网易的笔试通知是晚上九点多发到我邮箱的当时我刚从图书馆出来手机在口袋里震了一下。看到“数据分析师正式批”几个字心跳都快了半拍。说实话网易的笔试在当年大厂校招里不算最长但有它自己的一套脾气——卷子上没有太多“背了就能答”的八股题倒是不少题目需要你像个业务方一样去思考。我那时刚把统计学课本翻完SQL练了大半个月觉得自己准备得差不多了真正坐下来做完整套卷子才发现“会做题”和“会分析”之间还隔着一层纸。这篇复盘我不打算只贴一份“考点列表”或者“模拟题合集”那在牛客、知乎上已经有很多了。我想认真聊聊网易这套数据分析师笔试到底在考什么、出题人想从答案里看到什么、我在考场上哪些题做得还算顺手、哪些题花了很多时间却没拿到分。如果你正准备走数据分析方向的校招或者正在规划学习路线这篇内容应该能帮你少踩几个我踩过的坑。1. 网易2020校招数据分析师笔试全景题量、题型与考场初印象1.1 笔试时长与整体题量分布先给一个整体的印象。网易这套笔试我记得题量不算特别大单选、多选、SQL题和主观业务题都有涉及总时长大概在两个小时左右。时间看上去宽裕但等你开始做那些文字量不小的业务分析题会发现两个小时其实相当紧凑。从题型结构上大致可以分成以下四块基础选择题覆盖概率统计、机器学习基础、数据挖掘概念少量脑筋急转弯式的逻辑题。多选题这部分比单选更刁钻选项里经常混着“看起来对但表述不严谨”的说法需要对概念有比较精确的理解。SQL题给定表结构要求写查询。难度处于“入门偏上”但要求你能处理较复杂的关联和聚合逻辑。主观业务题通常是几个真实业务场景比如指标异动归因、活动效果评估、用户行为路径分析等需要用文字表达分析思路。这四块的分数占比我记不太清了但主观题和SQL的权重一定是偏高的。因为这两类题能直接看出一个人是不是真正处理过数据而不是只会背概念。1.2 网易数据分析师的考法底色少一点背诵多一点应用我对这套卷子最深刻的印象是它不爱考“教科书原话”更爱考“你拿这个知识点能干什么”。举个例子同样考假设检验有的公司会问“第一类错误是什么”网易更可能换一个场景“某活动页点击率比上周下降了0.5个百分点你怎么判断这个跌幅是不是随机波动”这种出题方式会让背过书但没做过实际分析的人感到吃力。这种风格背后其实是数据分析师岗位的真实工作状态。日常分析中你面对的不是一个写着“求p值”的作业题而是业务方一句“数据怎么掉了”或者“这个功能上线之后效果如何”。笔试出题人想筛选的正是那些已经具备“把业务问题转化成数据问题”能力的人。2. 考点拆解一概率统计和SQL笔试的基本盘2.1 概率题里的出题逻辑贝叶斯和条件概率是常客先把概率论这块说透。网易的题里概率题通常不是单纯让你算一个古典概型而是会套一层现实场景。比如用“用户点击率”“召回率”“垃圾邮件判定”这类背景考条件概率。我记得有一道印象很深的题大致是某个内容推荐系统把文章推荐给用户用户点击的概率是10%如果用户点击了文章是优质内容的概率是80%如果用户没点也可能是优质内容。最后问从所有推荐中随机挑一篇文章它是优质内容的概率是多少。这种题目本质是让你画一棵概率树或者直接用贝叶斯公式。如果平时只看书不做题考场上很容易在“要不要用贝叶斯”这一步卡住。我当时的处理方法是先顺手写出符号再代入数据思路会清晰很多。计算过程大概是P(点击) 0.1P(优质|点击) 0.8P(未点击) 0.9P(优质|未点击) 0.2题目里的假设值P(优质) P(优质|点击) × P(点击) P(优质|未点击) × P(未点击)P(优质) 0.8 × 0.1 0.2 × 0.9 0.08 0.18 0.26这类题实际上考的是“你能否把一个模糊的业务描述抽象成概率符号”。