面试题库 · 手机速查
把通用题库（76 题）和简历专项（62 题）合并去重，按 A 通用知识 / B 你的项目 / C 短板 / D 反问 四组编排。
共约 130 题，每题 2 到 4 行答案，标 ⭐ 的是高频必答，标 🔥 的是答不好会直接失分。
0. 怎么用
不要从头背到尾。 按这个顺序：
- 先读第 1 节（万能结构）和第 2 节（三个项目故事），这是骨架。
- 再刷 B 组（你的项目），这是主战场，占面试时间一半以上。
- 然后刷 A 组，只补说不出来的。
- 最后读 C 组，这组决定你会不会在最后一轮被刷。
自测方法：遮住答案，只看问题，能说出三个关键词就算过。
1. 万能答题结构
① 问题或场景：先说业务痛点，不要一上来讲技术。
② 判断标准：治理类问题先讲"怎么算做好"，再讲怎么做。
③ 方案：两三个选项，一句话对比，再说你们为什么选这个。
④ 落地细节：规则长什么样、表结构、责任人、阈值——体现你真干过。
⑤ 效果与代价：治理前后的数字，以及引入的成本。
⑥ 边界：什么情况下这套方案会失效。
第 ⑤ 步是分水岭。只讲"我做了治理"是初级；能讲"命中率从 9% 降到 1%、但增加了两小时延迟"才是中级以上。
2. 三个项目故事（背下来）
故事一：发现并治理一个质量问题
背景是订单履约链路，业务反馈月末报表对不上。
我把业务表反透视成事件日志，1,200 个案件、6,000 多个事件，写了六条规则覆盖六个质量维度。
结果是 377 条命中：主键重复 36 条、孤儿客户 ID 48 条、时序倒挂 56 条、完整性缺失 116 条。
关键洞察：时序倒挂会让流程模型里出现"签收早于发货"的逆向边——数据质量问题会伪装成业务流程问题，所以治理必须前移到分析之前。
结果上，主键重复和孤儿外键堵在上游，下游口径问题消失，剩余问题按影响面排优先级进月度复检。
故事二：做一次字段分级
要接一批新数据源，安全团队要求先出分级。
我给七个关键字段逐张写元数据卡片：含义、来源、类型、责任人、保留期、关联规则，按 L1 到 L4 分级，L3 以上要求脱敏加授权访问。
关键点：分级不是为了写文档，是为了驱动三件事——权限、保留期、能否出域。
结果：L3 字段访问收敛到两个角色，保留期从永久改为三年，出域要审批。
故事三：理解授权运营和入表链条
公司想参与公共数据授权运营、想把数据资源入表。
我梳理了政策链条：授权运营是"方案编制、协议签订、运营实施、运营管理"四阶段；入表是"合规确权、价值评估、成本归集、入表确认"四步。
关键洞察：入表不是财务动作，前置条件是治理——确权要目录和血缘，成本归集要口径和分摊规则。
这把治理工作从"合规成本"挂到了公司战略目标上。
A1 流程挖掘（15 题）
Q1 ⭐ 流程挖掘是什么 从事件日志中提取、发现、监控并改进真实业务流程。三个子领域：发现、一致性检查、增强。
Q2 ⭐🔥 为什么业务表不能直接挖 业务表是宽表（一个事件占一列），流程挖掘要长表（一个事件占一行），必须反透视。否则模型不知道两个日期列在同一时间轴上。
Q3 ⭐ 事件日志三要素 案件 ID、活动名、时间戳。缺任何一个都做不了流程发现。
Q4 反透视在 SQL 里怎么写 多次 SELECT ... UNION ALL，比 UNPIVOT 可移植（MySQL 没有 UNPIVOT）。数据量大时改条件聚合，一次扫表。
Q5 ⭐ 哪些日期列不该当事件 属性类日期（注册日期、生日）不是流程活动。混进去会凭空多出脏路径。
Q6 ⭐ DFG、变体、Petri 网什么关系 DFG 是相邻活动的频次统计（最粗），变体是完整路径的归类，Petri 网是能表达并发和循环的形式化模型。
Q7 ⭐ Alpha 算法为什么不能用于生产 不能处理循环、重复活动、噪声、不完整日志，且不保证健全性。
Q8 ⭐ Inductive Miner 的优势 保证健全性，能处理循环与并发，是默认首选。
