2023年腾讯音乐秋招数据科学岗的笔试，我是在线上完成的。整个笔试120分钟，题量不算少，题型分三大块：统计与机器学习客观题、SQL编程题、业务案例分析题。说实话，这套题的风格和我之前刷过的互联网大厂数据岗笔试差别挺大，它不怎么考死记硬背的模型公式，更多是给你一个音乐业务场景，让你用统计和数据思维去解决实际问题。
如果你正在准备数据科学方向的秋招，或者想知道腾讯音乐这类内容平台的数据科学岗到底考察什么，这篇复盘应该对你有用。
1. 笔试整体定位：这个岗位要的不是纯算法工程师
1.1 岗位画像：懂统计、会写SQL、能听懂业务
先说结论：腾讯音乐的数据科学岗，定位更接近"数据科学与策略分析"的交叉角色，而不是纯粹的算法工程师。
这点从笔试题目就能看出来。它几乎不考深度学习、也不考大规模分布式计算，整张卷子的重心压在三个能力上：
- 统计推断与实验设计：能不能设计一个严谨的AB实验，能不能正确解读p值和置信区间
- 结构化查询与数据处理：给一张听歌记录表，能不能写出正确的SQL拿到指标
- 业务问题拆解：音乐推荐的指标波动、会员付费的转化漏斗，你能不能把它拆成可分析的数据问题
我印象很深的是，单选和多选里有两道题都涉及实验分流和假设检验。这在数据科学岗笔试里太正常了——任何以"科学"命名的数据岗位，实验能力都是底线。推荐系统、搜索、广告、内容生态，所有业务动作的上线都需要AB测试来验证，所以笔试里反复出现样本量计算、显著性水平、多重比较这类考点，一点都不意外。
从就业方向的角度看，数据科学岗位在互联网公司大致分两类：一类偏算法工程，核心是模型训练上线；另一类偏策略分析，核心是实验评估和业务洞察。腾讯音乐这个笔试，明显侧重后者，但同时又要求你有一定的编码功底。
1.2 题型分布与分值节奏：时间分配是第一道坎
我在做题前先把整张卷子扫了一遍，大致摸清了题型分布：
| 题型 | 数量 | 分值占比 | 建议耗时 |
|---|---|---|---|
| 单选/多选（统计+机器学习） | 约15题 | 30% | 25分钟 |
| SQL编程题 | 2题 | 25% | 30分钟 |
| Python数据处理/算法题 | 1题 | 15% | 20分钟 |
| 业务案例分析 | 1大题（含3小问） | 30% | 40分钟 |
这个节奏很重要。很多同学挂在笔试上不是因为不会做，而是因为前面客观题纠结太久，后面SQL没时间跑通、案例分析只能草草写几句。
我给自己定的策略是：客观题限时25分钟，不会的先用排除法，实在拿不准就标记跳题，绝不恋战。最后留40分钟给案例分析，因为那道题分值最高，而且文字作答你至少可以写出分析框架，比空着强太多。
如果你经历过2023年的大厂秋招，应该能感受到一个趋势：笔试题目越来越场景化，即使客观题也会给你一段业务背景。腾讯音乐这场的统计题就是如此——它不会直接问"哪个检验方法适合两组率的比较"，而是给你一个"会员歌曲解锁功能上线前后，周活跃用户听歌时长变化"的表格，再让你选择正确的检验方式和结论。
2. 统计与机器学习客观题：考点集中在实验与评估
2.1 AB实验的隐性考点：多重比较、样本量、新颖效应
我抽到的题目里，有一道多人问过的题是：一个推荐策略调整实验，对10个音乐风格子群分别做了显著性检验，结果有两个子群p值小于0.05，问能不能说明新策略在这两个风格上显著有效。大部分人选了"可以，因为p值达标"，但正确答案是"不能，需要做多重比较校正"。
这个考点我在准备时专门复习过。
你在10个子群上做假设检验，每个检验的显著性水平是0.05，理论上即使策略完全无效，每个子群都有5%的概率出现假阳性。10个子群全部无效果时，至少出现一个显著结果的概率是1减0.95的10次方，约等于40%。所以如果不做Bonferroni校正或FDR控制，很容易被噪声骗了。
建议：准备任何数据岗笔试前，把p值误读、多重比较、置信区间含义、第一类第二类错误这四个概念彻底吃透。它们几乎年年出现，换着场景考。
另外一道，是问新功能上线后观察一周发现指标涨了，是否可以判定功能有效。这里面的坑就是新颖效应——用户看到新功能时出于好奇心短期行为改变，不代表长期价值。这对音乐产品尤其明显：新风格推荐、新会员权益、新播放器界面，上线初期都有一波好奇心红利。腾讯音乐这种内容型产品，用户对产品变化的感知很直接，所以笔试考新颖效应非常合理。
