2025年建設(shè)銀行新余市數(shù)據(jù)分析師筆試題及答案本文基于近年相關(guān)經(jīng)典題庫，通過專業(yè)模型學(xué)習(xí)創(chuàng)作而成，力求幫助考生深入理解題型，提升應(yīng)試能力。#2025年建設(shè)銀行新余市數(shù)據(jù)分析師筆試題及答案一、選擇題（共10題，每題2分，合計(jì)20分）題目1.以下哪個(gè)指標(biāo)不屬于銀行客戶流失預(yù)警模型的常用評(píng)估指標(biāo)？-A.AUC（AreaUndertheCurve）-B.F1-score-C.LogLoss-D.客戶留存率2.新余市某商圈的商戶消費(fèi)數(shù)據(jù)顯示，2024年第一季度與去年同期相比有明顯下滑，但二季度迅速反彈。造成這種現(xiàn)象的可能原因是：-A.春節(jié)假期導(dǎo)致消費(fèi)集中釋放-B.商圈進(jìn)行大規(guī)模促銷活動(dòng)-C.新余市產(chǎn)業(yè)結(jié)構(gòu)調(diào)整導(dǎo)致居民收入下降-D.以上都是3.建設(shè)銀行新余分行的信貸數(shù)據(jù)中，客戶年齡分布呈現(xiàn)右偏態(tài)分布，最適合的描述性統(tǒng)計(jì)量是：-A.均值-B.中位數(shù)-C.眾數(shù)-D.標(biāo)準(zhǔn)差4.以下哪種數(shù)據(jù)預(yù)處理方法適用于處理缺失值比例較高的數(shù)據(jù)集？-A.刪除含有缺失值的行-B.使用均值/中位數(shù)/眾數(shù)填充-C.KNN填充-D.以上都是5.在進(jìn)行銀行客戶信用評(píng)分建模時(shí)，以下哪個(gè)變量屬于典型的非線性關(guān)系變量？-A.客戶年齡-B.賬戶余額-C.婚姻狀況-D.信用歷史長(zhǎng)度6.新余市建設(shè)銀行某網(wǎng)點(diǎn)發(fā)現(xiàn)，周末的交易量顯著高于工作日。如果要對(duì)這一現(xiàn)象進(jìn)行歸因分析，以下哪種方法最合適？-A.留存分析-B.用戶畫像分析-C.A/B測(cè)試-D.因果推斷7.以下哪個(gè)SQL語句可以正確統(tǒng)計(jì)新余市建設(shè)銀行2024年每個(gè)月的貸款審批通過率？sqlSELECTMONTH(apply_date)ASmonth,ROUND(COUNT(accepted_loans)*1.0/COUNT(apply_loans),4)ASapproval_rateFROMloanApplicationsWHEREprovince='江西'ANDcity='新余'ANDYEAR(apply_date)=2024GROUPBYmonthORDERBYmonth;8.在銀行數(shù)據(jù)倉庫中，以下哪個(gè)概念描述的是將多個(gè)業(yè)務(wù)系統(tǒng)的數(shù)據(jù)整合到統(tǒng)一的數(shù)據(jù)存儲(chǔ)中？-A.數(shù)據(jù)挖掘-B.數(shù)據(jù)湖-C.數(shù)據(jù)集成-D.數(shù)據(jù)清洗9.新余市建設(shè)銀行發(fā)現(xiàn)某類信用卡用戶的逾期率突然上升，為了分析原因，最適合采用的分析方法是什么？-A.描述性統(tǒng)計(jì)分析-B.關(guān)聯(lián)規(guī)則挖掘-C.時(shí)間序列分析-D.聚類分析10.在進(jìn)行銀行客戶細(xì)分時(shí)，以下哪種算法不屬于非監(jiān)督學(xué)習(xí)方法？-A.K-Means聚類-B.DBSCAN聚類-C.決策樹分類-D.層次聚類答案1.D2.D3.B4.D5.B6.B7.SQL語句語法有誤，正確的寫法應(yīng)為：sqlSELECTEXTRACT(MONTHFROMapply_date)ASmonth,ROUND(COUNT(CASEWHENstatus='approved'THEN1END)*1.0/COUNT(*)ASapproval_rate)FROMloan_applicationsWHEREprovince='江西'ANDcity='新余'ANDEXTRACT(YEARFROMapply_date)=2024GROUPBYmonthORDERBYmonth;答案：SQL語句需修改8.C9.C10.C二、填空題（共5題，每題2分，合計(jì)10分）題目1.在進(jìn)行銀行客戶流失預(yù)測(cè)時(shí)，如果模型的預(yù)測(cè)結(jié)果與實(shí)際結(jié)果存在系統(tǒng)性偏差，說明模型存在__________問題。2.新余市建設(shè)銀行某網(wǎng)點(diǎn)2024年第一季度信用卡交易量環(huán)比下降15%，二季度環(huán)比上升20%，其季度環(huán)比增長(zhǎng)率分別為__________和__________。3.銀行數(shù)據(jù)倉庫中，ODS（OperationalDataStore）層通常存放的是__________數(shù)據(jù)。