Data Analyst我面了10家都问这些
Data Analyst Interview Questions from 10 Companies
阅读重点
真的绷不住了家人们，最近两个月紧锣密鼓面了10家公司，从东岸到西岸，有大厂也有还在烧钱的startup，感觉整个人都被掏空了。从九月秋招开始，海投了上百份简历，大部分都石沉大海，偶尔收到几个OA，做完就没下文，心态真的差点崩了。一直到感恩节...
Data Analyst 高频面试题全解（2026）：10 家公司常问什么，应该怎么答
如果你在美国投 Data Analyst 岗，最容易踩的坑不是题没刷够，而是把准备方式做错了。很多人以为 DA 面试就是刷几道 SQL 题、背几个 Behavioral 故事，结果真正进面试才发现，招聘团队更在意的是你能不能把数据问题翻译成业务判断，能不能在有限时间里讲清楚指标、假设、结论和建议。
这篇文章把我面 10 家公司的高频题型重新整理成一份可执行的准备指南。重点不是“题目罗列”，而是每类题为什么会出现、面试官在看什么、以及你应该如何回答。
目录
- DA 面试的真实评分维度
- 10 家公司里最高频的题型分布
- SQL 题怎么准备才有效
- Case Study 与 Product Sense 怎么答
- Behavioral Question 怎么讲得像分析师
- 14 天冲刺计划
- 最容易挂掉的 8 个错误
DA 面试的真实评分维度
Data Analyst 面试通常同时看 4 件事：
- 你能不能正确理解业务问题。
- 你能不能用数据方法把问题拆开。
- 你能不能把分析结论转成可执行建议。
- 你能不能和非技术同事讲清楚。
很多候选人只准备了第 2 条，也就是 SQL、Python、Excel、Dashboard 工具，但第 1、3、4 条没有准备，导致答案“技术上没错，但不够像业务分析师”。
如果你还没先搞清楚 DA / DE / DS 的边界，建议先看 美国求职 DA / DE / DS 区别全解析。这一步能帮你把岗位期待先校准。
10 家公司里最高频的题型分布
我把面试问题粗分成 5 类：
SQL / Data Extraction：几乎必考Metrics / Product Sense：大厂和成熟产品团队高频Case Study：消费互联网、订阅、电商、Marketplace 高频Behavioral / Stakeholder Communication：所有公司都会问Python / Experimentation：不是每家都考，但越来越常见
一个很实用的判断方法是： 如果公司强调 product analytics、growth、marketing analytics，它往往会更看重指标体系和实验设计；如果公司更偏运营、财务、BI，则会更看重 SQL 稳定性和报表逻辑。
SQL 题怎么准备才有效
高频主题一：留存与漏斗
最常见的问题包括：
- 计算次日、7 日、30 日留存
- 计算注册到首购的转化漏斗
- 比较不同渠道用户的激活率
这些题本质上都在考你两个能力：
- 你是否理解业务定义
- 你能否把时间窗口和用户口径写对
真正高分的关键不是把查询写出来，而是先问清楚：
- 新用户是按注册日还是首登日定义
- 留存按自然日还是 24 小时
- 渠道归因是 first touch 还是 last touch
这类 clarifying questions 会直接体现你的分析严谨性。
高频主题二：窗口函数与排名
很多 DA 题会考：
- 每组 Top N
- 连续活跃天数
- 用户分群后的累计值
这些题往往会用到 ROW_NUMBER()、RANK()、LAG()、LEAD()。
如果你做题时只是机械套模板，遇到题目微调就容易崩。更稳的方式是按“业务意图 -> 分区逻辑 -> 排序逻辑 -> 聚合结果”去思考。
如果你 SQL 基础不稳，建议先按 SQL 高频训练路线 系统刷一轮。
高频主题三：异常值与数据质量
越来越多公司会问：
- 你如何识别数据异常
- 某天 DAU 突降 20%，你先查什么
- 两张表 join 结果不对，你如何排查
这个部分考的不是代码，而是你的排障顺序。推荐回答框架：
- 先确认定义和口径有没有变化
