途虎养车2023秋招数据分析笔试试卷A，我拿到这份卷子是在去年秋招的时候。当时在牛客网上刷到有人分享，顺手存下来做了一套，说实话做完之后感触挺深的。它不是那种大厂通用算法题堆砌出来的卷子，而是明显的业务驱动型出题思路，在电商和汽车后市场行业里面做数据分析面试的，应该能从这套卷子里看出不少门道。
如果你是正在准备秋招、目标方向是互联网或产业互联网数据分析岗，尤其是途虎这样一个做汽车后市场垂直领域的公司，这套试卷值得拿来做一次完整的模拟。它不仅考SQL、Python这些硬技能，还考了对业务的理解、对数据的敏感度，以及能不能从数据结果反推业务动作。换句话说，它不是单纯筛人，也是在帮面试官看你和业务的匹配度。
1. 整卷结构与考察侧重点分析
先说整体感觉。途虎这套试卷A，题量不算特别大，但覆盖面比较广，从我记忆中的内容来看，大致可以分为几个模块：传统意义上的SQL数据提取题、Python编程题、数据分析和可视化题，以及业务案例题。
和很多大厂的笔试不同，途虎的试卷里没有太多“脑筋急转弯”式的智力题，也没有那种刷题App上卷到飞起的leetcode hard级别代码题。它更在意的是你“拿到一堆数据能不能提炼出有用的结论”，以及“能不能用数据支持一个具体的业务决策”。这种风格其实很符合途虎的基因，毕竟它是做汽车保养、维修、美容等服务的平台，数据最终要落到门店、SKU、订单、用户复购这类真实业务场景里。
从模块结构上看，这套试卷明显围绕数据分析师日常工作的核心链路来设计：
- 数据获取与提取能力：考察SQL，或者Python读写数据的熟练度
- 数据处理与清洗能力：有一道比较典型的脏数据清洗题
- 量化分析能力：包括概率统计、漏斗分析、相关性分析这类内容
- 业务决策能力：给一个实际业务场景，让你用数据做决策建议
这个结构其实对准备笔试的人是个很好的提醒：数据分析岗的笔试，重点不是证明你的编程功底有多深，而是证明你知道在业务场景中怎么用数据解决问题。
2. 核心模块详解与解题思路拆解
2.1 SQL题：从提取到聚合的综合考察
途虎的SQL题我记得考得比较务实，不是简单让你select一下表结构就完事，而是会模拟实际的业务表，比如订单表、用户表、门店表，让你完成多表关联和分组聚合。
有一道我当时印象挺深的题，大致是给了一张订单明细表，需要统计每个城市、每个月的订单量、用户数、客单价，同时要筛选出月订单量超过一定阈值的城市。这道题表面上是在考SQL，其实暗含了几个数据分析师日常工作中最常用的能力点：
第一是时间字段的处理。实际业务表里的时间字段往往不是干净规整的datetime类型，有的是字符串，有的是时间戳，需要你用DATE_FORMAT或者DATE_TRUNC做归一化处理，这个基本功不扎实的话容易在笔试里浪费大量时间。
第二是维度的组合。城市维度加时间维度，同时做多粒度汇总，考察的是你对GROUP BY的理解是否透彻。有些同学习惯写完直接跑，但笔试环境里没有真实数据给你试错，所以在写SQL的时候就要想清楚分组的层级和粒度的转换。
第三是HAVING和WHERE的区别。这一点是绝大多数SQL笔试题百考不厌的地方。在聚合前过滤用WHERE，在聚合结果上过滤用HAVING。这道题里“月订单量超过阈值”是聚合后的条件，必须用HAVING来写。我当时在草稿纸上专门把这个点圈了出来。
建议在备考时把SQL窗口函数也复习扎实，因为途虎这类交易型平台，很多问题都和“每个用户最近一次购买”“每个门店前3个月的平均流水”这类窗口函数应用场景相关。笔试可能不会直接点名考，但留了这道题背后的小心思。
2.2 Python题：逻辑考察大于语法考察
Python部分没有那么吓人，不要求你现场手撕机器学习算法，而是以数据处理逻辑为主。我印象比较深的是有一道题给了某业务的数据结构，让你按要求完成去重、缺失值填充、字段拆分等操作。
这种题看上去简单，实际考的是你平时写代码的习惯。比如缺失值填充，很多新手一上来就fillna(0)，但业务数据里缺失值的原因不同，填充策略完全不同。在途虎的场景里，如果用户没有填写车牌号，不代表他不存在，而是这个字段本身就是选填项。这种业务语义如果不懂，就很容易用纯技术思维去套处理逻辑。