4.在進(jìn)行銀行客戶信用評(píng)分時(shí)，常用的評(píng)分卡模型中，分?jǐn)?shù)與信用風(fēng)險(xiǎn)呈__________關(guān)系。5.如果某銀行客戶在2024年1月、3月和5月都辦理了貸款，但在2月和4月沒有辦理貸款，那么其貸款辦理的頻率為__________次/月。答案1.偏差2.-15%，20%3.原始業(yè)務(wù)4.負(fù)相關(guān)5.1三、簡(jiǎn)答題（共3題，每題10分，合計(jì)30分）題目1.簡(jiǎn)述銀行客戶流失預(yù)警模型的建設(shè)流程，并說明每個(gè)階段的關(guān)鍵步驟。2.在分析新余市建設(shè)銀行某類信用卡用戶的消費(fèi)行為時(shí)，如何通過SQL查詢獲取用戶的月均消費(fèi)金額、消費(fèi)頻率（每月消費(fèi)次數(shù)）和最高消費(fèi)金額？3.銀行數(shù)據(jù)倉庫中，DW（DataWarehouse）層和DM（DataMart）層的區(qū)別是什么？在新余市建設(shè)銀行的數(shù)據(jù)分析實(shí)踐中，如何應(yīng)用這兩個(gè)層次？答案1.銀行客戶流失預(yù)警模型的建設(shè)流程及關(guān)鍵步驟（1）需求分析與數(shù)據(jù)準(zhǔn)備階段-關(guān)鍵步驟：-與業(yè)務(wù)部門溝通，明確流失預(yù)警的目標(biāo)（如流失定義、預(yù)警時(shí)間窗口等）-收集相關(guān)數(shù)據(jù)（客戶基本信息、交易數(shù)據(jù)、行為數(shù)據(jù)等）-進(jìn)行數(shù)據(jù)清洗和預(yù)處理（處理缺失值、異常值，統(tǒng)一數(shù)據(jù)格式等）-初步探索性分析（描述性統(tǒng)計(jì)、相關(guān)性分析等）（2）特征工程階段-關(guān)鍵步驟：-根據(jù)業(yè)務(wù)知識(shí)和數(shù)據(jù)分析結(jié)果，構(gòu)建潛在的特征變量-特征篩選（使用統(tǒng)計(jì)方法或模型選擇特征）-特征轉(zhuǎn)換（如標(biāo)準(zhǔn)化、歸一化、離散化等）-特征降維（如PCA、LDA等方法）（3）模型選擇與訓(xùn)練階段-關(guān)鍵步驟：-選擇合適的分類算法（如邏輯回歸、決策樹、XGBoost等）-劃分訓(xùn)練集和測(cè)試集-使用訓(xùn)練集訓(xùn)練模型-調(diào)整模型參數(shù)（如網(wǎng)格搜索、貝葉斯優(yōu)化等）（4）模型評(píng)估與優(yōu)化階段-關(guān)鍵步驟：-使用測(cè)試集評(píng)估模型性能（AUC、F1-score、Precision等）-分析模型偏差和方差-回歸特征重要性-根據(jù)評(píng)估結(jié)果調(diào)整模型或特征（5）模型部署與監(jiān)控階段-關(guān)鍵步驟：-將模型部署到生產(chǎn)環(huán)境-建立模型監(jiān)控機(jī)制（定期評(píng)估模型性能，及時(shí)發(fā)現(xiàn)模型衰減）-根據(jù)業(yè)務(wù)變化調(diào)整模型2.SQL查詢獲取用戶月均消費(fèi)金額、消費(fèi)頻率和最高消費(fèi)金額sqlSELECTuser_id,EXTRACT(YEARFROMtransaction_date)ASyear,EXTRACT(MONTHFROMtransaction_date)ASmonth,ROUND(SUM(transaction_amount)/NULLIF(COUNT(transaction_id),0),2)ASavg_monthly_consumption,COUNT(transaction_id)ASconsumption_frequency,MAX(transaction_amount)ASmax_consumptionFROMcredit_card_transactionsWHEREuser_idISNOTNULLANDtransaction_dateBETWEEN'2024-01-01'AND'2024-12-31'GROUPBYuser_id,year,monthORDERBYuser_id,year,month;解析：-`SUM(transaction_amount)`：計(jì)算每月總消費(fèi)金額-`COUNT(transaction_id)`：計(jì)算每月消費(fèi)次數(shù)-`ROUND(SUM(transaction_amount)/NULLIF(COUNT(transaction_id),0),2)`：計(jì)算月均消費(fèi)金額（處理消費(fèi)次數(shù)為0的情況）-`MAX(transaction_amount)`：計(jì)算每月最高消費(fèi)金額-`GROUPBYuser_id,year,month`：按用戶ID和月份分組3.