**** **前言**
19届同学反馈,拼夕夕的数据分析SQL部分出的很好，20届感叹道，说的太对了。
拼夕夕的笔试题一共五道，考试时只划分为一个部分，答题时间90分钟。
## **第一部分：SQL查询题3道**
**第一题：活动运营数据分析**
表1——订单表 _orders_ ，大概字段有（ _user_id‘用户编号’, order_pay‘订单金额’ , order_time‘下单时间’_
）。
表2——活动报名表 _act_apply_ ，大概字段有（ _act_id‘活动编号’, user_id‘报名用户’,act_time‘报名时间’_ ）
需求：
1. 统计每个活动对应所有用户在报名后产生的总订单金额，总订单数。（每个用户限报一个活动, _题干默认用户报名后产生的订单均为参加活动的订单_ ）。
2. 统计每个活动从开始后到当天（考试日）平均每天产生的订单数，活动开始时间定义为最早有用户报名的时间。（涉及到时间的数据类型均为：datetime）。
第1问：
第2问：
说明：Over函数可以和其它聚集函数、分析函数搭配，起到不同的作用。例如这里的SUM，max，min，avg，还有诸如Rank，Dense_rank等。(mysql支持，hive也支持)
**第二题：用户行为分析**
表1——用户行为表 _tracking_log_ ，大概字段有（ _user_id‘用户编号’,opr_id‘操作编号’,log_time‘操作时间’_ ）
需求：
1、计算每天的访客数和他们的平均操作次数。
2、统计每天符合以下条件的用户数：A操作之后是B操作，AB操作必须相邻。
第2问：
在第一问的基础上添加了限制：A操作之后是B操作，AB操作必须相邻。
lead（）over（）可以轻易的实现！
第三题：用户新增留存分析
表1——用户登陆表 _user_log_ ，大概字段有（ _user_id‘用户编号’，log_time‘登陆时间’_ ）
要求：
每天新增用户数，以及他们第2天、30天的回访比例
如何定义新增用户：用户登陆表中最早的登陆时间所在的用户数为当天新增用户数；
第2天回访用户数：第一天登陆的用户中，第二天依旧登陆的用户；--次日留存率
第30天的回访用户数：第一天登陆用户中，第30天依旧登陆的用户；
## **第二部分：计算题1道**
**贝叶斯公式的应用**
已知A,B厂生产的产品的次品率分别是1%和2%，现在由A,B产品分别占60%、40%的样品中随机抽一件，若取到的是次品，求此次品是B厂生产的概率。
已知：P(A)=0.6,P(B)=0.4,P(次/A)=0.01,P(次/B)=0.02
求：P(B/次)
## **第三部分：综合分析题1道**
**ABtest**
某网站优化了商品详情页，现在新旧两个版本同时运行，新版页面覆盖了10%的用户，旧版覆盖90%的用户。现在需要了解，新版页面是否能够提高商品详情页到支付页的转化率，并决定是否要覆盖旧版，你能为决策提供哪些信息，需要收集哪些指标，给出统计方法及过程。
解答：
使用A/B测试模型，分析两个版本在一段时间期限内，详情页面到支付页面的转化率变化，并计算转化率变化后引起的的GMV变化。
可选择的决策：①确定发布新版本；②调整分流比例继续测试；③优化迭代方案重新开发。
要统计的指标：期限内新、旧版本商品详情页到支付页转化率 ，支付金额。
要衡量的指标：转化率变化 t 在是可接受的置信区间内是否显著，同时参考收益提升率。
指标计算方法：转化率=从某详情页到支付页用户数/浏览该商品详情页用户数（取日平均和标准差）
支付金额=从某详情页到支付页到支付成功路径用户的本次支付金额（取日平均）
采用决策①的情况：本次页面改进在显著性水平内，证明了‘转化率提升的假设’。并且收益提升率达到预期水平。
采用决策②的情况：本次页面改进在显著性水平内，无法证明‘转化率提升的假设’。分析原因可能是新版本样本空间不足。
采用决策③的情况：本次页面改进在显著性水平内，证明了‘转化率提升的假设’。但是收益提升率没有达到预期水平。
文章整理自知乎，作者「求知鸟」
```code
End
```
```code
数分技能 | AB测试就该这么分析！ Python数据分析实战 | 同期群分析 同同同期群分析到底是个啥？
数据不吹牛读者群已经建立后台回复“入群”，一起吹水和交流干货
```
**“有用”**
