交通银行成都市数据分析师笔试题及答案.docxVIP

第PAGE页共NUMPAGES页

交通银行成都市数据分析师笔试题及答案

一、选择题（共5题，每题2分，计10分）

1.在交通银行成都分行，若要分析某区域客户信贷违约风险，最适合使用的统计模型是？

A.线性回归模型

B.决策树模型

C.逻辑回归模型

D.K-Means聚类模型

2.成都市居民消费支出数据呈右偏分布，若需计算该数据的代表性指标，应优先选择？

A.均值

B.中位数

C.标准差

D.峰度

3.交通银行成都分行APP用户行为分析中，衡量用户活跃度的常用指标是？

A.用户总数

B.日活跃用户数（DAU）

C.用户留存率

D.平均交易金额

4.若某客户在成都地区的信用卡使用频率较低，但单次消费金额较高，这种行为模式可能属于？

A.习惯性消费

B.偶发性大额消费

C.风险高客户特征

D.价格敏感型客户

5.在交通银行成都分行信贷业务中，用于评估客户信用风险的评分卡模型，其核心变量通常包括？

A.年龄、收入、负债率

B.居住地、职业、婚姻状况

C.消费习惯、交易频率、信用历史

D.以上所有

二、填空题（共5题，每题2分，计10分）

1.交通银行成都分行若需分析春熙路商圈信用卡交易特征，应关注的关联规则挖掘算法是__________。

2.成都市小微企业信贷业务中，用于衡量贷款违约可能性的统计指标是__________。

3.数据分析中，若成都市某区域客户年龄分布集中，则该群体属于__________型客户。

4.交通银行APP用户画像分析中，常用的聚类算法有__________和__________。

5.若成都市某客户短期内频繁申请信用卡，但审批均被拒，可能的原因是__________。

三、简答题（共3题，每题10分，计30分）

1.简述交通银行成都分行在分析小微企业信贷风险时，如何利用数据挖掘技术识别潜在风险客户？

2.成都市消费信贷业务中，若发现某区域客户违约率异常偏高，如何通过数据分析定位问题原因？

3.结合成都市金融监管政策，说明交通银行在数据合规前提下，如何平衡信贷业务增长与风险控制？

四、计算题（共2题，每题15分，计30分）

1.某客户在交通银行成都分行的信用卡月交易数据如下表，请计算该客户的平均交易金额、中位数及标准差。

|月份|交易金额（元）|

||-|

|1月|1200|

|2月|1800|

|3月|1500|

|4月|2000|

|5月|1600|

2.交通银行成都分行某区域信用卡用户数据如下：违约用户占比为20%，非违约用户占比为80%。若某客户信用评分低于阈值为高风险客户，评分高于阈值为低风险客户，已知高风险客户违约概率为30%，低风险客户违约概率为5%。现随机抽取一名客户，求该客户违约的总体概率？

五、论述题（1题，20分）

结合成都市金融科技发展趋势，论述交通银行如何通过数据分析技术提升客户服务体验与业务效率。

答案及解析

一、选择题答案及解析

1.C.逻辑回归模型

解析：信贷违约风险属于分类问题，逻辑回归模型适用于预测二分类结果（违约/不违约），而线性回归、决策树和聚类模型不直接适用于此类场景。

2.B.中位数

解析：右偏分布中，均值易受极端值影响，中位数更能代表数据的集中趋势。标准差衡量波动性，峰度描述分布形状，非代表性指标。

3.B.日活跃用户数（DAU）

解析：DAU是衡量用户即时活跃度的核心指标，比用户总数更能反映活跃程度；留存率关注长期行为，平均交易金额侧重消费能力。

4.B.偶发性大额消费

解析：该行为模式可能属于高净值客户的小额高频消费习惯，而非风险特征。价格敏感型客户通常交易频率高但金额低。

5.A.年龄、收入、负债率

解析：信用评分卡模型的核心变量通常包括客观数据（如收入、负债），而非主观或行为性指标。居住地、职业等辅助参考。

二、填空题答案及解析

1.Apriori算法

解析：春熙路商圈交易数据需挖掘商品关联性（如“购买服装→信用卡支付”），Apriori适用于频繁项集挖掘。

2.违约概率（PD）

解析：信贷风险核心指标，通过历史数据统计计算，反映违约可能性。

3.集中型

解析：年龄分布集中表示客户群体特征稳定，便于精准营销。

4.K-Means、DBSCAN

解析：K-Means适用于分桶聚类，DBSCAN适用于不规则形状聚类，均适用于用户画像分析。

5.征信记录差

解析：频繁申请但被拒可能因逾期、负债高或欺诈行为，需结合征信数据排查。

三、简答题答案及解析

1.答案：

-数据采集：整合企业工商信息、