銀行數(shù)據(jù)倉庫中DW層和DM層的區(qū)別及新余市建設(shè)銀行的應(yīng)用DW（DataWarehouse）層和DM（DataMart）層的區(qū)別：-DW（數(shù)據(jù)倉庫）層：-功能：存儲(chǔ)整合自多個(gè)業(yè)務(wù)系統(tǒng)的數(shù)據(jù)，進(jìn)行全局性分析。數(shù)據(jù)是主題化的，面向整個(gè)企業(yè)。-特點(diǎn)：數(shù)據(jù)量大、粒度較粗、更新頻率較低（通常為每天或每周）。-新余市建設(shè)銀行應(yīng)用：可用于全局客戶分析、市場(chǎng)趨勢(shì)分析、風(fēng)險(xiǎn)監(jiān)控等。-DM（數(shù)據(jù)集市）層：-功能：針對(duì)特定業(yè)務(wù)部門或主題的細(xì)分?jǐn)?shù)據(jù)集合，方便部門級(jí)分析。-特點(diǎn)：數(shù)據(jù)量相對(duì)較小、粒度較細(xì)、更新頻率較高（實(shí)時(shí)或近實(shí)時(shí)）。-新余市建設(shè)銀行應(yīng)用：可用于信用卡部門分析用戶消費(fèi)行為、信貸部門分析客戶信用風(fēng)險(xiǎn)、個(gè)人金融部門分析客戶理財(cái)需求等。新余市建設(shè)銀行的應(yīng)用場(chǎng)景：-DW層：用于存儲(chǔ)全行交易數(shù)據(jù)、客戶基礎(chǔ)數(shù)據(jù)等，支持跨部門、跨業(yè)務(wù)線的綜合分析。例如，通過DW層數(shù)據(jù)可以分析新余市不同區(qū)域的客戶分布特征。-DM層：用于支持具體業(yè)務(wù)部門的分析需求。例如，信用卡數(shù)據(jù)集市可以快速響應(yīng)新余市信用卡營(yíng)銷活動(dòng)的效果分析。四、綜合分析題（共1題，20分）題目新余市建設(shè)銀行某網(wǎng)點(diǎn)2024年信用卡業(yè)務(wù)數(shù)據(jù)顯示，年輕客戶（年齡≤30歲）的逾期率顯著高于中年客戶（31≤年齡≤50歲）和老客戶（年齡>50歲）。請(qǐng)?jiān)O(shè)計(jì)一個(gè)分析方案，解釋這一現(xiàn)象的可能原因，并提出相應(yīng)的業(yè)務(wù)建議。要求：1.分析可能的影響因素（至少列出5個(gè)）2.設(shè)計(jì)SQL查詢獲取相關(guān)數(shù)據(jù)3.提出至少3條業(yè)務(wù)建議答案1.可能的影響因素-收入穩(wěn)定性：年輕客戶收入水平相對(duì)較低，且職業(yè)發(fā)展處于不穩(wěn)定階段，抗風(fēng)險(xiǎn)能力較弱。-消費(fèi)習(xí)慣：年輕客戶更傾向于超前消費(fèi)，且對(duì)信用卡的還款規(guī)則了解不夠充分。-信用意識(shí)：年輕客戶信用意識(shí)相對(duì)薄弱，對(duì)逾期后果的重視程度較低。-教育水平：教育水平與信用風(fēng)險(xiǎn)呈負(fù)相關(guān)，年輕客戶的教育水平可能相對(duì)較低。-家庭負(fù)擔(dān)：年輕客戶可能處于戀愛、購房等階段，家庭負(fù)擔(dān)較重，還款壓力較大。2.SQL查詢獲取相關(guān)數(shù)據(jù)sqlSELECTCASEWHENage<=30THEN'年輕客戶'WHENageBETWEEN31AND50THEN'中年客戶'ELSE'老客戶'ENDAScustomer_age_group,COUNT(*)AStotal_customers,SUM(CASEWHENstatus='delinquent'THEN1ELSE0END)ASdelinquent_customers,ROUND(SUM(CASEWHENstatus='delinquent'THEN1ELSE0END)*1.0/COUNT(*)*100,2)ASdelinquency_rate,AVG(credit_limit)ASavg_credit_limit,AVG(balance)ASavg_balance,AVG(annual_income)ASavg_annual_incomeFROMcredit_card_customersWHEREapply_dateBETWEEN'2020-01-01'AND'2024-12-31'GROUPBYcustomer_age_groupORDERBYdelinquency_rateDESC;解析：-`CASEWHENage<=30THEN'年輕客戶'...ELSE'老客戶'END`：將客戶按年齡分組-`SUM(CASEWHENstatus='delinquent'THEN1ELSE0END)`：計(jì)算每組客戶的逾期人數(shù)-`AVG(credit_limit)`、`AVG(balance)`、`AVG(annual_income)`：計(jì)算每組客戶的平均信用額度、平均賬戶余額和平均年收入3.業(yè)務(wù)建議-加強(qiáng)年輕客戶信用教育：通過線上線下渠道，向年輕客戶普及信用卡使用