中国银联股份有限公司校招数据分析岗面试经验——求职精灵（finsight.work）

用「一个项目 + 一个方法 + 一个动机」的结构，避免罗列工具。

• 项目：一句话说清你做过什么分析、解决什么业务问题、结果如何，例如「用三个月交易数据做流失预警，召回率提升若干个百分点」。
• 方法：说明你的分析链路——取数、清洗、建模、验证、落地；强调你负责的环节，不要全部揽。
• 工具：SQL 必提，Python、可视化工具按实际说，不熟的不写。
• 动机：选银联的两点——数据体量与独特性（跨行交易的完整链路）、数据的社会价值（支付安全与普惠）。

可复用表达：「我喜欢把模糊的问题拆成可以验证的指标。」若追问「为什么不做算法」，答「我更想做离业务近的分析」。

重点讲方法论与判断，不要只讲结果多漂亮。

• 背景：数据来源（交易流水、问卷、日志）、规模、字段、业务目标。
• 清洗步骤：去重（按主键与时间窗）、缺失（删除、分群填充或单独标记）、异常（3σ 或 IQR、业务规则校验）、口径统一（币种、时区、单位）、特征构造（频次、间隔、金额分层）。
• 判断：说明每个选择的原因与代价，例如「缺失率三成的字段不填充，改为单独一档，避免引入偏差」。
• 验证：清洗前后分布对比、抽样人工核对、与业务方确认口径。
• 结果：给出分析结论如何被使用。

可复用表达：「清洗的每一步都要能解释为什么。」若追问「异常值删还是留」，答「先判断是错误还是真实极端」。

按「算力—数据—方法」三层答，体现工程意识而非只会写 SQL。

• 算力层：用分布式引擎（Hive、Spark）替代单机；分区表按日期与机构切分，只扫必要分区；避免全表笛卡尔积与数据倾斜（加盐、拆分热点 key）。
• 数据层：先做汇总层再明细下钻；宽表预计算；冷热分离，历史数据降频。
• 方法层：分片并行、降维聚焦核心指标、抽样探索（先百分之一样本找规律，再全量验证）、分阶段从粗筛到精筛。
• 校验：大表计算要做量级校验与抽样对账，防止口径错。
• 习惯：先写清指标定义再取数。

可复用表达：「大数据的功夫，一半在取数之前。」若追问「数据倾斜怎么发现」，答「看任务时长分布与 key 计数」。

先给定义，再给三类场景，最后给一个例子。

• 定义：窗口函数在保留明细行的同时做分组聚合，over(partition by ... order by ...) 决定分组与顺序。
• 排名：row_number() 去重取最新，rank() 做榜单，常配 where rn = 1 取首行。
• 偏移：lag 与 lead 算同比环比、算相邻交易间隔。
• 累计：sum() over(order by dt) 算累计，rows between 算移动平均。
• 例子：按商户分区、按日期排序，取每个商户月内首笔交易。

可复用表达：「窗口函数解决的是不聚合也能比较。」追问预警：rank 并列会跳号。

按「确认—拆解—定位—输出」四步，先怀疑数据再怀疑业务。

• 确认异常：核对统计口径、分母定义，是否某次发版或对账延迟导致；看是单点波动还是持续上升。
• 维度拆解：渠道（发卡行、收单机构、通道类型）、时间（分钟级找起点）、地域、商户与行业、交易特征（金额段、卡种、是否跨境）、客户端版本与网络。
• 定位根因：对比成功率与错误码分布，看是否集中在某类返回码（超时、拒绝、风控拦截）；结合变更记录与外部事件（银行系统维护）。
• 验证：用小流量复现，或与对方机构联动排查。
• 输出：结论、影响面、处置建议与监控加严方案。

可复用表达：「先排除口径，再谈原因。」若追问「拿不到对方数据怎么办」，答「用本方日志的返回码与耗时特征推断」。

先给定义与典型例子，再给三类规避方法，最后说结论怎么写。

• 定义：只统计到「活下来」的样本，忽略了未进入样本的失败者，导致结论系统性偏乐观。
• 例子：只分析留存用户的行为，得出「用某功能的人更忠诚」；只看到成功项目的经验，忽略大量失败项目。
• 规避一：样本代表性——确认抽取框是否覆盖全量，检查缺失环节（退订用户、未成交客户）。
• 规避二：设对照组——用同期未使用或未参与的用户做对比，而不是只看实验组。
• 规避三：主动找反例——专门分析失败样本与沉默用户。
• 结论写法：标注口径与局限，给置信区间而非单点结论。

可复用表达：「看不到的人，往往才决定结论。」若追问「怎么发现自己在犯这个错」，答「先问样本是怎么进来的」。

先讲原则，再给「关系—图表」对照，最后讲呈现细节。

• 原则：一张图只讲一个结论；先想读者要回答什么问题，再选图形；坐标轴从零开始，避免视觉夸大。
• 对照：趋势用折线，对比用条形（类别多时横向），构成用堆叠柱或饼图（不超过五类），分布用直方图或箱线图，关联用散点，转化路径用漏斗，地理用地图。
• 工具：SQL 取数加 Python（matplotlib、seaborn、plotly）或 BI（Tableau、Power BI），按团队协作方式选。
• 细节：标题写结论不写变量名、标注关键点、主色不超过三种、附口径注释。

可复用表达：「图是给决策者看的，不是给自己看的。」若追问「领导要一页纸」，答「一页只留一个结论加三张支撑图」。

核心是把「要数据」翻译成「要决策」，分四步走。

• 第一步：问背景——为什么现在要看、看完要做什么决策、谁会用。把「帮我看看数据」变成「你想判断哪个渠道该加预算」。
• 第二步：反推指标——从决策倒推需要的维度、口径、时间范围，先给一版假设与框架确认，避免白做。
• 第三步：小样快出——先用一天出一版粗结论对齐方向，再迭代细化；明确交付时间与深度。
• 第四步：留痕——把口径与假设写进文档，避免结论被误用。
• 心态：不抱怨需求模糊，模糊往往意味着你能定义问题。

可复用表达：「你先告诉我做完要拍什么板，我来定看什么数。」若追问「业务方坚持要全部数据」，答「先给最小可用集」。

这题考学习习惯，选一本真读过、能讲出「改变了什么动作」的。

• 选书：数据分析方法类（如《精益数据分析》《怎样用数据讲故事》）或统计思维类，别选成功学。
• 内容：用两句话概括核心观点，例如「指标要分北极星指标与护栏指标，避免单指标优化」。
• 启发：说清它改变了你的哪个动作——开始给每个分析加护栏指标、开始用一页纸讲故事。
• 迁移：给一个工作场景，说明应用后的效果。
• 延伸：提一本在读的，展示持续性，不要说「最近太忙没看」。

可复用表达：「这本书让我从『算得对』转向『讲得清』。」追问预警：面试官可能追问书中某个观点，别报没读过的书名。

按「技术—业务—角色」三层递进，避免只讲职级。

• 1—2 年：打技术底子——SQL 与数仓口径、统计方法、可视化，能独立完成一个专题分析并讲清结论。
• 3—5 年：从「做分析」到「定问题」，能主导跨部门项目，建指标体系或风控模型，影响业务决策。
• 5 年以上：往数据科学家或数据团队负责人走，带人、定标准、建数据资产。
• 为什么银联：支付数据的完整链路罕见，风控与用户经营场景丰富；金融行业对数据严谨性的要求，能逼出扎实的基本功。

收尾：「我想先成为一个结论站得住的人。」追问预警：若问「能不能接受轮岗」，明确表态。