Q9 什么是健全性 从初始标识可达的所有状态都能走到终止标识，无死变迁、无残留 token。
Q10 ⭐🔥 一致性检查四个指标 fitness（能否复现日志）、precision（是否允许了没发生的行为）、generalization（对未见行为的容忍）、simplicity（可读性）。
Q11 🔥 fitness 等于 1 说明模型对吗 不对。只说明模型至少包含了日志里所有行为，可能过度宽松。必须和 precision 一起看。
Q12 ⭐ 日志出现逆向边，先怀疑什么 时序倒挂、时钟不一致、回写延迟，而不是"业务流程真的反了"。这是数据质量问题伪装成业务问题。
Q13 ⭐ 变体数暴涨说明什么 优先怀疑数据质量（缺失、倒挂、时间精度粗），其次才是业务真变复杂。
Q14 PM4Py 用过哪些函数 read_xes、format_dataframe、discover_petri_net_inductive、fitness_token_based_replay、get_variants。
Q15 OCEL 是什么 对象中心事件日志，允许一个事件关联多个对象，解决订单和包裹这类多对多交织场景。传统 XES 做不到。
A2 数据质量（15 题）
Q16 ⭐ 六个质量维度 完整性、唯一性、准确性、一致性、及时性、有效性。加分：还有合理性和可访问性。
Q17 ⭐🔥 哪个维度最难自动化 准确性。需要权威源比对或人工抽检，单表规则判不了，所以实际覆盖率最低。
Q18 ⭐ 一条规则要包含哪些要素 对象、条件、阈值、严重度、治理动作、责任人、复检机制。
Q19 ⭐🔥 阈值为什么不能设 0 真实系统必有噪声，设 0 会永远红灯，导致告警疲劳，团队直接忽略平台。
Q20 ⭐ 主键重复为什么比字段缺失严重 缺失只影响部分记录；重复让所有下游口径系统性失真——案件数、金额、转化率全错。
Q21 质量问题怎么排优先级 影响下游口径的（主键重复、孤儿外键）第一；影响业务决策的（关键字段缺失、延迟）第二；影响观感的（格式不统一）第三。
Q22 ⭐ 什么是质量闭环 发现、定级、分派、修复、验证、度量，并且有可追溯的问题单链路。只有规则不算闭环。
Q23 怎么衡量治理效果 规则通过率、DQI、问题闭环率、MTTR。只报通过率不可信——少写规则就能刷高。
Q24 上游不配合修怎么办 先给业务方看命中样例（用数据说话），再走影响面和责任归属流程，最后才升级到治理委员会。
Q25 ⭐ 时序约束算哪个维度 一致性。它不是格式问题，是业务语义自洽问题。
Q26 孤儿外键怎么处理 短期打"待确认"标签避免污染维度分析；长期靠主数据下发校验和 MDM。
Q27 ⭐ 质量平台选型考虑什么 是否与数仓同引擎（避免数据搬动）、规则能否版本化、告警能否分级、能否对接血缘。
Q28 实时质量怎么做 流式规则加采样窗口统计，脏数据进旁路隔离队列。不要在主链路上同步阻断关键交易。
Q29 数据质量和数据治理什么关系 质量是治理的一条主线，其余是安全、元数据、标准等。质量问题的根因往往在治理层——没责任人、没标准。
Q30 怎么说服业务方"这数据不能直接用" 给他看用了会错在哪。比如按客户维度算出 48 个客户不存在——比讲维度定义有效十倍。
A3 治理体系（12 题）
Q31 ⭐ DMBOK2 的 11 个领域 治理、架构、建模、存储、安全、集成、文档与内容、参考与主数据、数仓与 BI、元数据、质量。
Q32 ⭐🔥 治理和管理有什么区别 治理行使权力和控制（谁决定、规则是什么），管理是执行（按规则做事）。
Q33 ⭐ 治理的五个落地抓手 组织、制度、标准、流程、工具。
Q34 治理组织怎么设 治理委员会（决策）、CDO 或数据管理部（统筹）、数据 Owner（业务方，对质量负责）、数据 Steward（执行）。
Q35 ⭐ 研发类岗位最常做哪几个领域 元数据（血缘）、数据质量、数据集成。别答"数据架构"，那是架构师岗。