2.2 机器学习题的考察深度：模型选择与效果评估
机器学习部分的单选题，难度大概在"能理解模型核心思想并做对比选择"的水平，没到要求手推公式的程度。
我记得有考到：
- 推荐系统中协同过滤的冷启动问题怎么缓解：正确答案偏向"引入内容特征或热门物品回退"，而不是传统的矩阵分解。因为矩阵分解在用户交互数据极少时学不出可靠的隐向量
- 决策树和逻辑回归在特征处理上的差异：逻辑回归需要归一化/标准化，决策树不需要；逻辑回归能在线性边界下给出概率输出，决策树擅长非线性切分
- 回归模型评估指标的选择：在存在极端值的情况下，MAE比MSE更鲁棒；但如果你要放大较大误差的惩罚，MSE更合适
- 聚类算法的适用场景：K-Means适合凸形簇，DBSCAN能处理任意形状且不需预先指定簇数
热词里提到的"数据科学职业核心能力"，放到笔试上就是这类题的考察逻辑：不是在考你记忆了多少个算法，而是考你在真实约束下能不能选对工具。数据科学的价值不是把最新最强的模型堆上去，而是找到当前业务问题最恰当、最可解释、最稳定的解法。
3. SQL编程题：两张业务表，三个查询逻辑
3.1 表结构与题目要求
腾讯音乐的SQL题给的是两张表，场景是用户听歌行为分析。
表结构大概这样：
用户信息表：user_id，reg_date，vip_level（普通用户/豪华绿钻会员），city
听歌记录表：user_id，song_id，play_date，play_cnt，like_flag（是否点赞）
题目拆成三个小问：
- 统计每个城市的月活跃用户数（活跃定义：当月有听歌记录）
- 计算每个用户的连续听歌天数，并找出连续听歌天数最长的Top 10用户
- 统计"豪华绿钻会员"和"普通用户"在一周内的日均听歌时长差异，并给出一个简单的显著性检验SQL逻辑
第一问很简单，date_format按月份分组，count(distinct user_id)即可。
第二问考的是连续活跃天数，这是互联网大厂SQL笔试里的高频题。核心思路是：用窗口函数对每个用户的听歌日期去重后排序，然后用日期减排序序号得到一个分组标记。连续听歌的日期，减去连续的序号序列，得到的日期是一样的，按这个标记做分组计数。
第三问有点意思了，它不只是考SQL，还考统计知识。你得写出计算两组成员听歌时长的逻辑，然后提示说"可以选用t检验判断差异显著性"，这时候你需要在注释或回答里把检验思路写清楚。说明腾讯音乐很在意你能不能把SQL取数和统计检验结合起来——这其实就是数据科学日常工作的缩影。
3.2 怎么写第二问的连续天数SQL
给大家看一下第二问的参考写法（MySQL 8.0窗口函数语法）：
WITH user_play_dedup AS ( SELECT DISTINCT user_id, play_date FROM play_log WHERE play_date BETWEEN '2023-08-01' AND '2023-08-31' ), user_play_ranked AS ( SELECT user_id, play_date, ROW_NUMBER() OVER (PARTITION BY user_id ORDER BY play_date) AS rn FROM user_play_dedup ), user_play_group AS ( SELECT user_id, play_date, DATE_SUB(play_date, INTERVAL rn DAY) AS group_date FROM user_play_ranked ), user_play_streak AS ( SELECT user_id, group_date, COUNT(*) AS streak_days FROM user_play_group GROUP BY user_id, group_date ) SELECT user_id, MAX(streak_days) AS max_streak_days FROM user_play_streak GROUP BY user_id ORDER BY max_streak_days DESC LIMIT 10;这个思路的巧妙之处在于：连读的日期序列，减去它们的计数序号，一定得到同一个日期。比如用户8月1日、2日、3日连续听歌，rn分别为1、2、3，date_sub后都是7月31日。如果中间断了一天，比如5日也听了，rn就是4，date_sub后得到8月1日，就和前面断开了。
