掌阅科技数据分析校招两面面经:业务感知面与综合面全流程
- 轮次
- 一面+二面
- 时间
- 2026-10
- 来源
- 牛客网
《面试题目》
一面 · 业务感知面(约 30 分钟)
- 自我介绍(1 分钟)。
- 介绍一下你的实习,以及你在项目里到底是什么角色?
- 组里除了你还有没有别的数据人?
- 你有没有直接对接过业务方?
- 你平时喜欢看什么类型的小说?
- 掌阅、起点、番茄这三个平台,你的使用感受有什么差异?
- 你认为掌阅 App 还有什么可以改进的地方?
二面 · 综合面
- 再介绍一次你自己。
- 你对我们掌阅的了解有多少?
- 你了解我们的培养流程和公司氛围吗?
- 如果你拿到一堆知识文档,你会怎么快速了解业务?
- 讲一段印象深刻的校园经历,以及你遇到过最大的困难。
- 你手上还有其他 offer 吗?期望薪资是多少?
- 你有什么想问我们的?(反问)
《参考解析》
这个岗位筛的是「能不能把业务问题翻译成指标」,不是「会不会写 SQL」。 两面的题分布很说明问题:一面不问一道 SQL 或 Python,全是「你在项目里干了什么、有没有对接业务方、你怎么看三个平台、你觉得 App 哪里要改」;二面问的是业务理解、学习路径、稳定性。它假定你会取数,考的是取完数之后能不能推动决策。所以准备这套面的正确姿势不是刷题,而是提前把「掌阅这门生意」拆一遍。
「你在项目里的角色」要答清边界,这是整场最核心的一题。 「我们团队做了……」是减分项,因为听不出你做了什么;要换成四段式:业务当时遇到什么问题、你取了什么数/建了什么指标/用了什么方法、你是独立负责还是配合(边界说清)、结论最后怎么被用上(哪怕只是汇报给了谁)。紧接着的两个追问是在验证独立性和闭环:「组里还有别的数据人吗」测你是不是只做了一段流水线,「有没有对接业务方」测你有没有从分析走到落地。一个能拿高分的答法是:我不是只接取数需求,我会先和业务方对齐「这个问题要服务什么决策」,再倒推要看哪些指标,最后把结论翻译成他们能直接用的动作。
「平时看什么类型的小说」不是闲聊,是测内容体感。 答「什么都看」太敷衍,答「只看网文」显得窄。好答法是按「内容品类 × 用户心理」讲:男频玄幻/科幻看的是追更黏性与长线付费、IP 孵化价值;女频言情看的是情绪消费与社区氛围;出版书/社科看的是知识密度、会员价值与深度用户;有声书/短剧看的是多模态消费与场景迁移。然后收一句把体感和指标连起来:「出版类看的是完读率和会员留存,网文看的是追更节奏和章节转化,这两种内容在数据上的表现逻辑完全不一样。」
三家平台的对比要讲「各自在优化哪一类用户价值」,不要评谁更好。 掌阅是正版精品 + 阅读仪式感,用户偏成熟、重内容质量,变现靠会员 + 单本购买,护城河是出版版权与排版体验,数据看点是完读率、会员留存、客单价;起点是男频长篇 + IP 孵化,追更重度用户,章节付费 + 打赏,护城河是独家网文 IP,数据看点是追更率、付费转化、IP 长尾价值;番茄是免费阅读 + 算法投喂,全民向、下沉市场强,免费 + 广告变现,护城河是算法分发与流量池,数据看点是时长、广告填充、留存。把三者归结到一句话:它们在抢同一件事——用户的时间分配权,只是路径不同,番茄靠算法效率把阅读做成即时反馈,起点靠内容信仰把阅读做成追更资产,掌阅在中间,所以指标要同时看完读率、会员转化、单本付费、AI 听书渗透这几条线。
