# 1. A/B 测试样本量与显著性检验的最小必要知识集合 A p 值小于 0.05 就一定说明实验结论可靠 B 样本量由最小可检测效应、方差、显著性水平与功效决定，可信实验需实验前确定样本量与时长并控制 alpha 花费 ✓ 正确答案 C 功效与样本量无关，可以随意设定 D 置信区间只是 p 值的附属品，没有额外信息
# 2. Cohort 分析如何用同期群/留存矩阵识别订阅业务的流失与增长，样本量与解读边界如何把握？ A 留存率只要看最近一个月的数值即可 B 同期群越小，留存率越可靠 C 按入群时间构建留存矩阵，通过曲线形态与群间对比识别流失与增长，并把握样本量、渠道混杂、改版干扰与对比基准四类边界 ✓ 正确答案 D 所有同期群的留存率必然相同
# 3. 理解基本统计量（中位数、p95、p99）在生产监控中的真实含义 A 平均值最能反映服务的真实用户体验 B 请求量很小时 p99 依然稳定可靠 C p99 越小越好，无需关注 p50 D 均值会被长尾稀释掩盖劣化，p50/p95/p99 能分层捕捉用户体感，监控应口径统一、样本充足并与 SLO 对齐 ✓ 正确答案
# 4. B 端产品的客户成功（CS）数据反哺工程的真实经验 A CS 数据主要用来做销售汇报，对工程改进帮助有限 B 全量聚合指标足以发现大客户的问题 C 客户提什么需求就做什么，数据验证多余 D 使用健康度、流失信号、工单与 CSM 反馈经结构化后，按"信号-需求-验证"链路反哺工程，并防"要求≠需求"误区 ✓ 正确答案
# 5. 基本假设检验（t-test、chi-square）在 A/B 测试中的真实应用 A t-test 与卡方检验可以互换使用，结果相同 B 连续均值类指标用 t-test、分类占比类指标用卡方检验，使用前查前提、配效应量并控制 alpha 花费 ✓ 正确答案 C p 值就是"两组有差异的概率" D 小样本下不显著就可以断定两组无差异
# 6. 数据仓库分层（ODS/DWD/DWS/ADS）在小团队中的简化版实践 A 小团队也必须完整实现 ODS/DWD/DWS/ADS 四层 B 简化版就是不需要任何分层，报表直接查业务库 C 可裁层不裁职责，保留原始层并强化血缘、质量校验与口径统一，每层必须有消费方 ✓ 正确答案 D 血缘追溯在大数据量时才需要，小团队可省略
# 7. 如何为产品定义北极星指标与护栏指标，识别“指标上涨但业务恶化”的失效信号？ A 北极星指标选好后永久不变，也不会失效 B 护栏指标会限制增长，不应设置 C PV 和调用量是最好的北极星指标 D 北极星指标应反映核心价值且可行动，用业务结果交叉验证识别游戏化与口径漂移等失效，护栏指标覆盖用户、体验与商业三个方向 ✓ 正确答案
# 8. 埋点规范、指标定义字典与异常数据治理如何设计，保证分析结论不被数据质量误导？ A 只要埋点数量够多，数据质量自然有保障 B 指标口径可以各团队自行定义，方便灵活 C 用埋点规范、指标口径字典与异常监控治理三件套，保证口径唯一、质量可追溯，脏数据冻结修复而非带病使用 ✓ 正确答案 D 埋点上线后不需要验收，能上报就行
# 9. C 端产品的用户行为漏斗与工程指标的连接 A 用户行为漏斗是产品的事，工程指标是运维的事，两者无关 B 工程指标恶化但转化率没变时，说明可以无限制容忍 C 把漏斗环节与对应工程指标（延迟、错误率）建立对应看板，转化异常时先排除工程原因再查产品原因，形成双视角闭环 ✓ 正确答案 D 产品改版不需要关注工程指标
# 10. 异步沟通（Slack、邮件、Issue）中的语气与可读性改进清单 A 异步沟通只要把意思表达出来就行，格式无所谓 B 语气上事实先行、请求明确、对事不对人，可读性上结论先行、结构化、行动项显式化，并用三问自检保证不被误读 ✓ 正确答案 C 长消息应该把所有主题混在一起一次说完 D 紧急消息不需要标注，接收者自然知道优先级
# 11. 