这类SQL题型在数据科学笔试里的出镜率极高，因为它是留存分析、活跃分析、用户粘性分析的基础操作。备考时我建议把以下这些窗口函数模式练熟：
- 连续N天活跃（上面的思路）
- 各渠道首单后的次周留存率（lag或者join + min计算首次行为时间）
- 分组TopN（row_number over partition by）
- 同比环比（lag over order by）
3.3 第一问和第三问的踩坑点
第一问看起来简单，坑在"月活跃"的定义。题目给的听歌记录表里，如果用户一天内有多条记录，直接用count(*)会重复计算。必须用count(distinct user_id)。我在自测时测试过不加distinct的结果，数字虚高得很离谱。这种小地方，恰恰是阅卷系统判定对错的依据。
第三问的显著性检验，我写的核心思路是这样的：
-- 先按用户分组聚合出一周内的听歌时长 SELECT user_id, MAX(vip_level) AS vip_level, SUM(TIMESTAMPDIFF(MINUTE, play_start_time, play_end_time)) AS total_play_minutes FROM play_log WHERE play_date BETWEEN '2023-08-07' AND '2023-08-13' GROUP BY user_id;这个子查询的结果，就是每个用户的一周总听歌时长，然后你在外层按vip_level分组，计算两个组的均值、标准差、样本量，接下来就可以套两独立样本t检验的公式了。
这里有一个细节很容易被忽略：在做检验之前，要看两组方差是否齐性。如果方差不齐，要用Welch校正。笔试时不要求你真去跑一遍完整计算，但你在回答里若能提到"先做方差齐性检验，若方差不齐则使用Welch t检验"，这个细节会帮你拉开和其他人的差距。
4. Python数据处理题：一题考出工程习惯
4.1 题目背景与考点分析
Python题给的是一个音频内容运营的数据集，包含每日各歌单的曝光量、点击量、收藏量、转发量和播放完成率，要求基于这组数据构建一个简单的歌单质量评分模型，并输出评分Top 20的歌单ID。
这道题表面上是"写评分函数"，其实考察的是数据科学工程中的几个基本素养：
- 数据读取与清洗：有没有处理空值、异常值的意识
- 特征构造：原始字段之间如何组合出有信息量的指标
- 代码可读性：是不是写出了一坨只有自己能懂的代码
- 结果可复现性：有没有使用固定随机种子（如果需要）或者提供明确的运行方式
我当时写的大致方案是：
- 用pandas读取csv，先看缺失值和describe
- 构建三个特征：点击率（click/impression）、收藏率（favorite/click）、播放完成率（直接用原始字段）
- 对特征做min-max归一化，加权求和得到综合分
- 按综合分排序取前20，输出到新csv
4.2 核心代码与评分逻辑
import pandas as pd df = pd.read_csv('playlist_metric.csv') print(df.info()) print(df.describe()) # 处理缺失值：如果曝光量为0或缺失，点击率无法计算，直接填充0 df['click_rate'] = df['click_cnt'] / df['impression_cnt'].replace(0, np.nan) df['click_rate'] = df['click_rate'].fillna(0) df['favorite_rate'] = df['favorite_cnt'] / df['click_cnt'].replace(0, np.nan) df['favorite_rate'] = df['favorite_rate'].fillna(0) # 