「数据分析面试」字节跳动数据分析面试题（附答案解析）

数据分析星球 04-05 219

前言：

目前看官们对“节奏分析算法”可能比较珍视，你们都需要剖析一些“节奏分析算法”的相关内容。那么小编同时在网上网罗了一些对于“节奏分析算法””的相关文章，希望兄弟们能喜欢，我们快快来学习一下吧！

01写在前面

数据分析SQL面试笔试题系列第6篇来啦！

数据分析面试会重点考查候选人两方面的能力，一个是基础的数据工具能力，最常考的就是SQL，这部分前面我们已经有4篇连载文章全面剖析了大厂的常考笔试题型，没看的同学不要错过了，可以戳：

考查的另一方面就是业务思维能力了，这一块主要是设定一些常见的业务场景，需要你给出对应的分析思路和方法，这一块对于没有数据分析经验的小伙伴们来说就很不友好了，很多面试的朋友碰到这类题都会很慌，无从下手，因为没做过，也不知道怎么分析啊！！！

不过不用怕，我收集了近几年一些大厂的面试笔试题，有笔试题也有业务题，通过这些题目的详细讲解，你应该就能掌握这类题目的解答思路了，话不多说，今天我们先来扒一扒字节跳动的面试题目吧！

一共有3道题目如下:

SQL笔试题：计算视频好评率

业务题1：使用ABTest对新算法效果进行评估

业务题2：如何评估一场活动的效果？

02计算西瓜视频内容好评率

1）需求

西瓜视频近期开展了”2020百大人气创作者”优质内容扶持项目，鼓励用户产出优质的视频内容。现需要统计2020年11月01日至2020年11月30日期间创作的视频中，“科技”大类下“数码测评"子类的视频好评率（好评率=好评数/视频观看次数），写出sql语句进行查询。

用户观看视频后的评价详情表：content_action_info

id（视频id，主键）create_time (创建时间，格式‘2020-11-01’)user_id（观看者id）content_id (视频id，外键)content_action (视频评价，包括’点赞‘，’差评‘，‘无评价’)

视频详情表：dim_content

content_id (外键)creator_id（创作者id）content_category (商品类目)content_sub_category (品牌名称)

2）解题思路

题目很简单，我们只需要明确好评率的计算公式，然后先定特定的大类和子类即可。

1.好评率=好评数/视频观看次数。

2.要求计算“科技”大类下“数码测评"子类的视频好评率，则要使用where条件筛选指定大类和子类的数据。

3.因为限定条件要指定视频内容的类别，所以要两个表做关联。

代码如下：

select    count（1） as all_action    sum(case when content_action='点赞' then 1 else 0 end) as like_action    sum(case when content_action='点赞' then 1 else 0 end)/count(1) as like_ratefrom content_action_info as ajoin dim_content as bon a.content_id=b.content_idwhere b.content_category='科技'  and b.content_sub_category='数码测评'  and a.create_time between '2020-11-01' and '2020-11-30';

03使用AB Test评估算法效果

1）需求

某个购物APP最近优化了“猜你喜欢”模块的推荐算法，希望进一步提升推荐的精准度，进而提升销售额。现在需要通过AB Test（50%用户保留原先推荐算法的为控制组，50%用户使用新的推荐算法为实验组）来对新的推荐效果进行评估。假设你是此次实验的数据分析师，请问你会如何评估控制组和实验组的表现？请按重要性列出最重要的三个指标并给出你的分析过程。

2）解题思路

指标：推荐商品的销售额、推荐商品点击率、推荐商品的转化率

分析过程：

1.设原假设为使用新的推荐算法后上述指标降低或不变，备择假设为使用新的推荐算法后上述指标增加。

2.选择显著性水平临界值为5%，并根据指标的预期提升确定样本量和试验周期。

3.样本合理分流，AB测试上线，采集数据。

4.使用T检验，计算P值，进行效果验证。

5.分析结论，如果P值小于5%，那么原假设不成立，备择假设成立，即使用新算法后指标提升。

反之无法推翻原假设，不能证明使用新算法后指标提升.

针对AB Test的拓展阅读，包括如何确定试验样本量和分流，可以翻看历史文章：【长文干货】AB测试：原理流程、实际案例及面试指南。

04 如何评估一场活动的效果

1）需求