数据科学家面试问题

回答框架: 统计关联与因果效应

相关性表示两个变量在统计上一起变化；因果关系表示在其他条件不变时，改变一个变量会引起另一个变量变化。仅凭相关性无法证明因果，因为关系可能源于混杂因素、反向因果、选择偏差或巧合。 例如，收到更多推送通知的用户可能留存率更高，但这并不能证明通知提高留存。原本更活跃的用户可能自然收到更多通知，或触发更多值得通知的事件。估计因果效应需要随机实验、自然实验、工具变量、断点回归、双重差分，或在明确假设下精心设计的因果分析。 好的回答还会说明决策风险。如果把相关性当因果，公司可能增加通知，反而伤害用户。下一步应设计能隔离通知实际效应的实验或因果分析。

回答框架: 假阳性与假阴性

第一类错误是假阳性：零假设实际为真，却错误地拒绝它。在 A/B 测试中，可能因此上线一个看似有益、其实没有效果的功能。第二类错误是假阴性：真实效果存在，却未能拒绝零假设，因此错过一个真正有帮助的功能。 显著性水平 α 控制第一类错误率；检验功效等于 1 减去 β，与第二类错误有关。增加样本量通常能提高功效。这里存在取舍：更严格的显著性阈值能减少假阳性，但若不相应增加样本，也可能增加假阴性。 产品决策中，哪种错误更难接受取决于成本。高风险结账改动的假阳性可能代价很高；对低风险界面改进，如果迭代速度重要，略高的假阳性风险或许可以接受。

回答框架: 假设 → 概率 → 不确定性

零假设是硬币公平，正面概率为 0.5。即使硬币公平，十次中出现八次或更多正面仍有可能，因此不能马上认定有偏。 做双侧检验时，要考虑至少和八次正面或两次正面一样极端的结果。八、九或十次正面的概率为 (45 + 10 + 1) / 1024 = 56 / 1024，约 5.5%；加上下尾后约为 10.9%，没有低于 5% 的显著性阈值。 结论是十次样本太少。结果值得继续观察，但不足以有把握地认定硬币有偏。如果决策重要，应收集更多数据。

回答框架: 假设 → 分组单位 → 指标 → 约束指标 → 时长 → 决策

先定义假设。例如，新的排序算法展示更相关的内容，提高用户满意度，同时不损害多样性、响应速度或长期留存。 随机分组单位很重要。如果用户反复看到排序内容，应按用户分组，保证体验一致。如果存在网络效应或平台市场的外溢影响，简单的用户级随机分组可能不够，需要群组随机化或精心设计留存对照组。 核心指标应反映目标：有意义的参与、转化、成功会话、后续留存或收入，视产品而定。辅助指标可以有点击率、停留时间、收藏、购买或隐藏。约束指标应包括延迟、投诉率、多样性、创作者或卖家公平性、取消订阅或流失，以及可能被刷高的质量指标。 实验应持续足够久，覆盖每周周期并达到所需样本量。上线前还应检查新鲜感效应、用户群差异、约束指标是否健康，以及指标提升是否具有实际意义，而不只是统计显著。

回答框架: 验证 → 细分结果可信度 → 业务影响 → 推广策略

先验证新用户群的负面结果是否可靠。检查样本量、置信区间、该群体是否事先定义、多重检验风险，以及新用户分类是否正确。没有充分证据时，噪声很大的小群体结果不应推翻稳健的整体结果。 如果新用户的下降可靠，就要理解机制。功能可能帮助熟悉产品的老用户，却让新用户困惑。新用户也许需要更简单的引导、更充分的解释或不同的默认设置。 建议取决于影响大小和战略重要性。如果新用户对增长至关重要，我不会全面上线；可以只向老用户推出、为新用户设计专用版本，或围绕新用户引导再做实验。如果负面影响很小且短暂，而长期留存改善，我会继续调查，不会立即否决。 回答应体现你能结合整体指标、不同群体的处理效应和业务背景作判断。

