途虎养车数据分析岗笔试题解析：从SQL到业务案例的考察逻辑

途虎养车2023秋招数据分析岗的笔试试卷B，最近在圈子里讨论度不低。这份卷子不是那种背背八股文就能过的题，它把业务理解和分析功底揉得很紧，更像是在模拟你入职之后每天要面对的真实工作场景。我拿到题目之后完整过了一遍，又跟几个参与过秋招的同学对了对思路，今天把这套试卷的考察逻辑、各题型考点、答题策略和复习方向一次性讲透，给准备投递数据分析岗的朋友做个参考。

先说结论：这份试卷B的定位很清晰，就是筛掉“只会跑数”的人，留下“懂业务、能拆解、会落地”的人。整张卷子没有特别偏难怪的题目，但每个板块都在暗中考察你分析思维的成熟度。如果你只是刷过几套SQL题、背了几个Python库，大概率会挂在中后段的案例题上。

1. 试卷整体设计与考察思路

1.1 途虎养车数据分析岗的能力模型

要读懂一份笔试卷子，先要明白这家公司、这个岗位到底想要什么样的人。途虎养车做的是汽车后市场，核心业务涵盖轮胎、保养、维修、美容等，线上平台加上线下门店的服务链条非常重。这种业态的数据分析师，不是单纯对着报表写周报的，而是需要深入参与到门店运营、用户增长、供应链效率、商品定价等具体业务决策中。

从这个角度回看试卷B，你就会发现它考察的能力模型很聚焦，主要分四层：

• 基础数据能力：能不能熟练地从数据库里把数取出来，能不能用Python做数据清洗和特征处理。
• 业务理解能力：知不知道汽车后市场的核心指标是什么，能不能把业务问题转化成数据问题。
• 逻辑推导能力：面对一个模糊的命题，能不能建立分析框架，拆解影响因素，再用数据验证。
• 落地沟通能力：分析做完之后，能不能给出可执行的建议，而不是只说“数据上涨了20%”。

试卷B的每个模块，都是在为这四层能力做筛选。第一部分的逻辑题看你的基础思维，第二部分的数据分析题考你的基本功，最后的大题则直接模拟了一个业务分析场景。

1.2 试卷B的题型结构与分值分布

整份试卷B的题量不算大，但时间依然紧张，我印象中大概90分钟到120分钟。题型分布大致如下表所示，不同批次可能略有浮动，但总体结构比较稳定：

这里要提醒一句：不要把前面客观题的时间压得太狠，留给案例分析题。很多人挂在最后不是因为不会做，而是前面磨太久，最后的大题只写了两行字。案例分析题的分值通常占30%到40%，它才是决定你能不能进面试的关键。

1.3 对比其他秋招笔试试卷的差异化

如果你同时投了互联网大厂的数据分析岗就会发现，途虎的试卷B和纯互联网公司的出题风格有明显差异。

大厂的数据分析笔试题往往更侧重用户增长、DAU、留存、转化这类纯线上指标，SQL题占比很高，有的甚至会出现复杂的窗口函数连环嵌套。但途虎这套试卷B，明显加重了线下业务和供应链相关的内容。比如它会问你门店的保养渗透率怎么算、轮胎的复购周期怎么分析、SKU的库存周转天数异常怎么排查。这种题目要求你理解实体业务的运转逻辑，而不是只会对着数据表做技术操作。

另外，试卷B的案例分析题非常喜欢用“某区域门店营收下滑”“某城市的保养订单量波动”这类具体场景，这其实是在模仿途虎数据分析师日常工作周报里经常遇到的问题。如果你平时只接触纯互联网数据，没有接触过线上线下结合的业务模式，做起来会明显吃力。

