1. 小红书商城中某一商户给一产品定价，如果按照全网最低价500元定价，那么客人就一定会选择在此购买；价格每增加1元，客人的流失的可能性就会增加1%。那么该商户给客人报出最优价格为
解析：
设价格增幅为X，利润为Y，顾客总数为常数M
Y = M * (1 - X/100)X
开口向下的二次函数求最大值：公式 / 求导
求导过程：
原方程求导后为，令m（1 - x/50）这个式子为0，求最值，求得 X = 50
注：导函数的几何意义是求曲线任意一个点的斜率，而最高点或最低点的切线是一条水平的线，所以令导数为0时可以求最值
2. 在一次集卡活动中，有5种不同的卡片以相同的概率出现，每分享一次笔记就可以得到一张卡片，集齐所有卡片所需点赞的笔记数量的期望，与以下哪个结果最为接近？
解析：考察多个几何分布的和
知识点1.：
期望定义：是指实验中每个可能出现的结果乘以其概率的总和，反应随机变量平均取值的大小，即在多次试验的情况下预测能取得的结果
知识点2：几何分布的特点：
1.一系列相互独立的试验
2.每次实验都有成功的概率和失败的概率
3.要求的是为了取得第一次成功需要进行多少次试验
几何分布概率公式：
||
||
几何分布：期望是，方差是
观察题目描述，属于几何分布（独立检验，拿到每种卡片的概率相同，为了集卡要进行多次实验
本题分为几种情况：
①假设这里面只有一种卡片，拿一次就集齐了所有卡片，概率是1，期望是1/p = 1/1 = 1
②假设有两种卡片，第一次肯定拿到一种，期望是1；那么再拿多少次可以拿到另一种呢，这里又是一个几何分布，拿到第二种的概率p = 1/2，期望是1/p = 1/(1/2) = 2，那么总期望是 1 + 2 = 3
③假设有三种卡片，第一次拿到一种，期望是1；第二次拿到剩余两种中的一种卡片的概率是 2/3，那么拿到第二种的期望是3/2；第三次拿到第三种的概率是1/3，期望是3；所以总体期望是1+ 3/2 + 3 = 5.5
④假设有四种卡片，第一次一定拿到一种，概率是1，期望是1；第二次拿到剩余四种中的一种的概率是3/4，期望是4/3；第三次拿到四种中剩余两种的概率是1/2，期望是2；；第四次拿到最后一种的概率是1/4，期望是4；总期望 = 1 + 4/3 + 2 + 4 = 25/3
⑤假设有物种卡片，第一次一定拿到一种的概率是1，期望是1；第二次拿到五种中剩余四种的概率是4/5，期望是5/4；第三次拿到五种中的剩余三种的概率是3/5，期望是5/3；第四次拿到剩余两种中一种的概率是2/5，期望是5/2；第五次拿到最后一种的概率是1/5，期望是5；总期望是1 + 5/4 + 5/3 + 5/2 + 5 = 11.42
总期望为11.42
3. 在excel中如何将列a的字符值与列b的字符值合并为一个字符串c（）
解析：
在c的单元格写公式：=（a&b)
python / sql 中的字符拼接都是 “+”
4. 调查全公司1000名员工平均交通费用支出情况，采取不重置抽样，从其中抽取100名进行调查。根据以往调查可知总体方差s²为100，则样本均值的方差为 （）
解析：
知识点1：
重置抽样时，样本均值的方差为总体方差的，即
不重置抽样时，样本均值的方差为
知识点2：
总体方差在题目里是，在我们的公式里是；
样本方差：
总体数量：N；
样本数量：n；
知识点3：
N比较大，n/N大于等于5%，修正系数简化为1-n/N
N比较大，n/N小于5%，按重置抽样计算
代入公式：（100/100）* {（1000-100）/ （1000 - 1）} = 100/111
5. 已知2-5月环比增长速度分别为5.6%、7.1%、8.5%、6.4%，则5月对比1月的增速是
解析：考察定基增速与环比增速
知识点1：
定基增长速度是指累计增长量与最初发展水平之比
知识点2：
在由环比增速推断定基增速时，可先将各环比增速加1（加1后变成环比发展速度）后连乘，再将结果减1
本题答案为：（105.6% X 107.1% X 108.5% X 106.4）-100%
6. 以下哪些是判别模型？
