商业分析师数据分析面试题集含答案.docxVIP

第PAGE页共NUMPAGES页

2026年商业分析师数据分析面试题集含答案

一、选择题（每题2分，共10题）

题目：

1.在分析某电商平台用户购买行为时，最适合使用哪种图表展示不同年龄段用户的购买占比？

A.散点图

B.饼图

C.折线图

D.热力图

2.以下哪种方法最适合处理缺失值？

A.直接删除缺失数据

B.均值/中位数填充

C.使用模型预测缺失值

D.以上都是

3.在进行回归分析时，如果发现残差图呈现随机分布，说明什么？

A.模型拟合良好

B.存在多重共线性

C.数据存在异方差

D.需要调整自变量

4.某公司需要分析近三年用户留存率变化，最适合使用哪种分析工具？

A.Excel

B.SQL

C.Tableau

D.Python

5.在数据清洗过程中，如何处理重复数据？

A.保留第一条数据，删除其余重复项

B.删除所有重复数据

C.使用哈希算法合并重复项

D.保留最后一条数据，删除其余重复项

答案与解析：

1.B（饼图适合展示占比，散点图用于关系分析，折线图用于趋势，热力图用于二维分布）。

2.D（均值/中位数填充适用于少量缺失值，删除缺失值可能导致偏差，模型预测适用于大量缺失值）。

3.A（残差随机分布表示模型无系统性偏差，拟合良好；若存在模式则说明模型需改进）。

4.A（Excel适合时间序列分析，SQL用于数据提取，Tableau用于可视化，Python用于复杂计算）。

5.A（保留第一条可避免早期数据偏差，删除所有或最后一条可能丢失关键信息，哈希合并不适用于业务场景）。

二、简答题（每题5分，共5题）

题目：

1.简述数据探索性分析（EDA）的步骤及其在商业决策中的作用。

2.解释什么是“数据偏差”，并举例说明如何减少偏差。

3.描述K-Means聚类算法的基本原理及其应用场景。

4.如何评估一个分类模型的性能？列举三种常用指标。

5.在进行用户行为分析时，如何定义“活跃用户”？请说明计算方法。

答案与解析：

1.EDA步骤：

-统计描述（均值、中位数、方差等）

-探索数据分布（直方图、箱线图）

-变量间关系分析（散点图、相关系数）

-异常值检测

作用：发现数据特征、验证假设、指导后续分析。

2.数据偏差：

指数据样本不能代表总体，如抽样偏差（样本未覆盖所有群体）。

减少方法：

-增大样本量

-多样化抽样方法（分层抽样）

-增加数据来源（如UGC、第三方数据）。

3.K-Means原理：

通过迭代将数据点分配到k个簇，使簇内方差最小化。

应用场景：用户分群、商品推荐、客户画像。

4.分类模型评估指标：

-准确率（Accuracy）

-精确率（Precision）

-召回率（Recall）

5.活跃用户定义：

通常指在近30天内有登录/购买等行为的用户。

计算方法：

sql

SELECTCOUNT(DISTINCTuser_id)

FROMuser_actions

WHEREaction_dateBETWEENDATE_SUB(CURDATE(),INTERVAL30DAY)ANDCURDATE();

三、案例分析题（每题15分，共2题）

题目1（电商用户流失分析）：

某电商平台发现近半年用户流失率上升至30%，请设计分析方案，包括数据需求、分析方法及可视化建议。

题目2（金融风控建模）：

某银行需要评估贷款用户违约风险，如何利用历史数据构建分类模型？请说明数据预处理步骤及模型选择理由。

答案与解析：

题目1：

数据需求：

-用户基本信息（年龄、地域、注册时长）

-行为数据（购买频率、浏览商品类型）

-流失状态（是否流失，流失时间）

分析方法：

1.描述性分析（流失/留存用户特征对比）

2.引入流失原因分类（如价格敏感、服务体验差）

3.时序分析（流失率趋势）

可视化建议：

-漏斗图（用户转化漏斗）

-雷达图（特征差异对比）

-热力图（流失原因分布）

题目2：

数据预处理：

1.缺失值处理（用均值填充或模型预测）

2.异常值检测（如收入、负债过高）

3.特征工程（如创建“负债收入比”等衍生变量）

模型选择：

-逻辑回归（解释性强）

-XGBoost（高精度）

-支持向量机（处理高维数据）

本试题基于近年相关经典考题，力求帮助考生提升应试能力，取得好成绩！