1，数据分析流程

第一步：与业务方沟通问题，明确分析目标；
第二步：对目标进行拆解，可以采用两步分析法，也可以采用人货场分析法，通过数据定位问题源头；
第三步：与产品、运营和技术沟通，找到问题原因。

2，游戏内数据分析涉猎的少，如何证明自己有能力胜任？（学习话术）

虽然我对游戏数据分析的经验较少，但是我认为对于应届生而言，更重要的是学习能力以及对该行业的热情。
我的学习能力不错（举例说明，最好结合实习的例子，其次是在学校学习的例子等）；
并且我非常热爱网络游戏，自身职业规划也和游戏相关，希望能在这个行业里深耕；
最后我认为数据分析的方法是相通的，我学习的其他数据分析方法论也可以应用其中。

3，对于游戏而已，重要的指标

从游戏自身出发：核心玩法的参与度，游戏留存等；从游戏玩家出发：ARPU，DAU，留存率；从游戏性能出发：闪退率，卡顿率等。最重要的是游戏的渗透率，

4，数据分析的理解是什么，如何学习数据分析的，职业看法

理解：
数据分析是通过数据的角度，发现业务的痛点和痒点，通过分析原因得出解决策略，并推动策略落地，达到提升业务质量的过程。
学习：
主要通过课外阅读以及实习来学习数据分析，在在“人人都是产品经理”网站、公众号文章、知乎文章等学习到的数据分析方法论，通过实习的方法实践出来。
职业看法：
我认为这个职业是非常有前景的，未来许多企业都将完成数字化转型，对数据分析师的需要和要求也会逐渐提高，未来我也希望能够在这一领域深耕，不断学习提升自己的分析能力和业务水准，希望能够成为一名优秀的数据分析师。

5，数据分析常用软件、必备技能

取数和处理数据的工具：Sql、Excel、Python、SPSS等
数据可视化工具：Tableau、power BI等

技能：
数据处理技能：SQL、Excel、Python；
数据可视化技能：Python、Tableau、PPT；
沟通协调技能：与其他团队沟通，以及将数据分析结果呈现的能力。

业务学习：在人人都是产品经理、知乎、公众号阅读了大量数据分析的文章，并进行方法论总结。
工具学习：熟练掌握Sql、Python、Excel、Tableau等数据分析工具。
理论学习：对数据分析所用的统计学理论、机器学习理论有较为全面的理解掌握。

6，数据分析应该具备的能力

快速学习能力、数据化思维、较强的业务逻辑化能力、数据敏感度、沟通协作能力
1，数据分析师需要接触不同的业务，在学习新的业务中，我们需要快速学习能力，来提高我们工作的效率；
2，数据化思维能够帮助数据分析师提高数据敏感度，对异常数据有敏感的识别能力；
3，业务逻辑化能力能够让我们与业务方沟通时更加顺畅，数据分析并非独立完成的，是需要与其他人协同产出的。

7，简述SVM

SVM是在特征空间上找到最佳的分离超平面，使得训练集上的正负样本间隔最大。是用来解决二分类问题的有监督学习算法，在引入核方法后也可以解决非线性问题。

8，为什么想做数据分析？

感兴趣+有能力+行业有前景
1、对数据分析十分感兴趣，对自己未来的职业规划也是在数据分析这条路深耕，非常希望能够进入该行业。2、有一定的专业水平，自己本科/硕士阶段所学习到的很多统计和管理学上的知识，希望能够学以致用。3、认为该行业十分有前景，未来是大数据时代，而数据分析能够让企业更明确未来的方向，是非常有发展前景的行业。

9，实际问题：根据数据分析去调整高峰期打车供需问题

解答：明确问题关键词–>构建问题相关指标–>根据关键词得到具象化问题–>通过数据分析回答问题
详解：

1. 首先明确分析目的：关键词为“高峰期”、“供需问题”；供需问题即订单使用情况。
2. 随后根据订单问题构建指标体系：订单满足率，高峰期时段，订单高峰地段，平均响应时间，平均订单时长
3. 然后我们需要提出分析的问题：在各个地段的订单满足率如何？打车高峰期是什么时候？平均订单完成时间有多长？
4. 通过数据分析回答上述问题，并对数据进行可视化，得到分析结论。

10，数据挖掘和数据分析有什么不同

数据挖掘是在大量数据中，通过机器学习或深度学习等方法，去挖掘一些有价值或者是未知的信息，重点就在于寻找未知的模式，例如通过现状预测未来；
数据分析则更偏向于使用数据工具来进行数据的处理，提取出有价值的数据，需要与业务相结合，例如异常归因分析，经营现状分析等。

11，专业与数据分析的哪些内容相关

基础知识+逻辑思维能力+沟通表达
1，在基础课的学习上，概率论与数理统计这门课程学习的比较好，对统计学有较为深刻的认识。
2，在逻辑能力上，原专业也需要我们有较好的逻辑思维和结构化思维，对问题可以进行一定的拆解分析，找到问题原因。
3，在沟通表达能力上，在原专业的学习上，也需要与他人协作沟通，才能够取得不错的成果。

12，业务–假设我是美团的数据分析师，会构建怎样的指标体系。

美团的业务线很多，以美团商家业务线为例，我会这样构建指标体系。
分为主指标和辅助指标：
主指标包括：收入、有效订单数、入店转化率和订单转化率。
辅助指标分为营业数据、流量数据、顾客数据。
营业数据的指标可以有营业额、活动补贴总额、顾客实付费用、实付单均价；流量数据的指标可以有曝光人数、入店人数、下单人数、曝光次数、入店次数；顾客数据的指标可以从顾客的用户画像入手，例如新老客户占比、价格偏好情况等。

13，实习中日常工作内容以及工具时间占比

日常工作：数据提取、数据处理、与业务方沟通、数据实验、数据报表制作、数据分析报告。
工具时间占比：数据清洗方面：sql占绝大部分时间，50%-60%；python和excel做数据处理也会占据部分时间，10-20%；数据实验：实验流量工具，5%-10%；数据可视化：数据报表工具（tableau)，15%-20%。

14，对数据分析不同分支的岗位理解

数据分析主要分支有偏业务的数据分析和偏技术的数据分析。就我个人的理解，我认为偏业务的数据分析师可以通过数据的角度，发现业务的痛点和痒点，通过分析原因得出解决策略，并推动策略落地，达到提升业务质量的过程，这也是我希望深耕的路径；偏技术的数据分析师更偏向于用机器学习或其他前沿的模型对业务进行建模预测或分析，对代码和算法的要求会更高点。