还有一道场景是用户行为日志数据的处理，给了用户在一次访问内的浏览、点击、下单行为，要求计算用户的转化漏斗。这题用pandas做也不难，关键是先要明确事件顺序和时间戳的处理逻辑。如果对数据的业务语境理解不到位，很容易把统计口径搞错。
另外，Python题里还有一道让我印象深刻的，是比较典型的口径计算问题：给出一组数据，不同统计口径下结果可能不同，要求挑选口径并说明原因。这种题不考语法，考的是你对业务定义和数据逻辑的理解，也是途虎这类业务驱动型公司很看重的点。
我个人做这套题的一个体会是：笔试考的不是你写过多少复杂模型，而是你的代码风格是否干净、逻辑是否清晰，以及在拿到一笔数据后，会不会先做探索性分析再动手处理。毕竟真实业务里的数据，永远比教科书里的干净数据集要复杂得多。
2.3 概率统计与业务场景的结合
这套卷子里丢分比较多的应该是概率统计和业务场景结合的部分。它的题目不是单纯让你算一个贝叶斯概率，而是会结合业务场景。
比如你负责途虎的用户增长，发现一个新注册用户在一周内完成首单的概率是某个数，老用户带新用户进来的转化率是另一个数。现在要估算某个渠道带来的用户在30天内的预期订单量，你需要自己搭一个简单的概率模型，并给出估算依据。
这类题考察的是数据敏感度和建模思路。它不是让你出一个精确的结果，而是看你会不会把复杂业务场景抽象成数学模型。我当时的做法是先用解构法把用户路径拆开：曝光、点击、注册、首单、复购，每一层给一个转化率参考值，然后把各环节概率串起来，算一个期望值。
这里有一个非常关键的实操经验：笔试中遇到这种估算类题目，不要死磕精确计算，而是要把“假设条件”写清楚。我在做这类题时通常先把假设列出，比如假设各环节转化率独立、同一用户30天内只产生一个订单，等等。这样即使算出来的结果和标准答案差很多，面试官也能看到你的思路框架。
3. 业务案例分析：途虎的视角
这份试卷最有含金量的一块，应该是一道完整的业务案例分析题。也是在这里，我才真正感觉到途虎招聘数据分析师，不是单纯要一个会跑数的工具人，而是要有业务判断力的合作方。
那道案例题的背景大致是：某区域的门店订单量最近两个月出现下滑，需要你从数据角度分析可能原因，并给出建议。当时看到这道题，我第一反应是想到这类问题通用的“框架式解法”：从内因和外因、从供给和需求、从流量和转化等多维度拆解。
但途虎这道题给的表里有一些很有意思的信息，包括门店周围的竞品分布、用户在App上的浏览和收藏行为数据、以及门店的技师工时数据。这个信息给得很巧妙：如果你的思路只停留在“是不是营销活动不给力”这种表层，就会漏掉很多关键信息。
我从这道题中提炼出的答题主线大概是这样的：
- 先拆用户路径：流量有没有变？曝光到门店的转化率变了没有？下单环节有没有卡点？
- 再拆供给端：门店的服务产能是否饱和？技师工时有没有异常？是不是有技师流失导致服务承载力下降？
- 最后看外部环境：周边竞品有没有密集开店？是不是出现了分流？
把数据拆完，再看现象之间的交叉验证。比如流量正常但到店转化率下降，同时竞品数量增加了，那更多是竞争分流的问题，需要做竞品分析；如果是收藏量上升但下单量下降，那问题可能在支付环节或定价策略上。
这道题在考完之后给我的启发很大。数据分析师做业务案例分析，最忌讳的就是“拿着锤子找钉子”，遇到问题先甩出一堆分析模型，而是应该顺着业务逻辑走一遍，把假设和数据交叉验证。这不仅是笔试技巧，更是实际工作中最重要的能力。
4. 实操复盘：一道模拟题的完整解答流程
笔试经验不落到纸上，总感觉不够踏实。我根据途虎这套试卷的风格，仿写了一道典型的业务案例分析题，把分析思路和操作过程完整走一遍，你可以直接拿这个流程当模板来训练。
假设场景：途虎某重点城市近30天保养订单转化率下降了5个百分点，从正常的18%降到了13%，需要你分析原因并给出建议。
拿到这个任务后，我一般不会立刻去数据库里东查一下西查一下。而是先搭一个分析框架，把“转化率下降”这个模糊的问题拆成几个可以量化的子问题。
第一步，定义清楚转化率的口径。这里要小心，订单转化率的口径有很多种：曝光到下单、加购到下单、收藏到下单等等，口径如果不对，后续分析全白做。假设我们把口径定义为“App内浏览保养服务页到下单成功”。
第二步，分层定位。把转化率拆解为几个阶段：服务页停留时间、选择门店、选择SKU、提交订单、支付成功。任何一个环节的波动都可能导致最终转化率的变化。我用一段简单的SQL来定位问题在哪个环节，比如这样：
