小红书数据分析面试4|秋招两面

一面+二面

1. 自我介绍+针对项目与实习提问+两道SQL题。

2. 18~26岁这个年龄段的人群笔记曝光占比下降，如何分析？

3. 大促前10分钟系统宕机了，估算这10分钟的损失，给一个具体的金额？

4. AB测试，第一天测试A组数据特别高，第二天测试B组数据特别高，第三天AB组差不多，这种情况应该如何看待？然后怎么做？

5. 针对简历RFM模型提问，大促活动，如何给用户发券？门槛怎么定？减多少怎么定？

6. 小红书视频feeds流改版，从双屏变成了单屏，改版预估增加了多少曝光？

第4题：一般有两个原因，①测试的观察期设置过早，早期的数据表现不稳定，会出现忽高忽低现象。②测试的样本量过少，样本量少随机性就强，结果也会忽高忽低。针对①要在AB测试前设定测试周期，增加实验观测时长。针对②事先要确定最小样本量，增加实验流量，流量越大随机导致的波动会越小。另外③开启AA实验，即实验组和对照组的实验配置完全一样，主要为了测试本次实验效果的波动性。

第5题：①在给用户发券之前，利用RFM模型做客户分群，针对不同价值客群精细化运营。②优惠券门槛应根据之前用户下单的消费金额来定，例如先按消费金额把用户划分成不同等级，从各层用户中选择活跃的、价格敏感和品类偏好用户，进行定时定点投放，实现优惠券核销率最大化。（阈值的划分可以基于业务经验、统计或者算法模型）③满多少减多少，是由商品类目决定的，因为不同类目的利润率不一样，例如假如是满50减10，牛奶品类要比大米品类更适合。

第6题：在改版前是不知道曝光是增加还是降低的，最后和面试官讨论结果是直接AB测试改版效果。当时回答也是顺着面试官的思路，拆解公式：增加的曝光=流量*点击率*上下滑动率*(人均滑屏次数-1)。

👇优惠券相关整理👇

优惠券的主要作用：

1. 提高客单价。促使客户为了达到优惠金额而拼单。

2. 提高复购率。快消品类效果明显。

3. 拉新用户。限时优惠效果明显。

4. 运营推广的载体，扩大平台、品牌知名度。

5. 区分价格敏感度不同的用户。

6. 会员营销。会员降低优惠券使用门槛、生日消费优惠。

优惠券设置核心两点：

1. 面额设置。

1.1 要考虑商品类目的利润把控。

1.2 根据商品的价格区间把握阶梯跨度。

2. 门槛设定。

2.1 门槛制定的依据。在客单价的基础上做提升，例如店铺客单价是40~45，那么可以提高20%至50，即设置门槛为满50可用。①无门槛的优惠券最有吸引力，拉新用户可用，对于店铺而言是纯成本。②低利润的商品要设置门槛，否则容易被纯薅羊毛。③低客单价的商品设置门槛不能太高，否则用户不容易达到使用条件，就没有转化。

2.2 门槛范围的把握。只考虑客单价不够合理，还需要考虑设置的逻辑。例如有满45减5，那么满100减10就不合理，因为用两张满45的就可以减10。

优惠券本质：价格歧视。

常见优惠券玩法：

1. 限时秒杀。营造稀缺感、紧迫感（直播感觉也是）。

2. 裂变玩法。用户自传播，分享红包等。

3. 大额拆分。包含多个券，额度、门槛、类目等不同。

4. 积分兑换。购买得积分，积分换券，促进复购。

5. 社交游戏。类似偷菜偷能量一样，督促用户使用。还有某信的“朋友共享的优惠券”。

6. 折扣+最高限额优惠。例如以五折吸引用户使用，但是限制优惠额度，例如滴滴搞过。

相关业务分析模型：RFM模型、AARRR模型。

涉及分析指标：ROI，GMV，客单价，拉新数，领取率，核销率，优惠券的发放量、领取量、核销量、用券总金额、优惠订单量等。