建议大家复习时多找一些“应用题形态”的概率题来做别只刷“袋子里取球”的题。2.2 假设检验和置信区间别看轻了基础概念网易笔试里假设检验不是直接问你p值小于0.05代表什么而是会做一个很细的辨析比如“p值越小原假设为假的概率越大”这种表述对不对或者“置信区间越窄说明点估计越准确”这种说法是否严谨。这些题看着简单但多选题一掺进来就容易出错。它们的陷阱在于“混淆了频率学派的概率含义和日常语言里的概率含义”。p值不是“原假设为真的概率”而是在原假设为真的前提下观察到当前或更极端数据的概率。类似这种概念辨析我在复习时常常忽略直到做多选错了才发现自己其实没吃透。备考建议是把假设检验的四个基本步骤写熟练把p值、显著性水平、第一类错误、第二类错误、检验功效这几个概念之间的关系搞清楚。不用背长篇大论但一定要能一句话说清。2.3 SQL题窗口函数基本是必考项网易的SQL题没有到互联网大厂最卷的那一档但也绝对不算送分。我记得题型的典型场景是用户登录表、订单表、商品表要求统计连续登录天数、复购率、每个类目下销量前几的商品之类。其中窗口函数是绕不开的。如果你只会GROUP BY很多题虽然也能做但写出来的SQL又长又慢考场上还不一定对。比如“求每个用户最近一次登录时间”用窗口函数一行ROW_NUMBER()就能解决用自联结就要绕一大圈。我给大家一个可以“抄作业”的练题方向ROW_NUMBER()、RANK()、DENSE_RANK()三者的区别必须能脱口而出。LAG()和LEAD()在算同环比时很好用笔试里出现频率不低。SUM() OVER(ORDER BY ...)这种累计求和写法要熟练。举个例子有一道题是算“每个用户连续登录的最大天数”当时我用了日期减去ROW_NUMBER()的经典方法SELECT user_id, MAX(consecutive_days) AS max_consecutive_days FROM ( SELECT user_id, login_date, DATE_SUB(login_date, INTERVAL ROW_NUMBER() OVER(PARTITION BY user_id ORDER BY login_date) DAY) AS grp FROM user_login_log ) t GROUP BY user_id;这种思路可以提前练理解了分组逻辑之后以后遇到类似“连续签到”“连续消费”的题都可以复用。2.4 概率统计和SQL的优先级如何排如果备考时间有限我个人的排序是SQL不熟练的先练SQL因为这是硬功夫概率统计可以靠刷题快速补但题型见得够不够多会直接影响考场发挥。两边一定不能偏废只看概率不练SQL或者只练SQL不碰统计都有可能在某一块直接崩掉。从我自己的经历来看数据岗笔试的淘汰率不低单纯某一模块学得特别好不一定能保住总分但哪一块有明显短板非常容易被竞争对手拉开差距。3. 考点拆解二机器学习与A/B测试业务结合的考法3.1 模型评估指标没有想象中那么“送分”机器学习在数据分析师笔试里占的比重不如算法工程师那么大但基本概念一定会出现。尤其是二分类任务的评估指标准确率、精确率、召回率、F1值、AUC这些几乎每年都会换个壳考一次。网易的考法不会直接让你背公式而是给你一个实际场景。比如“用户流失预警模型我们希望把真正会流失的用户尽可能找出来避免运营动作做晚了应该优先关注哪个指标”这就直接考察你对“精确率和召回率取舍”的理解。