解析：
知识点1：
判别模型：决策树、SVM、支持向量机、最大熵模型、KNN、线性回归、对数回归、线性判别分析、boosting、条件随机场、神经网络等
生成模型：隐马尔可夫链、朴素贝叶斯模型、高斯混合模型、LDA等
知识点2：
判别模型：有限样本 ——> 判别函数 ——> 预测模型 ——> 预测
生成模型：无穷样本 ——> 概率密度模型 ——> 产生模型 ——> 预测
知识点3：
判别模型举例：要确定羊是山羊还是绵羊，用判别模型方法是从历史数据学到模型，然后通过提取这只羊的特征来预测羊是山羊的概率，是绵羊的概率
生成模型举例：利用生成模型是根据山羊的特征首先学习出一个山羊的模型，然后根据绵羊的特征学习出一个绵羊的模型，然后从这只羊中提取特征，放到山羊模型中看概率，再放到绵阳模型中看概率
参考学习：机器学习之判别式模型和生成式模型 - nolonely - 博客园 (cnblogs.com)
7. 关于正态分布：
知识点1：正态分布曲线对称，具有对成性，均值和中位数位于中央，具有集中性
知识点2：正态分布的均值决定了曲线的中央位置，方差指出了分散性，也就是方差越大，曲线越扁平、越宽，决定了其形态
知识点3：标准正态分布均值为0.方差为1
知识点4：标准正态分布偏度为0 峰度为0
8. X服从区间（1,5）上的均匀分布，求对X进行3次独立观测中，至少有2次的观测值大于2的概率
解析：考察二项分布用法
知识点1：
二项分布中，我们关注的是获得成功的次数
知识点2：X ~ B(n，p)
知识点3：X表示n次实验中成功的次数，如果要求成功r次的概率可以用如下公式
知识点4：
期望：
方差：
在本题中：大于2的概率p = 3/4，q = 1/4，n = 3
至少2次观测值大于2的概率，就是求P(X = 2)+P(X = 3)
代入公式最后结果为27/32
参考学习：离散型随机变量的概率分布 (qq.com)
9. 抽样估计的优良标准有三个：影响时间序列的因素有四个：
解析：考察统计学中的抽样估计、时间序列的基本概念
三个标准：无偏性、一致性、有效性
四个因素：长期趋势、季节变动、循环波动、不规则波动
10. 常见的聚类算法：
K-means聚类、K-中心点聚类、EM算法、OPTICS算法、DBSCAN算法
知识点1：
聚类(Clustering)是按照某个特定标准(如距离)把一个数据集分割成不同的类或簇，使得同一个簇内的数据对象的相似性尽可能大，同时不在同一个簇中的数据对象的差异性也尽可能地大。也即聚类后同一类的数据尽可能聚集到一起，不同类数据尽量分离。
知识点2：聚类与分类的算法
聚类：是指把相似的数据划分到一起，具体划分的时候并不关心这一类的标签，目标就是把相似的数据聚合到一起，聚类是一种无监督学习(Unsupervised Learning)方法
分类：是把不同的数据划分开，其过程是通过训练数据集获得一个分类器，再通过分类器去预测未知数据，分类是一种监督学习(Supervised Learning)方法
参考学习：常用聚类算法 - 知乎 (zhihu.com)
11. 小红书人脸识别系统识别当前进入小红书公司人员的身份，此系统一共识别三种不同的人员：员工，送餐员和陌生人。哪种学习方法适合此种应用需求
解析：考察机器学习的应用
知识点1：
二分类：每个分类器只能把样本分为两类。监狱里的样本分别为狱警、小偷、送餐员、其他。二分类不可取
多分类问题：针对不同的属性训练几个不同的弱分类器，然后将它们集成为一个强分类器
聚类问题适合处理无标签，本题中已给标签，不合适
K— 中心点聚类：挑选实际对象来代表簇，每个簇使用一个代表对象。聚类问题不可取
回归分析：处理变量间具有相关性的一种统计方法
结构分析：结构分析法是在统计分组的基础上，计算各组成部分所占比重，进而分析某一总体现象的内部结构特征、总体的性质、总体内部结构依时间推移而表现出的变化规律性的统计方法
12. 小红书在首页上线了一个新的模块，目的是为了提升用户的浏览时长，请设计一套分析方案，衡量模块上线后对用户停留时长是否有提升
