（1）项目的数据量多大，多少维，数据都是怎么预处理的。
（2）你应用过哪些数据挖掘算法，针对简历上的算法或者模型，你看过源码或者模型中细节你知道多少，还是仅仅调用API用用而已
(3）项目中，你遇到过的最大的困难时什么，怎么解决的，从中学到什么。
（4）项目中hadoop搜索引擎你是怎么设计的，其中的分词是什么。
（5）数据是存在HDFS中还是Redis中的。
（6）spark和Hadoop的基本架构，尽量说。
一、异常值是指什么？请列举1种识别连续型变量异常值的方法？
异常值（Outlier） 是指样本中的个别值，其数值明显偏离所属样本的其余观测值。在数理统计里一般是指一组观测值中与平均值的偏差超过两倍标准差的测定值。
Grubbs’ test（是以Frank E. Grubbs命名的），又叫maximum normed residual test，是一种用于单变量数据集异常值识别的统计检测，它假定数据集来自正态分布的总体。
未知总体标准差σ，在五种检验法中，优劣次序为：t检验法、格拉布斯检验法、峰度检验法、狄克逊检验法、偏度检验法。
点评：考察的内容是统计学基础功底。
二、什么是聚类分析？聚类算法有哪几种？请选择一种详细描述其计算原理和步骤。
聚类分析(cluster analysis)是一组将研究对象分为相对同质的群组(clusters)的统计分析技术。 聚类分析也叫分类分析(classification analysis)或数值分类(numerical taxonomy)。聚类与分类的不同在于，聚类所要求划分的类是未知的。
聚类分析计算方法主要有： 层次的方法（hierarchical method）、划分方法（partitioning method）、基于密度的方法（density-based method）、基于网格的方法（grid-based method）、基于模型的方法（model-based method）等。其中，前两种算法是利用统计学定义的距离进行度量。
k-means 算法的工作过程说明如下：首先从n个数据对象任意选择 k 个对象作为初始聚类中心；而对于所剩下其它对象，则根据它们与这些聚类中心的相似度（距离），分别将它们分配给与其最相似的（聚类中心所代表的）聚类；然 后再计算每个所获新聚类的聚类中心（该聚类中所有对象的均值）；不断重复这一过程直到标准测度函数开始收敛为止。一般都采用均方差作为标准测度函数. k个聚类具有以下特点：各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开。
其流程如下：
（1）从 n个数据对象任意选择 k 个对象作为初始聚类中心；
（2）根据每个聚类对象的均值（中心对象），计算每个对象与这些中心对象的距离；并根据最小距离重新对相应对象进行划分；
（3）重新计算每个（有变化）聚类的均值（中心对象）；
（4）循环（2）、（3）直到每个聚类不再发生变化为止（标准测量函数收敛）。
优点：本算法确定的K 个划分到达平方误差最小。当聚类是密集的，且类与类之间区别明显时，效果较好。对于处理大数据集，这个算法是相对可伸缩和高效的，计算的复杂度为 O(NKt)，其中N是数据对象的数目，t是迭代的次数。一般来说，K<<N，t<<N 。
缺点：1. K 是事先给定的，但非常难以选定；2. 初始聚类中心的选择对聚类结果有较大的影响。
点评：考察的内容是常用数据分析方法，做数据分析一定要理解数据分析算法、应用场景、使用过程、以及优缺点。
三、根据要求写出SQL
表A结构如下：
Member_ID（用户的ID，字符型）
Log_time（用户访问页面时间，日期型（只有一天的数据））
URL（访问的页面地址，字符型）
要求：提取出每个用户访问的第一个URL（按时间最早），形成一个新表（新表名为B，表结构和表A一致）
createtable B asselectMember_ID, min(Log_time), URL from Agroup byMember_ID ;
