2026年商业分析师数据建模面试题及答案.docxVIP

第PAGE页共NUMPAGES页

2026年商业分析师数据建模面试题及答案

一、选择题（共5题，每题2分）

1.在构建客户细分模型时，以下哪种方法最适合用于发现潜在的客户群体？

A.决策树分析

B.聚类分析

C.回归分析

D.神经网络模型

答案：B

解析：聚类分析通过无监督学习将相似客户分组，适用于发现潜在细分群体。决策树和回归分析主要用于预测，神经网络适用于复杂关系建模，但均不直接用于细分发现。

2.若某电商平台的用户行为数据包含用户ID、购买金额、购买次数、注册时间等字段，最适合的数据库表设计是？

A.第三范式（3NF）

B.第二范式（2NF）

C.第一范式（1NF）

D.混合范式

答案：A

解析：3NF适用于消除冗余，确保非主键字段不依赖其他非主键字段，符合电商用户行为数据的关联性需求。1NF仅保证原子性，2NF需先满足1NF且消除部分依赖。

3.在数据预处理中，处理缺失值时，以下哪种方法最适用于数值型数据且不引入偏差？

A.填充平均值

B.填充中位数

C.填充众数

D.删除缺失值

答案：B

解析：中位数对异常值不敏感，适用于分布偏斜的数据。平均值易受极端值影响，众数可能不唯一，删除缺失值会导致数据量减少。

4.若某金融公司需分析用户的信贷风险，以下哪种指标最能反映用户的长期偿债能力？

A.流动比率

B.资产负债率

C.利息保障倍数

D.存货周转率

答案：B

解析：资产负债率反映总债务与总资产的比例，长期偿债能力核心是杠杆水平。流动比率短期偿债能力，利息保障倍数侧重现金流，存货周转率与信贷风险无关。

5.在设计数据仓库的星型模型时，中心事实表应包含哪些数据？

A.用户ID、订单时间、支付方式

B.产品ID、库存量、供应商信息

C.销售金额、订单数量、折扣率

D.部门ID、员工姓名、薪资

答案：C

解析：事实表记录业务事件，如销售数据包含金额、数量等度量值。维度表存储上下文信息，如用户、产品、时间等。

二、简答题（共3题，每题5分）

6.简述在数据建模中，如何平衡数据模型的灵活性与性能？

答案：

1.维度建模优化：采用星型模型减少冗余，将描述性数据（维度）与度量数据（事实）分离，提升查询效率。

2.分区与索引：对大表按时间或业务场景分区，对频繁查询字段（如用户ID）建立索引。

3.ETL流程设计：采用增量加载避免全量刷新，通过物化视图缓存复杂计算结果。

4.数据抽象层级：根据用户角色提供不同粒度的视图，如高管视图简化数据，分析师视图保留细节。

解析：灵活性通过维度扩展实现，性能通过技术手段（分区、索引）优化。平衡点在于业务需求与资源成本的权衡。

7.在客户流失分析中，如何定义关键的业务指标？

答案：

1.流失率（ChurnRate）：一个月/季度流失用户数占总用户数的比例。

2.留存率（RetentionRate）：存活用户占总用户的比例。

3.流失预警指标：如连续未登录天数、近期购买频次下降等。

4.流失成本（ChurnCost）：失去用户带来的收入损失或获客成本。

解析：指标需量化业务影响，流失率与留存率互为镜像，预警指标用于早期干预，成本指标反映直接损失。

8.解释数据建模中“范式”的作用，并说明为何星型模型在商业智能中更受欢迎。

答案：

-范式作用：

-1NF保证原子性，消除重复组。

-2NF消除非主键对主键的部分依赖。

-3NF消除非主键对非主键的传递依赖。

-星型模型优势：

-查询效率高：事实表直接关联维度表，减少关联层级。

-业务理解直观：维度表映射业务术语，易于分析师解读。

-扩展灵活：新增维度或度量只需修改对应表，不影响核心结构。

解析：范式理论确保数据一致性，但过度规范化（如BCNF）会牺牲性能。BI场景更看重易用性与效率。

三、案例分析题（共2题，每题10分）

9.某零售企业希望分析促销活动对销售额的影响，现有数据包括：

-促销日期、折扣比例、参与门店ID

-用户购买商品列表、购买金额、用户等级

-门店面积、竞争门店距离、近3个月天气数据

请设计数据建模方案，并说明如何量化促销效果。

答案：

建模方案：

1.星型模型：

-事实表：`Promotion_Sales`（促销日期、门店ID、销售额、折扣比例、用户等级等度量）

-维度表：`Promotion`（促销类型、活动规则）、`Store`（门店属性）、`Customer`（用户画像）、`Weather`（天气情况）

2.关联分析：通过`Store`与`Customer`关联门店属性与用户行为，`Weather`表补充外部因素。

量化效果：

1.折扣弹性系数：`(促销期销售额-基准期销售额