二〇一九年秋招，我参加了招商银行信用卡中心的数据挖掘方向IT笔试，这是第一批次。事后复盘，这批笔试的题型结构、考察侧重和面试官关注点，和互联网大厂的数据岗笔试有挺大差异。如果你现在准备银行系的数据岗位，或者正打算投招商银行信用卡中心的技术岗，这份从题型到复习方向的拆解应该能帮你少走一些弯路。
先说一个总体感受：银行系的笔试，尤其是信用卡中心这种业务属性极强的机构，它考的不是你算法模型多前沿，而是能不能用数据解决实际的业务问题。整张卷子看下来，统计基础、SQL能力、机器学习基础、业务场景理解这四块是核心，行测部分则是硬门槛。下面我按题型模块逐一拆开讲。
1. 招行信用卡中心数据岗笔试的行测模块：别在数学题上恋战
第一块是行测，也就是行政职业能力测验。很多人觉得这跟技术岗没关系，随便做做就行，其实不是。招行卡中心的笔试，行测成绩是硬性筛选线，如果行测不达标，后面的专业题做得再好也可能进不了面试。它的行测题量不小，时间又紧，策略比实力更重要。
1.1 行测四类题型的时间分配策略
行测主要分四类：言语理解、数量关系、判断推理、资料分析。我那年笔试的体感是言语理解占大头，数量关系次之，判断推理和资料分析各有一部分。言语理解类的题，比如选词填空、段落主旨、语句排序，这些只要你语文底子不太差，按直觉快速选就行，每道题控制在40秒以内。数量关系是很多人栽跟头的地方，比如行程问题、工程问题、排列组合、概率这些，每道题可能要花两分钟以上，如果卡住了，我的建议是直接跳，不要在一个题目上耗太多时间。
判断推理里的图形推理、逻辑判断，这类题有套路，比如图形推理无非是数量、位置、样式、属性几种规律，刷过一遍粉笔或者中公的题集就能很快识别。资料分析是性价比最高的题型，它给你一段统计材料，然后让你算增长率、比重、平均数这些，只要你会用截位直除、百化分这些速算技巧，拿分很稳。我的个人经验是先做言语和判断推理这类靠语感和直觉的题，把资料分析放在第二优先级，数量关系放到最后，因为数量关系是最可能做不完的部分。
1.2 银行行测和公考行测的区别
这里有个值得注意的差异：银行的行测和公务员考试的行测不完全一样。银行系的行测更偏向经济金融背景，比如言语理解的阅读材料可能是关于央行货币政策、信用卡消费分期、支付清算体系的文章，逻辑判断题干里也可能出现金融术语。资料分析给的材料往往直接就是某家银行的年报数据、信用卡发卡量同比增长率、不良贷款率这些。如果你平时对财经新闻不太关注，建议考前一周每天刷一些金融类资讯，熟悉一下相关术语，否则考试时读题速度会明显慢一截。
另外一个细节是，银行行测的题量通常比公考少，但每道题的用时也被压缩得更紧。我当时拿到的卷子行测部分好像是60分钟做60道题左右，平均一分钟一道，所以几乎没有回头检查的时间。我的做法是每道题读完就立刻勾选答案，标记不确定的题号，全部做完后再集中犹豫。实测下来，这个方法比一道一道仔细斟酌要稳得多，因为行测第一直觉的准确率通常挺高，反复纠结反而容易改错。
2. 专业知识模块：数据挖掘笔试真正的分水岭
行测只是敲门砖，专业知识才是拉分的关键。招行卡中心的数据挖掘笔试，专业题覆盖了数据结构与算法、数据库、机器学习、统计学、业务场景题这几个方向。从我的做题体感来看，统计和业务场景的权重很高，而且考察方式很灵活，不像很多互联网公司那样只考深度学习八股文。
2.1 数据结构与算法题：难度不大，但考手感和边界意识