Q36 DAMA 和 DCMM 的区别 DAMA 是知识体系（怎么做），DCMM 是能力成熟度评估（做到什么水平、分几级）。国内甲方招标常要求 DCMM 等级。
Q37 数据治理怎么立项 从具体业务痛点切入（口径不一致、监管报送被退回），不要从"建规范"立项，用前后对比数字证明价值。
Q38 治理推不动怎么办 找痛点、找同盟（业务方最痛）、要考核（塞进 KPI）。
Q39 数据标准和数据质量什么关系 标准定义"应该是什么样"（口径、格式、编码），质量检查"实际是不是这样"。没有标准，规则就没有判定依据。
Q40 治理成熟度怎么评估 看三件事：有没有责任人、有没有制度、有没有度量。三者齐备才算体系化。
Q41 没有 CDO 的公司怎么做治理 挂靠数据平台团队做"技术型治理"，先做元数据和质量的实事，等有监管压力再上升为组织级。
Q42 数据治理和数据安全什么关系 安全是治理的一个领域，治理提供决策机制，安全提供技术控制。
A4 元数据与主数据（10 题）
Q43 ⭐ 元数据分几类 技术元数据（结构、分区、任务依赖）、业务元数据（含义、口径、责任人）、管理元数据（权限、分级、保留期、访问日志）。
Q44 ⭐🔥 血缘能解决什么 影响分析（改字段前知道哪些报表会崩）和根因定位（报表错了顺着血缘往上查）。
Q45 ⭐ 血缘怎么采集 SQL 解析（静态、覆盖广、解析难）、运行时埋点（准、侵入）、人工登记（最准、最贵）。实践中以解析为主加人工补。
Q46 血缘覆盖率达不到 100% 怎么办 优先覆盖核心链路（对客报表、监管报送），长尾人工登记；同时把"血缘缺失"本身当成治理问题跟踪。
Q47 ⭐ 主数据和参考数据什么区别 主数据是核心实体（客户、产品、组织），参考数据是枚举代码表（性别、行政区划、行业分类）。
Q48 没有 MDM 会怎样 同一客户多套 ID，任何按客户维度的分析都不可信——这就是孤儿外键的根源。
Q49 数据目录解决什么问题 让人找得到数据、看得懂含义、找得到责任人。和元数据的区别：元数据是描述，目录是入口。
Q50 元数据卡片写什么 业务含义、来源系统、类型、敏感级别、责任人、关联质量规则、保留期。
Q51 元数据怎么保证不过期 靠流程（新建表必须登记才能上线）加自动采集（从 DDL 和任务解析）。纯人工维护一定腐化。
Q52 数据标准三件套 命名规范、编码规则、指标口径。最容易出事的是口径——"活跃用户"不写进字典就永远吵。
A5 合规（10 题）
Q53 ⭐ 三法一规是哪几个 网络安全法、数据安全法、个人信息保护法，加网络数据安全管理条例（2025 年 1 月 1 日施行）。
Q54 ⭐ 分类分级的目的是什么 驱动三件事：权限、保留期、能否出域。不驱动这三件事就只是文档。
Q55 ⭐ 重要数据和核心数据怎么定 依数据安全法第二十一条由目录管理。重要数据损害国家安全和公共利益，核心数据是更严格的一档。
Q56 敏感个人信息有哪些 生物识别、宗教信仰、特定身份、医疗健康、金融账户、行踪轨迹、不满十四周岁未成年人信息。
Q57 ⭐ 处理敏感个人信息的要求 单独同意，加特定目的和充分必要性，加告知必要影响。
Q58 为什么"告知同意"不是万能钥匙 同意需自愿明确、可撤回；员工和公共管理场景同意往往不自由，要靠"履行合同所必需"或"法定义务"等其他基础。个保法第十三条列了七项。
Q59 ⭐ 数据出境三条路径 安全评估、标准合同备案、个人信息保护认证。2024 年 3 月新规对部分场景有豁免和放宽。
Q60 匿名化和去标识化的区别 匿名化后无法复原、无法识别，不再是个保法意义上的个人信息；去标识化仍可能被关联重识别，仍受约束。
Q61 脱敏了就能随便用吗 不能。脱敏降低风险不等于免责，仍需最小必要和目的限制。
Q62 合规和治理谁先做 合规是底线，治理是能力。实践中治理常被合规倒逼启动——监管检查、出境评估、入表审计都是触发器。
A6 数据资产（8 题）