- 再排查数据管道、埋点和上游 source
- 最后判断是否是真实业务变化
这样的回答会比直接说“我先写 SQL 看看”成熟很多。
Case Study 与 Product Sense 怎么答
DA 岗最容易拉开差距的不是 SQL，而是 Case Study。
高频题长这样：
- 某个产品的
DAU下滑了 5%，你怎么分析 - 新功能上线后，怎么评估是否成功
- 某市场的转化率低于预期，你会看哪些指标
一个稳妥的答题顺序
- 先定义问题和成功指标
- 拆分漏斗与用户分群
- 提出 2-3 个可能原因
- 说明你需要哪些数据验证
- 给出下一步动作建议
举个例子，如果题目是“DAU 下滑”：
- 先确认是全量用户下降，还是某个 cohort 下降
- 再看 acquisition、activation、retention 哪个环节出问题
- 然后区分是 tracking issue 还是 business issue
- 最后提出实验、运营动作或产品修正建议
这样答，面试官会觉得你像一个能真正落地分析的人，而不是只会讲框架。
A/B Test 相关问题怎么答
很多公司即使岗位 title 是 DA，也会问实验设计，比如：
- 如何判断新按钮是否提高转化率
- 如果实验不显著怎么办
- 怎么计算 sample size
你不一定要给出严密公式，但至少要讲清：
- 主指标和 guardrail metric 是什么
- 实验时长如何定
- 是否存在新奇效应和分群偏差
- 显著性之外，业务意义是否成立
如果你在实验题上比较弱，建议把 DS / DA 面试 100 题计划 里实验和指标相关部分单独拿出来刷。
Behavioral Question 怎么讲得像分析师
很多人讲 Behavioral 故事时只会说“我做了一个项目”“我和团队合作得很好”。这类说法太空，没有分析岗位信号。
推荐的故事结构
Business Context：为什么这个问题重要Your Analysis：你具体做了什么分析Decision Impact：你的结论如何影响了决策Reflection：你下次会怎么做得更好
一个更像 DA 的回答
不要说：
- 我负责做 dashboard，支持团队看数据。
要说：
- 当时增长团队发现新用户转化率连续三周下滑，但无法判断问题在渠道还是产品。我搭建了渠道分层和漏斗拆解视图，发现问题主要集中在移动端首屏加载速度较慢的 cohort。基于这个分析，产品团队优先修复了移动端性能问题，两周后注册到激活转化率回升了 6 个百分点。
这类回答天然包含业务背景、分析动作和结果，更容易让面试官给高分。
如果你平时“会做不会讲”，建议单独补 美国 Data 面试 Storytelling 指南。
14 天冲刺计划
Day 1-4：夯实 SQL
- 每天 4 题：留存、漏斗、窗口函数、异常分析各一类
- 每题都写明业务定义，不只看 AC
Day 5-7：补 Product Sense
- 每天练 2 个 case
- 强制自己按“指标 -> 原因 -> 验证 -> 建议”输出
Day 8-10：Behavioral 与项目讲法
- 准备 5 个故事
- 每个故事都量化结果，并能在 2 分钟内讲清
Day 11-12：实验设计
- 复习 A/B Test、sample size、显著性、常见 bias
- 写 3 个标准答题模板
Day 13-14：全真 mock
- 做 2 次完整 mock：SQL + case + behavioral
- 复盘卡点，尤其是表达是否够结构化
最容易挂掉的 8 个错误
- SQL 会写，但先不 clarifying，结果口径错。
- Case 直接给方案，不先定义问题。
- 只讲技术动作，不讲业务影响。
- 项目故事没有数字，听起来像“打过杂”。
- 把 DA 岗答成 DS 岗，过度讲模型。
- 对公司产品不了解，Case 回答过于泛。
- 被追问时开始防御，不愿承认假设。
- 只刷题，不做 mock，现场表达不稳。
结语
Data Analyst 面试真正难的地方，不是题目多，而是它要求你同时像分析师、产品经理和沟通者一样思考。 如果你能把 SQL、指标框架、故事表达和项目复盘结合起来准备，通过率会明显提升。