点评：SQL语句，简单的数据获取能力，包括表查询、关联、汇总、函数等。
另外，这个答案其实是不对的，实现有很多方法，任由大家去发挥吧。
四、销售数据分析
以下是一家B2C电子商务网站的一周销售数据，该网站主要用户群是办公室女性，销售额主要集中在5种产品上，如果你是这家公司的分析师，
a) 从数据中，你看到了什么问题？你觉得背后的原因是什么？
b) 如果你的老板要求你提出一个运营改进计划，你会怎么做？
表如下：一组每天某网站的销售数据
a) 从这一周的数据可以看出，周末的销售额明显偏低。这其中的原因，可以从两个角度来看：站在消费者的角度，周末可能不用上班，因而也没有购买该产品的欲望；站在产品的角度来看，该产品不能在周末的时候引起消费者足够的注意力。
b) 针对该问题背后的两方面原因，我的运营改进计划也分两方面：一是，针对消费者周末没有购买欲望的心理，进行引导提醒消费者周末就应该准备好该产品；二是，通过该产品的一些类似于打折促销等活动来提升该产品在周末的人气和购买力。
点评：数据解读能力，获取数据是基本功，仅仅有数据获取能力是不够的，其次是对数据的解读能力。
五、用户调研
某公司针对A、B、C三类客户，提出了一种统一的改进计划，用于提升客户的周消费次数，需要你来制定一个事前试验方案，来支持决策，请你思考下列问题：
a) 试验需要为决策提供什么样的信息？
c) 按照上述目的，请写出你的数据抽样方法、需要采集的数据指标项，以及你选择的统计方法。
a) 试验要能证明该改进计划能显著提升A、B、C三类客户的周消费次数。
b) 根据三类客户的数量，采用分层比例抽样；
需要采集的数据指标项有：客户类别，改进计划前周消费次数，改进计划后周消费次数；
选用统计方法为：分别针对A、B、C三类客户，进行改进前和后的周消费次数的，两独立样本T-检验（two-sample t-test）。
点评：业务理解能力和数据分析思路，这是数据分析的核心竞争力。
以上就是关于阿里数据分析师的岗位面试题及要求的相关介绍，更多阿里数据分析师的岗位面试题及要求相关内容可以咨询我们或者浏览页面上的推荐内容。我们将让你对阿里数据分析师的岗位面试题及要求有更深的了解和认识。
以下是一些数据仓库面试题：
1. 什么是数据仓库？
2. 数据仓库的作用是什么？
3. 数据仓库和数据库的区别是什么？
4. 数据仓库的架构是什么？
5. 如何进行数据仓库的建模？
6. 如何进行数据仓库的 ETL 流程？
7. 如何进行数据仓库的性能优化？
8. 如何进行数据仓库的备份和恢复？
9. 如何进行数据仓库的安全管理？
10. 如何进行数据仓库的监控和优化？
以上是一些常见的数据仓库面试题，你可以根据自己的经验和知识进行回答。
数据分析师的主体是以采集和整理数据为主
这两个概念并没有什么差异
现在我们国家是没有注册项目数据分析师的，因为只有劳动和社会保障部才有资格颁发职业资格证书。
现在市面上有两种所谓的项目数据分析师证书：
一个是中国商业联合会数据分析专业委员会颁发《项目数据分析师证书》，一个是工业和信息化部教育与考试中心颁发《项目数据分析师职业技术证书》
一、专业要求不同
商业分析师：
专业偏向经济、金融、工商管理、数学、统计（整体更倾向商科）
数据分析师：
专业偏向数学、统计、计算机（整体更倾向理科）
二、工作内容不同
商业分析师：
1、负责某个独立项目的信息收集、分析，提出有针对性的方案和建议；
2、就具体业务专题，构建商业分析框架，进行全维度的商业分析（如竞对信息、行业市场、上下游关系），完成分析报告面向CXO进行汇报；
3、依据国家有关方针、政策、法令，运用科学方法，及时对公司提出切实可行的战略改善方案。
（以上包括但不限于）
数据分析师：
1、负责日常数据分析及监控，针对异常情况协调资源进行跟踪和深入分析；
2、为各类业务部门（产品、运营、市场、广告）提供数据支撑；
3. 探究用户行为习惯特征，优化公司产品收益。驱动业务增长；
（以上包括但不限于）
三、掌握技能的不同
商业分析师：