这种题的关键是理解业务目标。如果漏掉了真正流失的用户后续挽回动作就来不及那就要重召回如果误判太多运营人员会疲于联系不会流失的用户那就要重精确率。答题时需要先说明“哪个指标是核心”再解释“为什么在这个场景下选它”。3.2 偏差与方差过了笔试面试还会再来一次网易笔试里会有偏差和方差的辨析题多选题尤甚。比如“增加模型复杂度偏差会怎么变方差会怎么变”“Bagging和Boosting分别主要降低哪一部分误差”。这些知识点属于机器学习基础里的基础但很多人复习时容易一带而过觉得“这我知道”其实真到了选项层面还是会犹豫。我当时复习用的是最朴素的理解方式偏差是模型的“视力问题”看不看得准方差是模型的“手抖问题”换了数据表现稳不稳。一个太简单的模型两头不讨好一个过于复杂的模型容易记住噪声方差变大。考场上如果遇到“在训练集上表现很好在测试集上表现差”第一反应就是“过拟合”然后顺藤摸瓜找“提升泛化能力”的措施加正则化、增大数据量、简化模型、交叉验证。3.3 A/B测试比你想的更爱考陷阱细节A/B测试是数据分析师笔试题里的“高频王者”。网易出题风格比较喜欢把A/B测试和业务场景结合起来问一些“看上去简单但容易踩坑”的问题。比如为什么不能直接比较转化率而要算显著性样本量不足会有什么后果多重检验导致假阳性怎么处理如果一个实验做了三天就出结果你敢不敢直接全量上线这些问题没有一个需要背公式但每一个都需要你有“实验设计意识”。这里推荐大家复习时建立一个“A/B测试完整流程”的框架实验前确定核心指标和护栏指标做样本量计算。实验中关注样本分流是否均匀注意新奇效应。实验后看显著性也要看效果量是否达到业务预期。最后判断是否值得全量上线。把这套框架刻在脑子里考场上遇到“活动上线后转化率下跌怎么判断是不是实验本身的锅”这类题就顺着流程一步步拆。4. 业务分析题从指标拆解到场景判断4.1 指标异动归因这套题最能拉开差距网易的主观题里我最怕也最服气的就是“指标异动归因”。它通常会给你一个场景某天的DAU跌了5%某次大促的GMV没达标某条信息流的点击率突然上升让你给出分析思路。这类题没有标准答案但评卷人心里一定有一套“好的回答应该长什么样”的标准。我自己总结下来一套合格的分析思路要满足三点先确认数据的真实性排除数据埋点、口径、采集问题。再拆维度从用户、渠道、设备、地区、版本等角度层层下钻。最后给结论或行动建议不能只说“原因很多”要落到具体可验证的假设上。举个例子如果DAU跌了先不要急着归因于竞品上线。第一步应该看是不是统计口径变了比如某次客户端升级后埋点漏了然后再看是新增用户少了还是老用户回流少了或者某几个大流量渠道出了问题接下来再看是不是某些核心功能调整影响了下单或浏览的链路。顺序不对分析就很容易被带偏。4.2 留存和漏斗从题目里学到的“套路”网易笔试有一类题考留存比如“新用户次日留存率下降了3个百分点请分析原因”或者“某功能的使用漏斗中第二步到第三步流失率特别高怎么办”。我当时的回答思路是这样的留存下降先分人群是新用户还是老用户是安卓还是iOS是哪个渠道来的然后分行为用户是不是没有完成关键的首次操作有没有接收到核心引导最后可以做队列分析按时间分组看是不是某个版本、某个活动之后才出现下降。漏斗流失太高先检查这一步是否存在体验断点比如页面加载慢、按钮不清晰、需要登录才能操作再考虑用户预期问题是不是被前一步的文案吸引进来结果点进去发现货不对板。这些思路不一定能答成满分但至少能让阅卷人看出你具备“从数据到行动”的意识。