2023年腾讯音乐春招数据分析岗第一批笔试，说实话，这场笔试过去这么久了，但直到现在还有不少学弟学妹问我里面的门道。网上关于这场笔试的讨论也不少，但大多只是零散地回忆几道题，很少有完整把题型、考点、答题思路串起来讲的。我去年亲身参加过这一批笔试，也拿到了后面的面试机会，今天就把这一整场笔试从头到尾拆开揉碎，说说每类题到底在考什么、怎么答才能拿分，以及那些你在面经里很难看到的细节。
1. 开场先理清楚：这场笔试到底在筛什么样的人
腾讯音乐的数据分析岗和其他厂的数据岗笔试有个很明显的区别：它非常看重对音乐内容业务的理解。我考前刷了很多互联网大厂的数据分析笔试题，大部分集中在SQL、统计概率、机器学习基础这些通用技能上，但腾讯音乐这批题明显加重了业务场景题的比例，而且题目包装几乎全挂在音乐产品上——比如听歌时长、付费转化、歌单推荐、版权内容运营，这些背景不是随便套的，它要求你具备把数据技能迁移到具体业务语境里的能力。
整个笔试大约两个半小时，题量不算特别大，但时间依然紧张，尤其是后面的大题，几乎不存在慢慢琢磨的余地。题型分布大概是：
| 题型 | 题量 | 分值占比 | 考察重点 |
|---|---|---|---|
| 单选题 | 约20题 | 30% | SQL语法、统计基础、概率计算、机器学习常识 |
| 多选题 | 约10题 | 20% | 业务指标理解、AB实验设计、数据治理 |
| 简答题 | 3题 | 25% | 指标拆解、异常归因、分析思路 |
| 综合大题 | 1~2题 | 25% | 基于音乐业务场景的完整分析方案设计 |
这个结构其实透露了一个关键信息：笔试不是单纯考你会不会写SQL，而是看你在有限时间内能不能像一个真正的数据分析师那样思考问题。SQL和统计学是入场券，业务理解和分析框架才是拉开差距的地方。
我当时最深的感受是，单选题里有一部分题说难不难，但特别容易被绕进去。它考的不是死记硬背，而是对概念本质的理解。比如有一道题考察的是p值含义，选项里故意设置了几个看似正确但实际混淆了概率方向的表达。如果你只是背过"p值小于0.05就显著"这句话，没真正理解p值是在零假设成立下观测到当前或更极端结果的概率，很容易踩坑。
还有一个容易忽视的点：这场笔试对数据敏感度的考察渗透在小题里。比如有道题给了一组听歌时长的数据，问哪个统计量最不能反映用户活跃情况。选项里有均值、中位数、众数、标准差。答案是标准差，原因在于活跃情况主要看集中趋势和水平，而标准差反映的是波动，和活跃水平的直接关联最弱。这种题不是靠公式能解决的，靠的是对业务指标和数据分布关系的直觉。
所以如果你正准备类似的数据分析笔试，我的第一个建议是：不要只看SQL题和机器学习题，要把相当一部分精力放在业务分析思维的训练上。这不是套话，腾讯音乐的笔试用事实告诉我，数据分析岗的筛选逻辑早就从"你会什么工具"转向了"你能用工具解决什么业务问题"。
2. 硬技能题型拆解：SQL、统计与机器学习的真实考法
这部分的题目虽然在实际笔试中散落在选择和简答里，但它们的考点很有规律，我分类复盘一下我当时遇到的题目类型和答题思路。
2.1 SQL题：不是会写就够，还要会优化
笔试中的SQL题远不止是写个SELECT这么简单，它会在数据量、索引、运行效率上做文章。有一道题印象很深：给了一张用户听歌记录表，字段包括user_id、song_id、listen_time、listen_duration，要求统计每天活跃用户数，连续活跃3天以上的用户数。这类连续性问题在LeetCode上很常见，核心思路是用窗口函数lag或lead比较相邻日期。
