蔚来数据分析岗笔试复盘：SQL、Python与业务思维全解析-育师

先说我自己的背景，2024届硕士，投的是蔚来数据分析岗，和大多数人一样，从官网投递到收到笔试链接大概隔了一周多。当时一起投的还有几家新势力车企，但蔚来这套笔试做下来，感觉在题型设计和业务贴合度上确实是花了心思的——不是那种随便拉一套行测题凑数的感觉，而是真的想筛出"能用数据理解业务"的人。这篇复盘我拖了很久才写，一方面是想等整个流程走得差不多再回看，另一方面也是想把这些题目背后的考察逻辑拆透，而不是简单记个流水账。无论你是准备投蔚来，还是打算冲其他车企的数据岗，这份复盘应该都能帮你少走不少弯路。

1. 投递到笔试的全流程：时间线、平台和形式

先交代一下整体的流程节点，让大家对节奏有个概念。我是2024年8月底在蔚来校招官网投的简历，岗位是数据分析师（base上海），投完之后大概一周左右收到了测评邮件，点进去是蔚来自己合作的第三方测评系统。这里提醒一句：蔚来的笔试链接不是HR单独发的，而是系统邮件自动触发，垃圾邮件箱一定要盯紧，我当时同寝室一个同学就是漏看了系统邮件，白白错过了笔试窗口。

整个笔试时长是90分钟，题量在35道左右，包含客观题和主观题，主观题占比不低，这个后面详细说。笔试系统是分模块计时的，每个模块不能提前进入下一部分，也不能返回修改，这点和互联网大厂的智鼎、北森系统类似，但蔚来这套的题目风格明显做了定制，不是纯通用题库。

具体的模块分布大概是这样的：

模块	题目数	建议用时	考察方向
逻辑推理	10题	15分钟	图形推理、数字推理、逻辑判断
数量关系	10题	15分钟	基础数学、概率统计、排列组合
专业能力（SQL/Python）	8题	25分钟	数据查询、清洗、分析思维
业务场景分析	5题	30分钟	指标体系、归因分析、决策建议
性格与职业匹配	约10题	5分钟	行为风格、团队倾向

从模块设计就能看出来，蔚来不像某些大厂把行测当作第一门槛，而是把专业能力和业务分析放了重头戏，合计占了接近三分之二的分数权重。这也符合我对蔚来数据分析团队的基本判断：他们要的不是刷题机器，而是能直接上手处理业务问题的数据分析师。

需要特别提醒的是，笔试系统对切屏有监控，切屏超过3次会被标记，严重的话直接判定作弊。我当时是老老实实把手机放到另一个房间，用电脑单屏作答。另外，整场笔试不能中途暂停，所以开考之前一定把卫生间去好、水倒好，90分钟连轴转。

还有一个细节：笔试链接的有效期通常只有48小时，而且不分周末和工作日，也就是说你周四收到邮件，可能周六就得开考。所以建议大家把秋招期间的邮箱提醒全部打开，包括手机端邮件App的通知，否则很容易错过。

2. 逻辑与数量模块：别轻视这些"送分题"，它们真的有筛选作用

2.1 图形推理和数字推理的难度定位

第一模块是10道逻辑推理题。说实话，刚开始做的时候我有一种"这不是公务员行测吗"的感觉。图形推理部分给了大概4道，难度处于中等偏上，不是那种一眼能看出旋转规律的基础题，有几道是叠加去同存异加上元素位置变化的复合规律，需要心算两到三步才能确定答案。

数字推理部分没有出现那种纯加减乘除的简单递推，而是带有分数和小数混合的形式，比如给了一串带分母递增的分数让你找规律。这类题对非理工科背景的同学确实不太友好，但好在题量不大，如果卡住超过两分钟，我建议直接凭第一感觉选一个然后跳到下一题，因为后面的专业题才是真正的拿分大头。

逻辑判断部分则是给你一段材料，然后判断"最能削弱""最能支持"的选项。这部分题和公务员考试的逻辑判断几乎一样，但题干背景多数替换成了新能源行业场景，比如"如果换电站的平均服务时间缩短，那么用户满意度不一定提升"这种。

2.2 数量关系模块的实际备考心得

数量关系模块的10道题，和我预想的也不完全一样。基础的行程问题、工程问题占比少了，取而代之的是概率统计题和数据分析相关的计算题，这明显是在服务后续专业模块的考察。

我记得有几道题考到了条件概率、二项分布期望，还有一个排列组合题是"从8辆车中选3辆进行质量抽检，其中至少包含1辆新能源车的概率是多少"。这类题本身难度不大，但如果你很久没碰数学，在考场限时环境下容易慌。我自己的建议是：考前把排列组合的基本公式（特别是"至少包含"类问题的反面思考）、条件概率的贝叶斯公式、期望方差的基础计算过一遍，基本就够了。

