数分面试题 - 常见面试题1

1、特征工程，选择哪些特征作为预测变量

特征工程：特征构建、特征提取、特征选择
预测变量：用户行为特征、用户消费特征、用户画像特征

2、什么时候选择RFM模型构建特征变量

1，数据量小，没有太多用户行为数据。只要有一定的成交数据，就能进行RFM分析。
2，模型的分层可解释性强。其他算法模型往往需要通过聚类来进行用户分层，对业务来说不好解释，但RFM模型分成的用户类别好理解

3、显著性水平、置信区间、假设检验

显著性水平：第一类错误，拒真错误，即原假设为真但被拒绝的概率
置信水平：在区间估计中，由样本统计量构造的总体参数的估计区间称为置信区间
假设检验：先对总体参数做一个假设，再利用样本信息去检验这个假设是否成立

4、机器学习的随机森林 Random Forest 和 xgboost 有什么区别

随机森林：采用bootstrap的随机有放回的抽样，抽样出 N 份数据集，训练出 N 个决策树。然后根据 N 个决策树输出的结果决定最终结果
xgboost：通过 boosting 的思想，由一堆 cart 树，将每棵树的预测值加在一起就得到了最后的预测值。

RF 属于集成学习 Bagging，而 XGB 属于集成学习 Boosting。RF是通过减少模型方差提高性能；XGB 是通过减少模型偏差提高性能。对于最终的输出结果而言，RF 采用多数投票等；而
XGB 则是将所有结果累加起来，或者加权累加起来

5、假设检验的原理和步骤

原理：小概率事件原则，小概率事件在一次实验中基本不可能发生，一旦发生就有理由拒绝原假设。运用的是反证法，证明在原假设成立的情况下，出现样本结果是小概率事件，就有理由拒绝原假设。

步骤：确定原假设和备择假设，确定适当的检验统计量，计算其值

6、哪些常见的评价指标？

1，混淆矩阵：混淆矩阵是监督学习中的一种可视化工具，主要用于比较分类结果和实例的真实信息
2，准确率（正确预测的正反例数 /总数）
3，精确率（预测出是正的里面有多少真正是正的）
4，召回率（正确预测的正例数 /实际正例总数）
5，F1值：是精确率和召回率的调和值，更接近于两个数较小的那个，所以精确率和召回率接近时，F 值最大。

7、在AB实验的应用P值的意义？第一类和第二类错误的定义是什么

P 值就是在原假设成立的前提下，出现样本结果以及更极端现象的概率
第一类错误α叫弃真错误或显著性水平，即原假设为真时却被我们拒绝的概率；
第二类错误β叫采伪错误，即原假设为伪我们没有拒绝的概率

8、如何估计样本量

功效分析，根据预期的功效、效应值、显著性水平来计算样本大小
功效分析中，关注四个量：功效、样本大小、效应值、显著性水平。当任意给定三个量后，就可以推算出第四个量。

样本大小：实验设计中每种条件/组中观测的数目
显著性水平：第一类错误，阿尔法错误
功效：1减去第二类错误。
效应值：在备择或研究假设下效应的值

9、什么是辛普森悖论？如何避免

辛普森悖论是指在某个条件下的两组数据，分开讨论时都满足某种性质，但一旦合并起来考虑就会得出相反的结论

我们要学会思考因果关系：数据如何生成，基于此，哪些因素会影响我们未展示的结果

10、商城里每天的人流量属于什么分布？泊松分布与二项分布的关系？

属于泊松分布，泊松分布属于二项分布的近似，当二项分布的p很小，重复实验次数n很大时，两者分布接近。

二项分布指已知某件事发生的概率为p，做n次实验，事件发生的次数就服从二项分布。
泊松分布是某段连续时间内，某件事情发生的次数

10、如何判断实验组和对照组的某个指标是否有显著差异？

做假设检验，设置显著性水平，判断是否有显著性差异

11、日常数据分析流程

观察数据-发现问题-数据清洗 - 数据统计 - 数据可视化 - 数据分析报告撰写

12、 推荐模块的指标

用户层面：每日推荐人数、点击推荐用户数、
模块功能：各模块的点击人数、点击率

13、短视频行业，竞争力情况？

风口、各互联网大厂纷纷加入短视频行业，字节、快手等位于第一梯队，用户数与用户粘性都很高，各个领域繁荣，美妆、搞笑、美食、影视、游戏等逐渐成熟，短视频也成为各大广告主营销的主要渠道
淘宝短视频竞争力：自带大型流量，想要打造与快手抖音不同的产品，可以把产品营销、产品功能使用介绍等内容作为视频内容主攻口，进行品牌宣传，实现引流变现

14、某电商订单量下降，如何分析？

版本影响：新版本上线的时候，是app出bug的高概率期，所以拉出各版本订单数量的趋势图，如果订单量下降的时间与发版时间一致，则是版本的问题。
活动影响：是否是运营活动的影响
服务端影响：服务端会时不时定期修补服务bug或者上线新策略或优化原策略，导致数据流出现问题
漏斗分析：查询漏洞数据：日活-登录-浏览商品 - 加购购物车 - 支付 - 支付成功。排查每两个环节之间的转化率是否有较大差异，以确定是否是某个环节的bug导致最终的订单量下降