我当时的写法是用row_number对用户分组按日期排序，然后日期减去序号得到连续分组的标识，再按用户和分组标识聚合计数。这是标准的连续区间解法。但只写出这个还不够，笔试还问了如果这张表有上亿行，你的查询该怎么优化。这就涉及分区表、过滤条件下推、避免全表扫描这些工程实践了。所以说腾讯音乐的SQL题考的是你既写得出、又跑得动。
还有一道题考察了窗口函数的细节，对比rank、dense_rank、row_number三者的区别。这道题不算难，但选项里往往会把dense_rank和rank的并列处理方式弄反，做题时需要特别细心。如果你想拿稳这几分，最好能自己在本地跑一遍这三个函数，把并列值的情况看清楚，不要靠模糊记忆。
2.2 统计与概率：题面简单，陷阱藏在措辞里
统计题主要集中在假设检验、置信区间、贝叶斯公式这几个方向。有一道题是产品改版后的点击率提升分析，给了实验组和对照组的样本量与点击率，问是否有显著提升。这道题本质上就是两比例z检验，但选项里混入了"用卡方检验也能解决"这个选项。事实上卡方检验和z检验在二分类比例比较上结论等价，但计算形式不同，如果你对两者的适用场景不够清楚，很容易被选项之间的细微差别影响判断。
概率题里有一道让我印象比较深的是关于贝叶斯公式的应用：音乐客户端的推荐系统点击率是5%，推荐系统认为某用户喜欢某首歌的概率是80%，但如果用户实际上不喜欢这首歌，系统误判为喜欢的概率是20%，题目要求根据用户点击行为计算用户真正喜欢这首歌的后验概率。这类题关键在于识别先验和似然，然后套公式。我在做题时比较谨慎，把事件A定义为"用户喜欢这首歌"，事件B定义为"系统推荐后用户点击"，理清了条件概率的方向之后计算就很顺畅。
这里分享一个我用了很久的做题技巧：遇到贝叶斯题目，先不要急着代公式，先在草稿纸上用树状图把先验、似然、全概率列清楚，再写后验公式。这样能最大程度避免把条件概率的方向搞反。
2.3 机器学习基础：偏重概念理解，不考手推公式
机器学习部分的题目风格比我想象中友好很多，不要求手推梯度下降，也不考复杂的数学推导，重点在概念理解、适用场景、评估指标的选择。比如问在正负样本极不平衡的情况下，分类模型的评估指标应该优先看什么。AUC（ROC曲线下面积）此时往往比准确率更能反映模型性能。
还有一道题是关于过拟合的识别和应对。题面给了训练集AUC接近0.99、测试集AUC只有0.82的场景，询问最可能的过拟合应对措施。选项涵盖增加训练数据、降低模型复杂度、增加正则化、交叉验证调参等。这种题其实很贴近真实业务：推荐场景下特征维度高、样本稀疏，过拟合是家常便饭，能够准确判断并给出解决方案是分析师的基本素养。
综合来看，腾讯音乐笔试的硬技能部分，整体难度属于中等偏上，不会故意为难你，但很考验基本功是否扎实。我建议复习的时候以SQL窗口函数、统计推断、AB测试设计、分类模型评估这几大块为核心，它们是出现频率最高的考点，也是后续业务题的基础支撑。
3. 业务分析题：从指标拆解到异常归因，考官真正想看的是什么
如果说前面的硬技能题是入场券，那后面的业务分析题才是真正区分段位的部分。腾讯音乐这批笔试的业务题不是简单地让你说说"DAU下降怎么分析"，而是会给你一个非常具体的业务背景和约束条件，考察你在真实环境中怎么构建分析方案。
3.1 一个典型的指标拆解题：新歌推广效率分析
有一道简答题的大致背景是：音乐平台上线了一首新歌的独家首发，运营团队希望通过push推送和开屏广告两种渠道进行推广，现在需要你设定核心指标并给出完整的分析方案。
