蔚来数据分析岗笔试复盘：SQL、Python与业务思维全解析

先说我自己的背景2024届硕士投的是蔚来数据分析岗和大多数人一样从官网投递到收到笔试链接大概隔了一周多。当时一起投的还有几家新势力车企但蔚来这套笔试做下来感觉在题型设计和业务贴合度上确实是花了心思的——不是那种随便拉一套行测题凑数的感觉而是真的想筛出能用数据理解业务的人。这篇复盘我拖了很久才写一方面是想等整个流程走得差不多再回看另一方面也是想把这些题目背后的考察逻辑拆透而不是简单记个流水账。无论你是准备投蔚来还是打算冲其他车企的数据岗这份复盘应该都能帮你少走不少弯路。1. 投递到笔试的全流程时间线、平台和形式先交代一下整体的流程节点让大家对节奏有个概念。我是2024年8月底在蔚来校招官网投的简历岗位是数据分析师base上海投完之后大概一周左右收到了测评邮件点进去是蔚来自己合作的第三方测评系统。这里提醒一句蔚来的笔试链接不是HR单独发的而是系统邮件自动触发垃圾邮件箱一定要盯紧我当时同寝室一个同学就是漏看了系统邮件白白错过了笔试窗口。整个笔试时长是90分钟题量在35道左右包含客观题和主观题主观题占比不低这个后面详细说。笔试系统是分模块计时的每个模块不能提前进入下一部分也不能返回修改这点和互联网大厂的智鼎、北森系统类似但蔚来这套的题目风格明显做了定制不是纯通用题库。具体的模块分布大概是这样的模块题目数建议用时考察方向逻辑推理10题15分钟图形推理、数字推理、逻辑判断数量关系10题15分钟基础数学、概率统计、排列组合专业能力SQL/Python8题25分钟数据查询、清洗、分析思维业务场景分析5题30分钟指标体系、归因分析、决策建议性格与职业匹配约10题5分钟行为风格、团队倾向从模块设计就能看出来蔚来不像某些大厂把行测当作第一门槛而是把专业能力和业务分析放了重头戏合计占了接近三分之二的分数权重。这也符合我对蔚来数据分析团队的基本判断他们要的不是刷题机器而是能直接上手处理业务问题的数据分析师。需要特别提醒的是笔试系统对切屏有监控切屏超过3次会被标记严重的话直接判定作弊。我当时是老老实实把手机放到另一个房间用电脑单屏作答。另外整场笔试不能中途暂停所以开考之前一定把卫生间去好、水倒好90分钟连轴转。还有一个细节笔试链接的有效期通常只有48小时而且不分周末和工作日也就是说你周四收到邮件可能周六就得开考。所以建议大家把秋招期间的邮箱提醒全部打开包括手机端邮件App的通知否则很容易错过。2. 逻辑与数量模块别轻视这些送分题它们真的有筛选作用2.1 图形推理和数字推理的难度定位第一模块是10道逻辑推理题。说实话刚开始做的时候我有一种这不是公务员行测吗的感觉。图形推理部分给了大概4道难度处于中等偏上不是那种一眼能看出旋转规律的基础题有几道是叠加去同存异加上元素位置变化的复合规律需要心算两到三步才能确定答案。数字推理部分没有出现那种纯加减乘除的简单递推而是带有分数和小数混合的形式比如给了一串带分母递增的分数让你找规律。这类题对非理工科背景的同学确实不太友好但好在题量不大如果卡住超过两分钟我建议直接凭第一感觉选一个然后跳到下一题因为后面的专业题才是真正的拿分大头。逻辑判断部分则是给你一段材料然后判断最能削弱最能支持的选项。这部分题和公务员考试的逻辑判断几乎一样但题干背景多数替换成了新能源行业场景比如如果换电站的平均服务时间缩短那么用户满意度不一定提升这种。2.2 数量关系模块的实际备考心得数量关系模块的10道题和我预想的也不完全一样。基础的行程问题、工程问题占比少了取而代之的是概率统计题和数据分析相关的计算题这明显是在服务后续专业模块的考察。我记得有几道题考到了条件概率、二项分布期望还有一个排列组合题是从8辆车中选3辆进行质量抽检其中至少包含1辆新能源车的概率是多少。这类题本身难度不大但如果你很久没碰数学在考场限时环境下容易慌。我自己的建议是考前把排列组合的基本公式特别是至少包含类问题的反面思考、条件概率的贝叶斯公式、期望方差的基础计算过一遍基本就够了。这道模块还有个让我印象深刻的点是有几道题给了真实的业务数据表格让你估算环比增长率和同比贡献度本质上就是Excel里的基础计算但考场上没有Excel可用只能靠笔算。平时用惯了Excel和Python的人反而容易在这些基本功上翻车建议大家考前手算几个增长率、占比的题目练练手感。3. 专业能力模块SQL和Python题目复盘专业能力模块是整个笔试含金量最高的部分一共8道题SQL占了5道Python占了3道。