间隔、session 切分）、sum/avg over 累计值（累计 GMV、移动平均）、first_value 找首末次行为。加分：说明执行顺序（窗口函数在 where 之后，过滤要先于窗口用 CTE）、大数据量下的性能意识（避免大表自关联，用聚合先缩表）。

先补全需求定义：用途是什么（汇报？策略制定？产品迭代？）决定分析深度与形态；「用户」指哪个口径（活跃/付费/全部）；老板心里有没有已经怀疑的问题（往往有）。然后主动给框架：分层（RFM 或生命周期）、行为特征（核心行为与频次分布）、来源与质量、流失与留存结构。产出先轻后重：先给一页概览对齐认知，再按老板关注的分支深入——避免闷头一周交出没人看的 30 页报告。这题考的是需求沟通能力，分析师最大的时间黑洞就是把模糊需求直接执行。

完整叙事：业务背景与决策场景（当时在争什么）、你发现的数据信号、如何验证排除干扰（相关性不是因果的处理：分群对照、时间先后、机制解释）、结论与建议怎么包装（结论前置、给选项而非单答案、附风险与前提）、决策结果与业务影响（量化最好）、后续跟踪。亮点要素：敢于给出明确的判断而不是「数据显示多种可能」、能把统计结论翻译成业务语言、推动落地的主动性。这题是数据分析师与取数工程师的分水岭。