业务数据指标与埋点分析

1. 简历关联点

架构师和高级全栈面试里，面试官不一定只问 QPS（每秒查询率）、TPS（每秒事务数）、P99（99 分位响应时间）这类技术指标，也会追问：

• 你们系统 DAU（每日活跃用户数）和 MAU（月活跃用户数）大概怎么看？
• PV（页面浏览量）和 UV（独立访客数）有什么区别？
• 订单转化率、支付成功率、留存率怎么算？
• 埋点怎么设计，怎么保证数据可信？
• 业务数据突然上涨或下跌，你怎么判断是真实变化还是埋点问题？

这些问题不是要求你编一个很大的数字，而是看你是否具备业务口径、数据可信度、埋点治理和业务可观测性思维。

本模块用于准备：

• PV（页面浏览量）、UV（独立访客数）、DAU（每日活跃用户数）、WAU（周活跃用户数）、MAU（月活跃用户数）。
• Retention Rate（留存率）、Conversion Rate（转化率）、Bounce Rate（跳出率）、GMV（商品交易总额）。
• ARPU（每用户平均收入）、ARPPU（每付费用户平均收入）、支付成功率、履约成功率。
• 埋点事件模型、用户标识、设备标识、会话标识。
• Funnel Analysis（漏斗分析）、Path Analysis（路径分析）、Cohort Analysis（同期群分析）。
• 数据合理性判断、数据质量排查和面试口述样例。

2. 面试主线

回答业务数据问题时，建议按“指标口径 -> 计算公式 -> 数据来源 -> 去重规则 -> 合理性判断 -> 异常排查 -> 项目落地”来讲。

业务目标
  -> 指标定义
  -> 统计口径
  -> 数据采集
  -> 数据清洗
  -> 分析方法
  -> 业务决策

一句话模板：

我不会直接说一个 DAU（每日活跃用户数）或 PV（页面浏览量）数字，而会先说明统计口径。比如 DAU（每日活跃用户数）按自然日去重 User ID（用户标识）统计，PV（页面浏览量）按页面曝光事件计数，UV（独立访客数）按用户或设备去重。然后再看数据来源、去重规则、过滤规则、埋点丢失、重复上报和业务场景，最后判断数据是否能支撑业务分析。

3. 核心业务指标

3.1 PV（页面浏览量）、UV（独立访客数）和访问次数

计算示例：

某页面一天有 10000 次 page_view（页面浏览事件）
其中去重 User ID（用户标识）为 2500 人
则：
PV（页面浏览量）= 10000
UV（独立访客数）= 2500
人均浏览页数 = PV（页面浏览量） / UV（独立访客数） = 4

注意：

• PV（页面浏览量）可以重复计数，UV（独立访客数）必须去重。
• 登录用户优先用 User ID（用户标识），未登录用户通常用 Device ID（设备标识）或 Cookie ID（浏览器标识）。
• B 端系统里的 PV（页面浏览量）意义弱于业务操作量，例如 WMS（仓储管理系统）更关心拣货、复核、出库、库存调整等操作事件。

热门面试题

1. 问题（基础题）：PV（页面浏览量）和 UV（独立访客数）有什么区别？

   • 考点：计数口径和去重口径。
   • 回答思路：PV（页面浏览量）是页面浏览次数，一个用户刷新 10 次算 10 次；UV（独立访客数）是独立用户数，同一个统计周期内同一个 User ID（用户标识）只算 1 个。
   • 进阶追问：未登录用户怎么统计 UV（独立访客数）？

2. 问题（原理题）：为什么 PV（页面浏览量）上涨不一定代表业务变好？

   • 考点：指标解释和业务目标。
   • 回答思路：PV（页面浏览量）可能来自刷新、爬虫、页面异常跳转或用户找不到目标反复浏览。要结合 UV（独立访客数）、Conversion Rate（转化率）、停留时长和业务操作完成率判断。
   • 进阶追问：如何识别刷量或异常流量？