播放完成率已经在0-1之间，不需要额外归一化 from sklearn.preprocessing import MinMaxScaler scaler = MinMaxScaler() df['click_rate_norm'] = scaler.fit_transform(df[['click_rate']]) df['favorite_rate_norm'] = scaler.fit_transform(df[['favorite_rate']]) # 加权综合评分 w1, w2, w3 = 0.4, 0.3, 0.3 df['quality_score'] = (w1 * df['click_rate_norm'] + w2 * df['favorite_rate_norm'] + w3 * df['play_finish_rate']) top20 = df.nlargest(20, 'quality_score')[['playlist_id', 'quality_score']] top20.to_csv('top20_playlist.csv', index=False)我为什么用点击率、收藏率、播放完成率这三个特征？因为它们对应了音乐歌单消费漏斗的不同环节：曝光到点击是吸引力，点击到收藏是认可度，播放完成率是内容质量。这三个指标从三个维度衡量一首歌单的质量，比单一指标全面得多。
权重方面，我给了点击率0.4，收藏率0.3，播放完成率0.3。这个权重不是随便拍的：点击率的样本量最大最稳定，而收藏率的噪声比点击率大（毕竟点击后收藏的比例通常很低，受用户习惯影响大），所以权重稍微低一点。
注意：这道题官方没有公布标准答案，评分系统大概率是看你的代码能否正确运行、Top20输出是否合理。但这里有一个隐藏分：如果你能解释为什么选这三个特征、为什么不直接把原始字段加权，而是先做归一化和比率化，你的答案会比只写代码的同学高出一个档次。
4.3 我踩过的一个坑：收藏率的分母处理
刚开始我写收藏率的代码时，分母用的是impression_cnt，后来检查数据发现收藏行为只能发生在点击之后，用曝光做分母会把很多"高点击但低转化率"的歌单错误地压分。比如一个歌单曝光10000次、点击5000次、收藏5次，用曝光做分母收藏率是0.05%；另一个歌单曝光100次、点击50次、收藏5次，用曝光做分母是5%。但实际上两个歌单在"点击后收藏"这个环节的表现是一样的，都是1%。
**做特征工程时，要先想清楚业务漏斗的逻辑，再决定分子分母。**这是数据科学和纯代码开发最不一样的地方——你写的每一行计算背后都有业务含义，这就是数据科学职业核心能力里的"业务理解力"。笔试里能看出这一层的同学不多，但阅卷人一定能看出来。
5. 业务案例分析题：从归因分析到预算优化的完整思路
5.1 案例题原文复盘（记忆版）
这道题占了整张试卷30%的分值，题目的场景是腾讯音乐旗下的某个产品在推广新的会员服务，运营侧在各个渠道投放了引流广告。现在需要你回答三个问题：
- 如果各渠道都存在"曝光-点击-注册-购买"的多层转化路径，如何评估每个渠道对最终会员购买的贡献？请给出你的归因分析思路
- 在预算有限的情况下，如何根据归因结果优化各渠道的预算分配？请给出你的优化方案
- 如果渠道A带来了大量点击但购买转化率很低，你会如何分析可能的原因并提出改进建议
这个case出得很讲究，它把"归因"和"预算优化"串成了一条完整的闭环，和行业里常说的"从点击归因到预算优化的闭环实践"是一回事。
5.2 第一问：多触点归因的建模方案
我的回答思路是这样的：
先说明背景：用户的实际转化路径很少是单一触点。一个用户可能先在信息流看到广告，没点；过了两天在短视频平台又刷到，点了；然后去搜索品牌词，最后通过官网注册并购买。这种情况下，如果只把功劳记在"最后一次点击"的渠道上，会导致早期种草渠道的贡献被严重低估。
然后给出分阶段的方案：
第一阶段用规则归因做快速上线。常见规则有末次点击归因、首次点击归因、线性归因（所有触点均分）、时间衰减归因（离转化越近权重越高）。如果公司内部没有成熟的归因系统，先从末次点击归因做起，因为它实现成本最低、口径最容易对齐，但必须知道它的偏差在哪里。
