拼多多数据分析面经

如何理解“辛普森悖论”？请你设想一个在拼多多电商业务中，可能会出现辛普森悖论的具体场景。

追问： 作为数据分析师，当你发现汇总数据和分层数据得出了完全相反的结论时，你会如何处理？你认为应该相信哪个结论，并如何向业务方解释这个现象？

使用了“多多支付”的用户，其年化消费金额显著高于使用其他支付方式的用户。我们能直接得出“多多支付促进了用户消费”的结论吗？

追问： 如果不能，你会如何设计一个分析方案，来更科学地推断“使用多多支付”和“高消费”之间的因果关系，而不仅仅是相关性？

通过A/B实验来评估一个新的、基于大模型的“智能客服”系统能否提升用户满意度，但“用户满意度”是一个长期且多维的指标。你会如何设计这个实验？

追问1： 你会选择哪些短期可观测的指标作为核心评估指标？你会设立哪些护栏指标来确保新系统没有带来负面影响（例如，问题解决时长、人工介入率等）？

追问2： 如果实验涉及到用户间的社交互动（例如，用户分享了与AI客服的有趣对话），可能会产生网络效应或实验单元间的干扰，你会如何处理？

假设“百亿补贴”频道的核心指标——“补贴商品的GMV”本周环比下跌了15%。请你用逻辑树的方法，将这个指标的下跌，层层拆解到可归因、可分析的细分维度上。

描述你的SQL查询逻辑，如何找出那些“在过去90天内，至少有3次购买行为，且平均购买间隔小于7天，但最近14天内没有任何活跃”的“高价值流失风险”用户。

构建一个模型，用于预测一个商品是否会成为“爆款”（例如，未来30天内销量进入品类TOP 1%）。你会如何进行特征工程？

追问： 你会从哪些维度（例如，商品自身属性、店铺特征、用户行为、历史趋势等）去提取特征？你认为哪些特征可能最重要？

除了传统的RFM模型，如何利用无监督学习，从用户海量的行为数据中，挖掘出一些全新的、有商业价值的用户分群？

追问： 在你得到这些分群结果后，你会如何去“解读”和“标记”这些新的人群，并向运营团队提出针对性的运营策略建议？