3. 问题（项目追问题）：WMS（仓储管理系统）后台需要看 PV（页面浏览量）吗？

   • 考点：指标和业务场景匹配。
   • 回答思路：后台系统不应只看 PV（页面浏览量），更应该看业务操作事件，比如出库单创建量、拣货完成量、复核通过率、库存调整次数和异常处理时长。
   • 进阶追问：如何用指标判断仓库作业效率？

3.2 DAU（每日活跃用户数）、WAU（周活跃用户数）和 MAU（月活跃用户数）

活跃事件要先定义。不同系统的“活跃”不一样：

计算示例：

某月 MAU（月活跃用户数）= 50000
日均 DAU（每日活跃用户数）= 8000
DAU/MAU（每日活跃用户数/月活跃用户数）= 8000 / 50000 = 16%

解释：
如果是工具型系统，16% 可能合理；
如果是强日常应用，16% 可能偏低；
如果是低频跨境物流后台，16% 可能正常。

合理性判断：

• C 端高频产品通常希望 DAU/MAU（每日活跃用户数/月活跃用户数）更高。
• B 端系统要结合工作日、岗位职责和业务周期，不应直接套 C 端标准。
• MAU（月活跃用户数）很高但 DAU（每日活跃用户数）很低，可能是低频业务，也可能是留存差。
• DAU（每日活跃用户数）突然暴涨，要排查重复埋点、爬虫、批处理账号和测试账号。

热门面试题

1. 问题（基础题）：DAU（每日活跃用户数）怎么计算？

   • 考点：活跃定义和去重。
   • 回答思路：先定义有效活跃事件，再按自然日对 User ID（用户标识）去重统计。登录不一定等于活跃，具体要看业务目标。
   • 进阶追问：一个用户多设备登录怎么算？

2. 问题（原理题）：DAU/MAU（每日活跃用户数/月活跃用户数）代表什么？

   • 考点：用户粘性。
   • 回答思路：它反映月活用户中每天使用的比例。值越高通常说明使用频率越高，但合理区间要结合产品类型和业务周期。
   • 进阶追问：为什么 B 端系统不能直接和 C 端产品比较 DAU/MAU（每日活跃用户数/月活跃用户数）？

3. 问题（项目追问题）：跨境物流系统的活跃用户怎么定义？

   • 考点：业务有效动作。
   • 回答思路：不能只看登录，可以把查询轨迹、处理异常、更新运单状态、导出报表、配置规则等定义为有效活跃，再按角色和工作日分析。
   • 进阶追问：客服和仓库操作员的活跃口径是否应该一样？

3.3 GMV（商品交易总额）、订单量和支付成功率

计算示例：

创建订单 10000 单
发起支付 8000 单
支付成功 7200 单
取消 1500 单
退款 300 单

下单到支付转化率 = 7200 / 10000 = 72%
支付成功率 = 7200 / 8000 = 90%
退款率 = 300 / 7200 ≈ 4.17%

面试表达：

我会区分订单创建口径和支付成功口径。GMV（商品交易总额）如果包含未支付订单，会偏乐观；支付 GMV（商品交易总额）更接近真实收入。支付成功率也要拆技术失败和用户取消，不能把用户主动取消都算成系统失败。

热门面试题

1. 问题（基础题）：GMV（商品交易总额）是不是收入？

   • 考点：交易额和收入的区别。
   • 回答思路：GMV（商品交易总额）是交易总额，不等于收入。还要扣除退款、取消、优惠、平台补贴和结算周期，真实收入要看财务口径。
   • 进阶追问：为什么面试中要说明 GMV（商品交易总额）口径？

2. 问题（原理题）：支付成功率下降怎么排查？

   • 考点：业务失败和技术失败拆分。
   • 回答思路：先看是发起支付减少、通道失败增加、回调延迟、验签失败、用户取消变多，还是订单状态机异常。技术上要看 Webhook（回调通知）、幂等、超时和对账。
   • 进阶追问：支付通道返回成功但订单没更新，数据指标会怎么表现？

3. 问题（项目追问题）：跨境支付项目里你会关注哪些业务指标？

   • 考点：资金一致性和业务指标联动。
   • 回答思路：关注发起支付数、支付成功数、支付成功率、回调延迟、对账差异、退款率、拒付率和异常补偿数量。
   • 进阶追问：如何区分支付通道问题和内部系统问题？