一般来说，商业分析师都需要有一定的MBA背景，对市场、上下游、商业有强烈的洞察力，具备系统的资料收集、市场研究、整理能力，及良好的文字处理能力，具备较强的逻辑思维能力，敏锐的观察能力和独立分析能力。很多商业分析师是需要独立完成一份行业分析报告，站在整个行业的角度，去看待本公司、所有竞品公司、上下游的各种关系与优劣势。
需要懂得各类的策略模型与方法论：如SCP、RFM、波士顿矩阵、金字塔原理、5W2H、MECE分析、SWOT分析等等
数据分析师：
数据分析师更偏向针对某个公司产品，进行分析建模，驱动增长。
需要有较强的落地能力，与各业务部门的配合的沟通能力。
需要懂得统计学相关知识，寻找大数据中隐藏的用户行为规律，掌握基本统计模型及统计学知识：回归分析、聚类分析、时间序列、多元统计，贝叶斯等，如果在互联网研究产品的话需要了解：漏斗分析、产品转化等
以上掌握的模型，商业分析师和数据分析师都会交叉使用，只是侧重点较为不同。
总结：
a.商业分析师站的高度会比数据分析师高，因为处于战略模块，放眼的是全行业、上下游。而数据分析师更偏向落地能力，具体帮助业务某个产品得到增长；
b.商业分析师的汇报对象的都是CEO，CFO、各种O。而数据分析师的汇报对象的是业务部门和数据部门的领导；
c.企业中对战略部门的商业分析师的学历背景要求会比较高，需要有一定的咨询行业或MBA背景或强大的逻辑思维与业务拆解能力。
企业中对业务部门的数据分析师的掌握工具技能、数据处理能力要求比较高；
d.商业分析师不仅仅只是对数据进行分析，还需要做信息类的分析，如市场研究、国家政策、行业形势等；而数据分析师更偏向针对某一产品的分析，业务落地性比较强；
当然这两者边界现在也越来越模糊，很多数据分析师也需要有一定的高度去看待问题，而商业分析师也慢慢需要一定的编程能力。
e.最后讲到大家最想了解的薪资问题，一般来说商业分析师毋庸置疑会比数据分析师起薪高，商业分析师薪资对标的就是咨询行业的分析师或者咨询顾问，大家都知道咨询行业的起薪都比较高的。
当然数据分析师驱动业务增长，可获得奖金就会比较多，只要业务产生增长，加薪也会比较快。
两者来说都有很好的方向，我较为客观地讲述这两者的差异。
区别在于:
(1)专业偏向不同。
商业分析师：专业偏向经济、金融、工商管理、数学、统计（整体更倾向商科）。
数据分析师：专业偏向数学、统计、计算机（整体更倾向理科）。
(2)工作内容不同。
数据分析师日常工作内容：1. 根据时间维度产出数据报告2. 监控数据趋势3. 为业务提供数据支持4. 撰写专题性报告。
商业分析师日常工作内容：1. 商业决策2. 业务优化3. 战略调整4. 撰写商业分析报告。
这位同学就业意识很超前，非常的好，提早准备对未来求职来说好处多多。分析师这个词是个大类，各行各业都有分析师，尤其是金融行业。当然，对于分析师的工作，你也可以提前先预热一下，花3天的时间体验一下数据分析工作可能会碰见的实际场景、工作内容。
如果你找不到相关资源，也可以利用知乎官方的训练营，他们邀请了前IBM的技术大牛做直播，分享了很多案例和学习资源，也有学习群和训练营，只需一毛钱就可以加入。
以下是入群通道，点击卡片即可加入↓↓↓
数据分析师与金融分析师，都差不多，职业的名字影响不大，关键是看你想干什么。
我觉得事情做得好了做得精了，并且一直坚持下去做，通常都很有发展前景，这个不用担心。我从以下几个方面入手分析一下金融分析师工作是否有前景这个问题
金融金融，说是金融，但实际上都是与实体相联系的地方
比如说做投资对吧，钱是自己的，如何投那是要合计合计的，没有大量的调研和数据分析，你敢投吗？肯定不敢啊
归拢起来，我觉得需要分析师的地方实体和金融行业都需要，金融行业还可以细分一级投研分析师和二级行研分析师
上市公司船很大，不做计划肯定不行，你不能说边走边摸索，那你领导者都这样，下面员工咋办，几千号人都跟着你一起摸索？最后就会变成百花齐开啥事都别想干好
所以，分析师这个职业属于，只要是你做的好能力强，既有自己的想法，也能处理好众多数据，并且还能跟别人很好的表达出来，这就是非常优秀的分析师了