2. 各题型考点深度拆解

2.1 资料分析与逻辑推理题

试卷B的第一部分通常是一组资料分析题，给出一个表格或图表，然后连续发问。乍一看有点像公务员行测的资料分析，但仔细做会发现它更注重业务含义。

这类题常见的出题材料有：

• 某品牌轮胎在不同城市的销售额与安装门店数量对照表
• 不同保养套餐的购买用户数与复购率数据
• 某区域门店的进店客流、成交率、客单价月度趋势

考点主要集中在三个层面。第一是基础计算能力，比如同比增长率、环比增长率、占比、平均数、中位数这些指标能不能算得又快又准。第二是数据敏感性，比如看到“销售额上涨但利润下滑”这种现象，能不能在选项中识别出最可能的原因。第三是逻辑推导，比如给出AB两个城市的数据，问哪个城市的门店运营效率更高，这时候不看总量，要看人效、坪效、客单价这些相对指标。

这一板块想拿高分，没有捷径，但是有技巧。我建议在草稿纸上先列出题目里给出的几个关键量，再带着问题回表格里找数。不要试图理解整张表的所有含义，时间不允许。做完一道题就过，不要回头检查，因为后面的分析题更需要时间。

2.2 SQL和数据处理题

SQL在试卷B里占的分量不轻，出题范围包括单表查询、多表关联、聚合统计和窗口函数。难度不会特别离谱，但题量多，容错率低。

常见的出题场景有这样几类：

1. 门店订单表关联用户表，统计每个城市的活跃用户数、订单量、GMV。
2. 给定订单明细表，计算每个用户的首次下单时间，然后统计新用户的次月留存。
3. 根据SKU表和库存流水表，查询库存周转天数连续上升的品类。

这些场景都是在模拟途虎日常数据工作中取数的真实需求。所以复习的时候不要只刷力扣上的纯算法题，而是要多练业务SQL题，尤其是“每个分组的前N条”“连续出现N次”“时间窗口内的累计值”这些典型场景。

举个典型的例子，试卷里出现过类似的题目：

有一张订单表 orders，字段包含 order_id、user_id、store_id、order_amount、order_date。请统计2023年1月至3月期间，每月下单用户数环比增长最快的月份，并给出该月的下单用户数。

这道题本质上考察两件事：一是会不会用DATE_FORMAT或EXTRACT把订单日期聚合到月份维度；二是会不会正确计算环比增长率。很多人的写法是直接COUNT(DISTINCT user_id)然后分组，却忘了同一个用户在一个月内可能下多单，去重逻辑一旦写错，后面的环比数字全错。

另外一个高频考点是留存率计算。以“新用户次月留存率”为例，SQL写法的核心思路是先找到每个用户的首次下单月份，再找到该用户是否在次月有下单记录。这个过程看起来不难，但你得注意首次下单月份的标记方式，不能用订单月份直接代替，否则老用户会被误判成新用户，留存率就会虚高。

2.3 Python与办公工具的应用

Python在试卷B里主要是以代码阅读和小程序题的形式出现，很少让你从零手写一大段代码。考察点集中在Pandas的数据清洗和聚合操作、Numpy的基础计算，以及简单数据可视化方案的判断。

有一类题很典型：给你一段用Pandas处理DataFrame的代码，问你最终输出结果是什么。这时候关键是理清groupby之后的聚合方式、merge的连接类型、drop_duplicates的去重规则。很多人会在这里栽跟头，倒不是说语法多难，而是心不够细，比如join默认是左连接还是内连接，reset_index之后索引怎么变化，这些细节很容易被忽略。

除了Python，试卷里也会出现Excel相关的题目。这也符合途虎数据分析岗的实际工作环境，日常取数、做报表、画图表，Excel的使用频率非常高。比较常考的是VLOOKUP、数据透视表、IF嵌套函数，以及用Excel做简单数据清理的思路。复习时不需要去钻研什么高深的Excel VBA，把常用函数和数据透视表练熟就够了。

2.4 概率统计与机器学习基础

这部分内容说难不难，说简单也不简单，核心考点是概率计算、假设检验、常见机器学习模型的原理和适用场景。

概率题喜欢结合业务场景出。比如：已知某款机油产品的平均更换周期是6个月，标准差为1个月，假设更换周期近似服从正态分布，问用户在购买后8个月内再次购买的概率大约是多少。这道题表面上考正态分布，实际上是在考你能不能把“复购周期预测”这个业务问题转化成统计问题。