回答框架: 非随机处理，但有趋势可比的对照组

当无法随机分组时，双重差分很有用，例如政策变化、分地区上线、价格调整，或只影响某个群体的运营变化。它比较处理组前后的变化，与对照组同期变化之间的差异。 关键假设是平行趋势：如果没有实施处理，处理组与对照组本应以相近趋势变化。应检查处理前趋势是否支持这一假设。如果处理组原本就在不同方向上变化，估计就可能有偏。 例如，某功能在加拿大上线，美国没有上线。比较加拿大上线前后的留存变化，再减去美国同期的留存变化。如果对照组能反映季节性和外部因素，这个变化之差可估计功能效应。 与随机实验相比，我会更谨慎地沟通结果，因为因果解释依赖无法完全证明的假设。

回答框架: 定义标签 → 构建特征 → 建立基线 → 评估 → 谨慎部署

首先定义“流失”。对于订阅产品，流失可能指取消订阅、支付失败，或在规定时间内未续订。预测时间点必须早于流失事件，例如预测当前活跃用户是否会在未来 30 天内流失。 以一致的快照时间构建训练数据集。特征可以包括使用频率、最近一次使用时间、功能使用情况、客服工单、账单问题、套餐类型、订阅时长、参与度趋势、席位利用率和以往的降级记录。要避免数据泄漏：不能使用预测时间点之后才出现的特征，也不能使用直接暴露流失结果的特征。 根据可解释性和性能需求，从逻辑回归或梯度提升树等简单基线开始。用 AUC、精确率与召回率、校准程度、高风险用户群的提升度，以及干预措施带来的业务影响进行评估。如果流失是低频事件，仅看准确率通常会误导判断。 部署还要考虑可行动性。只有企业能够采取干预措施，流失评分才有价值。持续监测模型漂移、不同用户群之间的公平性、干预效果，以及模型识别出的用户是否真的可以挽回。

回答框架: 训练集拟合程度与泛化能力

过拟合是指模型学到了训练数据中的噪声或偶然特征，而不是能够推广到新数据的规律。结果是它在训练集上表现很好，在未见过的数据上却表现较差。 降低过拟合的方法包括划分训练集、验证集和测试集，使用交叉验证、正则化、更简单的模型、决策树剪枝、提前停止训练、神经网络的 Dropout、增加数据、筛选特征，以及合理调参。数据泄漏也可能造成虚假的高分，却在生产环境中失效，因此同样必须检查。 具体方法取决于模型和问题。对于高维稀疏模型，正则化可能有效；对于梯度提升树，树深度、学习率、树的数量和提前停止训练都很重要。对于时间序列或用户行为数据，验证时必须遵守时间顺序，避免用未来的数据训练模型。

回答框架: 可解释性、非线性、数据量、性能与部署

逻辑回归是二分类任务的可靠基线。它速度快、易于解释、较容易校准；经过特征工程后，如果变量之间的关系大致呈线性，也能取得不错的效果。当业务方需要明确解释，或数据量有限时，它往往是合适的选择。 随机森林可以捕捉非线性关系和特征间的交互，不需要过多手动指定关系。在复杂的表格数据上，它可能表现更好，但解释难度更大，部署时模型可能更大，而且对训练数据分布之外的情况通常不善于外推。 我会在相同的训练集和验证集划分下，比较合适的指标、校准程度、推理成本和业务约束。如果逻辑回归表现接近随机森林，而可解释性又很重要，就选逻辑回归；如果随机森林带来明显提升，且能够合理解释和部署，就可以选它，或继续与梯度提升树比较。 关键不是断言哪一种模型永远更好，而是根据目标、数据、约束和结果的可行动性选择。