题目难度跨度很大从基础的单表查询到多表关联 窗口函数的组合题都有整体水平大概在能独立处理日常取数需求以上一点点不是那种让你写个select * from table就结束的白给题。3.1 SQL题试驾记录表的连续天数问题先说一道我印象最深的SQL题。题目背景是蔚来的试驾业务给你一张试驾记录表test_drive字段包括user_id用户ID、drive_date试驾日期、dealer_id门店ID、is_converted是否转化为购车订单1/0。问题是找出在2024年8月期间连续3天及以上有试驾记录的用户。这道题考察的核心是连续性问题业界最常用的解法是行号差值法WITH user_dates AS ( SELECT DISTINCT user_id, drive_date FROM test_drive WHERE drive_date BETWEEN 2024-08-01 AND 2024-08-31 ), ranked AS ( SELECT user_id, drive_date, ROW_NUMBER() OVER (PARTITION BY user_id ORDER BY drive_date) AS rn FROM user_dates ), diff AS ( SELECT user_id, drive_date, DATE_SUB(drive_date, INTERVAL rn DAY) AS grp FROM ranked ) SELECT user_id FROM diff GROUP BY user_id, grp HAVING COUNT(*) 3;这个解法的核心逻辑是如果一个用户连续N天有记录那么日期减去行号的值是相同的因为日期每天递增1行号也每天递增1差值恒定。用grp分组后COUNT(*)就是连续天数。说实话这个思路我在准备阶段就练过好几遍所以做起来还算顺手但如果没接触过这类题型考场现场想出来确实不容易。SQL的连续性问题几乎是车企和电商数据分析岗笔试的必考题建议大家把活跃用户连续登录天数连续打卡这类变体都练透。另一道SQL题是多表关联给了一张用户信息表和安全事故反馈表要求统计发生过安全事故的用户占比同时按城市维度输出。这道题考的是LEFT JOIN的使用和COUNT(DISTINCT)去重理论上不算难但有几个坑一是需要搞清楚用哪张表作为主表避免把未发生事故的用户丢掉二是去重口径一个用户可能有多条事故记录直接COUNT(*)会算错。这种细节性的坑恰恰是平时写SQL容易忽略的。还有一道题是查每个门店试驾转化率TOP3的销售日期。这种取每组前N名的问题标准的解法是窗口函数ROW_NUMBER()PARTITION BY和上面的连续天数问题一样都是窗口函数的典型应用场景。所以大家复习的时候窗口函数怎么强调都不过分。3.2 Python题数据清洗与分析实战Python部分的3道题没有让手写完整代码而是给了代码片段让你补全或者给一段有bug的代码让你找出问题。有一个题目是给了一个DataFrame要求筛选出价格列大于均值的所有行选项里给了几个df[df[price] df[price].mean()]的变体其中一个故意写成了df[df[price] np.mean(df[price])]看起来差不多但类型运算上会有问题。这种考点说白了就是考察你实际跑过没跑过代码纯背语法的人容易看走眼。还有一道题是关于数据清洗的场景是用户反馈文本中混入了大量空行和特殊字符要求选择正确的正则表达式来清理。选项里给了str.replace(\n, )、str.strip()、str.replace(r[^\u4e00-\u9fa5a-zA-Z0-9], )等。这里不光考正则还考你对业务的理解——如果数据最终要用于分词和情感分析保留中英文和数字、去掉标点符号通常更合理但如果是做词频统计可能又要保留标点。最后一道Python题是可视化相关的选项判断题给了一段用matplotlib画柱状图的代码问你哪个参数能让x轴标签不重叠。答案是plt.xticks(rotation45)。这道题本身没难度但说明蔚来对数据可视化的基本工具有所要求毕竟日常分析工作中出图是基本功。4. 业务场景分析题真正拉开差距的地方业务场景分析题一共5道其中3道是选择填空形式2道是开放式主观题。选择类的题目相对友好考的是指标体系的选择、异常归因的思路判断等主观题就比较考验真实水平了。