假设检验在试卷B里出现的频率也很高。常见问法包括：某个门店调整了保养套餐的推荐话术，想验证转化率是否显著提升，应该用什么检验方法；给出P值让你判断是否拒绝原假设。这里要特别注意区分Z检验和T检验的适用条件，以及单尾检验和双尾检验在什么场景下使用。

机器学习部分的考题相对基础，不会让你手推公式，但会考概念辨析。比如：

• 决策树和随机森林的区别是什么？
• 逻辑回归处理的是分类问题还是回归问题？
• 什么是过拟合，怎么解决？
• 聚类算法在高维数据上有什么局限性？

准备这部分内容时，不要死记硬背概念，而是要把每种模型的核心思想用大白话讲清楚。面试官其实很反感那种把“决策树根据信息增益进行特征选择”挂在嘴边、但完全说不清实际业务里怎么用的人。

3. 业务案例分析题的答题框架与实操

3.1 指标拆解类题目的通用分析框架

试卷B的案例分析题占据最后的重头戏，也是最容易拉开差距的地方。常见题型是给你一个业务现象，让你分析原因并提出建议。比如“某城市近三个月的保养订单量持续下滑，请分析可能原因并给出数据验证方案”。

这种题没有标准答案，考官看的是你的思考过程是否完整。我总结了一套屡试不爽的答题框架，按照“先定义、再拆解、后验证、最后给建议”的顺序来组织答案。

第一步，定义问题。先明确“保养订单量下滑”这个表述里，订单量到底是什么口径。是新增订单还是全部订单？是线上预约单还是包含到店直接下单？口径不同，分析方向完全不同。

第二步，拆解影响因素。可以采用公式化的拆法：订单量 = 新客订单量 + 老客复购订单量。继续拆，新客订单量 = 曝光量 × 点击率 × 下单转化率；老客复购订单量 = 可复购用户基数 × 复购率。这时候再横向叠加外部因素，比如季节性波动、竞品活动、恶劣天气等。把这些因素列全，分析框架就有了。

第三步，给出数据验证方案。每一个假设都要对应一个数据验证方法。比如“转化率下降”这个假设，可以通过漏斗分析验证；“可复购用户基数减少”的假设，可以通过计算活跃用户数变化验证。

第四步，提出可落地建议。这一步是很多人的弱项，容易写得非常空，比如“加强运营推广”“优化用户体验”，说了等于没说。更好的写法是给出具体的动作，比如“对超过6个月未回店的保养用户进行定向召回，发放100元保养抵扣券，以两周为周期观察召回率”。

3.2 途虎场景下的典型业务题目演练

举一个贴近途虎业务场景的题目，是我在试卷B里见到的变体：某门店轮胎业务的GMV环比下降了15%，店长认为是天气原因导致进店量减少，但区域经理认为是内因问题。请设计一套数据分析方案来判断店长的说法是否成立。

这个题目如果你只写“分析进店量和GMV的关系”，那就太浅了。正确的思考路径要复杂得多。

先用公式拆解：门店GMV = 进店量 × 成交率 × 客单价。要判断天气是否是主因，需要先确认进店量是不是真的下降了。如果进店量没有下降，只是成交率或者客单价降了，那店长的说法直接不成立。

假设进店量确实下降了，还要再看下降的幅度和周期的匹配度。如果去年同期同样有阴雨天气，但GMV没有明显下滑，那就说明天气只是触发因素，门店自身的问题才是关键。对比方法可以用同期群分析找几类门店：同样是天气影响较大的区域，A类门店GMV稳定，B类门店GMV大幅下滑，差异往往出在店内的接待能力、库存深度、促销力度上。

最后再给建议。这时可以建议店长在雨天做两件事：一是把保养预约客户集中在上午时段，减少天气对客流的冲击；二是通过企业微信推送轮胎安全检测的免费服务，吸引车主在不下雨时到店。这种建议才是数据分析师该输出的内容，而不是冷冰冰地写一句“天气对销售有显著影响”。