分析师的作用我们分析完了，那么接下来就说啥行业需要分析师呢
比如说实体企业中，上市公司那是一定需要分析师的，他们需要分析师去分析行业、分析自己公司盈利情况，分析自己家公司哪里做的好，如何学习别人家好的地方取长补短，给自己家公司做商业计划通常，有个专业的学名【董秘】做的就是这么一个看似打杂，但分析属性极强的工作
你说他是金融分析师吧，那也对，因为董秘你想上岗，你跟让上市公司愿意推你，然后你去深交所学习+考试去，考完试你才能持证上岗。甚至部分上市公司还需要你有证从、基从这种资格证
所以，他肯定算金融分析师
从金融行业来讲，大家耳熟能详的就是二级行研分析师，这肯定是金融分析师
他们虽说分析的是二级市场，但是更多的是做金融上的各种调研、算数、汇总
比如说卖方指的是券商研究所，他们会分宏观分析师和各赛道分析师。宏观分析师很好理解，就根据政策啊、宏观经济啊，看看接下来什么资金导向。各赛道呢？就属于书接上回，好好的根据宏微观的内容，去讲讲这个赛道未来上市公司们的发展。
举个例子，比如说医药赛道是个超级大的赛道，医药下面还分中医、消费、器械、创新药、疫苗……当然，不同机构分的都不太一样，整体是这么个分类。我这一年说医药赛道好，这不是整个大赛道好，根据一些政策及宏观经济市场分析，那是一个医药大赛道下面的某一个细分好
这就是个很有意思的事情了
就相当于，这行业吧，只要是有上市公司存在，只要是实体经济屹立不倒，券商研究所的分析师们就永远都给有工作
当然，除了二级市场的分析师，一级也需要啊。比如说累死人的咨询公司，四大会计师事务所，PEVC机构，FA机构，这些都需要金融分析师。他们都是根据经济大环境去进行有针对性的分析。为啥我不细讲了，讲不完。我国上市公司才不过5k来家，二级市场的分析师从卖方到买方，人数就很多了，细分赛道也很多了。那，没上市的公司更多了……光讲分类我都讲不完
总结来讲就是，需要金融分析师的地方，数不胜数
说完需要这个工作的行业了，那么我们就聊聊他们的工作内容
可能大家看到的分析师的工作属于，特别高大上，西装革领，成天拿着苹果电脑，鼠标动一动，就能让一家企业破产……
嗯，电视剧大家就看看就好，真实情况真不是这样的，你就算是当老板，那也不是这样的
我们分两块来分析可能会更直观
比如说，大家知道咨询公司，成天写宏观赛道报告那种
就差不多上面那种，当然，还有券商研究所的报告，就大家平时讲的研报
股民老骂的那个，我找找，内容如下
整体来讲，什么是卖方的报告，就是有人买他们服务啊
比如说咨询公司调研什么，完去取决于他们的买方想要什么，像上面那个ChatGPT，大家都很关心这个话题，咨询公司合计合计，发现，这事有的做，于是就需要有人大量的去调研、对比，上市的没上市的，国内的国外的公司，大家都要去做去了解，进行大量的数据分析，从而写出研报来
很多人就问了，那成天就坐办公室，百度就好了啊
事实上并非如此
比如说上面我还截屏了一个医疗器械的
你会发现很多咨询公司的人，可能还会趴在医院，去一个科室一个科室问，你们科室有什么器械，器械都是哪个厂家产的，用起来有啥感受，优缺点都有哪些
这，才叫做调研，这是个声势非常浩大的工程，所以咨询公司针对定制咨询的时候，往往收费是可观的。包括你们在网上看到卖某某行业2023年蓝皮书，那么一本纸质书都要几百甚至上千，那是因为他们耗费的人力、物力、财力真的是不可估量的，更麻烦的地方在于，时效性。就是调研加汇总写东西，他们需要在1-2个月以内完成
上市公司的调研就还好，他们的董秘有公示解答的义务，所以券商研究所往往工作不会像咨询公司那么的辛苦（当然，也没好哪去，他们一个月一般要出一个深度报，一个礼拜要出三个点评报，以前我也有写过，大家可以扒一扒我以前的内容）总结来讲就是，卖方分析师根据买方或整个市场需求，每天要调研、分析、写研报、路演，增加自己的知名度
收入往往和你的名气相挂钩，应届生刚入行，年收入可能并不高，年薪大约20w-30w左右，但是如果你做了3年，踏踏实实的做研究写研报这种，可能收入就能100w起步了。
