美团数据研发面经（已凉）

#牛客创作赏金赛# 在当今的数据管理领域，诸多问题亟待解决：1. 数据不流通：数据地方保护主义盛行：各地区或部门出于自身利益考量，对数据进行封锁与割据，形成数据孤岛，严重阻碍数据在更大范围内的共享与流通，如同设置了重重贸易壁垒，使数据难以自由流动，无法发挥其整合后的巨大价值。2. 口径不统一：指标同名不同义、同义不同名现象频发：相同名称的指标在不同业务场景或部门中含义存在差异，反之，同一概念又可能被赋予不同的指标名称，这使得数据的理解与整合变得异常艰难，犹如不同语言体系下的混乱表达，极易造成沟通障碍与分析偏差。3. 工具不统一：各种 BI 工具百花齐放却缺乏整合：市场上 BI 工具种类繁多，每个工具都有其独特的功能与特点，但由于缺乏统一规划与整合，企业在使用过程中往往面临工具兼容性、数据迁移等诸多问题，如同各种风格迥异的乐器杂乱演奏，难以形成和谐的乐章。4. 边界不清晰：业务系统报表与 BI 报表职责界定模糊：业务系统报表和 BI 报表在功能、应用范围等方面没有明确区分，导致在数据呈现与分析过程中出现重复劳动、数据不一致等情况，仿佛两块相邻土地的权属不明，引发诸多争议与混乱。5. 权限难管控：复杂权限体系令人困扰：随着数据的增多与业务的复杂，权限管理变得极为复杂，不同层级、部门、岗位对数据的访问权限难以精准设定与有效控制，好似一座迷宫，管理者在其中迷失方向，容易出现权限漏洞或过度授权等风险。6. 响应不及时：贯穿所有部门的数据需求难以快速满足：各部门对数据的需求日益增长且多样化，但由于数据处理流程繁琐、资源有限等原因，数据提供方往往无法及时响应，导致业务决策因缺乏数据支持而延迟或失误，就像快递在漫长的运输途中耽搁，错过最佳使用时机。7. 指标不体系：指标关系树尚未构建完善：指标之间缺乏系统性的梳理与构建，未能形成完整的逻辑关系树，使得数据分析师难以从宏观层面把握数据全貌，在分析过程中犹如盲人摸象，只能获取片面信息，无法深入挖掘数据背后的内在联系。8. 指标难管理：基于指标平台的全生命周期管理亟待加强：指标从定义、采集、存储到应用、更新等整个生命周期缺乏统一有效的管理平台与规范流程，导致指标的准确性、一致性与时效性难以保障，如同没有管家的豪宅，物品杂乱无章，难以有效利用。9. 指标不准确：指标质量审计环节薄弱：对于指标数据的质量缺乏严格的审核与监督机制，无法及时发现与纠正数据偏差、错误或异常值，使得基于不准确指标得出的分析结果与决策建议可能产生误导，仿佛在错误的地图上导航，必然偏离正确方向。10. 指标不会用：缺少指标故事线辅助理解与应用：虽然有众多指标数据，但缺乏将指标串联起来形成有逻辑、有情节的故事线，导致业务人员难以理解指标含义与应用场景，无法将数据有效转化为实际行动方案，如同拥有众多珍珠却缺少串线，难以制成精美的项链。

Redis 大 Key 是指存储在 Redis 中的键值对，其中键对应的 value 占用了较大的内存空间，或者包含了大量的元素。例如，一个存储了数百万个元素的集合（Set）类型的键，或者一个存储了一个很大的字符串（长度可能达到几十 MB 甚至更大）的键都被认为是大 Key。 Redis 大 Key 并没有统一的固定标准，当字符串存储了一个很大的值，例如 10M 以上，或集合存储了一个上百万元素的值，那就认为是 Redis 的大 Key 问题了。 1.主要影响 大 Key 问题造成的主要问题是让 Redis 服务阻塞，无法处理其他命令的响应（客户端可能因此出现请求超时的问题）。因为对大 Ke...

因为没数据研发相关经验 所以问的都比较简单😄😄😄一面30分钟Hadoop是什么，怎么理解的两道sql手撕hive on spark和spark on hive的区别说一个sql优化的工作数仓怎么建模，给了一个订单收货退货的场景怎么去建模二面 20min简历挖掘有个指标异常怎么排查Hadoop的构成

现在还没签好三方，想去个稍微正常点的厂子不行吗。之前俩个催三方，但是一个没拿到研发岗，一个地点薪资不合适。我求求了，这秋招还有完没完。 拿到鼎信offer，但是看网上评论鼠鼠有点害怕了。