解析：两种方法：A/BTest 或者假设检验
假设检验：
假定，用户浏览时长为 stay_time
将用户分为两组，一组为对照组，代表新模块上线前的用户浏览时长stay_time1；另一组为实验组，代表新模块上线后用户浏览时长stay_time2
①原假设H0:新模块上线后用户的浏览时长没有提升 stay_time2<=stay_time1
备选假设H1：新模块上线后用户的浏览时长有提升 stay_time2>stay_time1
预先设定检验显著水准为0.05
②计算最小样本量，采集数据考虑到指标的周期性，时间周期选取2周
采集实验开始前一天，两组用户的数据，是否存在明显差异，如无，继续观察前两天的数据，是否存在异常。如无异常，继续采集数据
③使用T检验，计算P值
④如果P<0.05则拒绝原假设H0，接受备选假设H1，新模块上线后用户的浏览时长有提升 ；反之，不能推翻原假设，不能判断新的模块是否能提升用户停留时长
13. 下表是某电商在不同品类不同月份的销量数据
（1） 请用sumif或 sumifs在F3单元格实现计算洗面奶在201901的销量
（2） 请用函数实现计算洗面奶有几个月的销量超过了100万
（3） 请用函数计算洗面奶这个品类的月复合增长率
解析：考察excel应用
知识点1：
sumifs（求和区域，条件区域1，条件值1，条件区域2，条件值2）
sumif（条件区域，条件值，求和区域）
知识点2：
countifs（条件区域1，条件值，条件区域2，条件2）
知识点3：复合增长率 = （现有价值 / 基础价值）^(1/期数) - 1
知识点4：
power函数：数字乘幂函数
power（底数，幂数）
本题中的月复合增长率，用power函数： = power（160 - 120，1/3）-1
14. 有订单事物表orders：
事物收藏表favorites：
用一句sql取出所有用户对商品的行为特征，结果表如下：
select o.user_id,o.item_id, case when o.pay_time is not null then 1 else 0 end as "已购买",case when o.pay_time is not null and f.fav_time is null then 1 else 0 end as "购买未收藏",case when o.pay_time is null and f.fav_time is not null then 1 else 0 end as "收藏未购买",case when o.pay_time is not null and f.fav_time is not null then 1 else 0 end as "收藏且购买"from orders o left join favorites f on o.user_id=f.user_id,o.item_id=f.item_id union select f.user_id,f.item_id,case when o.pay_time is not null then 1 else 0 end as "已购买",case when o.pay_time is not null and f.fav_time is null then 1 else 0 end as "购买未收藏",case when o.pay_time is null and f.fav_time is not null then 1 else 0 end as "收藏未购买",case when o.pay_time is not null and f.fav_time is not null then 1 else 0 end as "收藏且购买"from orders o right join favorites f on o.user_id=f.user_id,o.item_id=f.item_idorder by user_id,item_id;
