京东数据分析岗面试经历分享：SQL+Python+业务思维全考察

背景介绍

先说下我的情况，2年数据分析经验，目前在一家互联网公司做数据分析师，主要负责用户行为分析和业务数据监控。日常工作就是写SQL取数、做报表、跑AB实验这些。公司不算大，数据团队就5个人，什么活都得自己干，从取数到建模到可视化一条龙。

说实话，在小团队做数据分析，最大的问题就是成长空间有限。业务方提什么需求就做什么，很少有机会做深度的专题分析，更别说搭建完整的数据体系了。所以一直想找个更大的平台，能有更丰富的数据场景和更专业的团队。

今年4月份，一个猎头在LinkedIn上找到我，说京东在招数据分析师，问我有没有兴趣。说实话京东一直是我想去的公司，毕竟电商领域的数据体量和复杂度都是顶级的，对数据分析的要求也更高。猎头帮我投了简历，大概3天后就收到了面试邀请。

完整面试流程复盘

一面（约1小时，SQL+Python+业务题）

一面的面试官是数据团队的一个资深分析师，看起来30出头，问问题很直接，不绕弯子。面试分为三个部分：SQL、Python、业务分析。

SQL部分：

面试官先问了一个基础问题：窗口函数中rank、dense_rank、row_number的区别。这个我答得比较流畅——rank是并列排名会跳号（1,1,3），dense_rank是并列排名不跳号（1,1,2），row_number是不管并列直接递增（1,2,3）。然后面试官出了道实战题：求连续3天登录的用户。

这道题的思路是：先按用户分组，用row_number给登录日期排序，然后用登录日期减去排序号得到一个"基准日期"，如果同一个用户的基准日期出现3次以上，就说明有连续3天登录。我写了大概10分钟，面试官让我解释了一下逻辑，然后追问了如果数据量很大怎么优化——我讲了可以先按日期分区，减少单次处理的数据量。

Python部分：

问的第一个问题是pandas中merge和join的区别。我讲了merge是更通用的合并方式，可以指定left/right/inner/outer，可以基于多个列合并；join默认是基于索引合并，语法更简洁。然后面试官问了一个数据清洗的实际问题：有一个用户行为日志表，里面有重复记录和异常值，怎么清洗？

我的思路是：先用drop_duplicates去重，可以根据用户ID+时间戳+事件类型来判断重复；然后用describe()看数值型字段的分布，用3σ原则或箱线图识别异常值；对于缺失值，根据业务场景选择填充或删除。面试官对这个回答比较满意，追问了如果异常值占比很大怎么办——我说要和业务方确认，可能是数据采集的问题，不能简单删除。

业务分析部分：

面试官出了一个经典问题：如果GMV下降了20%，你怎么分析？我按照"总体→拆解→定位"的思路来回答：

1. 先确认数据准确性——是统计口径变了还是真的下降了？

2. 按维度拆解——按时间（是突然下降还是持续下降）、按品类（哪个品类降幅最大）、按渠道（哪个渠道出了问题）、按新老用户（是新用户少了还是老用户不买了）

3. 定位原因——结合业务动作（有没有改版、有没有促销结束、竞品有没有大促）

4. 给出建议——根据原因提出对应的解决方案

面试官追问了：如果按品类拆解后发现所有品类都在下降，你怎么进一步分析？我说那就看是不是流量端的问题——整体流量是否下降？转化率是否下降？客单价是否下降？逐层定位到具体的环节。

二面（约1小时，AB测试+指标体系+数据看板）

二面的面试官是数据团队的负责人，问题更偏方法论和实际落地。

AB测试设计：

面试官问了一个很实际的问题：如果要测试一个新的推荐算法，你怎么设计AB实验？我从以下几个方面展开：

1. 实验设计：确定实验组和对照组，选择分流方式（按用户ID hash分流），确定实验周期（至少一个完整周期，考虑周末效应）

2. 指标选择：核心指标（点击率、转化率）、护栏指标（确保不会负面影响其他指标，如退货率、客诉率）

3. 样本量计算：基于最小可检测效应（MDE）和统计功效（通常取80%），用公式或在线工具计算

4. 结果分析：用t检验或卡方检验判断差异是否显著，注意多重比较问题

面试官追问了：如果实验结果显示核心指标提升显著但护栏指标也有负面影响，你怎么决策？我讲了需要评估综合收益——如果核心指标的提升价值远大于护栏指标的负面影响，可以上线但需要持续监控；如果负面影响不可接受，需要优化方案后再测试。