4.3 开放题的回答结构让阅卷人一眼看到你的逻辑主观题答题我建议不要写一大段密密麻麻的文字很容易让阅卷人在信息海洋里找不到重点。与其长篇大论不如用“结论先行、分点展开”的方式先用一句话说明你的分析思路。再按“拆维度、提假设、给验证方法、给建议”的顺序写小点。语言上保持简洁能说清楚的不要绕。印象里有一道“推荐系统点击率下降请给出分析方案”的题我用的是“先验证数据、再拆链路、后做归因、结合实验验证”的框架。考完之后觉得这种结构化回答哪怕有些点想得不够深阅卷人也能快速理解你的思考路径。5. 考场实战我的答题顺序和一点侥幸心得5.1 先做SQL还是先做主观题我的时间分配笔试开始后我没按题号顺序做而是先花几分钟把整张卷子的主观题大概扫了一遍把那些“一眼有思路”的题先标记出来。我当时的答题顺序是先做SQL题趁着头脑清醒写代码再做概率和机器学习选择题这部分不需要写太多字可以快速拿分最后集中精力写主观业务题因为主观题需要组织语言放在前面容易把时间耗光。时间分配大概是SQL 30分钟选择题40分钟主观题40分钟剩下时间检查和补漏。总体做下来比较从容没有出现“最后一道大题写了一半就没时间”的情况。5.2 遇到完全不会的题怎么止损考场上一定会遇到一两道没思路的题。我记得有一道多选题四个选项里有两个我不确定考场上我就用了最笨也最可靠的办法回到定义逐项判断完全不确定的选项宁可少选也不要乱选。多选的计分规则通常“漏选得部分分、错选不得分”所以拿不准就保守处理。必要的时候要学会“暂时跳过”。如果一道题卡了十分钟还没想清楚果断先做后面的题。毕竟笔试考察的是总体得分不是“一道到底”。5.3 选择题的“信息直觉”判断法这是我自己的一点小经验。数据分析相关选择题里很多选项会在“语气过重”或“逻辑绝对”的字眼上露出马脚比如“一定”“必然”“只要……就……”这时候要多留一个心眼。数据分析的世界里很少有绝对的因果关系大多数表述后面都藏着“在控制变量的前提下”。反过来那些加上“在特定条件下”“通常来说”“从概率上看”这种限定词的选项往往更接近正确表述。尤其在做多选题时这种判断方式能帮你排除掉一部分看似合理的干扰项。6. 复盘之后从笔试准备到面试衔接6.1 用笔试考点反推学习路线笔试做完后我最大的感受是学校里的统计学课程和真实业务分析之间确实有一道鸿沟。考场上那些题目知识点都学过但“用哪个知识点、怎么把业务现象转成数学问题”这件事必须靠案例练习来补。如果你正在准备数据分析师校招我的建议是别急着买一摞书从头看到尾先根据笔试真题反推学习路线。概率统计练到能独立完成应用题SQL练到窗口函数和复杂关联不卡壳机器学习基础概念做到能讲清楚“为什么”业务分析题则多拆解一些网上的真实案例。这样复习效率会高很多。6.2 笔试之后面试前要补什么笔试通过之后面试考察的重点会从“会不会做”转向“讲不讲得清”。我当时准备面试时把笔试里做错和拿不准的题重新整理了一遍用口述的方式再答一次确保自己能自然地说出思路。面试官通常会顺着你的回答深挖。比如你说“我用漏斗分析找到了流失环节”他可能接着问“这个环节的流失率多少算高你怎么判断”。这些追问其实都是在考察你的标准感——你有没有一个比较基准能不能判断问题的严重程度。6.3 一场笔试真正的价值现在回看那次笔试它对我最大的帮助不是“拿到一个面试机会”而是逼着我系统整理了一遍数据分析师需要具备的知识树。笔试就像一面镜子哪些地方看起来懂了其实没懂一测就知道。如果你正在准备类似的校招笔试不用把某一道题看得太重但一定要认真对待整套卷子暴露出来的薄弱环节。把那几个薄弱点补上这场笔试就不算白考。