这类题目在数据分析笔试中非常典型，但很多人容易一开始就陷进细节，比如用什么算法做用户分群、怎么设计AB实验，然后忽略了最重要的事情：先定义清楚"推广成功"到底怎么衡量。
我当时拿到题目的第一反应是先搭一个指标漏斗：从曝光到点击、从点击到播放、从播放到完播、从完播到收藏/分享/加入歌单。这个漏斗的每一层都对应不同的推广目标，而首发的核心目标通常是让这首歌快速积累播放量和收藏量，所以中间层的点击率和播放转化率会比最终收益类指标更敏感。
确定漏斗之后，再谈渠道效果对比：push推送和开屏广告的流量属性完全不同。push是触达存量用户，人群更精准但容易被忽略；开屏广告是曝光型流量，覆盖面广但用户意图弱。所以不能只看总体播放量，要看分渠道的转化效率差异。更进一步的思路是引入增量分析——被push触达的用户里有多少人是因为push才播放的，这需要和自然播放量做对比。
这道题其实没有标准答案，考官想看的是你的分析逻辑是否完整：有没有定义清楚目标、有没有拆解用户路径、有没有考虑渠道差异、有没有提出可落地的评估方法。能把这几点讲清楚，即使没有给出具体的数字计算，分数也不会低。
3.2 异常归因题：次日留存率突然下跌，你怎么排查
另一道让我记忆深刻的题目是：某日音乐App的次日留存率突然环比下降了5个百分点，需要给出排查思路和可能原因。
这道题考察的是数据异动归因，也是数据分析师日常工作中最高频的任务类型。我的思路是分三步走：
第一步，先做数据准确性校验。这种异常可能不是业务真的出了问题，而是数据口径变化了。比如埋点代码上线导致统计口径改变、ETL任务延迟导致部分数据未入库、渠道分包错误导致用户来源归类变化。任何异动分析之前都必须先排除数据层面的问题，不然容易被虚假信号带偏方向。
第二步，拆维度定位异动来源。从用户新增渠道、设备类型、版本号、地区、登录方式等维度切入，看是不是某一个特定渠道或用户群的留存率崩了。比如某个渠道买量质量下降、某个安卓版本出现闪退问题、某个地区网络抖动，这些都可能导致局部留存异常，拉低整体指标。
第三步，找业务层面的事件。比如前一天是否有大批量push推送、是否有顶流歌手的独家版权下架、是否有版本强制更新、是否有签到活动结束。这些业务事件对次日留存的影响往往有明确的时间因果，结合起来基本能锁定根因。
这道题给我的最大启发是：数据分析师面对指标波动时，最忌讳的就是直接跳到结论。很多人一看到留存下降就开始想"是不是产品体验变差了"，但忽略了一个更常见的情况——数据统计口径出错了。我参加笔试之前刚在公司处理过一个类似问题，当时也是留存率骤降，结果查完发现是ETL任务失败导致当天部分活跃用户没有被计入，虚惊一场。所以在笔试里遇到这类题，一定要体现出层层排查、先排除数据问题的思路，考官会觉得你是有真实实战经验的。
3.3 综合大题：从数据到决策的完整链路
最后一两道综合大题的分值最重，考察的是完整的数据分析项目能力。我遇到的一道题是：结合榜单数据、用户行为数据和内容运营动作，设计一个帮助音乐平台优化每日推荐歌单的分析方案，要求写清楚数据来源、分析维度、关键指标、分析方法和预期产出。
这道题的范围很大，如果不加以限制很容易写得空泛。我的策略是先明确分析的最终目标：提升歌单的播放转化率和用户对推荐歌单的满意度。然后围绕目标拆解分析模块：
- 歌单维度：不同歌单的曝光量、点击率、完播率、收藏率，找到高效歌单的内容特征；
- 用户维度：不同活跃度、不同听歌偏好的用户对歌单的接受程度差异，做用户分群对比；
- 内容维度：歌单内歌曲的风格分布、新旧歌比例、热歌与冷门歌的搭配，分析这些因素对播放时长的影响；