SELECT step, COUNT(DISTINCT user_id) AS user_cnt, COUNT(DISTINCT user_id) / NULLIF(SUM(COUNT(DISTINCT user_id)) OVER (ORDER BY step), 0) AS step_convert_rate FROM ( SELECT user_id, CASE WHEN page_view > 0 THEN '1_浏览服务页' WHEN store_click = 1 THEN '2_选择门店' WHEN sku_click = 1 THEN '3_选择SKU' WHEN submit_order = 1 THEN '4_提交订单' WHEN pay_success = 1 THEN '5_支付成功' END AS step FROM order_funnel_daily WHERE dt BETWEEN '2023-09-01' AND '2023-09-30' ) t GROUP BY step第三步，横向对比找异常。把转化率下降前后的数据放在一起对比，看是哪些环节掉了。如果发现主要掉的是“首页浏览到服务页”的跳转率，那问题可能在渠道投放或首页推荐位；如果掉的是“提交订单到支付成功”，那问题很可能在结算链路，可能是支付网关异常、优惠券失效甚至App崩溃。
第四步，纵向细分找原因。锁定了一个环节之后，再把数据按城市、机型、操作系统、用户是否新老等维度拆分。比如如果新用户的转化率下降特别厉害，那就不是系统的问题，可能和新人定价策略有关；如果只有个别城市的转化率下降，那大概率是那个城市的竞争环境或门店供给出了问题。
第五步，输出建议。在完成分析之后，我的建议通常不是“优化一下用户体验”这种正确的废话，而是给出具体可执行的建议。比如发现门店选择环节转化率掉了，原因是某重点区域门店服务评分下降，那建议就是调整门店排名规则，把评分权重提高，或者针对评分低的门店安排运营介入。
这个完整的流程走下来，基本就是一套可以直接参考的业务分析题答案结构。
5. 笔试中的时间分配与答题策略
拿到这套试卷的时候，我自己的时间分配是有过教训的。当时我花在SQL题上的时间过多，因为总想写得更完美，结果后边案例分析题的时间被压得很紧，导致输出质量明显下降。
这里要说的一个核心策略是：先通览全卷，把分值分布摸清楚，再按分值分配时间。途虎这套卷子，如果我的记忆没有差错，案例分析题的分值占比应该是最高的一块，而且主观性很强，改卷人可以根据你的答案看出你的思维深度。所以无论如何，这块不能留白。
具体的时间分配策略，我建议参考这个比例：
- 通览试卷后先做自己有把握的题，稳定拿分
- SQL和Python题控制在总时间的40%左右，这两类题只要平时练习够多，做题速度是可以提上来的
- 概率统计和业务思维的题控制在30%左右，遇到不会的不要死磕，写完思路就跳过
- 最后留至少30%的时间给业务案例分析题，认真写分析框架和结论建议
笔试的时候一定要记住，数据分析岗位不是考试机器，面试官想看到的是你在有限时间内抓重点、理清逻辑、输出结论的能力。一道题做到80%的完整度，比一道题做100%而其他题空白要好得多。
另外再分享一个小技巧：做笔试的时候打开一个空白文档当草稿纸，把每道题的假设条件和计算过程记录下来。笔试结束后，不管有没有进面，我都会复盘一遍这份草稿，看自己当时在哪里卡住了、哪个假设条件其实站不住脚。这个方法帮我在地面试和后续的工作中少踩了很多坑。
6. 常见错误与避坑清单
结合我自己的实战经历和身边朋友的踩坑经验，整理了这份试卷里常见的几个“丢分重灾区”，希望你能避开：
6.1 统计口径不统一
很多笔试题目在给数据时，不会特意说明指标定义。如果你默认按自己的理解来算，很容易踩进坑里。比如“用户数”到底是UV，还是去重后的设备数，又或者是注册用户数，这三种口径算出来的结果差别很大。
应对策略是：在答题开头先声明你选用的口径，并解释原因。比如“这里我将用户数定义为通过手机号去重后的注册用户数，因为业务侧重考察用户的注册转化。”这样即使面试官心里有不同的标准答案，也能看到你有业务判断力。
6.2 SQL不写注释或逻辑杂糅
