1. 笔试整体情况与岗位考察逻辑
2024年春招，我投了联想的数据分析岗，笔试走的是北森系统那一挂，整体时长大约90到100分钟，题量不大但覆盖面非常杂。整个试卷我做完之后最大的感受是：它不是单纯考你“会不会写SQL”，而是在模拟“你入职之后能不能直接上手干活”。
联想的数据分析岗和互联网大厂的数据分析岗有一个明显区别——它更偏实体制造业+全球化业务的数据支撑场景，所以笔试题目里会出现大量“供应链库存”“渠道销售”“海外市场”“售后返修”这类业务语境。如果你只是刷过那种通用的“电商订单表”练习，做联想的题会有一点错位感，但考察的技术内核其实是共通的。
先说说这套卷子的整体结构，通常由四到五个模块组成：第一部分是逻辑推理与数理思维（类似行测里的资料分析+数字推理），第二部分是统计学与概率论基础，第三部分是SQL查询实操，第四部分是Python数据处理能力考察。部分地区或批次的岗位会加入第五部分——业务情景案例分析，或者是英文阅读理解与邮件写作。这个可能和岗位所在的部门有关，供应链数据、经营分析、市场洞察类岗位的笔试题目会有差异。
我拿到的批次里，英语题出现在前段，是一篇关于个人电脑市场需求波动的短文，大概600词出头，5道选择题，考察的并不完全是翻译能力，而是你能否从英文材料中提取数字和趋势。这个出题思路非常“联想”——毕竟联想是全球化公司，日常要阅读大量来自海外市场、IDC报告、Gartner数据的英文材料，如果连数据描述都读不懂，后面分析就无从谈起。
全卷的时间分配我建议这样：逻辑和统计题控制在25分钟内，SQL题30分钟，Python题20分钟，案例分析留15分钟以上，最后留5到10分钟检查。如果前面行测类题目卡住了，果断跳，别恋战，后面的大题分值更高，而且更有区分度。
2. SQL与数据提取能力考察：笔试的重头戏
2.1 考察范围与典型表结构
SQL在联想的笔试里占据绝对核心地位，基本上每个批次的试卷都有2到3道SQL大题，每道大题下挂3到5个小问，从简单查询到窗口函数层层递进。它考察的不只是你“能不能查出结果”，更是你在一个数据量级较大、表关系复杂的真实业务环境中，能不能写出高效、可读、可维护的查询。
我遇到的表结构大概是这样的场景：一张销售订单明细表（字段包含订单编号、销售日期、区域、渠道、产品型号、单价、数量、销售额），一张产品信息表（产品型号、产品线、上市日期、成本价），一张售后服务表（服务单号、订单编号、服务类型、服务日期、维修费用），还有一张区域目标表（区域、月份、目标销售额）。
乍一看都是很常规的表，但真正做题的时候会发现几条隐含的坑：第一，销售订单有好几条记录是作废状态，需要用状态字段过滤；第二，产品型号在订单表和产品表里存在大小写不一致的历史脏数据；第三，售后服务表和订单表不是一对一关系，一个订单可能产生多条服务记录，做关联时很容易造成数据膨胀。
所以我的第一条建议是：拿到题目先别急着写SQL，花两分钟把表关系和字段含义读透，尤其看清楚哪些表是一对多、哪些多对一。这在笔试里能帮你避开最基础的连接陷阱。
2.2 窗口函数是分水岭
联想笔试的SQL题，前两问通常是比较基础的过滤、分组、排序，到第三问开始就会上窗口函数。我当时遇到的一个题目是这样的：统计每个区域每月销售额，并计算每个区域截至当月的历史累计销售额，以及该区域当月销售额占全国当月销售额的比例。
这道题非常典型地考察两个窗口函数能力：一是累计求和使用SUM() OVER (PARTITION BY 区域 ORDER BY 月份 ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW)；二是占比计算，用SUM(销售额) OVER (PARTITION BY 月份)拿到全国当月总额，再除以区域当月值。
如果平时只是用GROUP BY做分组汇总，这道题虽然也能硬凑出来，但SQL会长得很难看，而且容易错。窗口函数的核心价值就在于：它能在不缩减行数的情况下，把聚合结果和原始明细放在同一行返回给上层查询，这在做同环比、累计值、占比、排名这类计算时是无可替代的。
另外在联想这种全球化业务里，“分区维度”往往不只有一个。比如同时要看“产品线×区域”的维度组合时，PARTITION BY里面可以放多个字段，但要注意ORDER BY子句的选取，在很多场景里还需要在ORDER BY后面接ROWS/RANGE窗口子句来精确定义窗口范围。笔试中虽然不一定会考到太深的窗口边界细节，但PARTITION BY和ORDER BY配合使用的场景一定要练熟。
2.3 SQL实操的心得与常见扣分点
我在准备阶段刷了很多联想的模拟题和往年笔经，总结出几个高频扣分点，这里直接列出来：