15. 好评率是用户对产品评价的重要指标。现在需要统计2019年3月1日到2019年3月31日，用户'小张'提交的"母婴"类目"DW"品牌的好评率（好评率=“好评”评价量/总评价量），请写出SQL/Python/其他语言查询语句:
用户评价详情表：a
字段：id（评价id，主键），create_time（评价创建时间，格式'2019-01-01'）， user_name(用户名称)，goods_id(商品id，外键) ，sub_time（评价提交时间，格式'2019-01-01 23:10:32'），sat_name（好评率类型，包含：“好评”、“中评”、“差评”）
商品详情表：b
字段：goods_id（商品id，主键），goods_name（商品类目）, brand_name(品牌名称)
解析：
select sum(case when sat_name = '好评' then 1 else 0 end) / sum (case when sat_name is noy null then 1 else 0 end) as 好评率
from a , b
on a.goods_id = b.goods_id
where
user_name = '小张'
and sub_time between '2019-03-01' and '2019-03-31'
and goods_name = '母婴'
and brand_name = 'DW'
16. 经过一番研究后，我们开发出了商品页面上“相关商品”模块的一个新的推荐算法，并且打算通过AB Test（50%用户保留原先的算法逻辑为控制组，50%用户使用新的算法逻辑为实验组）来对新的算法效果进行评估。假设你是此次实验的数据分析师，请问你会如何评估控制组和实验组的表现？（假设需要数据都可取到）请按重要性列出最重要的三个指标并给出你的分析过程/思考。
解析：
知识点1：假设检验分析法
知识点2：T检验
知识点3：ABtest
指标：相关商品点击率（点击 / 曝光）；进入商详页后购买转化率（点击 / 购买）；销售总额（GMV）
方法：假设检验
1.
H0：使用新算法后没有效果（上述指标不变或者下降）
H1：使用新算法后有效果（指标提高）
2. 选择一个时间段进行ABTest
3. T检验，计算P值
4. 分析结果：如果P < 0.05则拒绝原假设，接受备选假设，反之则不能推翻原假设，不能确定
17. 如果我们发现，某店铺的X品类在今年3月的销量，比去年3月的销量下降了50%，如果你是负责此次分析的数据分析师，你会如何分析？请写出你的分析思路/过程/想法
解析：
1. 假设数据源无误
2. 假设此次下降50%拉长时间维度后是异常的
3. 假设客观因素无异常
4. 从用户（新/老用户、或者按照地区、性别等维度拆解）、产品（从采购到售后等一系列流程）、市场三各维度拆解指标（竞品、风控、营销）
5. 从业务流程梳理，定位到具体的业务环节
6. 提出改进建议
18. 某APP 7月份DAU比同年5月份上涨了10%，作为数据分析师，你会从哪些方面分析DAU增长的原因？ 请列举至少两种以上拆分思路
解析：
在保证数据无异常的前提下
思路一：按短期和长期因素拆分
长期因素表现在用户量的长期趋势，比如这一年的app DAU整体呈现上升趋势，可估算5-7月的增长量（比如使用移动平均等预测手法计算）。
在排除长期因素导致的之外，考虑短期因素，5-7月有无外部客观事件造成App关注度上升，行业事件可考虑商业合作和商业活动等（618），可以用各月的舆论热度作为对比指标
思路二：按时空维度拆分
可以将日活按照地区城市的粒度细拆，然后进行对比，看看是那些城市维度导致，比如可以分析这些城市的渗透率变化，看看是否可日活变化不大的城市相差较大，若大，则考虑归功于业务推广；若所有城市日活都在上升，则考虑其他因素，如竞品退出、市场趋势、产品改进等有关。
思路三：按用户拆分
活跃用户数可以简单拆分为注册用户数*活跃率，可以进一步拆分新用户数，新用户活跃率，不同来源渠道新用户数，对应渠道新用户活跃率，老用户数，老用户活跃率等等，从多维度拆分，了解变化最大的细分维度，定位问题
