数据分析面试里，SQL 是基础，但真正决定表现的往往是业务理解。面试官会问：这个指标为什么下降？怎么判断是流量问题还是转化问题？实验结果提升是否可信？不同用户群体表现为什么不一样？
如果回答只停留在“我会查数据”，很难体现分析价值。数据分析的核心是把业务问题拆成可验证的指标和结论。
指标口径先讲清楚
分析之前要先定义指标。比如活跃用户是登录、浏览还是完成核心动作？转化率的分母是曝光用户、点击用户还是进入页面用户？订单金额是否包含退款？新用户和老用户是否分开看？
很多分析争议不是计算错了，而是口径没说清。面试里主动讲口径，会显得更专业。
波动分析要分层
指标下降时，不要直接给结论。可以先拆维度：时间、渠道、地区、设备、版本、新老用户、商品类目、活动人群。先看是不是整体下降，再看是否集中在某个分层。
比如转化率下降，如果只发生在新版本客户端，可能是产品或技术问题；如果只发生在某个渠道，可能是流量质量变化；如果曝光上升但转化下降，可能是引入了低意向用户。分层能避免拍脑袋。
实验分析要看可信度
很多产品或运营动作会做实验。分析时不能只看实验组比对照组高一点，就说成功。要看样本量是否足够，实验周期是否覆盖业务周期，用户是否随机分配，是否存在其他活动干扰，主指标和保护指标是否都健康。
保护指标很重要。比如提升点击率的策略，如果同时让投诉率上升或留存下降，就不能简单判定成功。
业务建议要可执行
数据分析不是把图表发出去就结束。建议要具体：优先修复哪个页面，哪个渠道需要降预算，哪个用户群适合单独运营，哪个实验值得扩大流量。建议也要说明风险和后续验证方式。
可以这样回答：如果发现新用户注册后首日留存下降，我会先确认口径和数据质量，再拆渠道、版本和用户行为路径。若问题集中在某个版本，会看注册流程每一步转化和错误日志；若集中在某个渠道，会分析流量质量和后续行为。最后给出修复建议，并用后续留存和投诉数据验证。
数据分析面试的高分点，不是 SQL 写得多复杂，而是能把业务问题拆清楚、讲出证据和行动。
指标分析要避免错因归因
数据分析面试最怕看到一个指标下降就直接给结论。真正专业的分析会先确认口径，再拆分人群、渠道、时间和漏斗环节，最后判断是不是业务动作导致。
转化率下降：先确认是分母分子口径是否变了，再拆解是渠道、设备、新老用户，可能动作是定位低转化来源。留存下降：先确认是否有活动或版本变化，再拆解是用户来源和首日行为，可能动作是优化新手路径。
- GMV 波动：先确认是客单价还是订单量变化，再拆解是品类、价格、补贴，可能动作是调整供给或策略。
- 实验提升：先确认是样本是否充足，再拆解是分层效果和副作用，可能动作是决定全量或继续实验。
面试里可以主动说：我不会只报一个总指标，因为总指标可能掩盖结构变化。能讲清楚拆分路径，才像真正做过业务分析。