笔试环境中的SQL题，不像是LeetCode那样纯考算法，而是更看重你的代码可读性。很多同学写SQL的时候习惯把一大串逻辑堆在一起，字段别名也不写清楚。这在真实业务中是很不受欢迎的。
我的习惯是每个查询都分段写，加注释，字段用表别名统一标识。不为了省几行代码而牺牲清晰度。笔试中这样写还有个好处：即使结果有小问题，面试官看到你的逻辑，也能给你加分。
6.3 案例题有结论无依据
案例分析题最忌讳的是拍脑袋给答案，比如“转化率降了5个点，建议增加促销力度。”这种答案本质上没有任何信息量。你至少要给出数据支持和推导链条：从哪个环节掉的、哪些用户掉的、哪个城市的掉的，然后才能得出结论和建议。
一个实用的写法是“数据发现-原因假设-验证方式-预期效果”四段式。先用数据描述现象，再提出可能原因，接着说明如何进一步验证，最后给出建议和预期效果。这样的答案就是一个结构性很强的专业回答。
7. 从笔试看途虎数据分析团队的工作方式
拿这套卷子当作一个窥探途虎数据分析团队工作方式的窗口来看，能看出很多东西。
途虎养车是汽车后市场的头部玩家，业务覆盖线上到线下的整个链条，从线上的配件选购、预约下单，到线下的门店安装、维修服务。这就决定了它的数据分析工作不是纯粹的互联网流量分析，而是线上和线下数据的结合。笔试中涉及门店订单量、SKU运营、用户复购这些业务场景，实际上是他们日常工作中非常典型的分析命题。
途虎的分析师日常大概率不是只面对一个数据看板就完事，而是要和运营、门店管理、供应链甚至产品经理紧密协作。比如门店订单下滑，分析师需要同时拉取线上流量数据、线下门店产能数据、SKU库存数据、竞品分布数据，才能拼出一张完整的业务图景。这套笔试中的案例题，是对这种工作方式的高度还原。
理解了这一点，面试准备的方向就会清晰很多：平时多关注汽车后市场行业的业务逻辑，理解门店运营、供应链和用户运营三者的关系，同时把SQL和Python打得扎扎实实，才是应对这类笔试的正确打开方式。
8. 备考建议与资源清单
如果你正在准备途虎秋招笔试，我的建议是不要盲目刷题。数据分析岗的笔试准备要分层推进，我在备考后期总结了一套比较高效的方法，分享给你参考。
第一，SQL模块要练到不假思索的程度。SQL是数据分析师的基本功，也是笔试中区分度较低的模块，你的目标是拿满分，而不是做得差不多。推荐刷一遍SQLZoo和LeetCode的数据库板块，尤其是Medium难度的题目，覆盖的窗口函数、多表关联、子查询足够应对笔试。
第二，Python模块重点复习pandas和numpy。笔试中手写Python一般不会让你跑模型，更常见的是用pandas做数据清洗、分组聚合、透视表这类操作。我建议把pandas的常用函数全部过一遍，重点是merge、groupby、apply、pivot_table，这些是出现频率最高的几个。
第三，统计和业务题模块靠平时积累。这个板块最难临时抱佛脚，因为考的是数据敏感度和商业理解。我的方法是用费米问题的逻辑做练习，也就是俗称的估算题。遇到一个问题，先拆维度，再定假设，最后算数。练多了之后，面对商业案例题会自然地形成一套分析框架。
第四，重视行业认知。途虎笔试里很多场景题都带着汽车后市场的行业烙印。刷题之余，花点时间读读途虎的财报、公开数据、App上的业务形态，了解他们重点在推什么服务、哪些品类贡献主要营收，这些信息能帮你答题时更有针对性。
9. 我在复盘这套题之后的几点感受
做完这套试卷，我最大的感受是：它不是一套为了难倒你而存在的题，而是一套为了筛选“能一起做业务的人”而设计的题。
整个卷子的主线非常清晰：给了业务场景、给了数据、让你做分析，然后给出建议。这种命题思路，说明途虎对数据分析师的定位，不是一个写SQL的取数机器，而是能用数据影响业务决策的伙伴。这种思维上的转变，可能比背多少SQL语法都重要。
另一件让我感触很深的事是：笔试里真正拉开差距的，不是那些硬技能的题，而是案例分析题里的思维方式。同样面对订单下滑的问题，有些人只看到了“价格是不是贵了”，有些人能看到“用户访问路径变了，收藏但不下单，是不是在比价”。后一种人，才是业务方真正想要的。
所以，如果你手头也有一份途虎或者其他公司的数据分析笔试卷子，我的建议是不要急着刷完对答案，而是多花点时间琢磨每道题背后的业务逻辑。把每道题都当成一个真实的业务问题来做，收获会比单纯刷题大得多。