3.3 案例分析题的答题表达技巧

案例分析题阅卷时间非常短，考官未必会逐字读你的答案，所以表达结构要格外清晰。我建议每道大题都按“结论先行、分点展开、数据支撑、落地建议”的格式来写，而且开头第一句话就要亮出核心结论。

比如题目问“某SKU下架后对整体销售额的影响如何分析”，不要上来就写“我打算从以下三个方面分析”，而是先写“核心结论：该SKU属于高关联性商品，下架后不仅影响自身销售额，还连带降低了其他保养品的销量，建议尽快恢复上架或寻找替代品”。然后下方再分几个要点展开验证过程。

这种写法的好处是，阅卷人哪怕只看第一行，也已经知道你的立场和判断能力。数据分析师写周报、做汇报也是这个逻辑，结论永远先行，不要让人在一堆数据里帮你找重点。

另外，能在答案里写出数据口径和假设前提，是明显的加分项。比如你写“按近30天窗口期计算”“剔除大促异常值”这类话，阅卷人会默认你有真实的数据分析工作经验。这不是套话，而是专业素养的体现。

4. 备考策略与常见失分点

4.1 不同基础的复习路线建议

我把准备途虎笔试试卷B的人群分成三类，每一类的复习侧重点完全不同，你可以对号入座。

第一类：基础扎实、有实习经验的人。你的SQL和Python能力已经过关，不需要花太多时间刷语法题，重点放在业务案例题和开放论述题上。多去看途虎养车的业务数据、汽车后市场行业分析报告，尝试自己拆解“门店利润下滑”“保养渗透率提升”这类业务问题。你的目标是学会用数据语言讲业务故事。

第二类：技术够用但业务理解偏弱的转行/应届生。你最大的短板是案例分析题，因为你对实体门店的业务场景不熟悉。建议每天花一小时做案例拆解练习，找几篇汽车后市场的深度分析报告，把里面的核心指标、业务逻辑、行业痛点整理成自己的笔记。同时把SQL的留存计算、漏斗分析、同比环比这些题型练熟，保证基础分不丢。

第三类：编程基础薄弱或刚入门数据分析的人。这时候就不要贪多求全了，优先保住资料分析、Excel数据处理和基础统计题的分值。SQL至少掌握SELECT查询、JOIN、GROUP BY、HAVING这些核心语法；Python掌握Pandas的读取、筛选、分组、聚合就够用了。案例题能写出一二三点就一定不要留白，写了就有机会得分，空着肯定没分。

4.2 时间分配与应试节奏

笔试现场最容易犯的错误就是在某道硬骨头上死磕。我见过有同学在SQL窗口函数题上花了20分钟，结果最后一道案例大题只剩10分钟，草草写了两行。这是典型的战略失误。

合理的时间分配建议是：

• 刚拿到试卷，先花2分钟把整张卷子扫一遍，看看有哪些题型，判断案例分析题的难度。
• 资料分析题控制在每题1分钟到1分半钟，遇到计算量大的先跳过，最后如果有时间再回来算。
• SQL和Python题控制在每题3分钟到4分钟，如果卡住了，先把能想到的思路写下来，再跳到下一题。
• 概率统计题一般计算量不大，控制在每题2分钟到3分钟。
• 案例分析题一定要预留出至少20分钟，其中前5分钟搭框架，中间10分钟展开写，最后5分钟检查补漏。

这个节奏不是绝对的，但核心原则是：分值越高的题，投入的时间比例应该越高。案例分析题分值占比大，值得你花充足时间去打磨答案。

4.3 那些容易忽略的细节坑

从很多考生的复盘反馈来看，有几个很容易被忽略的坑，我单独拎出来强调一下。

第一个坑是单位换算。试卷里给出的数据经常是“万元”“千人”“万单”这种大单位，计算时如果不换算，最后的答案会差好几个数量级。比如GMV单位是万元，订单量单位是单，算客单价时要先统一单位。

第二个坑是时间口径。很多数据题里给定的时间区间是“近7天”“自然月”“2023Q1”，做题时一定要看清题目问的是哪个时间区间。有时候材料里给了12个月的数据，但问题只问Q2，你如果看错范围，整道题就废了。

