哈喽大家好，我是数据攻略的六哥~
国庆长假即将到来，提前祝大家假期愉快
在放假前，我也来抓紧兑现承诺：
因正值秋招季，上篇文章分享了
大厂面经系列之 —— 抖音电商面试题解析
由于总篇幅太长，其中第三部分的3道case
故特意单独放在本篇来做参考解析

老规矩，本篇内含原题、解析、注意事项

一、口述SQL逻辑

▼ 题目预览：

• 题目1：假如你负责抖音电商平台，现有一张订单表（order_info），请统计2024年9月10日这天销量金额前10的商品信息。要求：排名相同的一起作为同排名次序输出。
• 题目2：现有一张用户登录表（user_login_log），请统计2024.9.1之前活跃过，但是9.1之后再也没有活跃过的用户。

🔻 解析参考：见上篇👉『抖音电商』数据分析岗面试真题+解析（上）

二、简历相关问题

▼ 题目预览：

🔻 解析参考：见上篇👉『抖音电商』数据分析岗面试真题+解析（上）

三、开放性Case问题

题目1

抖音电商某资源位，希望利用push方式来引导更多用户访问。现在如果需要你确认哪段时间进行push推送能更好的引流，你会怎么做？给出解题思路即可。

🔻 简答参考：

如果利用push方式来引导更多用户访问，我理解目标是提高push点击率，以达到给资源位导流，提高用户访问规模的目的，一般可以分为两种方案来确定合适的时间段：

非个性化方案：即所有用户收到push的时间点一样，具体方式有：

• 分析思路：这类方案，一方面可以从用户角度，结合历史用户使用抖音APP的行为表现，例如：活跃时间、购买行为、浏览习惯等，确定用户最活跃的时间段进行推送，以提高打开率和互动率；另一方面，如果之前有过其他推送，可以结合历史推送数据，分析不同时间段推送的用户响应情况，找出点击率和转化率最高的时间段作为本次的策略参考。
• 实现手段：一般这类非个性化方案是通过圈选人群包的方式来做固定投放。

个性化方案：即不同用户收到push的时间不一样，一般有两类实现手段：

• 规则方式：相较前面非个性化方案的主要区别是分群体做部分差异化方案，这里是对用户做分层后用规则方式来制定几类推送方案，比如根据用户的活跃时间、行为特征等，将用户分为不同的群体，对不同群体的用户做针对性分析，确定每个群体的最佳推送时间。
• 模型方式：可以利用模型进行用户预测，构建特征工程，如：用户行为特征、外部因素（考虑特殊日期和事件，如节假日、促销活动、社会事件、竞品活动等，这些因素可能会影响用户的活跃时间和购买意愿），预测用户使用APP高峰时期，对用户做个性化的push推送策略。
  

此类问题重在考察对业务问题，衍生变体问题可能有：如何制定push策略？这里可以谈的内容方向和广度非常多，比如从人群选择、推送内容、推送场景/时机、策略机制等等，锚定一个自己熟悉的、对方面试官/jd相关的方向来去提高回答的深度。

题目2：

不同领域爆款内容的点赞数差异很大，比如5K赞在娱乐领域很常见，但在汽车领域算是高赞内容，如果按照点赞数进行高质量潜力内容判断，怎么处理数量级不一样的问题？

🔻 简答参考：

这类问题本质应该是为了解决纵向不可比的问题，通常情况下有两类方式：

方式一：结合业务实际情况，可以做分领域的处理，例如：

1. 方法一：分领域进行累计贡献%排名，根据排名占比划分高质量视频内容。比如将所有汽车领域内容依据点赞数从高到低进行排名，根据数据分布表现选取前X%的内容定义为高质量内容。
2. 方法二：分领域设置不同的阈值标准，根据阈值判断划分高质量内容。比如娱乐领域高质量内容的点赞数必须大于5万，汽车领域高赞必须大于2千。这里阈值的判断需要结合各个领域历史点赞数具体分布情况做界定。
   

方法二：利用常用数据手段，可以对点赞数进行归一化处理，以消除不同领域点赞数数量级差异的影响。常可以使用以下最大最小归一化（Min-Max Scaling）、  Z-score标准化、对数变换等方法：

1. 最大最小归一化（Min-Max Scaling）：将数据缩放到一个特定的小范围内，如0到1之间，公式为：

1. Z-score标准化：将数据的均值转换为0，标准差转换为1，公式为：

1. 对数变换：对于正数数据，通过对数变换可以压缩大数值，展开小数值，使数据更加符合正态分布，公式为：

这类case的提问形式其实已经界定清楚了问题，很多时候面试官不一定会把问题描述的非常清晰，可能就是前半段问题，例如：“如何识别不同领域的高质量潜力内容？”这里又是另外一个宏大case问题了，有很多可以去谈的思路方向，比如：

题目3：

假设你负责的某AB实验，实验组相比对照组整体人均浏览时长下降了，下钻分城市等级分析后发现，每个城市等级下的人均浏览时长却有不同幅度提升，如何解释这个现象？

听上去属于整体和分组后的关键指标出现相反结论的问题，我认为有两种可能原因：

• 一种本身实验结论可能不置信，可能由于实验设计、AA校验未通过、样本量不足等导致；（可见公众号👉往期分享的『AB实验』专题文章）
• 另一种如果说在实验结果无误的情况下，大概率是属于辛普森悖论问题。出现这种现象的原因可能是：
1. 不同城市等级的用户基数不同：高等级城市的用户数量可能更多，即使人均浏览时长有所提升，但如果提升幅度不大，可能还是会被数量更多的低浏览时长用户拉低整体平均水平。
2. 用户行为差异：不同城市等级的用户可能有不同的使用习惯和偏好，导致他们对实验变量的反应不同。
3. 潜在变量的影响：可能存在其他未观测到的因素（如用户的年龄、教育背景、收入等级等）影响了用户的浏览行为。
   

如果需要解决这类问题，前提是需要理解数据背后的生成机制，考虑可能的潜在变量，常用到的解决手段可能有以下几个角度：

⭐分析前：是否有必要对用户做分组，即实验策略是否对分组变量有意义，避免无意义地下钻拆解出现多重检验问题，如果有必要可以事前对分层用户做AA检验，确保后续结论的可比性。

⭐分析中：如果有必要分组来去探查效果，通常有以下方式：

• 权重调整：由于辛普森悖论和样本量的多少有关，如果不同组别的样本量差异很大，可以通过加权方法来调整每个组别在总体分析中的权重，以减少样本量差异的影响；
• 控制变量：根据实际策略生效机制，识别和控制可能影响结果的其他变量，如上面提到的一些特征等，确保分析的公正性；
• 分层论证：另外可以针对该分组变量，分层后重新做AB实验来验证实际效果，帮助我们理解不同子群体的行为，避免因合并层级而导致的趋势反转问题。
  

此类问题无论是在日常工作中，还是面试中都很常见，要条件反射一样先联想到统计学中的经典悖论，同时面试中在回答时如果想提高自己思考问题的全面性，要想到可能问题的场景有哪些（比如上面提到的原因一），先总结然后针对某一类问题做细致阐述，这里除了回答what现象外，如果可以接着回答why为什么出现、how如何解决则是加分项。

以上就是关于数分岗大厂面经系列之
「抖音电商」面试题的一些解析参考
如果还想看更多此系列大厂真题解析
本篇点赞/在看过20，节后下篇就来更新

如若盼 追更 『求职类』干货系列
欢迎大家点赞、转发，最底部点点在看
你的鼓励，真的是对我最大的动力