回答框架: 数据不匹配 → 泄漏 → 指标不匹配 → 漂移 → 实现问题 → 反馈循环

可能的原因有很多。线下数据集未必能代表实际流量；线上线下特征的计算方式可能不同，造成训练与推理不一致。验证集划分也可能泄漏了未来信息，或没有遵守时间顺序。线下评估指标甚至可能与产品目标不一致。 生产数据也可能发生漂移：用户行为、季节性、获客渠道、库存、定价或外部事件都会变化。模型还可能造成反馈循环。例如，推荐模型改变了用户看到的内容，进而改变未来的训练数据。 实现问题也很常见，包括特征缺失、默认值不当、请求超时、特征不够新、阈值设置错误或模型版本不一致。即使总体线下指标不错，某些用户群的表现也可能很差。 我会对比线上线下的特征分布、预测结果分布、校准情况、分群指标、日志和业务结果，再决定是回滚、调整阈值、修复特征流水线、重新训练，还是重新设计目标。

回答框架: 比较误报与漏报的成本

当误报代价高时，优先考虑精确率。例如，欺诈检测模型如果拦截了正常客户，就会损害客户体验并造成收入损失。精确率高意味着模型标记为阳性的案例通常确实是阳性。 当漏报代价高时，优先考虑召回率。例如在医疗筛查或严重欺诈检测中，漏掉真实阳性的损失可能大于多调查一些误报。召回率高意味着模型能找出大多数真实阳性。 大多数实际系统都需要权衡。阈值应根据业务成本、运营处理能力、对用户的伤害和后续处理流程来确定。尤其在类别不均衡时，我通常会查看精确率与召回率曲线，而不只看一个阈值。

回答框架: 不仅看排序效果，也看概率是否准确

校准是指模型预测的概率与实际发生频率相符。如果一个经过良好校准的模型为 1,000 个样本预测了 0.8 的阳性概率，其中大约 800 个样本应当确实为阳性。 当预测概率直接用于决策时，校准很重要，例如风险评分、定价、医疗分诊、欺诈审核队列、用户流失干预或预期价值计算。模型即使有很高的 AUC、能很好地排列样本，也可能给出校准很差的概率。 可以查看校准曲线或可靠性图，以及 Brier 分数等指标。校准方法包括 Platt 缩放、保序回归和温度缩放。不过，校准必须使用能够代表生产环境分布的验证数据进行检查。 面试中也要说明，并非每个应用都需要完美校准的概率。如果模型只用于内容排序，排序指标可能更重要；如果数字会被解读为风险大小，校准就非常关键。

回答框架: 注册月份 → 活跃月份 → 相差月数 → 汇总

先建立一个队列公共表表达式（CTE），记录每位用户及其注册月份；再建立活跃记录 CTE，保留符合活跃定义的去重 user_id 和活跃月份。按 user_id 关联两者，计算活跃月份与注册月份相差的月数，作为 month_number。最后按注册月份和 month_number 分组，统计去重后的活跃用户数。 分母是原始注册用户群的人数。第 N 个月的分子是该用户群中在第 N 个月活跃的人数。如果需要保留留存人数为零的月份，可以使用左连接。 重要细节包括：明确活跃事件的定义、排除测试用户、处理临近月末注册的用户、统一时区，以及避免将同一用户同一个月的多个活跃事件重复计数。结果应是一张用户群留存表，每一行对应一个注册月份，列或月数偏移代表留存月份。

回答框架: 量化 → 分群 → 诊断 → 决定处理方式

我会先按列统计缺失值的数量、比例和数据类型。在 pandas 中，df.isna().sum() 和 df.isna().mean() 可以快速了解概况。随后检查缺失是否集中在特定时间、用户群、数据来源、设备、地区或目标标签中。 关键问题是为什么缺失。完全随机缺失，与用户跳过某个字段、埋点失效、设备不支持某个事件，或该值本来就不适用，处理方式完全不同。 应根据原因和模型需求选择处理方法：把缺失作为单独类别、用中位数或众数填补、使用基于模型的填补、删除记录，或修复上游数据采集。建模时，填补规则应只在训练集上拟合，再应用于验证集和测试集，以避免数据泄漏。 我还会评估缺失本身是否具有预测信息。例如，信贷数据中收入缺失，或消费产品中个人资料不完整，可能都具有信号，但使用这些信息也可能涉及公平性或合规问题。