指标体系搭建：

面试官让我给一个电商APP设计指标体系。我从OSM模型出发：

1. 目标层（O）：GMV、用户数、留存率

2. 策略层（S）：流量获取、转化提升、客单价提升、留存改善

3. 度量层（M）：DAU、UV、转化漏斗各环节转化率、客单价、复购率、7日/30日留存

面试官对这个框架比较认可，但指出我遗漏了供给侧的指标——商家数、商品丰富度、履约时效这些也很重要。确实，电商是双边市场，我只考虑了用户端。

数据看板设计：

面试官问：如果要给业务负责人做一个日常经营看板，你会放哪些内容？我讲了：

1. 核心KPI卡片：GMV、订单量、客单价、DAU（含同比环比）

2. 趋势图：GMV和订单量的日趋势

3. 漏斗图：从访问到下单的转化漏斗

4. 排行榜：品类TOP10、渠道TOP10

5. 异常告警：关键指标偏离阈值时高亮显示

面试官追问了看板的更新频率——我说核心指标实时更新，详细数据T+1更新。面试官认为这个设计合理。

业务Case：如何评估促销活动效果

面试官出了一个场景题：刚结束了一个满减促销活动，怎么评估效果？我的分析框架：

1. 直接效果：活动期间的GMV、订单量、参与用户数、客单价变化

2. ROI分析：活动成本（补贴金额）vs 带来的增量GMV，计算ROI

3. 用户分群：新客vs老客的参与度和转化率差异

4. 溢出效应：活动是否拉动了非活动品类的销售

5. 负面影响：活动后是否有销量回落（提前消费效应）、退货率是否上升

面试官对这个回答很满意，说考虑得很全面。

HR面（约30分钟）

HR面比较常规，主要问了以下几个问题：

1. 职业规划：短期想深耕数据分析，长期希望往数据产品或数据管理方向发展

2. 为什么选京东：电商数据场景丰富，数据体量大，能学到更多

3. 期望薪资：我报了一个合理的涨幅，HR没有当场回复

4. 目前还有其他offer吗：如实回答

结果

HR面后大概1周，收到了offer。薪资涨幅约25%，虽然不是特别高，但京东的平台和数据场景对我来说更有价值。而且团队规模比现在大很多，能接触到更专业的数据工程和算法团队，对职业发展帮助很大。

面试真题汇总

一面真题：

1. 窗口函数rank、dense_rank、row_number的区别

2. SQL实战：求连续3天登录的用户

3. pandas中merge和join的区别

4. 数据清洗：重复记录和异常值的处理

5. 业务题：GMV下降20%怎么分析

二面真题：

1. AB实验设计：新推荐算法的测试方案

2. 样本量计算与统计显著性判断

3. 核心指标与护栏指标的权衡

4. 指标体系设计：电商APP的OSM模型

5. 数据看板设计：日常经营看板内容

6. 业务Case：促销活动效果评估

HR面：

1. 职业规划

2. 为什么选京东

3. 期望薪资

心得体会与建议

1. SQL是基本功，必须熟练。数据分析面试几乎一定会考SQL，而且不是简单的查询，窗口函数、多表关联、子查询这些是标配。建议把LeetCode上的SQL题刷一遍，重点练窗口函数和日期相关的题目。

2. 业务思维比技术能力更重要。面试中业务题的占比很大，面试官更看重你分析问题的框架和逻辑，而不是具体的技术实现。建议平时多关注业务，理解数据背后的业务含义，不要只做一个"取数工具人"。

3. AB测试是高频考点。几乎每个数据分析面试都会考AB测试，从实验设计到结果分析都要掌握。建议系统学习一下AB测试的统计原理，包括假设检验、样本量计算、多重比较这些。

4. 回答业务题要有框架。不要想到什么说什么，先给出分析框架，再逐步展开。比如GMV下降的问题，先确认数据准确性，再按维度拆解，再定位原因，最后给建议。有框架的回答会让面试官觉得你思路清晰。

5. Python不用太深入，但pandas必须熟。数据分析面试对Python的要求不算特别高，主要是pandas的数据处理能力。merge、groupby、pivot_table、apply这些操作要能熟练使用。

常见问题FAQ

Q：数据分析面试一定要会Python吗？

A：看公司。有些公司只要求SQL+Excel，但大厂基本都要求Python。建议至少掌握pandas和numpy的基本操作，能做数据清洗和简单分析。

Q：SQL要学到什么程度？

A：窗口函数是必须掌握的，多表关联、子查询、CTE这些也是标配。建议能独立完成LeetCode中等难度的SQL题。面试中的SQL题一般不会特别难，但要求写得快、写得对。

Q：没有电商经验能过京东的数据分析面试吗？

A：可以。面试官更看重你的分析思维和学习能力，而不是行业经验。当然，如果你能提前了解一些电商的核心指标（GMV、客单价、转化率、复购率等），会更有优势。

Q：AB测试怎么准备？

A：建议从三个方面准备：1）统计基础——假设检验、p值、置信区间、统计功效；2）实验设计——分流方式、样本量计算、实验周期；3）结果分析——显著性判断、多重比较、Simpson悖论。

Q：数据分析面试会考算法题吗？

A：一般不会考LeetCode那种算法题，但SQL题和Python数据处理题是必考的。有些公司可能会考简单的统计推断题，比如t检验、卡方检验的应用。