京東數據分析崗面試經歷分享：SQL+Python+業務思維全考察

背景介紹

先說下我的情況，2年資料分析經驗，目前在一家網際網路公司做資料分析師，主要負責使用者行為分析和業務資料監控。日常工作就是寫SQL取數、做報表、跑AB實驗這些。公司不算大，資料團隊就5個人，什麼活都得自己幹，從取數到建模到視覺化一條龍。

說實話，在小團隊做資料分析，最大的問題就是成長空間有限。業務方提什麼需求就做什麼，很少有機會做深度的專題分析，更別說搭建完整的資料體系了。所以一直想找個更大的平台，能有更豐富的資料場景和更專業的團隊。

今年4月份，一個獵頭在LinkedIn上找到我，說京東在招資料分析師，問我有沒有興趣。說實話京東一直是我想去的公司，畢竟電商領域的資料體量和複雜度都是頂級的，對資料分析的要求也更高。獵頭幫我投了簡歷，大概3天後就收到了面試邀請。

完整面試流程復盤

一面（約1小時，SQL+Python+業務題）

一面的面試官是資料團隊的一個資深分析師，看起來30出頭，問問題很直接，不繞彎子。面試分為三個部分：SQL、Python、業務分析。

SQL部分：

面試官先問了一個基礎問題：視窗函式中rank、dense_rank、row_number的區別。這個我答得比較流暢——rank是並列排名會跳號（1,1,3），dense_rank是並列排名不跳號（1,1,2），row_number是不管並列直接遞增（1,2,3）。然後面試官出了道實戰題：求連續3天登入的使用者。

這道題的思路是：先按使用者分組，用row_number給登入日期排序，然後用登入日期減去排序號得到一個「基準日期」，如果同一個使用者的基準日期出現3次以上，就說明有連續3天登入。我寫了大概10分鐘，面試官讓我解釋了一下邏輯，然後追問了如果資料量很大怎麼最佳化——我講了可以先按日期分割槽，減少單次處理的資料量。

Python部分：

問的第一個問題是pandas中merge和join的區別。我講了merge是更通用的合併方式，可以指定left/right/inner/outer，可以基於多個列合併；join預設是基於索引合併，語法更簡潔。然後面試官問了一個資料清洗的實際問題：有一個使用者行為日誌表，裡面有重複記錄和異常值，怎麼清洗？

我的思路是：先用drop_duplicates去重，可以根據使用者ID+時間戳+事件型別來判斷重複；然後用describe()看數值型欄位的分佈，用3σ原則或箱線圖識別異常值；對於缺失值，根據業務場景選擇填充或刪除。面試官對這個回答比較滿意，追問了如果異常值佔比很大怎麼辦——我說要和業務方確認，可能是資料採集的問題，不能簡單刪除。

業務分析部分：

面試官出了一個經典問題：如果GMV下降了20%，你怎麼分析？我按照「總體→拆解→定位」的思路來回答：

1. 先確認資料準確性——是統計口徑變了還是真的下降了？

2. 按維度拆解——按時間（是突然下降還是持續下降）、按品類（哪個品類降幅最大）、按渠道（哪個渠道出了問題）、按新老使用者（是新使用者少了還是老使用者不買了）

3. 定位原因——結合業務動作（有沒有改版、有沒有促銷結束、競品有沒有大促）

4. 給出建議——根據原因提出對應的解決方案

面試官追問了：如果按品類拆解後發現所有品類都在下降，你怎麼進一步分析？我說那就看是不是流量端的問題——整體流量是否下降？轉化率是否下降？客單價是否下降？逐層定位到具體的環節。

二面（約1小時，AB測試+指標體系+資料看板）

二面的面試官是資料團隊的負責人，問題更偏方法和論和實際落地。

AB測試設計：

面試官問了一個很實際的問題：如果要測試一個新的推薦演算法，你怎麼設計AB實驗？我從以下幾個方面展開：

1. 實驗設計：確定實驗組和對照組，選擇分流方式（按使用者ID hash分流），確定實驗週期（至少一個完整週期，考慮週末效應）

2. 指標選擇：核心指標（點選率、轉化率）、護欄指標（確保不會負面影響其他指標，如退貨率、客訴率）

3. 樣本量計算：基於最小可檢測效應（MDE）和統計功效（通常取80%），用公式或線上工具計算

4. 結果分析：用t檢驗或卡方檢驗判斷差異是否顯著，注意多重比較問題

面試官追問了：如果實驗結果顯示核心指標提升顯著但護欄指標也有負面影響，你怎麼決策？我講了需要評估綜合收益——如果核心指標的提升價值遠大於護欄指標的負面影響，可以上線但需要持續監控；如果負面影響不可接受，需要最佳化方案後再測試。