回答框架: 识别 → 诊断 → 根据业务含义决定

识别异常值的方法包括描述性统计、直方图、箱线图、Z 分数、四分位距规则、分位数阈值和基于模型的方法。但识别只是第一步。更重要的是判断它究竟是数据错误、罕见但真实的情况，还是分布中最值得关注的部分。 我会按数据来源、时间戳、用户群和原始记录调查异常值。负数年龄很可能是数据错误；金额特别大的企业订单可能是真实的，不能无故从收入分析中删除。建模时，可能需要变换数据、缩尾处理、使用稳健模型，或按用户群分别处理。 只有理由充分时才删除异常值，例如不可能出现的数值、重复事件、埋点错误、测试账户，或不在分析范围内的记录。如果真实异常值会改变结论，应同时报告保留和排除异常值时的敏感性分析结果。

回答框架: 指标质量 → 漏斗诊断 → 用户分群 → 原因 → 行动

点击量可能只是用户价值的一个薄弱替代指标。先确认数据可靠，再明确完整漏斗：曝光、点击、加入购物车、结账、购买、退款和复购。如果点击增加而购买减少，推荐内容可能只激起好奇，却没有购买意愿；也可能让用户偏离更有效的购买路径。 按用户类型、流量来源、商品品类、设备和推荐位进行分群。新用户可能因为模块显眼而点击更多，却看到不相关的商品；老用户则可能被打断原本的购买流程。 检查推荐质量，包括相关性、价格是否合适、库存、配送时间、多样性，以及推荐商品是否缺货或利润率偏低。同时检查页面延迟和布局变化。 建议不要仅凭点击量就全面上线。可以回滚、仅向购买表现健康的用户群开放，或重新设计目标，优化下游的实际购买质量，而不是点击率。

回答框架: 匹配效率 → 质量 → 供需平衡 → 留存 → 单位经济效益

双边平台的健康程度取决于供需双方。核心概念是匹配效率：需求方能否快速找到合适的供给，供给方能否获得足够需求并持续参与？ 具体指标取决于平台类型。网约车平台可以看匹配率、匹配耗时、预计到达时间、取消率、司机利用率、乘客复乘率、动态加价频率和地区覆盖率。自由职业平台可以看获得合格报价的任务比例、首次报价耗时、雇佣率、项目完成率、争议率、再次雇佣率和服务提供者利用率。 应按地区、品类、时段、用户群、供给层级和需求意图分群。平台总体均值会掩盖局部失衡：某个城市或品类可能已经出现问题，即使整体看起来健康。 约束指标包括信任与安全、欺诈、质量投诉、退款、供需任一方的流失，以及单位经济效益。建议还应指出瓶颈在供给还是需求，因为两种情况需要完全不同的增长手段。

回答框架: 用户价值 → 重复行为 → 学习成果 → 约束指标

北极星指标应体现可持续的用户价值，而不只是活跃行为。对于语言学习应用，仅看每日使用次数可能太浅，因为用户可以打开应用却没有学到东西。更合适的候选指标是每周完成有意义课程且正确率达到一定标准的活跃学习者人数，或符合质量标准的每周有效学习分钟数。 我会先明确核心价值：帮助用户真正提高语言能力。过程指标可以包括开始和完成课程的次数、连续学习天数、正确率、复习完成情况、口语练习和等级进步。结果指标可以包括留存、订阅转化、分级测试进步，或在条件允许时采用外部语言能力评估。 约束指标应包括疲劳、低质量的快速刷课、作弊、关闭通知、流失和用户挫败感。如果指标只奖励花费更多时间，产品可能鼓励无效刷题，而不是有效学习。 我会与产品和学习科学团队一起定义北极星指标，再验证它是否能够预测留存和用户自评的学习进步。

