BI分析师高频面试真题

BI系统的典型架构：
数据源 → ETL → 数据仓库 → OLAP → 报表/仪表板

-- 星型模型示例
-- 事实表：销售事实
CREATE TABLE fact_sales (
    date_key INT,
    product_key INT,
    customer_key INT,
    store_key INT,
    sales_amount DECIMAL(10,2),
    quantity INT
);

-- 维度表：产品维度
CREATE TABLE dim_product (
    product_key INT PRIMARY KEY,
    product_name VARCHAR(100),
    category VARCHAR(50),
    brand VARCHAR(50),
    price DECIMAL(8,2)
);

Tableau核心优势：
1. 拖拽式界面：快速创建可视化
2. 数据连接：支持100+种数据源
3. 计算字段：内置函数和自定义计算
4. 参数控制：动态筛选和交互
5. 地图功能：内置地理信息可视化

右键点击参数 → 创建参数
- 名称：选择度量
- 数据类型：字符串
- 当前值：销售额
- 值列表：销售额、利润、数量

// 参数化度量计算字段
CASE [选择度量]
WHEN "销售额" THEN SUM([Sales])
WHEN "利润" THEN SUM([Profit])
WHEN "数量" THEN SUM([Quantity])
END

// 动态时间范围参数
IF [Order Date] >= [开始日期参数]
   AND [Order Date] <= [结束日期参数]
THEN [Sales]
END

// 动态Top N参数
IF [Product Rank] <= [Top N参数]
THEN [Product Name]
END

-- 总销售额
总销售额 = SUM(Sales[Amount])

-- 平均订单价值
平均订单价值 = AVERAGE(Sales[Amount])

-- 订单数量
订单数量 = COUNTROWS(Sales)

-- 去年同期销售额
去年销售额 = CALCULATE(
    SUM(Sales[Amount]),
    SAMEPERIODLASTYEAR(Calendar[Date])
)

-- 同比增长率
同比增长率 =
DIVIDE(
    [总销售额] - [去年销售额],
    [去年销售额]
)

-- 累计销售额
累计销售额 = CALCULATE(
    SUM(Sales[Amount]),
    DATESYTD(Calendar[Date])
)

-- 指定产品类别销售额
电子产品销售额 = CALCULATE(
    SUM(Sales[Amount]),
    Products[Category] = "Electronics"
)

-- 排名计算
产品销售排名 = RANKX(
    ALL(Products[ProductName]),
    [总销售额],
    ,DESC
)

业务问题识别：
- 销售目标完成情况如何？
- 哪些产品/区域表现最好？
- 销售趋势是什么？
- 销售团队绩效如何？

一级指标（核心KPI）：
- 总销售额
- 销售增长率
- 目标完成率
- 客户获取成本

二级指标（细分分析）：
- 按产品类别销售额
- 按区域销售分布
- 按时间销售趋势
- 销售人员排名

-- 核心销售指标SQL
WITH sales_kpi AS (
    SELECT
        SUM(amount) as total_sales,
        COUNT(DISTINCT order_id) as order_count,
        COUNT(DISTINCT customer_id) as customer_count,
        AVG(amount) as avg_order_value
    FROM sales_fact
    WHERE date_key BETWEEN 20240101 AND 20241231
),
target_comparison AS (
    SELECT
        s.total_sales,
        t.target_amount,
        (s.total_sales / t.target_amount) * 100 as completion_rate
    FROM sales_kpi s
    CROSS JOIN (SELECT 10000000 as target_amount) t
)
SELECT * FROM target_comparison;

-- 月度同比分析
WITH current_year AS (
    SELECT
        EXTRACT(MONTH FROM order_date) as month_num,
        SUM(amount) as current_sales
    FROM sales_fact
    WHERE EXTRACT(YEAR FROM order_date) = 2024
    GROUP BY EXTRACT(MONTH FROM order_date)
),
previous_year AS (
    SELECT
        EXTRACT(MONTH FROM order_date) as month_num,
        SUM(amount) as previous_sales
    FROM sales_fact
    WHERE EXTRACT(YEAR FROM order_date) = 2023
    GROUP BY EXTRACT(MONTH FROM order_date)
)
SELECT
    c.month_num,
    c.current_sales,
    p.previous_sales,
    (c.current_sales - p.previous_sales) as absolute_change,
    ((c.current_sales - p.previous_sales) / p.previous_sales) * 100 as growth_rate
FROM current_year c
JOIN previous_year p ON c.month_num = p.month_num
ORDER BY c.month_num;

-- 环比增长分析
WITH monthly_sales AS (
    SELECT
        DATE_TRUNC('month', order_date) as month_date,
        SUM(amount) as monthly_sales
    FROM sales_fact
    GROUP BY DATE_TRUNC('month', order_date)
),
mom_analysis AS (
    SELECT
        month_date,
        monthly_sales,
        LAG(monthly_sales, 1) OVER (ORDER BY month_date) as previous_month_sales,
        ((monthly_sales - LAG(monthly_sales, 1) OVER (ORDER BY month_date))
         / LAG(monthly_sales, 1) OVER (ORDER BY month_date)) * 100 as mom_growth_rate
    FROM monthly_sales
)
SELECT * FROM mom_analysis ORDER BY month_date;

import pandas as pd
import matplotlib.pyplot as plt

# 同比对比图表
def create_yoy_chart(data):
    fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(12, 8))

    # 销售额对比
    ax1.plot(data['month'], data['current_year'], label='2024年', marker='o')
    ax1.plot(data['month'], data['previous_year'], label='2023年', marker='s')
    ax1.set_title('月度销售额同比对比')
    ax1.set_ylabel('销售额（万元）')
    ax1.legend()
    ax1.grid(True)