Q63 ⭐🔥 入表的依据和施行时间 《企业数据资源相关会计处理暂行规定》，财会〔2023〕11 号，2024 年 1 月 1 日起施行，采用未来适用法。
Q64 ⭐🔥 入表的四步链条 合规确权、价值评估（经济利益论证）、成本归集、入表确认与披露。
Q65 ⭐ 确认为无形资产还是存货 内部使用确认为无形资产，按寿命摊销，无法确定寿命的不摊销、每年做减值测试；以出售为目的的数据产品确认为存货。
Q66 🔥 入表最大的两个难点 成本归集（财务和数据团队口径不通、费用化与资本化切分）和经济利益论证（说不清谁付费）。
Q67 入表是不是给数据估值 不是。会计只为符合确认条件的成本入表，估值是交易和评估场景的事。
Q68 ⭐ 授权运营的依据 《公共数据资源授权运营实施规范（试行）》，发改数据规〔2025〕27 号，2025 年 3 月 1 日施行，有效期 5 年。
Q69 ⭐ 授权运营四阶段和三种模式 方案编制、协议签订、运营实施、运营管理。整体授权、分领域授权、依场景授权。期限原则上不超过 5 年。
Q70 数据资产和数据要素的区别 资产是会计视角（可确认、可计量），要素是经济视角（参与生产、创造价值）。能入表的不一定是好要素。
A7 场景设计（6 题）
Q71 ⭐ 业务方说报表数据不对，怎么排查 先定口径（哪个指标、哪个时间窗），查血缘定位最上游表，跑质量规则看命中，区分是数据错还是口径不一致，给出修复和复检。关键是先问口径，别急着查数据。
Q72 ⭐ 让你从零建治理体系，第一年做什么 不要一上来建规范。顺序：摸清家底（元数据采集、核心表盘点）、定三条最痛的质量规则并闭环、建分级和权限、最后补制度和组织。先有战果，再有体系。
Q73 上游不肯改，只能下游兜底，怎么办 兜底必须满足两条：规则可追溯（能说清哪些记录被处理过）、兜底不掩盖问题（同时上报命中量给上游）。否则兜底会变成永久债务。
Q74 海量数据怎么跑质量规则 分区增量加采样（关键规则全量、非关键采样），下推到数仓引擎，结果表存命中明细而非全量比对。
Q75 怎么设计质量看板 三层：总览（DQI、通过率、闭环率）、主题（按数据域下钻）、明细（命中记录加责任人和工单状态）。一定要有趋势。
Q76 三个人怎么排优先级 先做影响面最大且最容易出成绩的：核心报表口径、主键唯一性、关键字段完整性。放弃长尾，用制度（上线登记）替代人力覆盖。
B1 开场（3 题）
Q77 自我介绍（90 秒） 软件工程硕士，2022 年 8 月入职信华信，现在做项目主管带五个人，做对日大型业务系统的全栈开发和交付。技术上以 Java 后端为主，Spring Boot、Spring Cloud、MySQL、Redis 比较熟。和数据相关的两段：一是 2023 到 2024 年参与流程数据平台，把四套异构系统日志通过 ETL 统一成标准事件模型、做质量校验；二是现在做的 XTalk 知识问答，用 RAG 把内部文档变成可检索答案。想往数据走，是因为最有成就感的不是写页面，而是把一团乱的数据理成能用的东西。
Q78 为什么从对日外包转数据方向 三个原因：做流程数据平台那半年第一次完整经历数据从脏到能用；对日项目的规范和交付质量正好是治理需要的底子；从职业曲线看纯业务开发会撞天花板，数据方向能叠加现有工程能力。
Q79 你的优势和短板 优势是工程落地加交付管理，能从设计做到上线，也知道怎么拆任务控进度写文档。短板两个：没有政企 ToG 经验，客户是对日、金融、零售；大数据组件是空白，Hive 和 Spark 在补，本机已经搭了四层小仓跑通指标 SQL。
B2 XTalk（8 题）
Q80 为什么用 RAG 而不是微调 知识更新频率高，微调跟不上；微调成本高、不好回滚；RAG 能给出答案来源，业务方要看到出处才敢信。微调适合改说话风格，不适合记事实。