这道模块还有个让我印象深刻的点是，有几道题给了真实的业务数据表格，让你估算环比增长率和同比贡献度，本质上就是Excel里的基础计算，但考场上没有Excel可用，只能靠笔算。平时用惯了Excel和Python的人，反而容易在这些基本功上翻车，建议大家考前手算几个增长率、占比的题目练练手感。

3. 专业能力模块：SQL和Python题目复盘

专业能力模块是整个笔试含金量最高的部分，一共8道题，SQL占了5道，Python占了3道。题目难度跨度很大，从基础的单表查询到多表关联 + 窗口函数的组合题都有，整体水平大概在"能独立处理日常取数需求"以上一点点，不是那种让你写个select * from table就结束的白给题。

3.1 SQL题：试驾记录表的连续天数问题

先说一道我印象最深的SQL题。题目背景是蔚来的试驾业务，给你一张试驾记录表test_drive，字段包括user_id（用户ID）、drive_date（试驾日期）、dealer_id（门店ID）、is_converted（是否转化为购车订单，1/0）。问题是：找出在2024年8月期间，连续3天及以上有试驾记录的用户。

这道题考察的核心是连续性问题，业界最常用的解法是"行号差值法"：

WITH user_dates AS ( SELECT DISTINCT user_id, drive_date FROM test_drive WHERE drive_date BETWEEN '2024-08-01' AND '2024-08-31' ), ranked AS ( SELECT user_id, drive_date, ROW_NUMBER() OVER (PARTITION BY user_id ORDER BY drive_date) AS rn FROM user_dates ), diff AS ( SELECT user_id, drive_date, DATE_SUB(drive_date, INTERVAL rn DAY) AS grp FROM ranked ) SELECT user_id FROM diff GROUP BY user_id, grp HAVING COUNT(*) >= 3;

这个解法的核心逻辑是：如果一个用户连续N天有记录，那么"日期减去行号"的值是相同的，因为日期每天递增1，行号也每天递增1，差值恒定。用grp分组后COUNT(*)就是连续天数。

说实话，这个思路我在准备阶段就练过好几遍，所以做起来还算顺手，但如果没接触过这类题型，考场现场想出来确实不容易。SQL的连续性问题几乎是车企和电商数据分析岗笔试的必考题，建议大家把"活跃用户连续登录天数""连续打卡"这类变体都练透。

另一道SQL题是多表关联，给了一张用户信息表和安全事故反馈表，要求统计"发生过安全事故的用户占比"，同时按城市维度输出。这道题考的是LEFT JOIN的使用和COUNT(DISTINCT)去重，理论上不算难，但有几个坑：一是需要搞清楚用哪张表作为主表，避免把未发生事故的用户丢掉；二是去重口径，一个用户可能有多条事故记录，直接COUNT(*)会算错。这种细节性的坑，恰恰是平时写SQL容易忽略的。

还有一道题是查每个门店试驾转化率TOP3的销售日期。这种"取每组前N名"的问题，标准的解法是窗口函数ROW_NUMBER()+PARTITION BY，和上面的连续天数问题一样，都是窗口函数的典型应用场景。所以大家复习的时候，窗口函数怎么强调都不过分。

3.2 Python题：数据清洗与分析实战

Python部分的3道题没有让手写完整代码，而是给了代码片段让你补全，或者给一段有bug的代码让你找出问题。有一个题目是给了一个DataFrame，要求筛选出"价格列大于均值的所有行"，选项里给了几个df[df['price'] > df['price'].mean()]的变体，其中一个故意写成了df[df['price'] > np.mean(df['price'])]，看起来差不多，但类型运算上会有问题。这种考点说白了就是考察你实际跑过没跑过代码，纯背语法的人容易看走眼。

还有一道题是关于数据清洗的，场景是用户反馈文本中混入了大量空行和特殊字符，要求选择正确的正则表达式来清理。选项里给了str.replace('\n', '')、str.strip()、str.replace(r'[^\u4e00-\u9fa5a-zA-Z0-9]', '')等。这里不光考正则，还考你对业务的理解——如果数据最终要用于分词和情感分析，保留中英文和数字、去掉标点符号通常更合理，但如果是做词频统计，可能又要保留标点。

最后一道Python题是可视化相关的选项判断题，给了一段用matplotlib画柱状图的代码，问你哪个参数能让x轴标签不重叠。答案是plt.xticks(rotation=45)。这道题本身没难度，但说明蔚来对数据可视化的基本工具有所要求，毕竟日常分析工作中出图是基本功。