还有一类分析师属于，我要对自己的企业和资金负责型，不对外阐述自己的分析观点，也不参合别人的观点，低调，不打名气。我们可以统称为买方分析师
这种分析师一般是没有研报的，有的话，那也是自己机构的机密，不会外宣，在这里就无图无真相了很多应届生小孩就很希望做买方分析师，因为钱多压力小，这点我不赞同，承受的压力其实不太一样
比如说，做卖方分析师，一般你是为了自己打名气，让别人认可他，从而增加自己的收入。但是买方分析师是为了自己的上市公司或者为了自己的基金去负责，也就是说，自己的研究成果要让自己机构能够赚钱，如果分析有问题，决策出现错误，那么就会影响自己这方的钱。
想象一下，基金经理手持1个亿，就因为自己的一个决策，蒸发了其中的30%，你的心理压力多么的大。
所以买方分析师通常喜欢要往届生，当然，有些上市公司会招应届生，比如说大名鼎鼎的大厂战投岗，这些也是金融分析师。
收入往往与你的决策挂钩，应届生如果你是清北复交这种，其实刚入行30w上下，如果你去的是公私募，那可能年入10w上下。但是一旦你开始跟你方资金挂钩，那么年终奖就会与你掌管的资金成正相关，如基金经理掌管1个亿，年终奖可能是1个亿的1个点……
综合来讲，我个人觉得金融分析师未来会非常好，当然，好这个词很宽泛，我们要去说好在哪
从找工作的角度讲，什么工作算上等工作？那肯定是能让你提升自己的工作
分析师成天都在分析整个行业，整个金融环境，整个市场，那么你对于这些势必会比一般人了解
如果你是二级分析师，成天打交道的人也是各个上市公司董监高和各类大资金掌管着，那你也会赢在起跑线
所以，从你的个人提升和资金收入以及人脉圈子，那就是赢了80%的应届生
如果你再打出了名气，那岂不是资本市场和实体经济，随便选的存在？
更甚至，很多人积累了资金和人脉，然后选个自己喜欢的领域去创业
你本身就是分析师出身，你的成功率也是比一般人高很多的
前途无量啊
从你现在的处境分析，首先，考大学的时候考学校一定要好，而且你要读研读博。当然，研究生并不是最主要的，好学校才是
能考清北，那肯定没问题，如果清北太难，选个985院校就很好。如果985很难考，那就选QS top100的国外院校读
想做分析师，并且不希望自己的路太窄的话，最好选工科，尽量不要选文科
毕竟，金融与实体是息息相关的，密不可分的
再者，你可以提升自己能力，当然这些都是潜规则
比如说你现在去看那些金融分析师招人标准，什么希望精通Python啊，精通Excel啊这些，这里说的Excel不是你去打打字，而是你要会用他做运算
比如说大家也可以看看这个课程，我看体系非常的全，对你未来的分析师之路很有帮助
不会也没啥问题，只是一种潜规则，提升自己能力的，无法量化做出要求
未来呢，你要是想入行，读大学开始吧，一方面要很好的完成学业，另一方面也要多实习，这样自己毕业就能成为一名优秀的分析师了，这样是不是很好~
加油吧宝宝，你是最棒的，相信你一定能走上自己想走的路的。
做好下列阶段方法
第一阶段：Python编程语言核心基础。快速掌握一门数据科学的有力工具。
第二阶段：Python数据分析基本工具。通过介绍NumPy、Pandas、MatPlotLib、Seaborn等工具，快速具备数据分析的专业范儿。
第三阶段：Python语言描述的数学基础。概率统计、线性代数、时间序列分析、随机过程是构建数据科学的基石，这里独树一帜，通过python语言描述这些数学，快速让数学知识为我所用，融会贯通。
第四阶段：机器学习典型算法专题。这一部分利用前面介绍的基础知识，对机器学习的常用核心算法进行抽丝剥茧、条分缕析、各个击破。
第五阶段：实战环节深度应用。在这一部分利用已有的知识进行实战化的数据分析，例如：对基金投资策略、城市房屋租赁等热门数据展开围猎。
含金量高。
数据分析师证书依照从业认证，从2003年设立开始，既不设立任何级别。学员只有通过严苛的考核并合格后，才能拿到行业协会颁发的数据分析师证书，取得从业资质。坚持cdpa数据分析师不区分等级，正是协会严格尊重国际惯例、遵守从业规范的结果。