Q81 检索怎么做的 文档切片后向量化入库，查询时检索 Top-K 片段拼进 prompt。切片按文档标题层级，控制单片长度。后来发现纯向量对专有名词和编号不敏感，加了关键词召回做混合。
Q82 效果怎么评估 做了测试集，按类型分组：事实查询、多文档综合、需要工具调用的、应该拒答的。人工标注后跑批，看准确率和答案来源是否正确。特别关注边界——文档里没有答案时会不会硬编。
Q83 幻觉怎么控制 四层：prompt 明确只依据片段回答；强制返回来源；工具调用做参数校验；测试集里放"应拒答"样本。企业场景宁可拒答不能编，因为用户会拿答案做决策。
Q84 工具调用怎么做的 模型输出结构化调用意图，后端做参数校验、权限校验，再调业务 API，结果回填生成答案。坑在异常处理：超时、空返回、权限不足都要有兜底话术，不能让模型脑补。
Q85 文档解析踩过什么坑 表格和 PDF 版式。纯文本抽取会把表格拍平，语义全乱；扫描件还要 OCR。处理方式是表格单独走结构化解析保留行列关系，抽不出的标为低置信度并提示用户核对原文。
Q86 成本和延迟怎么控制 成本主要在 token：控制片段数量、长文档摘要预处理、缓存高频问题。延迟主要是串行调用，能做的是并行检索和流式输出。
Q87 文档量涨 100 倍怎么办 检索层换成分片加近似检索的向量库，加元数据过滤缩小范围；生成层做缓存和分级模型；还要加入库流水线——否则文档更新会失控，这其实是数据治理问题不是模型问题。
B3 流程数据平台（12 题）
Q88 一句话介绍这个项目 面向企业内部多套业务系统，把散在各系统的业务日志通过 ETL 统一成标准事件模型，做质量校验后支撑上层流程分析，帮业务看清流程实际怎么跑、卡在哪。
Q89 你具体做了什么 不是算法开发。负责四块：数据标准（定义事件模型字段口径）、ETL 与清洗（四套系统的字段映射、编码统一、时间格式统一、缺失与异常值规则）、质量校验（自动化脚本、跑批、质量报告、异常回流）、文档（需求规格、详细设计、数据质量规范）。算法是团队里其他人做的，我参与逻辑验证。
Q90 事件日志怎么从业务数据出来 业务系统是宽表，一单一行、多个日期列；流程分析要长表，一行一个事件。所以做反透视：每个日期列展开成事件，按案例 ID 聚合、按时间排序。难点不是技术，是判断哪些列算事件。
Q91 数据质量怎么保证 三层：接入前规则拦截（必填、格式、值域），入库后一致性校验（时序、外键），最后出质量报告给人看。我写了六类规则覆盖六个维度，本机复现过：1,200 个案件命中 377 条，其中完整性 116、主键重复 36。
Q92 变体太多怎么处理 先合并语义等价的活动，再按主路径归类（标准路径、带前置工单、带后置工单、取消、停滞），低频变体单独标记和业务确认。经验是变体暴涨先怀疑数据质量——我实测过去重就能让变体从 73 降到 64。
Q93 性能问题怎么定位 两个方向：日志量大时查询慢，靠加索引、按时间分区、只查必要字段；建模本身慢是因为变体组合爆炸，要先降维（合并活动、按时间段切分）再建模。
Q94 你和算法同学怎么分工 算法他们负责，我负责喂给算法的数据是对的：字段口径一致、时间顺序正确、缺失值有明确处理策略。我做的逻辑验证是用业务常识判断模型输出是否荒谬，比如出现"签收早于发货"，那肯定是我的数据问题。
Q95 这个项目对数据治理岗的价值 三个能力直接迁移：数据标准（做过字段口径定义）、数据集成（四套异构系统字段映射，和政企对接多部门系统同类问题）、数据质量（规则设计加跑批校验加异常回流，可直接复用）。
Q96 如果重做会怎么改 两件事：把质量规则前置到接入层（当时入库后再查，脏数据已落库，清理成本高）；先建指标字典再开发（当时先做功能后补口径，返工不少）。还有遗憾是没画数据血缘。
Q97 项目才六个月，是不是没做完 是阶段性交付。六个月完成了多系统接入、事件模型落地和第一批分析场景，后面转入运维迭代。这类平台价值不在一次做完，在于能持续接新系统，所以我把标准文档和质量规范写得很细。