数据结构和算法这块，笔试里出现的主要是选择题和简答题，现场手写完整代码的题目不多，但这不代表你可以不准备。选择题考察的都是一些经典概念，比如栈和队列的区别、二叉树的前中后序遍历、哈希表解决冲突的方式、排序算法的时间复杂度和稳定性。比如它可能会问你，快排的平均时间复杂度是多少，最坏情况是什么，什么情况下会出现最坏情况。再比如给一个链表，问你如何在O(1)时间内删除某个节点。这些都是《剑指Offer》和《程序员面试金典》里的基础题，认真刷过一遍基本都能答上。
简答题可能会让你描述某个算法的思路，比如手写一个快速排序的核心逻辑，或者讲一讲动态规划的思路。这里有个容易踩的坑：你在IDE里写代码和有思路地写步骤是两回事。面试官看的不是你代码敲得多漂亮，而是你的思路是否清晰、能不能考虑到边界条件。我当时写一个二分查找的变种题时，第一遍没考虑到目标值不存在的情况，后来补上了边界判断。这种细节在面试官眼里比单纯写对代码更重要，因为它反映的是你有没有完备的思维习惯。
2.2 数据库SQL题：信用卡中心必考的重头戏
数据库的题目，尤其是SQL题，在招行卡中心的笔试中占比不小。原因很简单：在银行体系内，数据量虽然大，但业务的日常分析基本都离不开SQL，无论是取数、报表还是特征工程，SQL是数据挖掘工程师的基本功。笔试中的SQL题通常是给一个业务场景，让你写查询语句。比如给你一张信用卡交易流水表、一张用户信息表，让你统计每个用户的消费总额、消费频次、最近一次消费时间。你需要熟练掌握SELECT、JOIN、GROUP BY、HAVING、窗口函数这些基础语法。
窗口函数是我特别想提醒你注意的一个点。我笔试那天就遇到一道题，要求计算每个用户每月的消费金额，以及和上月的环比增长率，这个用窗口函数LAG很容易搞定。如果只停留在GROUP BY的层面，你也能算出来，但会非常繁琐。另外，银行的数据量非常大，动辄亿级，所以笔试题里会考察你对SQL优化的意识，比如什么时候用索引、什么时候避免SELECT *、什么时候用EXISTS代替IN。这些意识性考察，你需要平时写SQL时就留心，积累到一定量才能形成直觉。
2.3 机器学习基础：从经典算法到模型评估全覆盖
机器学习部分的考题覆盖范围比较广，从传统的逻辑回归、决策树、随机森林、SVM，到集成学习、聚类算法、降维方法，再到深度学习里的基础概念，都会涉及。但考察的深度不算深，基本以概念理解、算法原理和适用场景为主。比如它可能会问你：逻辑回归为什么用交叉熵而不是均方误差作为损失函数？决策树中信息增益和基尼指数的区别是什么？随机森林的随机性体现在哪两个方面？SVM的核函数有什么作用？K-Means聚类的K值怎么确定？PCA降维的原理是什么？这些如果你系统学过机器学习基础，应该都能答上来。
关于深度学习部分，我记得当时考到了过拟合问题，问你有哪些防止过拟合的手段，L1正则化和L2正则化的区别，以及Dropout的原理。这些在面试中很常见，但在笔试里出现，说明银行也在快速拥抱深度学习技术，尤其是个性化推荐、风险模型这类业务，都会用到神经网络模型。另外，模型评估指标也是高频考点，比如精确率、召回率、F1、AUC、ROC曲线这些。信用卡中心对风险模型特别关注，AUC几乎是所有信贷模型的核心指标，所以你要对这些指标的定义、计算方式、业务含义吃得透透的。
2.4 特征工程与数据预处理：容易被忽视的分值大户
这里提一个很多人会忽略的点：特征工程和数据预处理在笔试题中出现频率很高。银行系数据挖掘岗的日常工作，很大一部分时间其实是花在数据清洗、缺失值处理、异常值检测、特征构造这些环节上。所以笔试里会考察这些基础实操能力。比如，给你一个包含缺失值的用户特征表，问你有哪些处理方法，均值填充、中位数填充、众数填充、模型预测填充，各自的适用场景是什么。再比如，问你如何检测异常值，3σ原则、箱线图法，或者问你怎么处理类别型特征，是One-Hot编码还是标签编码，什么场景用哪种。
