16.你做的分析报告有问题，业务方不满意怎么办（蓝月亮） 参考答案首先看问题出在什么地方，是双方由于沟通导致数据口径、结果呈现方式、分析方向有问题，还是由于自身在树立框架的时候方向出错，导致没有得到业务方想得到的数据结果和结论的问题。如果是前者的问题，就需要再和业务方进行详细沟通，将每一个维度、每一个指标的口径和呈现方式都聊清楚；如果是后者的问题，那么可能需要请教一些比较资深的同事来帮你重新梳理一下需求，重新找到正确的方向   17.如何衡量一个活动的ROI（字节跳动） 参考答案● 解决了什么问题：活动的目标&背景是什么，可以对应到哪些核心指标，可以具体细拆到哪些指标● 这个...

1. 【产品改进】如果你是这款app（联动上题）的产品经理，你认为它未来的发展方向是什么？      开放性问题，言之有理即可。建议答题思路为：从本质出来，这款产品的本质是什么，再从其特点出发。      比如小红书，本质是一个UGC内容社区，那么是由创作者、消费者、平台这三部分组成。然后找现在的问题，既而讲出未来方向。另外可以考虑这个App目前掌握的资源（如用户量，版权，IP等），该App目前的资源是否能在新领域中获得竞争优势，此外新领域当前的市场现状是否值得进入（比如市场是否是竞争较少的新兴市场），此外还有新的发展方向（即新领域）的市场规模，即进入后有什么样的预期。      产品改进这类...

1.  作为一名运营，如果让你来实现某平台VIP用户的“到期后自动续费”功能，请说一下你的思路和方案。    参考回答：   思路：   可以让用户在办理vip的时候就直接默认续费，不续费的不明显的显示，续费的稍作提示，当然，到期后也可以取消。   具体方案：   这个也是目前大多数市面上的平台采用的方案：   显示问题：即在办理vip的时候就需要默认续费，不续费的不明显的显示出来，增加转化   价格突显：价格上做出明确区分，在他办理vip和到期想取消自动续费的时候，用价格来做突显，比如说单独一个月多少元，续费多少元，有一个非常明显的价格差，会给人以刺激   待遇差别：在其他方面增加...

1.  网易云一年一度的云创大会要来了，此次大会我们会以网络安全和大数据可视化为主要推广产品，你作为网易云的内容运营，需要为此次云创大会策划整体的推广方案，包括但不仅限于推广的形式、渠道、内容、节奏、费用等。    参考回答：   "网易云创大会推广方案 （1）推广形式：以性价比较高的海报，H5通过朋友圈传播为主，传统的PR宣传也常用。 （2）推广渠道：以传统的媒体推广渠道为主。云产品是面向B端企业客户的，因此宣传渠道如果是偏精准的CXO级别的社群较好。 （3）推广内容：大数据可视化，联合大品牌做一些联合活动案例，例如与摩拜合作做杭州骑行数据，或者做一些有趣的话提，例如华为、阿里、网...

1.  一个女鞋品牌在某电商平台销售，你认为通过哪些数据和方法可以看出销售现状和业务提升。    参考回答：   可以从数据来进行横向对比和纵向对比，并与其它竞争品牌对比：   1. 横向对比：   对比该品牌在不同平台上的月销售量、销售的型号款式、销售额等指标。了解品牌在不同平台的销售状况，以确定针对该平台应采取的营销策略。   2. 纵向对比：   对比该品牌在该平台上的月销售量、销售的型号款式、销售额等指标随时间的变化，同比和环比增长情况，确定属于增长、下降、平稳还是停滞状态。确定品牌在该平台的销售现状。   3. 与竞争品牌对比   对比在该平台上竞争品牌的销售情况，包括月销...

1. 如何尽快拉到500个用户来网易云音乐创作视频。    参考回答：   目标：拉到500个用户来网易云音乐创作视频   成本和资源评估：看一下活动预算和资源评估，也就是能给参与的用户多少补贴和资源等等，根据这些来派发   目标用户分析：肯定是对创作视频感兴趣的人群，对视频创作有一定积累的   视频收集：对想要收集到的视频内容进行分类，比如是抒情的，嗨的等等各种类型，当然，如果没有这个分类这步就没有必要来做了。      思路：   找人：去相关视频创作视频的集中地找人   转化：对应的去派发相关的活动让他们知道，必要也可以一对一去联系       2. 随着 O2O 市场的发展，外卖成了 ...

6.分析一个case，case背景是陌陌换了匹配算法，要做abtest（字节跳动） 参考答案关键指标：匹配后互动成功率相关指标：DAU、用户在线时长，次均聊天时长、用户付费率、各类功能的使用情况负向指标：用户流失率   7.算法部门上线了新的推荐算法，在ab-test中败给了老算法，让你找出其中的原因，需要说出具体思路和框架（拼多多） 参考答案电商平台的商品推荐中，商品历经曝光、点击、加购物车、下单这一系列漏斗。应该分别比较两个算法推荐商品在各环节的转化率，并针对不同环节寻找原因。如果较老算法而言，新算法推的商品从曝光至点击的转化率很低，则应该从推荐推送客群的画像思考，说明推荐算法推...