技术方案文档（RFC）的标准结构与读者差异化处理 A RFC 应把思考过程完整记录下来，越长越严谨 B 标准结构含背景、目标、方案、取舍、风险与计划，按"摘要给决策者、取舍风险给评审者、细节计划给执行者"差异化组织 ✓ 正确答案 C 决策者应该读完整篇 RFC 才能决策 D RFC 不需要明确的决策请求点
# 12. 基于注解生成 OpenAPI 文档时如何保证与实现一致，历史接口的 schema 演进与破坏性变更如何治理？ A 注解生成的文档必然与实现一致，无需校验 B 删除接口字段属于兼容变更，可直接发布 C 用契约测试与 CI 生成校验保一致，破坏性变更用自动检测、评审与双版本过渡治理 ✓ 正确答案 D 文档与实现不一致是正常现象，无需处理
# 13. 团队 Wiki 应保持的最低更新频率与内容门槛 A Wiki 应该记录团队所有讨论内容，越全越好 B Wiki 写一次即可永久有效 C 值得写的是有消费价值、有 owner、可维护的内容，按类型分级保鲜，用评审嵌入、使用入口化与定期清理防僵尸化 ✓ 正确答案 D 排障手册属于易变内容，不应沉淀
# 14. A/B 测试的真实统计陷阱（Peeking Problem） A 反复偷看并早停会膨胀假阳率、高估效果，应预注册样本量与时长、到点一次性分析，或用序贯检验允许中途查看 ✓ 正确答案 B 实验期间随时查看结果、看到显著就提前停止是高效的实验方式 C 偷看次数不影响实验结论 D 提前停止的实验结论与完整实验完全等效
# 15. 数据可视化中常见的误导与避坑指南（坐标轴截断、双 y 轴等） A 图表只要数据正确，任何呈现方式都不会误导 B 双 y 轴是表达两组数据的标准方式，没有风险 C 坐标轴截断、双 y 轴、选择性时间窗等会误导解读，应遵守基线诚实、标注透明与对比同口径的设计规范 ✓ 正确答案 D 3D 图表能更真实地表达数据比例
# 16. 如何识别'伪需求'的常见信号，区分用户抱怨与实际付费意愿？ A 伪需求常表现为"要解法不要问题"、一次性情绪与付费意愿背离，应以口头、行为、付费三级证据验证真实需求 ✓ 正确答案 B 用户明确提出的需求都值得做 C 用户不愿意付费的需求也一定值得做 D 用户没说出来的需求一定不存在
# 17. 指标异常出现后如何用“假设-实验-验证”流程驱动产品改动，避免数据迷信与拍脑袋两个极端？ A 指标异常先改产品再说，事后验证即可 B 相关性数据足以支撑产品决策，无需实验 C 指标涨了就说明业务一定变好了 D 按"查数据质量-拆解维度-提可证伪假设-实验验证"闭环驱动改动，用代理指标认知与假设复盘避免数据迷信和拍脑袋 ✓ 正确答案
# 18. B 端与 C 端产品在用户访谈侧重点上的差异 A B 端与 C 端访谈方法完全相同 B C 端访谈样本小，结论可以直接当统计结果用 C B 端产品访谈只看操作者即可 D B 端需访谈操作者与决策者等多角色、追问业务价值与量化流程，C 端聚焦个体场景与情绪，结论都需后续验证 ✓ 正确答案
# 19. 功能使用率（Feature Adoption）的真实测量 A "使用率"只有一种标准算法，不存在口径问题 B 功能没人用一定代表功能失败 C 测量要先定分母、时间窗与分层口径（渗透/留存/深度），用曝光-尝试-持续-深度漏斗避免定义漂移与入口可见度误判 ✓ 正确答案 D 使用率测量不需要埋点，看日志即可
# 20. 用户行为数据的强相关性如何通过实验或自然实验逼近因果，常见的混淆变量与误读有哪些？ A 相关可能源于反向因果、混淆变量与自选择，需用 A/B 实验、自然实验等方法逼近因果，并警惕活跃度与幸存者偏差等混淆 ✓ 正确答案 B 用户行为数据中相关性足够强时即可断定因果 C 观察数据的相关性可以直接指导产品改动 D 因果推断只能靠大模型分析，统计方法无效