指標體系搭建：

面試官讓我給一個電商APP設計指標體系。我從OSM模型出發：

1. 目標層（O）：GMV、使用者數、留存率

2. 策略層（S）：流量獲取、轉化提升、客單價提升、留存改善

3. 度量層（M）：DAU、UV、轉化漏斗各環節轉化率、客單價、複購率、7日/30日留存

面試官對這個框架比較認可，但指出我遺漏了供給側的指標——商家數、商品豐富度、履約時效這些也很重要。確實，電商是雙邊市場，我只考慮了使用者端。

資料看板設計：

面試官問：如果要給業務負責人做一個日常經營看板，你會放哪些內容？我講了：

1. 核心KPI卡片：GMV、訂單量、客單價、DAU（含同比環比）

2. 趨勢圖：GMV和訂單量的日趨勢

3. 漏斗圖：從訪問到下單的轉化漏斗

4. 排行榜：品類TOP10、渠道TOP10

5. 異常告警：關鍵指標偏離閾值時高亮顯示

面試官追問了看板的更新頻率——我說核心指標即時更新，詳細資料T+1更新。面試官認為這個設計合理。

業務Case：如何評估促銷活動效果

面試官出了一個場景題：剛結束了一個滿減促銷活動，怎麼評估效果？我的分析框架：

1. 直接效果：活動期間的GMV、訂單量、參與使用者數、客單價變化

2. ROI分析：活動成本（補貼金額）vs 帶來的增量GMV，計算ROI

3. 使用者分群：新客vs老客的參與度和轉化率差異

4. 溢位效應：活動是否拉動了非活動品類的銷售

5. 負面影響：活動後是否有銷量回落（提前消費效應）、退貨率是否上升

面試官對這個回答很滿意，說考慮得很全面。

HR面（約30分鐘）

HR面比較常規，主要問了以下幾個問題：

1. 職業規劃：短期想深耕資料分析，長期希望往資料產品或資料管理方向發展

2. 為什麼選京東：電商資料場景豐富，資料體量大，能學到更多

3. 期望薪資：我報了一個合理的漲幅，HR沒有當場回覆

4. 目前還有其他offer嗎：如實回答

結果

HR面後大概1週，收到了offer。薪資漲幅約25%，雖然不是特別高，但京東的平台和資料場景對我來說更有價值。而且團隊規模比現在大很多，能接觸到更專業的資料工程和演算法團隊，對職業發展幫助很大。

面試真題匯總

一面真題：

1. 視窗函式rank、dense_rank、row_number的區別

2. SQL實戰：求連續3天登入的使用者

3. pandas中merge和join的區別

4. 資料清洗：重複記錄和異常值的處理

5. 業務題：GMV下降20%怎麼分析

二面真題：

1. AB實驗設計：新推薦演算法的測試方案

2. 樣本量計算與統計顯著性判斷

3. 核心指標與護欄指標的權衡

4. 指標體系設計：電商APP的OSM模型

5. 資料看板設計：日常經營看板內容

6. 業務Case：促銷活動效果評估

HR面：

1. 職業規劃

2. 為什麼選京東

3. 期望薪資

心得體會與建議

1. SQL是基本功，必須熟練。資料分析面試幾乎一定會考SQL，而且不是簡單的查詢，視窗函式、多表關聯、子查詢這些是標配。建議把LeetCode上的SQL題刷一遍，重點練視窗函式和日期相關的題目。

2. 業務思維比技術能力更重要。面試中業務題的佔比很大，面試官更看重你分析問題的框架和邏輯，而不是具體的技術實現。建議平時多關注業務，理解資料背後的業務含義，不要只做一個「取數工具人」。

3. AB測試是高頻考點。幾乎每個資料分析面試都會考AB測試，從實驗設計到結果分析都要掌握。建議系統學習一下AB測試的統計原理，包括假設檢驗、樣本量計算、多重比較這些。

4. 回答業務題要有框架。不要想到什麼說什麼，先給出分析框架，再逐步展開。比如GMV下降的問題，先確認資料準確性，再按維度拆解，再定位原因，最後給建議。有框架的回答會讓面試官覺得你思路清晰。

5. Python不用太深入，但pandas必須熟。資料分析面試對Python的要求不算特別高，主要是pandas的資料處理能力。merge、groupby、pivot_table、apply這些操作要能熟練使用。

常見問題FAQ

Q：資料分析面試一定要會Python嗎？

A：看公司。有些公司只要求SQL+Excel，但大廠基本都要求Python。建議至少掌握pandas和numpy的基本操作，能做資料清洗和簡單分析。

Q：SQL要學到什麼程度？

A：視窗函式是必須掌握的，多表關聯、子查詢、CTE這些也是標配。建議能獨立完成LeetCode中等難度的SQL題。面試中的SQL題一般不會特別難，但要求寫得快、寫得對。

Q：沒有電商經驗能過京東的資料分析面試嗎？

A：可以。面試官更看重你的分析思維和學習能力，而不是行業經驗。當然，如果你能提前了解一些電商的核心指標（GMV、客單價、轉化率、複購率等），會更有優勢。

Q：AB測試怎麼準備？

A：建議從三個方面準備：1）統計基礎——假設檢驗、p值、置信區間、統計功效；2）實驗設計——分流方式、樣本量計算、實驗週期；3）結果分析——顯著性判斷、多重比較、Simpson悖論。

Q：資料分析面試會考算法題嗎？

A：一般不會考LeetCode那種算法題，但SQL題和Python資料處理題是必考的。有些公司可能會考簡單的統計推斷題，比如t檢驗、卡方檢驗的應用。