我记得当时有一道题是关于标准化和归一化的区别。标准化是让数据服从标准正态分布，归一化是把数据缩放到0到1之间。题目问，在什么情况下用标准化，什么情况下用归一化，逻辑回归用哪个更好，SVM用哪个更好。这类题目没有固定答案，考的是你对算法原理的理解深度。逻辑回归这类基于梯度的模型，用标准化更好；而决策树这类基于阈值的模型，对特征尺度不敏感。你要能讲清楚背后的原因，而不是死记结论。
3. 统计学题：数据挖掘的底层理论根基
统计学是银行和互联网金融公司特别看重的一块，这也是和很多纯互联网公司不一样的地方。互联网大厂的数据岗可能更侧重算法和工程能力，但银行系会更看重统计功底。因为在银行做风控模型、信用评分卡，本质上做的就是统计推断和概率分析，没有扎实的统计基础，很难真正理解模型在做决策时的概率逻辑。笔试中的统计题主要集中在描述性统计、概率分布、假设检验、回归分析这几个方面。
3.1 描述性统计与概率分布：理解数据的分布形态
描述性统计是最基础的部分，包括均值、中位数、众数、方差、标准差、四分位数、偏度、峰度这些概念。题目可能会给你一组消费数据，让你判断分布形态是左偏还是右偏，均值和中位数谁大谁小。你需要明白，当数据右偏时，均值大于中位数；左偏时，均值小于中位数。这在分析用户消费行为时特别常用，比如一个用户群体的消费金额往往是右偏分布，少数高消费用户拉高了均值，如果直接用均值去衡量整体水平，会产生严重误导。
概率分布部分，重点考察正态分布、二项分布、泊松分布、均匀分布、指数分布这些常见分布的特征和应用场景。比如，信用卡欺诈检测的场景中，每笔交易发生欺诈的概率可以用二项分布描述，而单位时间内交易数量的分布则可以用泊松分布描述。给你一个实际场景，让你判断服从什么分布，这是笔试中的高频题型。另外，正态分布的3σ原则也是常考点，很多题目会直接用到这个原则来确定异常值阈值。
3.2 假设检验与区间估计：数据结论可信度的验证
假设检验这块，需要掌握原假设和备择假设的建立、第一类错误和第二类错误、显著性水平、p值、t检验、卡方检验、F检验这些基础概念。题目可能会给你一个场景，比如某支付通道的日均交易额在改版后是否显著提升，问你应该用什么检验方法，怎么设置原假设，p值小于多少可以拒绝原假设。这里有个容易混淆的点，p值是“在原假设为真的情况下，观察到当前样本数据或更极端数据的概率”，它不是“原假设为真的概率”，如果你能把这个区别讲清楚，在面试环节会是一个很好的加分点。
区间估计部分，可能会考置信区间的含义和计算方法。比如给你一个样本均值和样本标准差，让你算95%置信区间，除了套公式外，你还需要理解置信区间的统计含义：如果我们重复抽样多次，每次构造一个置信区间，大约有95%的区间会包含真实的总体参数。这个理解上的差异，能看出你是只会背公式还是有真正的统计思维。银行系考试的简答题很爱出这种概念辨析类的题目，你不仅要写得出公式，还要解释得清楚。
3.3 回归分析：线性回归到逻辑回归的关键细节
回归分析在统计部分也是重点。线性回归的基本假设有线性关系、独立性、同方差性、正态性等，笔试可能会让你写出线性回归的损失函数，或者说明最小二乘法求解参数的过程，还可能让你分析多重共线性的危害和处理方法。另一个高频考点是逻辑回归，它虽然名字里有回归，但实际上是分类模型，输出的是样本属于某一类别的概率，然后根据概率阈值决定最后分类结果。题目可能会问逻辑回归和线性回归的区别、逻辑回归的损失函数为什么选择交叉熵、逻辑回归的优点是什么、怎么解决样本不均衡问题。