- 时间维度：不同时段、星期几推歌单的效果差异，识别最佳推送时机。
分析方法上，除了常规的漏斗分析和维度下钻，还可以引入对比分析，比如把高点击率的歌单和低点击率的歌单做特征差异对比，提炼出可复制的优化方向。如果数据量足够，还可以用简单的聚类或关联规则挖掘歌曲之间的共现规律。
这道题很考验答题的时间分配。我当时给自己定的策略是先用10分钟列大纲，再用20分钟填充细节，控制在800字左右，重点保证逻辑链完整而不是无限制地铺开。你不需要把每个方法都写得非常深入，但一定要让考官看到你有全局视角，知道从哪些角度切入、最后能形成什么样的结论和行动建议。
4. 比刷题更重要的是：这些复习重点和应试细节，考前没人告诉你
走到这一步，想必你也感觉到了，腾讯音乐数据分析岗笔试真正筛选的不是"会做很多题的人"，而是"在有限时间内能结构化思考的人"。我想把自己在备考和实际考试中摸出来的几个关键经验放在最后，给准备参加类似笔试的同学一个明确的复习方向。
4.1 复习重点的优先级排序
按投入产出比来排序，我建议如下：
第一优先级是SQL窗口函数和连续性问题。这是笔试中出现概率最高、也最容易通过短期刷题快速提升的部分。把LeetCode上关于rank、lag、lead、连续N天活跃、分组TopN的题目刷两遍，基本就能覆盖笔试中80%的SQL题型。
第二优先级是业务分析框架的搭建。这里我不建议盲目看大量面经，而是建议用"指标口径 + 分析维度 + 方法工具 + 落地建议"的四段式结构，自己动手写几道模拟题的分析方案。写完之后再对照实际案例复盘，看看自己有没有漏掉数据校验、有没有考虑渠道差异、有没有把结论落脚到可执行的业务动作上。
第三优先级才是机器学习和复杂统计学知识。腾讯音乐的笔试题在这块的深度有限，掌握核心概念、评估指标、过拟合处理、常用模型适用场景即可，不需要投入过多时间钻研底层推导。
4.2 考试中的时间分配和答题技巧
两个半小时的笔试时间看着不少，但实际上每题分摊下来只有四五分钟，后面的大题还要留出充足的构思时间。我的建议是：单选和多选每道题控制在1分半以内，拿不准的题先标记跳过，不要恋战；简答题每道控制在15分钟以内，先用2分钟列提纲再动笔；综合大题至少留45分钟，包括构思、写作和检查三部分。
还有一个特别实用的技巧：先做后面的大题，再回来做前面的选择填空。原因很简单，大题分值高且需要清晰的头脑，如果先花了大量时间在纠结的选择题上，等做到大题时思维已经疲劳了。我当时给自己定的顺序就是简答和综合优先、选择靠后，实际体验下来，整个考试节奏会把控得好很多。
4.3 数据敏感度是个长期积累的能力，临时抱佛脚很难补
最后想聊一个很多人忽视的点——数据敏感度。笔试中有些题并不是考你某个具体的知识点，而是考你对数字的第一反应。比如给你一组数据，问"你觉得这个分析结论靠不靠谱"，或者"除了均值，还有什么指标能更准确地反映用户特征"。这类题没有标准答案模板，它考察的是你日常工作中接触数据的频率和深度。
我自己的感受是，平时多做一些"粗分析"对提升数据敏感度很有帮助。拿到一份数据，先别急着跑模型，先看分布、看极值、看缺失值、看不同维度的差异，这些习惯会让你的数据直觉越来越准。真正在笔试的时候，这种直觉往往比死记硬背的公式更有用。
如果你正在准备数据分析岗的笔试，不管目标是不是腾讯音乐，我都建议你把历年的题目当成训练素材，而不是押题对象。笔试只是一种筛选手段，真正让你在职场上走远的，永远是透过数据理解业务、通过数据驱动决策的能力。这场笔试只是这条路上的第一道门槛，迈过去之后还有更长的旅程等着你。