4.1 指标体系选择题你得懂漏斗有一道题我印象很深它给了一个新用户从浏览App到完成试驾预约的转化漏斗数据包含了首页曝光、详情页点击、预约按钮点击、预约成功、实际到店这几个环节的转化率然后让你选择当前漏斗中哪个环节的优化优先级最高。很多人一看到优化优先级最高就想选转化率最低的那个环节但这道题的考点恰恰在于转化率绝对值低不等于优化价值最大你还要考虑这一环节的流量基数、优化空间、业务可干预程度。比如最后一步实际到店转化率虽然最低但如果它受天气、门店距离等线下因素影响大线上优化的空间就有限而预约按钮点击到预约成功可能只是表单字段太多导致的流失改起来是分分钟的事。这种题目没有标准答案考察的是你是否具备从业务角度解析数据的思维方式而不是单纯比大小。它是选择题里区分度比较高的一道我觉得选蔚来这类岗位的同学普遍还是能答出一些东西的但能不能答到点子上就得看平时的积累。4.2 主观题一试驾转化率下降的归因分析第一道主观题大概是这样说的某地区8月份的试驾转化率试驾后形成购车订单的比例环比下降了15个百分点请你给出分析思路和可能的原因。这道题其实就是典型的指标异动归因问题在互联网数据分析岗面试里非常常见但放在车企场景里就需要你结合行业知识来答。我当时大概写了这几个维度数据口径层面先确认数据是否准确转化率的分母分子有没有变化比如是不是分母扩大了试驾用户基数的渠道结构变了或者分子缩小了订单判定规则调整、录入延迟以及8月是否是销售淡旺季切换。用户侧因素新用户占比是否上升因为新用户本身转化周期更长用户来源渠道是否变化比如信息流投放带来的泛流量变多而精准渠道的流量减少了。产品与价格因素该地区主推车型是否发生了切换车型定价是否有调整竞品是否在8月发布了新车型或降价导致用户持币观望。门店与试驾体验因素门店销售政策是否有变化试驾排队时长是否增加试驾路线的体验感是否有下滑以及销售顾问的跟进及时性是否出了问题。外部环境因素天气、区域政策变化比如补贴退坡、舆论事件等。写完归因维度之后我还补充了一个点8月环比7月下降首先要排除季节性因素如果过去两年同一个时间段都有类似的下降趋势那可能只是正常的周期性波动不需要过度反应。这一点我觉得是我答得比较出彩的地方因为很多候选人在做归因分析的时候只盯着找原因而忽略了对数据进行拆解和横向比对。4.3 主观题二换电站选址的资源分配问题第二道主观题更加蔚来给出某城市不同区域的换电站使用数据包括日均换电次数、排队时长、周边保有量、租金成本让你设计一个评估模型决定是否在该区域新增换电站。这种题的开放性很强关键是要展示出你有多维度的分析框架。我当时写的大概思路是先用排队时长来判断供需缺口如果某区域日均换电次数高、排队时长长期超过10分钟说明供给紧张新增必要性高如果排队时长很短甚至换电站经常闲置那新增就是浪费资源。再用周边保有量和增长趋势判断未来需求保有量高且增速快的区域即使当前排队不严重也可能存在未来缺口窗口期需要提前布局。最后用租金成本和预期收益做投入产出比测算换电站建设和运营成本主要包含场地租金、设备折旧、电力成本、维护人力几个部分预期收益则要换算出因新增换电站而避免的用户流失/新增的用户满意度对应的价值。让我觉得比较加分的一步是我没有停留在定性分析上而是给了一个可操作的量化指标公式比如用供需比 日均换电需求 / 日均服务能力作为核心判断指标配合排队时长的P90值来综合决策。虽然笔试界面没有公式编辑器我就用文字描述但能把思路落到可计算层面应该还是能让阅卷的人知道你是有业务建模能力的。5. 性格测评与行为题看似无关其实会影响结果最后那个性格测评模块虽然分数占比不高但千万别忽视。现在很多公司的性格测评其实是硬性门槛如果你的结果和岗位画像偏离太远前面专业题答得再好也可能被一票否决。蔚来的数据分析岗在我看来比较看重结果导向、协作意识、数据敏感度和责任心这几个特质。性格测评的题目形式基本就是给你一组描述让你选最符合和最不符合的比如我倾向于在做出决策前收集所有可能的数据我喜欢在团队中扮演协调者的角色然后让你二选一甚至三选一。做这种题我有两个经验分享一是不要刻意去表演一个所谓完美职场人。因为题目里有很多反向校验题如果你前面选得非常果敢、非常喜欢做决策后面突然出现一道题选了我更喜欢让别人来做决定逻辑上就前后矛盾了系统会有诚信风险提示。二是要结合岗位特征来选。数据分析岗的本质是用数据辅助决策而不是纯粹的业务决策者所以你不需要把自己包装成一个极其强势、凡事都要拍板的人数据驱动、严谨求证、愿意沟通这几个特质反而更加契合。