中国平安校招数据分析师面试经验——求职精灵（finsight.work）

自我介绍的判断标准是「有没有数据感」，两分钟内讲完，按「背景—项目—匹配」三段。第一段一句话交代专业、课程与方法栈，统计、机器学习、SQL 与 Python 要具体到能追问的程度，不要罗列。第二段选两段最硬的经历，每段讲四件事：数据规模（多少行、多少字段、多长周期）、业务问题、用了什么方法与工具、结论带来了什么改变，哪怕只是把某个环节的转化率提了几个点。第三段说匹配：平安的数据资产横跨保险、银行、医疗健康，业务场景足够复杂，分析师能真正参与决策而不只是出报表，这句话比「平台大」有说服力。收尾留一个钩子，比如「最想深入的是理赔环节的数据」。追问预警：面试官很可能挑一个项目连问三层，凡写在简历上的指标都要能还原口径。

先说思路再写语句：按部门分组、按工资降序排名，再筛出前三。用窗口函数最直接：SELECT * FROM (SELECT e.*, ROW_NUMBER() OVER (PARTITION BY dept_id ORDER BY salary DESC) rn FROM employee e) t WHERE rn <= 3。若并列名次要保留，把 ROW_NUMBER 换成 DENSE_RANK。三者区别要能顺口说出：ROW_NUMBER 不处理并列，RANK 并列后跳号，DENSE_RANK 并列后不跳号。追问性能时补两点：在分区字段与排序字段上建联合索引；窗口计算前先用 WHERE 缩小分区范围，减少排序的数据量。收尾补一句口径习惯：先问清「前三名」是按人数还是按名次。

回答覆盖原理、设计、判断、陷阱四块。原理是把用户随机分成实验组与对照组，只改一个变量，比较核心指标的差异是否由策略而非随机波动引起。设计四件事：明确原假设与备择假设；按基线指标、最小可检测效应、显著性水平 0.05、统计功效 80% 反推样本量；确认分流随机且两组在关键维度上均衡；固定周期，至少覆盖一个完整周。判断看 p 值与置信区间，同时看效应量，避免「显著但没用」。陷阱要点名三个：辛普森悖论，整体与分组结论相反；新奇效应，短期上涨不可持续；多重比较，反复切指标会抬假阳性。收尾一句：实验结论要落到「上不上、怎么上」，不能停在显著性。追问预警：可能问「样本不够怎么办」，回答是延长周期、提高效应阈值或改用准实验。

按「先验数、再拆维、后归因、最后验证」四步走。第一步排除假象：口径有没有改、埋点有没有断、统计周期是否对齐，很多「上升 5%」是取数问题。第二步拆维度：时间上区分突增还是缓升，用户上分新老、年龄、保单类型、保额，渠道上分线上线下与不同代理，地域上分区域，交叉定位到具体人群。第三步提假设：竞品替代、费率调整、理赔时效变慢、服务触点减少、续期提醒不到位，每条假设都要对应一个可查的数据。第四步验证：抽样回访、问卷、竞品对比，确认后再提方案，并用小范围实验验证效果。收尾强调闭环：分析的终点是动作，不是报告。追问预警：可能问「只能看三个维度先看哪三个」，回答是新老、渠道、时间。

先定义再给识别与对策。过拟合是模型把训练集里的噪声和偶然相关也学了进去，表现为训练误差很低、验证或线上误差明显偏高，本质是模型复杂度超过了数据能支撑的信息量。识别看三条：训练与验证指标差距过大；交叉验证各折方差大；换时间段或换样本后指标明显下滑。对策按性价比排序：补数据与特征，这是最根本的；正则化，L1 做稀疏、L2 压参数；降低复杂度，减层数、减特征、限制树深；早停；交叉验证选参；集成方法降方差；数据增强。收尾补一句业务视角：金融场景宁可牺牲一点训练集精度，也要保证跨时间样本的稳定性。追问预警：可能追问「欠拟合怎么办」，回答是加特征、加复杂度、先查标签质量。