第二阶段用算法归因做精细化。可以参考Shapley值的思路，把每个渠道看作合作博弈的参与者，计算它在所有渠道组合中的边际贡献平均值。这样可以更公平地把转化功劳分配给各触点。
我还在回答里列了一下Shapley值的直觉理解：假设有渠道A和B，最终转化100单。先看只投A能转化多少、只投B能转化多少、A和B都投能转化多少。A的贡献就是在"没有A的世界"和"有A的世界"之间的增量，而且要考虑B加入顺序不同带来的影响。Shapley值就是把这些边际贡献在所有可能的渠道加入顺序上取平均。
5.3 第二问：预算优化的数学建模
预算优化部分，我的回答聚焦在转化率和边际收益上。
核心逻辑是：每个渠道投放预算与转化量之间不是线性关系，而是边际递减的。第一个1万块投下去，可能带来500个转化；第二个1万块，可能只带来300个转化。所以在预算有限的情况下，应该把钱投到"边际转化率最高"的那个渠道，直到它的边际收益降到和其他渠道持平，这就是经济学里的等边际原则。
我给出的实操步骤是：
- 第一步：根据历史数据拟合每个渠道的"预算-转化量"曲线，可以用简单一点的方法，把近几个月的预算和转化数据按周聚合，画散点图，尝试用对数曲线y = a + b * ln(x)拟合
- 第二步：对拟合曲线求导，得到边际转化率函数
- 第三步：按边际转化率从高到低排序分配预算，每分一笔就更新一次剩余预算和边际转化率
- 第四步：直到预算分配完，最终各渠道的边际转化率会趋向一致
这个思路最大的好处是：即使没有复杂的最优化求解器，用Excel或Python也能算完。数据科学在业务落地时，永远不要追求数学上的绝对最优解，而要追求在现有工程资源下能算出来、能解释得清、业务方愿意用的"足够好的解"。
我在回答里直接写了一个简单的Python示例代码：
import numpy as np from scipy.optimize import minimize_scalar # 假设三个渠道的预算-转化拟合函数：y = a * ln(1 + x) channels = { 'A': {'a': 800, 'spend': 0}, 'B': {'a': 500, 'spend': 0}, 'C': {'a': 300, 'spend': 0}, } budget = 100000 allocated = 0 while allocated < budget: marginal = {} for ch, info in channels.items(): # 简化：边际转化率 = a / (1 + spend)，即对数函数求导 marginal[ch] = info['a'] / (1 + info['spend']) # 找出边际转化率最高的渠道，分配1000元 best_ch = max(marginal, key=marginal.get) channels[best_ch]['spend'] += 1000 allocated += 1000 for ch, info in channels.items(): print(f"渠道{ch} 分配预算: {info['spend']:.0f}")这个例子是高度简化的，但基本逻辑是对的：每次迭代都把下一笔预算给到边际收益最高的渠道，最后各渠道的边际收益收敛到同一水平。
5.4 第三问：渠道A点击多、转化低的归因排查
第三问是一个很典型的"指标异动归因"题，考察的是数据科学家的排查思路。
我的回答分四步：
第一步，先确认数据口径没问题。渠道A的点击定义和转化归因窗口期是不是和其他渠道一致？比如渠道A的点击统计包含了恶意点击或重复点击，或者转化数据的归因窗口期设置得太短，导致很多"看了但没立即买、过两天才买"的用户被排除在归因之外。在做任何分析之前，先花20%的精力排除数据质量问题，能避免后面80%的分析白做。
第二步，分环节定位流失点。把渠道A的用户从点击到购买的完整漏斗拆开：点击率、落地页加载率、注册率、试听率、购买率。逐层对比渠道A和其他渠道的差异，找到流失最严重的环节。如果注册率很低，问题可能出在落地页体验或目标用户匹配度上；如果试听率低，问题可能出在内容吸引力上。