4. 业务场景分析题：真正拉开差距的地方

业务场景分析题一共5道，其中3道是选择+填空形式，2道是开放式主观题。选择类的题目相对友好，考的是指标体系的选择、异常归因的思路判断等，主观题就比较考验真实水平了。

4.1 指标体系选择题：你得懂"漏斗"

有一道题我印象很深，它给了一个新用户从浏览App到完成试驾预约的转化漏斗数据，包含了首页曝光、详情页点击、预约按钮点击、预约成功、实际到店这几个环节的转化率，然后让你选择：当前漏斗中哪个环节的优化优先级最高。

很多人一看到"优化优先级最高"就想选转化率最低的那个环节，但这道题的考点恰恰在于：转化率绝对值低不等于优化价值最大，你还要考虑这一环节的流量基数、优化空间、业务可干预程度。比如最后一步"实际到店"转化率虽然最低，但如果它受天气、门店距离等线下因素影响大，线上优化的空间就有限；而"预约按钮点击到预约成功"可能只是表单字段太多导致的流失，改起来是分分钟的事。

这种题目没有标准答案，考察的是你是否具备"从业务角度解析数据"的思维方式，而不是单纯比大小。它是选择题里区分度比较高的一道，我觉得选蔚来这类岗位的同学普遍还是能答出一些东西的，但能不能答到点子上就得看平时的积累。

4.2 主观题一：试驾转化率下降的归因分析

第一道主观题大概是这样说的：某地区8月份的试驾转化率（试驾后形成购车订单的比例）环比下降了15个百分点，请你给出分析思路和可能的原因。

这道题其实就是典型的"指标异动归因"问题，在互联网数据分析岗面试里非常常见，但放在车企场景里就需要你结合行业知识来答。我当时大概写了这几个维度：

数据口径层面：先确认数据是否准确，转化率的分母分子有没有变化，比如是不是分母扩大了（试驾用户基数的渠道结构变了），或者分子缩小了（订单判定规则调整、录入延迟），以及8月是否是销售淡旺季切换。
用户侧因素：新用户占比是否上升，因为新用户本身转化周期更长；用户来源渠道是否变化，比如信息流投放带来的泛流量变多，而精准渠道的流量减少了。
产品与价格因素：该地区主推车型是否发生了切换，车型定价是否有调整；竞品是否在8月发布了新车型或降价，导致用户持币观望。
门店与试驾体验因素：门店销售政策是否有变化，试驾排队时长是否增加，试驾路线的体验感是否有下滑，以及销售顾问的跟进及时性是否出了问题。
外部环境因素：天气、区域政策变化（比如补贴退坡）、舆论事件等。

写完归因维度之后我还补充了一个点：8月环比7月下降，首先要排除季节性因素，如果过去两年同一个时间段都有类似的下降趋势，那可能只是正常的周期性波动，不需要过度反应。这一点我觉得是我答得比较出彩的地方，因为很多候选人在做归因分析的时候只盯着"找原因"而忽略了对数据进行拆解和横向比对。

4.3 主观题二：换电站选址的资源分配问题

第二道主观题更加"蔚来"：给出某城市不同区域的换电站使用数据，包括日均换电次数、排队时长、周边保有量、租金成本，让你设计一个评估模型，决定是否在该区域新增换电站。

这种题的开放性很强，关键是要展示出你有多维度的分析框架。我当时写的大概思路是：

先用排队时长来判断供需缺口：如果某区域日均换电次数高、排队时长长期超过10分钟，说明供给紧张，新增必要性高；如果排队时长很短甚至换电站经常闲置，那新增就是浪费资源。
再用周边保有量和增长趋势判断未来需求：保有量高且增速快的区域，即使当前排队不严重，也可能存在"未来缺口窗口期"，需要提前布局。
最后用租金成本和预期收益做投入产出比测算：换电站建设和运营成本主要包含场地租金、设备折旧、电力成本、维护人力几个部分，预期收益则要换算出"因新增换电站而避免的用户流失/新增的用户满意度"对应的价值。

让我觉得比较加分的一步是，我没有停留在定性分析上，而是给了一个可操作的量化指标公式，比如用供需比 = 日均换电需求 / 日均服务能力作为核心判断指标，配合排队时长的P90值来综合决策。虽然笔试界面没有公式编辑器，我就用文字描述，但能把思路落到可计算层面，应该还是能让阅卷的人知道你是有业务建模能力的。

5. 性格测评与行为题：看似无关，其实会影响结果

最后那个性格测评模块，虽然分数占比不高，但千万别忽视。现在很多公司的性格测评其实是硬性门槛，如果你的结果和岗位画像偏离太远，前面专业题答得再好也可能被一票否决。蔚来的数据分析岗在我看来比较看重结果导向、协作意识、数据敏感度和责任心这几个特质。