这里我建议你把逻辑回归作为复习的重中之重。因为信用卡中心的业务场景里，无论是申请评分卡、行为评分卡还是催收评分卡，逻辑回归都是最常用的基础模型。它解释性强，输出结果可以转化成评分，而且部署简便，监管也容易接受。正因如此，招行卡中心的笔试题一定会反复出现逻辑回归相关的内容，对这个模型需要做到能推导公式、能说出业务意义、能写出代码实现，三大能力缺一不可。
4. 业务场景题：从评分卡到用户画像的实战考察
最后一块是业务场景题，这个是最能体现招行卡中心特色的部分，也是很多非银行系的候选人容易失分的地方。业务场景题通常不会考你特别细节的业务知识，而是给你一个具体的业务问题，让你提出分析思路或建模方案。它会考察你的业务理解能力、逻辑思维能力和方案落地能力，这三者需要同时具备才能答得完整。
4.1 信用评分卡场景：从风险识别到额度授信
典型场景比如：如何构建一个信用评分卡模型来评估新用户的信用风险？拿到这个题，你不能只说一个逻辑回归就完事，而要按数据挖掘的标准流程来拆解：首先是业务理解，明确评分卡是用于申请环节的风控还是存量用户的管理；然后是数据准备，考虑从哪里获取数据，包括用户填写的信息、第三方征信数据、历史借贷行为数据等；接着是特征工程，把原始数据加工成有区分度的特征，比如收入负债比、近三个月查询次数、历史逾期次数等；再接着是模型构建，常用的就是逻辑回归或者评分卡模型，其中需要用WOE编码、IV值筛选、变量的单调性检验这些风控领域特有的处理方法；最后是模型评估和上线监控，包括KS值、AUC、PSI这些指标。
这道题如果你能按流程完整展开，面试官会认为你真的知道评分卡怎么做。相反，如果你只回答“用逻辑回归跑一下”，即使算法基础再好，也会被打上“不接地气”的标签。我也遇到过一道很细致的题，问评分卡模型中证据权重（WOE）的计算公式是什么，以及它的业务含义是什么。WOE衡量的是某个分组中“好客户占所有好客户的比例”和“坏客户占所有坏客户的比例”的差异，差异越大，说明这个分组对风险区分的贡献越大。这种细节题，没有认真准备过风控知识的人基本答不上来。
4.2 用户画像与精准营销场景：从分群到生命周期管理
除了评分卡，信用卡中心笔试还会考到用户画像、精准营销、流失预警这些场景。比如，如何对信用卡用户进行分群，怎么做精细化运营？这种题目的答题要点是：先明确分群目标，是基于消费能力还是消费偏好；再选择合适的分群特征，比如月均消费金额、消费类别的多样性、夜间消费占比、分期使用频率、境外消费频次等；然后选择分群算法，K-Means、层次聚类、DBSCAN都是常见选项；分群之后，还要针对每个群体设计差异化的营销策略，比如高消费高活跃人群推高端卡权益，有分期需求的人群推分期优惠，有流失倾向的人群推唤回礼包。
业务场景题还会考察你对增长指标和用户生命周期管理的基本理解。比如，用户生命周期分为获客期、提升期、成熟期、衰退期和流失期，每个阶段的运营目标和数据指标都不一样。获客期关注新户首刷率和激活率，提升期关注户均资产或消费金额的提升幅度，成熟期关注交叉销售成功率和贡献度提升，衰退期关注消费频次下降幅度、是否开始减少用卡，流失期则需要建立流失预警模型。你在答题时如果能把生命周期角度纳入思考框架，会让面试官觉得你对信用卡业务有体系化的理解，而不只是会单个点上的模型算法。
4.3 分层抽样与实验设计：数据结论可信度的工程保障