用 STAR 讲，重点把「洞察—决策—验证」这条链讲完整。情境给出业务问题和约束：哪个环节的指标在恶化、恶化到什么程度、决策窗口有多长。任务说明自己要回答的具体问题，比如「新增用户在首周的哪个节点流失最多」。行动分四步：先定义指标口径与观察窗口；再拆漏斗定位断点，用分群对比排除干扰，比如渠道结构变化或活动叠加；然后提出两三个可检验的假设，逐一用数据证伪；最后把结论翻译成业务能执行的动作，比如调整引导顺序、改推送时机。结果给两组数字：结论带来的指标变化，以及验证实验的显著性。收尾说清角色边界：分析师的价值不是给答案，是让决策有依据、可复盘。追问预警：可能追问「业务方不采纳怎么办」，回答是把收益与成本量化后交给决策层。

先给定义与算法，再讲局限。R² 表示模型解释了多少因变量的变异，等于 1 减去残差平方和与总平方和的比值，取值通常在 0 到 1 之间，越接近 1 拟合越好；在简单线性回归里，它等于预测值与真实值相关系数的平方。局限有四条：一是加入自变量后必然不降，所以比较变量数不同的模型要看调整 R²；二是高 R² 不代表因果成立，遗漏变量与反向因果都会让系数失真；三是对异常值敏感，几个极端点就能显著改变数值；四是评价标准因领域而异，社会经济数据 0.3 可能已可用，工程测量要求更高。收尾补实践：除 R² 外还要看残差图、共线性与异方差检验。追问预警：可能问「负的 R² 说明什么」，回答是模型预测还不如直接用均值。

先讲构造，再讲对比。随机森林是 bagging 框架下的集成模型：对训练集做有放回抽样生成多份子样本，每棵树在每个节点分裂时只从随机抽取的特征子集里选最优切分，最终分类靠投票、回归靠平均。两处随机让树之间的相关性下降，集成后方差显著降低，所以比单棵树稳。相比单棵决策树：准确率更高、抗噪声和异常值更好、不容易过拟合、能给出特征重要性；代价是可解释性下降、模型体积与推理成本上升、训练更慢。调参重点四个：树的数量、最大深度、叶节点最小样本数、每次分裂的候选特征数，配合交叉验证做网格或随机搜索。收尾补一句：单棵树适合讲清规则，随机森林适合要稳定效果。追问预警：可能问「和 XGBoost 的区别」，回答是并行 bagging 与串行 boosting 的偏差方差侧重不同。

按五步走，顺序不能反。第一步概览：读入后看行列数、字段类型、缺失率、重复行，先对数据规模有概念，100 万行要按需读列或分块处理，避免内存爆掉。第二步清洗：区分缺失是随机缺失还是业务性缺失，能补则补、不能补就标记；用分位数与箱线图找异常值，判断是录入错误还是真实极端交易；统一时间时区、金额单位与枚举口径。第三步单变量：看分布形态与长尾，必要时做对数变换。第四步双变量：算相关矩阵、做分组对比，找共线性与可疑关系。第五步产出：写一份数据字典加三到五条初步结论，明确下一步要验证的假设。收尾强调顺序：先保证数据可信，再谈建模。追问预警：可能问「缺失 30% 的字段怎么处理」，回答是先判断缺失机制再决定，不默认删除。

反问要问出信息，也要暴露你的关注点。可以准备三类，每类一个备选。第一类问技术栈与数据底座：团队主要用 SQL 加工还是 Python 建模，数据中台覆盖到什么程度，有没有实时链路——能判断进来是做报表还是做分析。第二类问业务位置：分析师是接需求还是能主动提洞察，需求从业务方来还是从指标异常来，结论有没有进入决策会的通道。第三类问成长：新人前半年有没有带教与轮岗，团队有没有复盘或分享机制。提问控制在两个，每个都带一句自己的判断，比如「更想做能落到策略上的分析，所以关心结论怎么进决策」。避开薪资、加班、转正率这类问题，也别问官网能查到的信息。