思路四：相关因素分析
了解与活跃用户相关的内部和外部因素，如内部发新版本，运营活动等，外部的比如品牌宣传，竞品行为，行业变化等，将对应的内容与活跃用户数据进行相关性分析，了解实际的影响因素，定位问题。
定位问题后，预测8月整体趋势变化，和运营沟通调整
19. 挑选任意一款你使用过的社区类APP（不包括小红书），回答以下问题：
(1)描述使用这款APP的用户特征，并比较该APP用户特征与小红书用户特征的异同
(2)预估每一天有多少人在这款app上发布内容。请写出你需要的辅助数据，并简述预估的方法
(3)你选择的这款APP近期拟邀请ABC三组艺人中的一组开展联动活动，活动的主要目的为提升DAU。
在活动形式完全一致的前提下，你将选择哪一组？
作答要求：1）简述分析思路，2）列出对应的数据指标
解析：
①b站：
用户特征：用户年龄年轻化12-30、男性占比高于女性占比、兴趣方向标签为：动漫、游戏、国创、有趣、知识
小红书：用户年龄18-30，女性高于男性、兴趣方向为：美妆、护肤、旅游
②发布内容数 = 人均产出数 * 平均日活
人均产出数 = b站所有自投视频数 / b站用户数
平均日活 = 某段时间内每日活跃用户数之和 / 某段时间
别人的答案：前三个月内每天在app上发布内容的人数，用线性回归模型对数据进行拟合得到预估的下一周每天在app上发布内容的人数
③我会选择活动内容更贴近b站用户心理的活动
20. 经过一番研究，我们决定在新用户首次激活APP时增加一个短视频介绍页面来增加用户对产品的感知，并且打算通过AB Test（50%为控制组，50%的用户首次激活时会看到短视频介绍）来进行评估。假如你是此次实验的数据分析师，请问你会如何评估控制组和实验组的表现？请列出你认为重要的指标，给出分析过程和可能用到的统计方法。
解析：
指标：跳出率、观看时长、各功能使用转化率
方法：假设检验
H0：新增视频对app无正面作用
H1：——有正面作用
T检验，算P值，P < 0.05，拒绝H0，接受H1，若大于，则无法判断
21. 小红书上海办公室楼下有一便利店，面积约为20平方米，主要提供零食及饮料。请预估该便利店每周的营业额是多少？
解析：
营业额 = 销售量 * 客单价
销量的影响因子：库存（20平米）、消费容量（购买力）、地点（周围竞争对手的影响）
客单价的影响因子：产品组合、竞争对手营销活动
面积20平方米，货品是零食与饮料，主要客群是小红书员工。假设周围不存在竞争对手，且没有其他客源。
以全家的陈设为参照对象，零食摆三个货架陈列，饮料两个冰柜。零食一个货架三层，每层100件sku，零食库存估计900件。饮料同理，货架三层，每层25件，库存150件。
小红书员工2000人，平均一天消费人次占20%（包括重复消费），则一周人次达2800，假设每周库存平均可销售200%，则销量分别计1800件，300件。
单价：零食平均7元，饮料包括酸奶平均7元。
则营业额预估 （1800*7+300*7） = 15700元
22.如果APP有一个功能是用户的位置信息能够每隔1分钟上传一次数据库，那么怎么发挥它的作用？
解析：用户的位置信息能做什么事。比如根据位置信息可以获取用户的行为轨迹，进而分析出用户的行为习惯，进行相应的实时推荐服务
1.App可以根据定位信息获取用户的生活区域，从而分析出用户的消费水平，推荐相应价格区间适合用户消费的商品。
2.App可以根据定位信息获取用户的生活以及消费习惯，例如如果用户经常出入健身房可以推荐运动器材，如果用户经常出入服装店，美容店餐厅等地可以为用户推荐服装，美容项目等。
以上就是本篇文章【小红书2020】的全部内容了，欢迎阅览 ！ 文章地址：http://dfvalve.xrbh.cn/news/7557.html 资讯 企业新闻 行情 企业黄页 同类资讯 首页 网站地图 返回首页 迅博思语资讯移动站 http://keant.xrbh.cn/ , 查看更多
点击拨打：