业务场景题中还会出现一类实践性极强的题目，关于用户试验设计和效果评估。信用卡中心的运营活动非常多，比如给一部分用户发消费返现券，看这个活动是否提升了用户的消费频次和金额。这种题问你怎么设计实验、怎么评估活动效果、怎么排除干扰因素。我的建议是，用互联网A/B测试的框架来回答，同时补充金融业务的特殊性。比如实验组和对照组的划分要考虑用户的风险等级、消费水平、活跃度等特征，做分层抽样而不是完全随机抽样，因为银行用户群体差异大，完全随机可能引入偏差。效果评估方面，除了看消费金额的提升，还要考虑到成本，比如返现的支出是不是吃掉了收入增量，所以经常需要算ROI。还有一个关键点：用户被营销后产生的消费行为可能具有滞后性，也就是说效果不是一个立竿见影的过程，可能需要观察几周甚至更长时间，这个视角在答题时提出来，会显得你经验丰富。
5. 实战复盘：做题顺序、时间分配与易踩的坑
前面讲完了各个知识模块，最后我复盘一下整个考试过程中的实战经验和容易踩的坑。笔试通常在上机考试系统中进行，系统是北森的在线考试平台，题目的呈现方式、倒计时提示和交卷逻辑都需要提前熟悉。我记得正式开考前有一段模拟练习的时间，这个一定要用起来，哪怕只有十分钟，也要认认真真做几道样题，提前感受一下答题界面的交互逻辑，判断哪些题型是选择哪些是简答，答案框支持什么格式，倒计时结束后会系统自动交卷还是需要手动提交。
时间分配方面，我的建议是：先做行测，再用完整的大块时间做专业题和业务题。行测可能会出现在前面，也可能穿插在专业题之间，这取决于考试系统如何编排题目。关键策略是，行测要快，专业题要稳，业务题要框架化。我在时间分配上踩过一个坑：在处理SQL题目时，明明思路很清晰，但我手写了很长时间的完整代码，结果后面的业务题时间不够用，只能草草答完。实际上，考试系统通常不会要求你写完整的SQL代码，更多是让你写出核心的语句逻辑，比如关键的SELECT、FROM、WHERE、GROUP BY部分，然后简单说明思路。我建议你在平时练习时，刻意训练自己用简化表达写出题目要点，不要追求代码的完整性和规范性，那是面试环节的任务，笔试答题的关键是抓住要点、节省时间。
还有一个很关键的坑是选择题的“迷惑项”。银行机考的选择题，选项设置通常很接近，粗看每一个都像正确答案，特别是关于机器学习指标计算、统计学概念辨析这些题。我的应对策略是第一遍先快速地凭直觉选，用排除法排除明显错误的选项，如果剩下两个选项犹豫不决，就标记出来，不恋战。等全部题目做完后，再回头集中处理这些不确定的题。实测下来，这样的答题效率比一步一停稳得多，而且人的直觉判断往往比反复确认的准确率更高。
业务场景题的答题格式也需要注意。有些人在业务题上太简略了，只写两三行字，比如“用逻辑回归建个模型”，这几乎拿不到分。业务题答题一定要有框架感，通常按照“业务目标、数据来源、特征工程、模型选择、评估方式、落地策略”这样的逻辑展开。你可以用分点或段落的形式写清楚，不一定长篇大论，但每个环节都要有一点实质性内容。面试官看你业务题答案时，看重的是分析思路是否完整、能否从业务目标一步步推导到落地动作，而不是看你的辞藻有多华丽。
6. 从笔试看招行卡中心数据团队的工作日常：能力要求反推岗位画像
考完试后，我做了一个很有意思的事情：把整张卷子的题目和考察点列出来，然后反推招行卡中心的数据挖掘岗到底做什么。结果发现，这个岗位的工作内容比很多互联网公司的大而全的数据岗要聚焦得多，也更贴近业务线。从笔试内容来看，招行卡中心的数据团队大致可以拆分出三类需求。
第一类是风控模型方向。这一方向的人主要负责信用评分卡、反欺诈模型、贷中/贷后风险预警模型。日常打交道的算法以逻辑回归为主，近年也在探索XGBoost、LightGBM、深度神经网络在反欺诈方面的应用。日常工作核心是数据清洗、特征工程、模型训练、效果评估和监控上线，同时需要配合业务团队做策略制定和规则调整。这个方向对应笔试里的统计学模块、机器学习模块和业务场景题里的评分卡场景，是笔试考察的大头。