「App 还有什么可以改进」必须从数据现象倒推,不能从「界面更好看」出发。 四个可深讲的方向:完读率(现象是开头几章就走,抓手是章节跳出率、阅读时长分布、书架召回率,动作是基于阅读进度做续读推荐而不是纯热门推荐);会员转化漏斗(现象是免费到付费的跳跃大,抓手是试读章节转化、价格敏感分层、首充券 ROI,动作是按品类做差异化权益,网文党和出版书党本来就是两种付费动机);AI 功能渗透(掌阅已有 AI 讲书、速读、书籍摘要,抓手是功能使用率、听完转化率、完读提升幅度,动作是把 AI 摘要做成试读前置层,让用户 30 秒判断值不值得读);内容分发效率(现象是出版书与网文需求差异大但入口混在一起,抓手是首页点击率、品类渗透、跨品类迁移率,动作是双轨首页按用户习惯动态调权重)。收尾一句能把立意拉高:改进不是加功能,而是让对的内容在对的节奏里碰到对的人。
二面的「你了解掌阅吗」要答业务全景,不要背定义。 可用的框架是:掌阅现在不是单一阅读 App,而是「数字阅读 + IP 衍生 + 短剧 + AI 内容」的多模态平台——阅读是基本盘,提供正版内容与 IP;短剧和衍生把 IP 放大;AI 在生产端(辅助创作、翻译、有声化)和消费端(讲书、速读、智能导读)同时提效。数据岗的价值就是把这条链路上每一环的用户行为变成可优化的指标。业务锚点可以提数字阅读基本盘(掌阅、得间、iReader 出海)、短剧衍生(泡漫、AI 短剧工业化)、商业化(会员、单本付费、广告增值、IP 授权)。
「拿到知识文档怎么快速了解业务」考的是学习路径是否可执行。 给出四步:先搭业务地图(用户从哪来 → 看什么 → 怎么付费 → 为什么走 → 怎么召回),再啃指标体系(DAU/MAU、完读率、章节转化、会员渗透率、ARPPU、留存、召回),然后翻历史报告——重点不是看结论,是看业务方曾经问过什么问题,那才是这个团队真正在意的;最后挑一个细分场景自己做一遍分析(比如某品类完读率低),再和老员工的对标。加分收尾是:文档是地图不是答案,真想搞清楚业务,我会先自己跑一遍数据再反查文档。
校园经历与最大困难用 STAR 瘦身版,20–40 秒讲完。 选「有协作 + 有产出」的故事(比赛里从 0 搭指标体系、社团里做用户调研、课程项目里清洗脏数据纠出异常),别讲感动自己但没信息的故事。困难题的模板是「具体坑 + 我的动作 + 复盘收获」,比如做用户调研时样本偏差很大、结论被质疑,后来重做分层抽样并加了一轮交叉验证,才发现最初只覆盖了活跃用户、忽略了沉默用户——这件事让我记住分析师的第一件事不是分析,是先问「这份数据代表谁」。答「没有困难」是直接扣分。
offer 与薪资如实说,别硬喊数字。 有 offer 就说「还在看几个内容/互联网方向的机会,但掌阅是我在数字阅读里优先级最高的,因为业务链条完整、数据能直接反哺内容和产品」;没有就说「暂时没有,但我不是广撒网,我更看重岗位和业务的匹配度」。薪资给范围不给死数,并补一句「更看重成长空间和岗位匹配,也相信公司有公平的定薪机制」。编 offer 抬价在内容行业里很容易在后续流程被问穿。
反问挑能影响你决策的问题,别问加班。 业务类:咱们数分团队主要支持哪条业务线,阅读、会员还是短剧?目前最想通过数据解决的一个业务课题是什么?成长类:新人前 3 个月最被看重的三种能力是什么?团队怎么帮应届生从取数过渡到业务分析?机制类:指标口径和数仓建设成熟度怎么样,分析师有多少时间花在取数上?这三个方向都在传递「我在认真考虑来不来、来了怎么干」,而「加班多不多」在二面问会把前面的铺垫全部抵消。
最后一条判断:这个岗位最难的不是技术,是「说得像行内人」。 作者在帖子里反复强调面试官对「伪数分」很敏感——只会 Python/SQL、没有一点内容或消费视角的人会被判匹配度弱。所以准备的重点应该放在三件事上:把三家平台的差异讲成 1 分钟能脱口而出的对比、准备一个「我踩过的数据坑」的故事(样本偏差、口径冲突、业务误用都行)、想清楚掌阅的五个核心指标(DAU、完读率、会员转化、章节付费、留存)。产品改进题则统一用「先说数据现象 → 再给假设 → 再给动作」的顺序。