1.在abtest的应用 p值的意义，第一类和第二类错误的定义是什么？（快手、字节跳动、猿辅导） 参考答案 AB实验实际上是建立在假设检验的基础上的，P值就是在原假设成立的前提下，出现原假设以及更极端现象的概率，定义了第一类错误的具体程度，第一类错误α叫弃真错误或显著性水平，即原假设为真时却被我们拒绝的概率；第二类错误β叫采伪错误，即原假设为伪我们没有拒绝的概率。在一定样本量的情况下，减小一类错误必然会增大另一类错误，在实践中我们一般会优先控制第一类错误，因为原假设是非常明确的答案解析1-第一类错误也即原假设为真的情况我们接受的概率，对于AB实验，犯这个错误代表新策略没有收益，我们却认为有收益...

11.讲几个关于用数据进行业务分析的经历或例子（京东、拼多多） 参考答案互联网数据与运营紧密结合，实习、工作中通常需要使用数据对业务进行分析。接下来以通过数据驱动制定APP活动页资源投放分发策略为例，对数据分析及业务相关的流程进行剖析。APP活动页资源投放分发策略的制定较为复杂，需要对页面各营销位的浏览量和点击率进行分析。在进行全面的评估后，考虑进行千人千面的营销，以提升其点击率。首先需要对客群进行细分，根据用户历史访问场景及app特征进行分群。然后基于用户的访问场景数据进行关联性分析，计算出各场景间的关联度，在活动页针对有某个场景访问历史的用户投放与其关联度高的场景优惠券，提升用户最终的点击...

6.业务问题- 异常订单 两者纠纷处理（京东） 参考答案京东作为一家优先考虑用户体验及服务的电商平台，在出现异常订单时应优先考虑用户的利益，在第一时间了解情况，要求用户或商家提供相应的文字、图片等关键证据。在了解情况下，根据提前制定的针对订单所处状态及用户诉求制定的策略，尽最大可能满足用户的诉求。事后再根据用户或商家补充的证据进行回检。若确定用户诉求合理的情况下，损失由商家承担。如果用户提出的无理诉求，则予以退回。因此异常订单整体的处理流程应为：1） 第一时间向用户和商家了解情况，要求提供关键证据2） 根据制度尽最大可能满足用户的诉求3） 用户诉求合理则损失由商家承担，否则拒绝   ...

1.python讲自己用过的包的具体用法（滴滴） 参考答案1.numpy，用来做多维数组的运算的，之前在xx项目中用numpy做一些数据运算的工作。2.pandas，用来处理表格和复杂数据的，我主要用它在数据清洗这一步。3.matplotlib，用来数据可视化，在对处理好的数据我想简单看一下频数分布或者相关性之类的很轻松的可以画出图片。4.sklearn，用户机器学习建模，在数据建模这部分用到，我经常用的模型有随机森林和xgb（引导面试官问这两者的区别）。答案解析用过的包+用途+用这个做了什么   2.python 斐波那契数列（猿辅导） 参考答案 def fib(self, n: ...

31.决策树模型用到的xgboost（腾讯） 参考答案首先，介绍背景（包括项目背景+所用数据集特征+预设目标）。随后根据这个数据集的特征再结合xgb的优势，所以才用xgb（为什么要用xgb）。最后说明用了之后的效果，是否达成了预设目标/达成了其他的目标。答案解析需要结合简历上的项目来介绍，包括为什么要用以及用了之后的效果。   32.xgboost的特性（腾讯） 参考答案1.梯度下降，利用损失函数的二阶导数作为学习目标，采用牛顿法进行优化。2.正则项，利用L2正则来防止过拟合。3.树节点分裂方法，不是简单地按照样本个数进行分位，而是以二阶导数值作为权重。4。shrinkage（收缩）...

26.L1、L2的原理？两者区别？（苏宁） 参考答案原理：L1正则是基于L1范数和项，即参数的绝对值和参数的积项；L2正则是基于L2范数，即在目标函数后面加上参数的平方和与参数的积项。区别：1.鲁棒性：L1对异常点不敏感，L2对异常点有放大效果。2.稳定性：对于新数据的调整，L1变动很大，L2整体变动不大。答案解析数据分析只需要简单知道原理和区别就行，公式推导不需要，面试过程中也不会出现。   27.boosting 和 bagging的区别（快手） 参考答案boosting：训练基分类器时采用串行的方法，各个基分类器有依赖，每一层训练时，对前一层分错的样本给与更高的权重，测试时，根...

21.EM算法知道吗（广联达） 参考答案EM算法解决问题的思路是使用启发式的迭代方法，既然我们无法直接求出模型分布参数，那么我们可以先猜想隐含参数(EM 算法的E步)，接着基于观察数据和猜测的隐含参数一起来极大化对数似然，求解我们的模型参数(EM算法的M步)。由于我们之前的隐含参数是猜测的，所以此时得到的模型参数一般还不是我们想要的结果。我们基于当前得到的模型参数，继续猜测隐含参数(EM算法的E步)，然后继续极大化对数似然，求解我们的模型参数(EM算法的M步)。以此类推，不断的迭代下去，直到模型分布参数基本无变化，算法收敛，找到合适的模型参数。例如：先设定男生和女生的身高分布参数(初始值)，例...