Q98 有量化收益吗 说实话没有可对外披露的业务收益数字，内部平台很难归因到营收。能给的是过程指标：接入几套系统、事件模型覆盖多少类活动、质量命中率的变化。更愿意讲"原来人工翻日志，现在直接看路径"这种效率变化。
Q99 你说的数据质量规范长什么样 三部分：字段级规则（必填、格式、值域）、跨字段规则（时序、外键、勾稽）、处置策略（命中后阻断还是告警还是打标，谁负责，多久复检）。关键是每条规则都要有责任人。
B4 Nisa 金融定投（6 题）
Q100 微服务怎么拆的 按业务能力拆：账户、交易执行、定投计划、收益核算，各自独立部署。依据是变更频率和数据边界——定投计划和收益核算常改，交易执行要稳定，混在一起互相拖累。
Q101 跨服务一致性怎么保证 资金类不能只靠最终一致。核心记账走事务加幂等设计，跨服务用本地消息表加重试保证最终一致，写接口带业务唯一键防重复提交。原则是能不用分布式事务就不用。
Q102 金融场景的安全要求怎么落 传输和存储加密、敏感字段脱敏展示、身份认证加双因素、操作留审计日志，权限最小化。
Q103 做过什么性能优化 主要是缓存和索引：收益计算读多写少，加 Redis 缓存设合理过期；慢查询靠执行计划定位，看缺索引还是全表扫。习惯是先量再改。
Q104 为什么前端用 Angular 团队既有技术栈，金融后台表单和表格多，强类型和表单能力适合。不是我选型的，我在既定栈上做。
Q105 出过线上问题吗 出过数据不一致：定投计划变更后收益核算没及时同步，展示金额和实际差一笔。先按流水重算修数据，再补机制（变更事件加通知、加对账任务）。教训是跨服务一致性要有对账兜底。
B5 B-Retail 项目管理（5 题）
Q106 你怎么带人 三件事：给新人能跑起来的环境和任务清单，代码评审当教学，每周短会同步卡点。结果新人上手周期缩短，也沉淀了入门手册。
Q107 进度延误怎么处理 先判断是估算错还是有阻塞。估算错就重排优先级、砍非核心范围；有阻塞就升级协调资源。关键是早暴露，不接受最后一天才说做不完。
Q108 质量怎么保证 分层：代码评审卡规范、单元测试卡逻辑、接口测试卡契约、回归测试卡影响面。对日项目要求文档和测试证据留痕，逼着质量做成流程。
Q109 跨地域多团队怎么协作 靠三样：接口契约先定死、变更走正式流程、问题用书面记录。跨地域最大成本是信息不同步，所以把"确认过的结论要落文档"当纪律。
Q110 🔥 对日项目的规范怎么迁移到政企 相同点更多：都是多方参与、验收严格、文档留痕。对日的需求规格、详细设计、变更记录、测试报告都是硬要求，方法论和政企信息化项目高度相似。差异在客户侧：政企面对多个主管部门、验收链更长、合规要求更重。我不会说做过政企，但我说得清差在哪、补什么。
B6 Dpoint 移动端（2 题）
Q111 千万级用户的 APP 你负责什么 负责部分业务模块（优惠券展示、无限滚动列表）和一部分工程架构（网络层、路由、异常处理），不是整体负责人。学到的是移动端的性能敏感度。
Q112 为什么这段写这么短 因为它离数据方向最远。我按岗位相关性排序，把篇幅留给了 XTalk 和流程数据平台。
B7 数据工程 SQL 与数仓（10 题）
Q113 你 SQL 到什么程度 日常开发够用：多表关联、子查询、窗口函数（row_number、rank、lag、sum over）、CTE。最近用窗口函数做过去重和分位数计算。大数据组件在补，不敢说精通。
Q114 去重你怎么做 不能只用 DISTINCT。我踩过：重复推送的那行后来又被别的缺陷改过，同一主键出现两行内容不同的记录，DISTINCT 压不平，插主键直接冲突。正确做法是定保留策略，用 row_number 加取第一条。
Q115 数仓为什么要分层 三个原因：每层职责单一好定位；上游变化被隔离，上层指标不用重写；同一份明细能支撑多个应用。我的分层是 ODS 贴源、DWD 明细、DWS 汇总、ADS 指标。