第三个坑是异常值处理。数据分析题里给出的数据往往不是干干净净的，可能存在促销日、退货单、测试用户这些干扰项。题目里如果提到“剔除异常数据”的条件，一定要在答案中体现，否则你的计算结果会和预期答案有偏差。

第四个坑是答题逻辑的展示。试卷B里的SQL题和Python题，除了看最终结果，很可能还会看你的解题思路。所以即使不能保证代码完全正确，也要把思路写清楚，比如先做什么再做什么。有些阅卷老师会给思路分，留白你就什么都没有。

5. 从笔试延伸下来的能力地图

5.1 复盘一套试卷的价值

很多人刷完笔试就丢到一边，这是很浪费的。一套设计合理的笔试试卷，其实浓缩了这家公司当前最看重的岗位能力要求。你应该趁记忆还热的时候，把每道错题和当时卡住的知识点整理成错题本，复盘时问自己三个问题：

• 这道题考察的知识点是什么？对应到日常数据分析工作中的哪个环节？
• 我为什么没做出来？是基础概念不牢，还是业务场景不熟悉？
• 下次遇到类似的题，我的分析框架应该怎么调整？

这个过程比盲目多刷三套题都管用。因为笔试题是有限的，但能力模型是稳定的。这一轮复盘下来，你不仅是在备考途虎，也是在系统梳理自己作为数据分析师的能力拼图。

5.2 从笔试到面试要补齐的软技能

如果你笔试顺利通过，接下来要面对的是业务面和HR面。这时候再看这套试卷B，你会发现它其实是在为面试做铺垫。案例题里你写过的“指标拆解”“异常排查”“方案建议”，面试官会在面试中继续追问。

比如笔试里你写了“用漏斗分析验证转化率下降环节”，面试官可能就会追问：“具体怎么搭建漏斗？每一步流失率多大才算异常？”你如果只是背了一个分析框架，没有真实的项目经验支撑，这时候就会被问住。

所以在准备面试时，要把笔试试卷里的每一个分析思路变成自己的项目案例。不要只说“我分析过用户流失”，要说清楚你从哪些渠道取数、用了什么分析方法、发现了什么洞察、最后落地了什么动作、带来了多少业务收益。这个逻辑链在面试里比任何证书都值钱。

5.3 汽车后市场数据分析的未来方向

最后稍微聊一下行业前景。途虎所在的汽车后市场，已经过了靠门店数量扩张的阶段，现在拼的是数字化运营效率。数据分析师在这个行业里，不只是看数、写报告，而是深度参与供应链预测、门店选址、用户生命周期管理、差异化定价这些核心环节。

新能源汽车保有量不断上升，汽车后市场的服务结构也在发生变化。比如轮胎的更换周期、保养项目的侧重点、甚至门店的服务半径，都会跟传统燃油车时代完全不同。这些变化对数据分析师来说是一个巨大的机会，因为越是在变化期，决策越需要数据支撑。

如果你对汽车行业本身也有兴趣，途虎这类公司其实是一个不错的平台。传统电商数据分析的经验可以直接迁移，但同时你还要补上供应链、仓储物流、线下门店运营这些知识。这套笔试试卷B，就是帮你提前感知这些职责边界的一次演练。

从我做数据分析这些年接触到的大大小小几十套笔试题来看，途虎这套试卷B的出题水平在行业内属于中上等，它不玩文字游戏，也不故弄玄虚，每一道题都在很务实地考察你“拿到数据能不能分析出有价值的东西”。如果你准备充分，这套卷子做起来会很有手感，甚至会给你一种“这不就是我平时工作里的活儿嘛”的感觉。

最后分享一个我在辅导别人时经常强调的点：笔试不是终点，它是你跟这家公司第一次真正的专业对话。答题时不光要给出正确答案，还要让阅卷人看到你的分析思路是清楚、可靠、能落地的。哪怕最终没通过，这套试卷也是一份很高质量的能力体检报告。认真拆一遍，你的收获绝对不会低于刷十套普通笔试题。