第三步，看用户质量。渠道A的流量来源可能偏泛，拉来大量非目标用户。这时候要看用户画像、设备分布、地域分布，和转化好的渠道做对比。比如渠道A如果大量来自低线城市的大龄用户，而产品本身偏年轻化，那转化率低就是流量质量不匹配的自然结果。
第四步，做归因窗口期敏感性分析。看不同窗口期（1天、3天、7天、14天）下渠道A的转化率变化，判断渠道A是否是"慢转化"渠道。某些渠道用户从接触到付费需要更长的决策周期，比如搜索渠道的用户目的明确，转化快；而泛娱乐渠道的用户需要多次触达才能转化。如果窗口期设短了，会误判渠道价值。
这一问表面上问的是"分析可能原因"，其实考的是你有没有一套系统化的异动排查框架。建议所有准备数据科学面试的同学，把"数据校验、漏斗拆解、人群对比、外部因素排查"这套框架内化成肌肉记忆。
6. 备考复盘：数据科学岗笔试的核心能力图谱
6.1 数据科学与大数据技术方向看重什么
2023年的秋招环境下，数据科学方向的竞争烈度比前两年高了不少。从腾讯音乐这场笔试可以看出一个趋势：笔试正在从"考知识点"转向"考工作场景"。
统计知识不再直接问定义，而是放在AB实验的场景里问你哪个结论靠谱； SQL不再考简单的select join，而是考连续活跃、留存率、漏斗分析这类真实业务指标； Python题不再考力扣原题，而是让你对一份业务数据做特征工程和评分建模； 业务题更是把归因和预算优化串成了闭环。
这背后对应的是数据科学与大数据技术专业的就业方向变化：企业对初级数据工程师的纯技术需求在收缩，对"数据+业务+策略"复合型人才的需求在增加。一个合格的数据科学候选人，至少要具备四层能力：
- 第一层是数据处理能力：SQL、Python、数据清洗、特征构造，这是安身立命的基础
- 第二层是统计与实验能力：假设检验、AB实验、因果推断，这是"科学"二字的体现
- 第三层是业务理解能力：看得懂漏斗、拆得开指标、找得到问题的关键环节
- 第四层是沟通表达能力：笔试通过后还有面试，你能不能把自己的分析讲成一个业务方能听懂的故事
6.2 这套题对2024届及之后求职者的准备建议
如果你明年也要参加类似的数据科学岗笔试，我给几点亲身验证过的建议：
第一，统计知识别只背结论，要会结合场景解释。每天问自己一个问题："如果业务方问我p值是什么，我能不能不用数学公式就让他听懂？"答案是能，你才算真懂了。我推荐用"无罪推定"的类比——p值就是在假设"被告无罪"的前提下，观察到当前这么极端的证据的概率。
第二，SQL窗口函数是必考项，提前练熟。连续活跃、分组TopN、同比环比、留存率，这些题型每题都要能手写出来。我备考时用LeetCode的数据库题库加上牛客网的SQL题库各刷了50题左右，覆盖了所有常用窗口函数写法，考场遇到第二问就很从容。
第三，案例分析题要有自己的结构化模板。比如归因分析先分规则归因和算法归因，预算优化先做边际分析再谈分配，指标异动先排除数据问题再拆漏斗再比人群。框架不需要多复杂，但要形成条件反射，考试时间有限，临场想框架大概率会漏点。
第四，代码要干净，注释要写清楚。笔试系统是机器阅卷+人工抽检，你的代码能不能跑通、结果合不合理是机器判断的；但你的思路是否清晰、考虑是否周全，是后续面试官看试卷时会留意的。我见过太多人代码能跑通，但变量名全是a、b、c，没有任何注释，这样的代码即使结果对了，也很难让面试官对你产生好感。
6.3 我个人觉得这套笔试最有价值的地方
复盘完这套题，我最深的体会是：它不考偏题怪题，所有考察点都是数据科学日常工作中真正会用到的东西。AB实验是策略上线前必须做的，连续活跃分析是用户运营最常用的，归因和预算优化是投放团队天天在算的。换个角度说，笔试筛的不是"知识面最广的人"，而是"基本功最扎实、业务感最好的人"。
准备2024届及以后秋招的朋友，我的建议是不用过度钻研太偏门的算法题，把时间花在统计推断、SQL窗口函数、业务case这三件事上，投入产出比最高。腾讯音乐这类内容平台的数据科学岗，要的就是一个能在音乐推荐、会员增长、内容运营这些场景里把数据问题定义清楚、分析透彻、给出可落地建议的人。
笔试只是第一关，但这一关已经把很多人挡在门外了。希望我的复盘能帮你少走一点弯路。