Q116 星型和雪花怎么选 星型是一张事实表加多张维度表，冗余但查询快好理解，数仓首选。雪花是维度再规范化，省空间但多 join。分析场景选星型。
Q117 缓慢变化维怎么处理 SCD1 直接覆盖丢历史，SCD2 加版本行和生效时间保历史。客户等级这种要追历史用 SCD2，地址纠错覆盖就行。
Q118 事实表粒度怎么定 按最细的业务动作定。我的例子里事件粒度是"一次活动发生"，案件粒度是"一单汇总"，先建细的再往上聚合。粒度定错后面所有指标都要重算。
Q119 数据倾斜怎么处理 常见是 group by 的 key 分布不均。手段：加随机前缀打散再二次聚合、把大 key 单独处理、用 map join 避免 shuffle。坦白说在 Spark 上还没实战过。
Q120 Hive 和 Spark 什么区别 Hive 本质是把 SQL 翻译成 MapReduce 一类批处理，延迟高；Spark 是内存计算，快，能做流和机器学习。现在主流是 Spark SQL 承接 Hive 的活，Hive 更多作为元数据存在。
Q121 怎么补大数据 已经在做：本机搭了四层数仓用 SQL 跑通，Spark 版脚本写好了但还没跑通环境。路径是先吃透 SQL 和建模，再补组件——组件会换，建模和治理的思路不会。
Q122 什么是数据湖 存原始和半结构化数据、schema-on-read；数仓存加工后的结构化数据、schema-on-write。现在趋势是湖仓一体（Iceberg、Hudi、Delta）。了解到这个程度，没做过落地。
C1 短板与风险（5 题）
Q123 🔥 我们要五年经验，你只有四年三个月 是，我如实写。我能补的是密度：四年里做过对日大型系统、金融系统、移动端、流程数据平台、RAG 应用，跨了后端、前端、数据、项目管理。一般人五年可能只在一个方向深，我是多条线都独立交付过。如果卡年限我理解；不卡的话我希望用项目能力证明。
Q124 你没做过政企 ToG 项目 用 Q110 的答案，加一句：我知道政企和商企最大差别不在技术，在验收和合规，这两块我在补——等级保护、分类分级、授权运营这些政策我能讲清。
Q125 你不会大数据 不想说漂亮话。能给的是：SQL 和建模我已经能用，组件在补，而且我有把一套东西从零跑通的经验。学新组件对我来说不是从零开始。
Q126 你方向换得有点多（教师、开发、数据） 教师那条线是读研期间探索的，最终判断还是想在企业做技术。开发到数据不是换行，是同一批能力的延伸——做流程数据平台时发现，数据的问题最后都是工程问题。
Q127 期望薪资 我了解这个岗位的市场区间，期望在区间中位数附近，具体可以按岗位职级定。我更看重能不能真正参与数据平台建设的全过程。报数字前先问 HR 的区间。
D1 反问面试官（挑 3 个）
Q128 这个岗位现在最急的一件事是什么（是补平台能力，还是补治理规范？）
Q129 数据治理目前是技术团队主导，还是有业务侧的数据 Owner
Q130 团队现在用什么数仓和计算引擎？我进来后最需要先补哪块
考前 10 分钟速览
项目定位：流程数据平台，不是算法平台。我做标准、ETL、质量、文档。
三个数字：1,200 个案件、7 类活动、6 条质量规则命中 377 条。
一个金句：数据质量问题会伪装成业务问题——时序倒挂会让流程图出现"签收 → 发货"的逆向边。
一个踩坑：DISTINCT 压不平重复主键，要定保留策略。
一个谦虚：大数据是短板，SQL 和建模能用，组件在补。
一个迁移：对日的规范、文档、验收和政企同源，差在合规和多方协调。
一条红线：年限、人数、金额、证书，一个字都不改。
面试里最值钱的不是"我会"，而是"我知道我不会什么、并且正在补"。
四年三个月的经验，配上能讲清边界的表达，比吹到五年的简历更安全，也更可信。
生成于 2026-11-11 · 单文件离线可读