    # 增长率
    ax2.bar(data['month'], data['growth_rate'],
           color=['green' if x > 0 else 'red' for x in data['growth_rate']])
    ax2.set_title('同比增长率')
    ax2.set_ylabel('增长率（%）')
    ax2.axhline(y=0, color='black', linestyle='-', linewidth=0.5)

    plt.tight_layout()
    return fig

-- RFM分析计算
WITH customer_rfm AS (
    SELECT
        customer_id,
        -- R: 距离最后购买天数
        DATEDIFF(CURRENT_DATE, MAX(order_date)) as recency,
        -- F: 购买频次
        COUNT(DISTINCT order_id) as frequency,
        -- M: 总消费金额
        SUM(amount) as monetary
    FROM sales_fact
    WHERE order_date >= DATE_SUB(CURRENT_DATE, INTERVAL 2 YEAR)
    GROUP BY customer_id
),
rfm_scores AS (
    SELECT
        customer_id,
        recency,
        frequency,
        monetary,
        -- RFM分数计算（1-5分）
        CASE
            WHEN recency <= 30 THEN 5
            WHEN recency <= 60 THEN 4
            WHEN recency <= 90 THEN 3
            WHEN recency <= 180 THEN 2
            ELSE 1
        END as r_score,
        CASE
            WHEN frequency >= 20 THEN 5
            WHEN frequency >= 10 THEN 4
            WHEN frequency >= 5 THEN 3
            WHEN frequency >= 2 THEN 2
            ELSE 1
        END as f_score,
        CASE
            WHEN monetary >= 10000 THEN 5
            WHEN monetary >= 5000 THEN 4
            WHEN monetary >= 2000 THEN 3
            WHEN monetary >= 500 THEN 2
            ELSE 1
        END as m_score
    FROM customer_rfm
)
SELECT
    customer_id,
    CONCAT(r_score, f_score, m_score) as rfm_segment,
    CASE
        WHEN r_score >= 4 AND f_score >= 4 AND m_score >= 4 THEN '重要价值客户'
        WHEN r_score >= 4 AND f_score >= 2 AND m_score >= 2 THEN '重要发展客户'
 
 
  
PRO 会员专属
 
 本文为 PRO 会员专属内容，成为会员即可阅读全文。 
 
 登录 了解会员权益 
 
 PRO ¥199/年 · Pro 专属文章 + 2300+ 知识文档 + 会员社群 
 
 
 
 
 
本文作者：Elazer (石头)
 
原文链接：https://ss-data.cc/posts/kb-interview-bi-analyst
 
版权声明：本文采用 CC BY-NC-SA 4.0 许可协议，转载请注明出处。
 
 
  
 Elazer (石头) 
11 年数据老兵，从分析师到架构专家。用真实经历帮数据人少走弯路。
 
 关于作者 加入社区 了解会员 
 
 
 
 
 
加入免费社群
 
和数据从业者一起交流成长
 了解详情 → 
 
 
成为会员
 
解锁全部内容 + 知识库
 查看权益 → 
 
 
  ← 上一篇 数据科学家高频面试真题精讲   下一篇 → 与光同尘  
 
 
相关文章
 
  
  PRO  
 
 
 求职面试 · 方法 
 
数据产品经理高频面试真题
 
好的数据产品应具备的特征：。1. 解决真实业务问题：明确的业务价值和用户痛点。2. 数据驱动决策：基于数据洞察而非主观判断。3. 用户体验友好：易于使用和理解。4. 技术架构合理：可扩展、可维护、高性能。5. 持续迭代优化：基于用户反馈和数据指标不断改进。3. 实战案例：BI工具竞品分析。1. 目标（Object...
 
  
    
 
 
 求职面试 · 方法 
 
数据科学家高频面试真题精讲
 
本题库收集自2023-2024年字节跳动、阿里巴巴、腾讯、美团、百度、小红书、快手等一线互联网公司的数据科学家真实面试题目。。技术深度准备：重点掌握机器学习算法原理和数学推导。代码实现能力：能够手写核心算法和模型。业务应用思维：结合具体业务场景思考算法选择。前沿技术跟进：了解最新的深度学习和AI发展趋势。...
 
  
    
 
 
 求职面试 · 方法 
 
数据工程师高频面试真题精讲
 
本题库收集自2023-2024年字节跳动、阿里巴巴、腾讯、美团、百度、快手、小红书等一线互联网公司的数据工程师真实面试题目。。系统架构思维：重点理解分布式系统设计原理。技术深度准备：掌握大数据技术栈的核心原理。性能优化能力：具备系统调优和问题排查经验。代码实现能力：能够设计和实现复杂的数据处理逻辑。必考题...