- 没有过滤无效数据：订单状态限定条件漏写，导致汇总金额虚高。
- NULL值处理不当：在计算比率或差值时，没有用
COALESCE或IFNULL处理空值，结果集出现大量空行，甚至影响后续JOIN。 - 日期格式陷阱：销售日期字段是datetime类型，按月统计时一定要用
DATE_FORMAT或年-月抽取，别直接用GROUP BY 日期，否则会把同一个月拆成几十行。 - 关联条件不完整：查订单加服务信息时，JOIN条件里漏掉关联维度之外的条件，造成一对多重复计算。
- 排序要求不看清：题目要求取每个区域销售额排名前3的月份，需要用窗口函数做排名后外层过滤，而不是简单ORDER BY后截断。
我在实际考试中，因为有一道小题的JOIN条件漏了一个状态过滤，导致计算结果比预期多出了几千行。这种错误在自测的时候很难发现，因为样例数据量小，膨胀不明显，只有把结果和题面给的答案样例对照时才能察觉。
所以在平时训练时，一定要养成“写完SQL后反向验算”的习惯：先看行数是否符合直觉，再看关键指标量级是否合理，最后看边界值。比如统计区域占比，所有区域占比加起来应该等于100%左右，如果不等于，基本可以判断某个区域的数据重复或丢失了。
3. Python与数据处理能力：从写代码到解决实际问题
3.1 笔试中的Python考法
Python部分在联想笔试里的形式通常不是让你写一个完整的脚本，而是给出若干个代码补全题、程序输出判断题，以及一道比较大的数据处理编程题。补全题往往围绕pandas的常用操作：读入CSV、清洗字段、分组聚合、合并表、透视表、处理时间序列。
举个例子，我记得有一道补全题是这样：给定一个CSV文件，包含产品型号、价格、销量、上架日期等字段，要求删除价格为空的行，将上架日期转为datetime类型，并新增一列“销售额”，然后按产品线分组汇总销售额。核心考点就是几个pandas的链式操作：
import pandas as pd df = pd.read_csv("sales_data.csv") df = df.dropna(subset=["price"]) df["listing_date"] = pd.to_datetime(df["listing_date"]) df["revenue"] = df["price"] * df["sales_volume"] result = df.groupby("product_line")["revenue"].sum().reset_index()这类题目不要求背API，但要求你面对一个具体任务，能快速选对方法。很多人在平时自己写代码时习惯用dropna()不指定subset，结果把整行全删了；或者pd.to_datetime()在遇到格式不统一的字符串时直接抛异常，不知道加errors="coerce"参数。这些都是笔试的高频陷阱。
3.2 机器学习基础的轻量应用
除了纯数据处理，Python模块里还会有几道轻量级的机器学习题目，通常以“给定场景选算法”或“判断模型评估指标”的形式出现。我遇到的题目是：给定一个包含多个数值特征和标签的数据集，目标是预测产品下一季度的销量，问应该优先考虑哪类模型，以及用哪个指标评估。
这道题的正确答案逻辑是：销量预测是回归问题，优先考虑梯度提升树类模型或线性回归，评估指标用RMSE或MAE，而不是准确率。如果你选了“分类模型”或“准确率”，说明对任务类型的判断还不够敏感。
另一个高频考法是无监督学习的场景识别。比如给出一个渠道明细表，要求根据用户的购买频次和客单价将用户划分为几个群体，显然应该用聚类算法（KMeans等），这时候题目可能会问“特征是否需要标准化”。这里就很自然地把统计学特征工程和机器学习串在一起考了，没有直接考一个具体的库函数，而是考你有没有完整的建模思维。
我在准备这一块时做了两件事：一是把“回归、分类、聚类、降维”四大类任务对应的常用算法和评估指标整理成一张对照表，反复过；二是每个算法都准备了“适用场景”和“不适用场景”各两个案例。笔试里遇到“选算法”的题目基本能秒答。
3.3 数据可视化思想在选择题里的渗透
联想的笔试里还出现了一些和可视化相关的选择题，它不是问你matplotlib某个函数的具体参数，而是给你一个业务场景，让你选“最适合呈现该数据关系的图表类型”。比如比较各区域季度销售额趋势，选项是折线图、饼图、柱状图、散点图；看两个产品线的价格与销量关系，选项变成散点图更合适。
做这类题的原则是：先看数据是“时间趋势、构成占比、类别对比”还是“相关性关系”，然后匹配图表。趋势用折线、占比用饼图或堆叠柱状、类别对比用柱状图、相关性用散点图。联想作为一家硬件厂商，它的业务汇报里大量使用这些基础图表，所以考察这类素养很合理。
