CDA Level I 模拟题(4)【附答案解析】

练习题 【单选题】

1.某电商的每笔交易信息逐行记录在订单表中,在订单表中能否使用average求客户购买金额的总平均值
A.可以
B.不行
C.无多次购物行为的客户存在时可以
D.有多次购物行为的客户存在时可以

2.在记录某电商交易行为内容的订单表中求客户购买金额总平均值应使用的公式是(客户有多次购买行为)
A.SUM/COUNT
B.直接用Average
C.SUM/DISTINCTCOUNT
D.SUM/AVERAGE

3.同环比是业务描述性分析中针对时间维度使用的重要指标,以下选项中不适用于做同环比的是
A.日销售额
B.年产量
C.季度净利润率
D.月毛利率

4.同环比是业务描述性分析中针对时间维度使用的重要指标,以下关于同环比描述正确的是
A.任何指标都可以做同环比分析
B.长周期指标适合做同环比分析
C.短周期指标适合做同环比分析
D.连续变化的指标适合做同环比分析

5.业务描述性分析方法是一级考试的主要内容,关于业务描述性分析的主要意义以下选项中描述错误的是
A.精细化观测业务细节
B.及时发现业务问题
C.预测业务未来趋势
D.全面了解业务情况

6.数据驱动型业务模式为企业带来更大竞争力,以下关于数据驱动型业务模式描述正确的是
A.数据决定业务策略
B.数据+经验决定业务策略
C.数据为业务决策唯一参照标准
D.当经验与数据结论相违时,应以数据结论为主

7.表格结构数据与表结构数据是进行分析时主要使用的结构化数据,在表结构数据下得到指标值结果描述正确的是
A.对表结构业务数据进行汇总计算
B.前端系统导出
C.IT人员提供
D.前边都不对

8.某产品在一年内卖出300件,退回50件,请问销量是多少
A.300件
B.250件
C.350件
D.无法统计

9.某汽车销售情况统计网站中得知某款汽车2021年1月销售500辆,2月比1月环比增长20%,那么请计算该款汽车2月份销售多少量
A.600辆
B.400辆
C.1100辆
D.550辆

10.某电商9月份GMV为1000万元,退废比为3%,进货成本500万元,其余成本200万元,请计算毛利多少钱?
A.500万元
B.470万元
C.300万元
D.270万元

11.描述电商流量质量好坏程度时可以使用平均访问深度,平均访问深度的计算公式是
A.浏览量/访问次数
B.访问次数/浏览量
C.浏览量/访客数
D.访客数/访问次数

12.在业务描述性分析方法中,观测相同维度下不同项间的差异情况的指标分析方法是
A.纵向分析
B.预警分析
C.横向分析
D.占比分析

13.在业务描述性分析方法中,以下选项中不属于时间维度下观测指标的是
A.YTD
B.QTD
C.MTD
D.CPC

14.在电商运营业务中描述客户质量好坏程度时使用的指标是
A.登录用户数
B.注册用户数
C.留存率
D.浏览用户数

15.指标分析是业务描述性分析中观测业务行为结果的重要方法,以下选项中不属于基本指标的是
A.求和类指标
B.比较类指标
C.计数类指标
D.业务场景相关指标

16.“进销存”业务模块是业务分析中需要重点关注的业务模块之一,其中在“存”的业务模块下关于期初库存额与期末库存额描述正确的是
A.期末库存额不能大于期初库存额
B.期末库存额只能小于期初库存额
C.期末库存额只能大于期初库存额
D.期末库存额可以大于期初库存额

17.理解业务分析模型能够更好的把握业务全局,以下不属于分析模型中分类模型的是
A.RFM模型
B.客户价值模型
C.波士顿矩阵
D.销售漏斗模型

18.漏斗模型帮助我们理解各不同业务阶段特征,使用漏斗模型的本质意义是
A.风险管控
B.分层定位
C.绩效管理
D.效果评估

19.AARRR模型是电商运营业务中使用的重要业务模型,在模型中最后的R指的是
A.用户获取
B.用户留存
C.用户激活
D.推荐传播

20.“黄金公式”清晰地描述出电商企业收入的构成,在公式中最重要的指标是
A.转化率
B.购买频次
C.流量
D.浏览量


参考答案和解析

1.C
一个客户只有一次购买行为时,客户平均=订单平均,可以直接用average计算平均值,答案是C
2.C
客户有多次购买行为时,客户数小于订单数,不能直接用average计算客户平均值,应用总金额/不重复客户数,所以选C
3.A
A选项指标汇总周期太短,不适用于同环比,同环比指标应满足长周期,高汇总的特点,所以选A
4.B
B是同环比特征
5.C
C是预测性分析不是描述性分析,是错误答案
6.B
数据驱动型业务模式也需要经验指导,所以B是正确答案
7.A
将表结构数据进行字段整体的汇总计算可以求得指标结果,所以选A
8.D
问题未明确指出查看的维度,指标需与维度结合才能统计出结果
9.A
根据环比计算公式:(当期值-上期值)100%/上期值,带入公式(600-500)/500100%=20%,得出2月销量为600
10.D
GMV指的是包含退款额的销售额,实际销售金额为(1-3%)*1000万=970万,去除进货成本和其他成本共700万,故毛利为270万
11.A
A是正确计算公式
12.C
横向对比的C是正确答案
13.D
D是错误答案、前三个选项都是重要时间维度下汇总计算指标
14.C
C是正确答案,其余选项是客户属性的统计结果与客户质量好坏无关
15.D
D是场景相关的特殊指标,不属于基本指标
16.D
当进货额>出库金额时期末库存额>期初库存额,所以D是正确的
17.D
漏斗模型没有进行项目件的分类,所以选D
18.A
A是正确描述
19.D
D是正确描述
20.C
C是正确描述,电商以流量为王,有了流量才能考虑剩下的两个指标,转化率与客单价

智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值