我身边有朋友在性格测评上翻了车就是把自己答成了一个独狼型的技术大牛结果被刷下去了其实他代码能力和分析能力都很强非常可惜。还有一点性格测评虽然没有标准答案但不同模块的作答时间也是要关注的。我当时因为前面题目耗时太多性格测评几乎是两秒一题草草答完的虽然最终通过了但这种仓促感确实不太好。我建议大家给性格测评模块至少留出5分钟认真读题尤其是那些让你选最不符合的题很多人习惯性地只关注最符合把最不符合看漏了。6. 笔试复盘之后后续面试的备考方向做完笔试之后大概过了一周多收到了面试通知。结合笔试的体验和面试时的感受我梳理了几条对整个秋招数据分析岗备考都有用的建议。6.1 SQL和Python要练到肌肉记忆从蔚来笔试的题目难度来看SQL已经不仅是会写而是要求你写得快、想得全。连续N天每组TOP N这类窗口函数题型几乎可以闭着眼睛写多表关联时主表的选择、去重口径的确认也要形成条件反射。我当时是把网站上能找到的SQL题都刷了一遍特别是把窗口函数相关的题型刷了两遍。Python方面笔试考的是代码理解能力和数据清洗能力但到了面试环节手写代码的概率很高。建议把 pandas 的常用操作练熟数据读取、缺失值处理、分组聚合、透视表、merge/join、apply函数这些是数据分析师面试手撕代码的最高频考点。另外可视化的常用代码也要有个大概印象毕竟面试官可能会让你现场画一个图来回答某个业务问题。6.2 业务题建立自己的分析框架比背题更重要业务场景题是最不容易准备的因为提问场景千变万化你很难预测面试官会问什么。但换个角度想业务题其实考察的核心能力是固定的就是结构化思维 指标意识 落地能力。我自己总结了一套应对业务分析题的框架先定义问题明确分析的目标是找原因、做预测还是做决策明确用户是谁、业务边界在哪。再拆解指标把核心指标拆解成可分析的子指标比如试驾转化率可以拆成各级漏斗转化率和不同渠道/车型/地区的分维度转化率。然后用数据验证针对每个可能的归因方向设计可验证的数据分析方案说明需要哪些数据、怎么判断因果。最后落到行动给出一两个可落地的建议而不是只罗列原因。这套框架在笔试主观题里也好用在面试场景里更是可以直接套。有一次面试官问我蔚来App的日活下降了5%怎么分析我当时在现场就顺着这个框架往下说面试官全程没有打断最后还点了点头我觉得框架化表达确实能让你在高压环境下不那么乱。6.3 行业知识车企数据分析岗的隐形考点笔试和面试中出现了很多新能源车企特有的业务场景比如试驾转化、换电站布局、用户App活跃、充电桩使用率、车型配置偏好等。这些在互联网公司笔试里几乎不会出现所以你如果想投车企的数据岗位行业知识储备不能缺。我的做法是把蔚来、特斯拉、理想、比亚迪这几家头部新能源车企的商业模式都梳理了一遍核心关注每个公司的盈利来源、用户生命周期、核心业务指标。比如蔚来它和传统车企最大的不同在于用户企业的定位所以用户社区活跃度、NIO House的运营效率、换电体系的用户满意度都是它的特色数据场景。你不需要懂造车但至少要理解这些业务是怎么运转的这样在面对业务题的时候才能说到点子上。6.4 心态调整做完笔试只是万里长征第一步最后聊点心态层面的东西。数据分析岗的秋招竞争非常激烈蔚来这个岗位我当时投的时候就有几千人竞争笔试只是第一关通过后还有群面、业务面、HR面。所以如果你笔试感觉做得不好也不用太焦虑因为笔试的通过率一般不会卡得特别死很多公司笔试筛人主要筛的是那些明显不合格的而不是满分选手。反过来如果你笔试感觉做得不错也千万别飘。笔试只能证明你有基本的数据处理能力后面的业务面试才是真正决定能不能拿到offer的关键。我个人感觉蔚来的面试官非常务实问的问题基本都是你在这个项目里用了什么方法这个指标异常你会怎么排查这类很接地气的问题不太问那种八股文式的理论题。写在最后的几个小建议从投递笔试到整个秋招流程走完回过头来看蔚来的笔试整体质量在车企里属于第一梯队题目设计很用心和业务的贴合度也高。如果你正在备考我觉得最重要的是抓住专业能力业务思维这两条主线SQL和Python的硬功夫要练扎实但也要学会用业务的视角去解读数据。还有个小技巧可以分享笔试之前去蔚来App和官网上逛逛了解一下最近主推的车型、换电站数量、用户App有哪些功能板块这些信息可能在业务题里都不会直接出现但会让你对整个业务场景有更具体的感知答题的时候脑补场景会容易很多。最后祝大家都能顺利通过笔试拿到心仪的面试通知。数据分析这条路工具可以速成业务理解力和分析思路才是真正要长期打磨的东西。