本文主要是介绍面经 - 流利说 数据分析师，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
一面
1.自我介绍
2.实习中感觉最自豪的一件事，对公司帮助最大
背景：米读小说APP在ios应用市场的平均特别低，运营那边需要对一批质量较高的用户做评论引导
职责：在表征用户行为的特征中，选择用户近30日阅读时长，用户加入书架书籍数、用户近30天活跃天数、用户的vip状态等九个指标，首先进行数据的预处理，像用户阅读时长、加书架书籍数等数据指标的分布较为长尾，为保证结果的可靠性，将长尾用户剔除，使用约95%的用户。对数据进行归一化后，对每个特征维度乘权重因子后在进行归一化，得到每个用户的得分，选择得分最高的用户做评论引导。
成果：ios评分由2.及分提升至4.6分
3.实习中有没有分析过留存或日活下降
4.日活/月活代表了用户黏度，这个值越大越好，还是越小越好
理论上越大越好，比如日活10万，A月活100万，B月活15万，月活越高，说明用户留存低，B月活接近与日活，说明这批用户的留存较好。但是对于处于上升阶段的APP，希望获取更多的新用户，提升日活，这个数可能相对就小了
5.ABC三个功能，功能A的留存较高，能否推广到全部用户
不能。可能使用功能A的用户与BC功能的用户不是同一个用户群，功能A推广到全用户可能导致留存的降低。在决定推广之前，应该分析使用三个功能的用户的用户画像，是否一致
6.用户升级APP后某新功能的留存高，是否说明更新更有效
不能。升级APP的用户本身就是对APP的忠诚度比较高，只看升级了APP的用户留存是不能说明问题的。应该看升级了APP之后，这批用户的留存是否比没升级之前的留存高了。
7.说一下流利说的优点和缺点
8.目前拿了几个offer，投过哪些公司
面经整理：
1.什么课程对日后的工作比较有用？
《机器学习》、《数据挖掘》这两门课中的算法对数据分析中的数据建模有一定的帮助，许多必修课的话都是传统控制比如多变量、系统辨识可能对日后数据分析的工作帮助不大。
2.为面试做了哪些准备？
第一点：业务方面的知识包括一些专业名词或者指标拆解、制作报表主要是在实习中有了较大的提高，还看过《游戏数据分析》这本书以及《七周成为数据分析师》这个学习视频的将业务分析的部分
第二点：复习了一下概率论与数理统计的知识，主要也是通过看视频，视频讲解不是很详细的，又翻了一下书，自己也有整理笔记
第三点：一些硬性技能python、SQL也是通过实习来巩固加强
第四点：在网上会看一些面经
3.从下载到注册的漏斗分析
1.下载页面曝光
2..下载成功
3.安装成功
4.进入注册页
5.注册成功
4.怎么分析次留指标（分析核心功能之类的）
先问清是新用户的次留吗？如果是：
指标拆解，然后分析内部原因和外部原因
一、内部原因
1.按渠道拆分，看是否是某个获客渠道的用户质量不佳
2.按年龄拆分：是否是某个年龄段的用户的留存下降导致的大盘留存的下降
3.按手机版本、APP版本、地区等维度拆分
二、外部原因
1.分析竞品：是否竞品举行了重大的优惠活动，导致新客流失，留存下降
2.季节性因素：是否是周期性的下降，比如留存会按周期变化，周天的留存会下降，低于其他时候，还有就是学生开学、过节等时间上的因素
3.政策变化：比如出现国家要求APP要有针对青少年的青少年模式，从而限制了青少年使用的一些功能，导致留存下降
找到下降用户的用户画像后，可以看一下这些用户使用APP的用户行为，比如使用APP时长、阅读句子时长、点击课程的个数等，针对用户的行为，给予用户在新手期的引导，提高留存。
也可以看点击各个功能模块的用户留存，是否是某个模块的设计问题，导致用户对APP的不满，留存降低，从而针对性的对该功能模块进行改进。
5.如何确定最小的样本数量，需要哪些已知量？ 、
1.估计总体均值的样本量，需要已知置信水平、总体方差以及可接受的估计误差
n = ( (z_alpha)^2 * (theta)^2 ) / E^2
2.估计总体比例时的样本量，需要已知置信水平、总体比例或者样本比例以及可接受的估计误差
n = ( (z_alpha)^2 * π *(1 - π) ) / E^2
6.课程销量突然下降20%，寻找原因。
维度拆解
一、内部原因
1.按地区拆解：比如按华东、华中、华南等拆分
2.按新老用户拆分
3.新用户可以再按渠道拆分，看是否是哪个获客渠道出了问题，是否是推广做的不好
4.老客中又有回头客、忠诚客户以及普通用户，可以再继续拆分看是那部分老用户导致的销量下降，是否是用户没有维护好
在拆分的时候，可以结合看一下用户的在课程中的行为，比如这部分流失用户在流失之前的上课时间、上课次数、课程类别或者签到次数、优惠券领取次数等，也许可以发现是否是课程的原因或其他原因导致的用户流失，然后可以做有针对性 的运营。
二、外部原因
1.竞品分析：市场上的竞品有重大的活动或价格低或优惠力度大，导致用户流失
2.季节性因素：比如学生开学，可能假期有很多学生会补课，而开学会导致销量下降，或者是否是重大节日，比如春节、中秋节等，人们都去休息了
3.市场红利：是否是成本上升或者红利吃透，市场已经饱和
7.A/B测试与假设检验
A/B测试采用z检验，H0:A和B没有本质差异，H1：A和B存在差异，公式如下：
z = (μ1-μ2) / sqrt(theta1^2 / n1 + theta2^2 / n2)
计算P值，当p值小于0.05时，拒绝原假设，认为A和B存在显著差异
置信区间和置信水平：用样本统计量构造的总体参数的估计区间为置信区间，将置信区间的构造重复多次，置信区间包含总体参数真值的次数的比例为置信水平。
双样本的均值差置信区间的估计：(μ1-μ2) ± z_α * sqrt(theta1^2 / n1 + theta2^2 / n2)
统计功效power：是说在拒绝原假设的前提下，相信备择假设的概率。计算公式如下：
power = φ( -z_1-α/2 + |μ1-μ2| / sqrt(theta1^2 / n1 + theta2^2 / n2))
其中，φ函数是标准正态分布的概率累计函数：φ(x) = 1/2 * { 1 + sign(x) * [1 - exp(-2/π * x^2)]^ 1/2}
做完A/B测试后，用得到的置信区间和期望收益作比较，做版本替代决策，比如新版本的期望收益是2%，而检验后置信区间是[16%, 20%]，那我们有理由替换旧版本
8.假设检验的第一类错误和第二类错误
1.第一类错误是弃真，也就是当原假设为真时，没有接受。
2.第二类错误是纳伪，也就是当原假设为假时，没有拒绝，想要降低该错误，就要了解另一个检验工具统计功效，统计功效就是我们没有犯第二类错误的概率。比如在对比两个版本带来的差异时，如果假定两个版本之间存在差异，即拒绝原假设，那么我们有多大的概率能发现这个差异，当统计功效到达80%—95%时，结果就是比较可信的了
9.统计功效的意义
由统计功效的计算公式可知，其与显著性水平alpha、样本的均值、方差以及样本量相关，知道公式中的几个数值，就可计算出探求的数值。
例如。通过给定统计功效的数值，就可以推算A/B测试中每个版本样本的用户最小数量，通过与版本的实际用户数量进行对比，若版本用户数超过最小样本数，则说明统计功效足够，可以得出最后的结论。
这篇关于面经 - 流利说 数据分析师的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