4. 统计学与业务分析：对“懂业务”的隐性筛选
4.1 统计学基础题：不超纲但需要熟练
统计学部分大概是10到15道选择题或者填空题，难度基本控制在本科统计学教材范围内，但出题角度比较实务。比如给了产品售后维修天数的数据分布，问均值和中位数哪个更能代表集中趋势；再比如给了一个AB测试的结果，样本量、均值、标准差都有，问差异是否显著应该用哪种检验方法。
这里我印象比较深的一道题是：某渠道的订单转化率上个月是3%，这个月是3.5%，问能否直接判断这个月表现更好。答案当然是不能，需要考虑样本量是否变化、差异是否具有统计显著性、是否受季节或促销活动干扰。这道题非常典型地反映了数据分析岗位对“业务归因敏感性”的要求——它不要你只算出一个数字，还要你判断这个数字能不能代表真实业务变化。
关于AB测试和假设检验，我建议大家至少掌握以下几组概念：原假设与备择假设、第一类错误与第二类错误、P值的含义与局限、t检验与z检验的使用场景、置信区间的业务解读。联想这类全球化业务中，定价策略、页面改版、市场投放都会用到AB测试，所以这部分考察并不过分。
4.2 案例题：以业务场景为核心的综合性分析
案例分析题是联想笔试和很多互联网大厂不太一样的地方。它通常不会给你一份完整的数据表让你去跑数，而是用文字+少量图表描述一个业务现状，让你写一份简要的分析思路或结论要点。
我遇到的题大致是：一个区域的某条产品线连续两个季度销量下滑，已知价格、渠道、竞品、售后评分等维度均有变化，要求列出你认为需要优先排查的3个方向，并说明理由和所需数据。
这类题没有标准答案，考察的是分析框架和逻辑完整度。我的回答思路是：先排除数据口径和统计周期问题，确认下滑是真实存在的；再拆解内部因素（价格调整、渠道库存、促销投入变化、售后口碑波动）和外部因素（竞品新品发布、市场大盘萎缩）；最后按“影响面×影响速度×可干预程度”排序，优先排查渠道和价格这两个最可能直接产生波动的方向。
写案例题的时候要注意：不要只列方向，要写“我预期看到什么数据就说明什么结论”，这样才像一个真正做过分析的人。比如“如果该区域库存周转天数上升，但终端零售数据平稳，那说明问题出在渠道压货而非消费需求下降”。这种带假设的推论，远比干巴巴列“价格、渠道、竞品”三个词有说服力。
4.3 数理思维题：时间紧张时最值得放弃的部分
笔试前端的数理思维题有点像公务员考试里的资料分析+数字推理混合体。给你一张表格或者一段业务数据，让估算增长率、均值、倍数关系；或者给出几个数字让你推下一个数字。它的难度其实不大，但非常考验反应速度和计算精度。
我的建议是：这一模块如果平时练得少，考试时可以做标记跳过，优先保证SQL和Python大题的完成度。因为数理思维题的单个分值通常低于编程题，而耗时往往不低。如果后面SQL大题空着，那基本就和下一轮说再见了。
当然，如果你备考时间充裕，这一模块可以用“资料分析”类题库来练，每天30分钟，练到看到表格就能快速锁定要算的指标，基本就够用了。核心技巧是：先看问题再找数据，不要一上来就细读表格；估算优先于精算，能约分就约分；注意单位陷阱，百分比和千分比差一个数量级。
5. 面试前的能力图谱与查漏补缺清单
以我的经验，笔试的重点完全可以提前锁定。你不需要漫无目的地刷一切数据分析题，只需要围绕联想的岗位JD去构建能力图谱。
技能主要分四层：第一层是数据提取与处理，对应SQL和pandas，目标是把数据快速拿到并清洗成可分析形态；第二层是统计与建模基础，对应假设检验、回归、聚类等，目标是从数据中得出结论；第三层是数据可视化与沟通表达，对应图表选择、指标拆解、结论汇报；第四层是业务理解与逻辑思维，对应案例分析和数理推理，目标是把结论落地为行动建议。
备考时可以把这四层做成一个自查清单，逐项打勾。SQL窗口函数不熟就集中练窗口函数；pandas的groupby和merge不熟就集中刷这两个操作；假设检验概念含糊就回去翻统计学教材；案例题没框架就多读一些经营分析类案例。笔试前的最后一周，我建议把所有精力放在查漏补缺上，而不是继续盲目刷新题。
另外有一点值得提醒：联想的笔试是分批次进行的，不同批次的题目可能出自相同题库，所以在笔试前到论坛或牛客上看看最新的笔试经验分享，了解当前批次考了哪些题型，是非常高效的准备方式。但要注意不要盲目依赖“押题”，因为题库很大，概率上很难精准命中，按能力图谱系统复习才是稳的。
我个人在踩过几次坑之后的体会是：这类笔试最难的其实不是某一道题，而是如何在有限时间内合理分配精力。SQL和Python的大题一定要保证充足时间，案例分析要写出“层层递进”的逻辑感，统计学题靠平时积累，数理思维题敢于取舍。想清楚这一点，这场笔试你就赢在了策略上。