第二类是用户运营和精准营销方向。这一方向的人负责用户分群、消费行为分析、营销活动效果评估、流失预警与唤回策略。日常用的是聚类、关联规则、协同过滤、用户生命周期分析等方法。工作场景是配合运营团队，把数据洞察转化成可执行的营销策略，评估活动的投入产出比，持续优化营销对象和触达方式。这个方向对应笔试里的业务场景题中的用户画像、精准营销等内容，也与行测资料分析里的数据解读能力相关。
第三类是数据平台和特征工程方向。这个方向的人负责数据仓库的搭建和维护、ETL流程开发、特征平台的构建，为建模团队提供稳定、高质量的数据基础。日常主要用SQL、Python、Spark这些工具，工作重点是把杂乱的原始数据变成可以直接用于建模和报表分析的标准化特征表。这个方向对应笔试里的SQL题目和数据预处理题。虽然这部分在笔试中占比不是最大的，但却是数据团队不可或缺的基础支撑，如果你的优势在工程和数据能力上，这个方向会非常契合。
这些方向并不是完全割裂的，数据挖掘工程师在实际工作中往往跨方向协作，风控建模的人也需要懂用户运营的指标，营销分析的人也要了解风控的基本逻辑。笔试考察这么全面，其实就是在筛选那些既有扎实理论基础，又有整体业务视野的候选人。
7. 备考建议与个人复盘
回顾整个备考和应试过程，我总结了几个对银行系数据岗笔试特别有针对性的建议，供你参考。
第一，数学和统计是必须要过的关卡。招行卡中心的笔试对统计和概率的重视程度明显高于一般的互联网公司，假设检验、概率分布、回归分析这些内容需要系统地复习一遍。推荐用《概率论与数理统计》教材配合考公数量关系的题目来恢复手感，再结合数据挖掘相关的统计应用场景做题，考试时会轻松很多。
第二，SQL能力必须达到能直接处理业务问题的水平。在笔试里写SQL题时，要特别注意窗口函数的使用、复杂查询的改写能力，以及对SQL优化基本思路的理解。日常可以找一些线上SQL练习题（比如LeetCode的数据库板块）做30道左右的题，覆盖聚合查询、多表连接、子查询、窗口函数等常见题型，基本就能应对这类笔试的强度。
第三，业务场景题不要只背模型名词。你需要真正理解算法在业务里解决什么问题。准备时可以把经典的风控建模流程（从业务定义到特征工程到模型训练到评估上线）反复演练几遍，就像准备面试问答一样，把每一步的逻辑梳理清楚。如果你身边有在银行或消费金融公司做数据的同学、朋友，不妨多请教一下他们的日常工作流程，这会比书本知识更接地气。
第四，行测虽然枯燥，但千万不要放弃。银行系的笔试行测成绩是硬门槛，直接决定了你有没有机会被推进到专业面试环节。我的建议是考前两周每天做一套行测题，严格计时，重点训练做题速度和取舍能力。尤其是资料分析题，分值高、性价比高，值得花时间把速算技巧充分熟练。
最后再分享一个小技巧：考试过程中遇到完全不会的题，不要空着。笔试的计分规则里，很多选择题空着不给分，但猜一个选项还有命中的机会，业务题哪怕没有十足的把握，也要把能想到的分析框架写上去，写出的框架本身就可能带来部分得分。银行笔试的评审更看重你逻辑是否清晰、思维是否完整，即使某个模型细节说得不够精准，也不会因为你没答到标准答案就全盘否定，这一点和纯客观题的评分逻辑很不一样。
招商银行信用卡中心的笔试是我秋招中体验最“综合”的一场考试，它考察的不仅是技术深度，更是技术能力和业务思维的结合。希望这篇复盘能帮你更好地了解这场考试的构成和考察要点，也祝你能顺利进入自己心仪的方向。