性格测评的题目形式基本就是给你一组描述让你选最符合和最不符合的，比如"我倾向于在做出决策前收集所有可能的数据""我喜欢在团队中扮演协调者的角色"，然后让你二选一甚至三选一。

做这种题我有两个经验分享：

一是不要刻意去"表演"一个所谓完美职场人。因为题目里有很多反向校验题，如果你前面选得非常果敢、非常喜欢做决策，后面突然出现一道题选了"我更喜欢让别人来做决定"，逻辑上就前后矛盾了，系统会有诚信风险提示。

二是要结合岗位特征来选。数据分析岗的本质是用数据辅助决策，而不是纯粹的业务决策者，所以你不需要把自己包装成一个极其强势、凡事都要拍板的人，"数据驱动、严谨求证、愿意沟通"这几个特质反而更加契合。我身边有朋友在性格测评上翻了车，就是把自己答成了一个"独狼型"的技术大牛，结果被刷下去了，其实他代码能力和分析能力都很强，非常可惜。

还有一点：性格测评虽然没有标准答案，但不同模块的作答时间也是要关注的。我当时因为前面题目耗时太多，性格测评几乎是两秒一题草草答完的，虽然最终通过了，但这种仓促感确实不太好。我建议大家给性格测评模块至少留出5分钟，认真读题，尤其是那些让你选"最不符合"的题，很多人习惯性地只关注"最符合"，把"最不符合"看漏了。

6. 笔试复盘之后：后续面试的备考方向

做完笔试之后，大概过了一周多收到了面试通知。结合笔试的体验和面试时的感受，我梳理了几条对整个秋招数据分析岗备考都有用的建议。

6.1 SQL和Python：要练到"肌肉记忆"

从蔚来笔试的题目难度来看，SQL已经不仅是"会写"，而是要求你"写得快、想得全"。"连续N天""每组TOP N"这类窗口函数题型，几乎可以闭着眼睛写；多表关联时主表的选择、去重口径的确认，也要形成条件反射。我当时是把网站上能找到的SQL题都刷了一遍，特别是把窗口函数相关的题型刷了两遍。

Python方面，笔试考的是代码理解能力和数据清洗能力，但到了面试环节，手写代码的概率很高。建议把 pandas 的常用操作练熟：数据读取、缺失值处理、分组聚合、透视表、merge/join、apply函数，这些是数据分析师面试手撕代码的最高频考点。另外，可视化的常用代码也要有个大概印象，毕竟面试官可能会让你现场画一个图来回答某个业务问题。

6.2 业务题：建立自己的分析框架比背题更重要

业务场景题是最不容易准备的，因为提问场景千变万化，你很难预测面试官会问什么。但换个角度想，业务题其实考察的核心能力是固定的，就是结构化思维 + 指标意识 + 落地能力。

我自己总结了一套应对业务分析题的框架：

先定义问题：明确分析的目标是找原因、做预测还是做决策，明确用户是谁、业务边界在哪。
再拆解指标：把核心指标拆解成可分析的子指标，比如试驾转化率可以拆成"各级漏斗转化率"和"不同渠道/车型/地区的分维度转化率"。
然后用数据验证：针对每个可能的归因方向，设计可验证的数据分析方案，说明需要哪些数据、怎么判断因果。
最后落到行动：给出一两个可落地的建议，而不是只罗列原因。

这套框架在笔试主观题里也好用，在面试场景里更是可以直接套。有一次面试官问我"蔚来App的日活下降了5%怎么分析"，我当时在现场就顺着这个框架往下说，面试官全程没有打断，最后还点了点头，我觉得框架化表达确实能让你在高压环境下不那么乱。

6.3 行业知识：车企数据分析岗的隐形考点

笔试和面试中出现了很多新能源车企特有的业务场景，比如试驾转化、换电站布局、用户App活跃、充电桩使用率、车型配置偏好等。这些在互联网公司笔试里几乎不会出现，所以你如果想投车企的数据岗位，行业知识储备不能缺。

我的做法是把蔚来、特斯拉、理想、比亚迪这几家头部新能源车企的商业模式都梳理了一遍，核心关注每个公司的盈利来源、用户生命周期、核心业务指标。比如蔚来，它和传统车企最大的不同在于"用户企业"的定位，所以用户社区活跃度、NIO House的运营效率、换电体系的用户满意度，都是它的特色数据场景。你不需要懂造车，但至少要理解这些业务是怎么运转的，这样在面对业务题的时候才能说到点子上。