回答框架: 目标 → 标签 → 特征 → 指标 → 干预 → 监测

先定义什么是欺诈，以及模型触发什么行动：直接拦截交易、送交人工审核、要求额外身份验证，还是只给出风险评分？模型目标应与干预方式一致，因为误报会伤害正常客户。 标签可能来自拒付记录、已确认的欺诈调查、用户举报或规则标记。标签通常有延迟，也不完全准确，因此要考虑标签的时效性和噪声。特征可以包括交易金额、商户、设备、IP 与地理位置不一致的情况、账户年龄、交易频率、支付方式历史、失败尝试、收货距离和以往争议。 先从规则和简单基线着手，再根据标签质量比较逻辑回归、梯度提升树或异常检测等模型。评估时应关注精确率与召回率、固定审核能力下的召回率、正常用户的误报率、拦截的欺诈金额，以及概率校准。 部署后还要监测数据漂移、欺诈者的策略变化、公平性、延迟、人工审核能力、反馈循环，并做好回滚准备。欺诈检测不只是预测问题，更是一个需要运营配合的系统。

回答框架: 目标定义 → 可用特征 → 指标 → 校准 → 用户影响

先明确目标：可以预测从订单确认到送达的总时长，也可以拆分为备餐、分配骑手、取餐、运输和交付等环节。分段建模可能更容易解释，也更便于运营采取行动。 预测时可用的特征包括餐厅、菜系、时段、星期、天气、距离、骑手供给、当前积压订单、历史备餐时间、交通状况、订单大小和配送区域。不能使用预测当时尚未知晓的特征，例如在下单时预测却使用实际取餐时间。 指标应反映用户体验。平均绝对误差容易理解，但低估配送时间可能比高估造成更严重的影响。校准也很重要：如果承诺一个配送时间区间，订单应按预期比例在区间内送达。 部署时需考虑延迟、实时特征的新鲜度、新入驻餐厅的冷启动、节假日、突发天气，以及报价的预计送达时间反过来影响用户下单决策所形成的反馈循环。应按餐厅、区域、时段和客户群监测误差。

回答框架: 问题 → 方法 → 决策 → 影响 → 经验

选择一个你的工作改变了决策、产品、流程或指标的项目。先说明业务问题及其重要性，再以适当的深度解释方法：数据来源、分析或模型、验证方式和权衡。 最有说服力的回答会把技术工作和业务行动联系起来。例如，流失模型帮助客户成功团队确定联络优先级；实验改变了上线决定；定价分析在不损害转化率的前提下提高了收入。 尽可能量化影响，例如收入提升、流失降低、节省时间、降低成本、改善用户定位，或加快决策。还要说明局限性，以及下一步可以改进什么。 不要把回答变成工具使用清单。面试官并不只关心你用了哪个库，更关心你的工作是否正确、可信、得到采用并发挥作用。

回答框架: 决策 → 直观解释 → 证据 → 局限 → 行动

我会从对方需要作出的决策说起，而不是先讲模型架构。接着用通俗语言说明模型的基本原理：它预测什么、依赖哪些信号、准确程度如何，以及哪些情况下不能信任它。 适当时可以用具体例子、特征重要性或原因代码、校准图，以及精确率与召回率的简明权衡图。不能把模型说成魔法。相关方需要了解数据质量、不确定性、偏差、漂移和边缘情况等局限。 最后说明如何把模型用于行动。例如：“这个模型能找出流失风险最高的 10% 客户，但真正的价值在于测试对这群客户主动联络是否能提高留存率。”这样讨论才能聚焦决策和结果。

回答框架: 预期 → 证据 → 沟通 → 决策 → 结果

选一个证据挑战了既定计划的真实例子。说明相关方原本期待什么、你分析了哪些数据，以及为什么结论不同。在这类情况下，可信度尤其重要，因此要具体说明你如何验证结果。 再描述你如何传达发现。出色的回答应体现分寸：认可对方的目标、清楚展示证据、解释不确定性并提出替代方案。目的不是赢得争论，而是帮助团队作出更好的决定。 最后交代结果。团队可能推迟上线、调整目标用户、先做小规模测试，或改用其他指标。如果相关方没有采纳建议，也要说明后续发生了什么，以及你从影响力和沟通中学到了什么。