4. 转化、留存和漏斗分析

4.1 Conversion Rate（转化率）和 Funnel Analysis（漏斗分析）

Conversion Rate（转化率）是从一个步骤进入另一个目标步骤的比例。Funnel Analysis（漏斗分析）用于定位用户或业务流程在哪一步流失。

flowchart LR
    A["访问商品页 PV（页面浏览量）"] --> B["点击购买"]
    B --> C["提交订单"]
    C --> D["发起支付"]
    D --> E["支付成功"]

示例：

面试表达：

漏斗不是只看最终转化率，而是看每一步的相邻转化率。比如提交订单到发起支付掉得多，可能是库存、价格、运费、地址校验或优惠券问题；发起支付到支付成功掉得多，可能是通道、风控、回调或用户取消问题。

热门面试题

1. 问题（基础题）：Conversion Rate（转化率）怎么计算？

   • 考点：分子和分母。
   • 回答思路：目标行为用户数除以上一步或起始行为用户数。必须说清是相邻转化率还是总体转化率，是否按用户去重。
   • 进阶追问：订单转化率按订单数还是用户数算？

2. 问题（原理题）：漏斗分析为什么要按步骤拆？

   • 考点：定位流失点。
   • 回答思路：只看最终转化率无法知道问题发生在哪里。拆步骤后可以定位是入口质量、商品信息、库存、支付、物流还是系统异常导致流失。
   • 进阶追问：漏斗中重复进入同一步的用户怎么处理？

3. 问题（项目追问题）：支付漏斗怎么设计？

   • 考点：支付链路观测。
   • 回答思路：可以设计提交订单、发起支付、跳转通道、通道返回、收到 Webhook（回调通知）、订单改成功、账务入账等步骤，分别统计转化率和耗时。
   • 进阶追问：支付回调延迟会影响哪一步数据？

4.2 Retention Rate（留存率）和 Cohort Analysis（同期群分析）

Retention Rate（留存率）用于衡量用户在某个时间后是否再次活跃。Cohort Analysis（同期群分析）把同一批进入系统的用户放在一起观察。

示例：

6 月 1 日新增用户 1000 人
6 月 2 日其中 300 人再次活跃
6 月 8 日其中 180 人再次活跃

次日 Retention Rate（留存率）= 300 / 1000 = 30%
7 日 Retention Rate（留存率）= 180 / 1000 = 18%

B 端项目要注意：

• WMS（仓储管理系统）和跨境物流不一定看新增用户留存，更适合看客户、仓库、店铺、账号、角色的持续使用。
• Runner（执行器）调度平台可以看任务配置留存、规则复用率和成功执行率。
• IoT（物联网）平台可以看设备在线留存、规则启用留存和报警处理留存。

热门面试题

1. 问题（基础题）：Retention Rate（留存率）怎么计算？

   • 考点：同期群和再次活跃。
   • 回答思路：先定义某天新增或激活的一批用户，再看后续第 N 天仍然活跃的比例。关键是同一批用户和同一活跃口径。
   • 进阶追问：自然日留存和滚动留存有什么区别？

2. 问题（原理题）：为什么要做 Cohort Analysis（同期群分析）？

   • 考点：避免混合人群误判。
   • 回答思路：不同时间、渠道、版本进入的用户质量不同。Cohort Analysis（同期群分析）能把同批用户放在一起看，避免被新增量或渠道变化掩盖真实留存。
   • 进阶追问：一次版本发布后留存下降，怎么验证是否由版本导致？

3. 问题（项目追问题）：B 端系统的留存怎么讲更合理？

   • 考点：业务周期。
   • 回答思路：B 端系统更适合看组织、店铺、仓库、角色或设备维度的持续使用，而不是简单套 C 端新增用户留存。
   • 进阶追问：仓库系统节假日留存下降一定是坏事吗？

4.3 ARPU（每用户平均收入）、ARPPU（每付费用户平均收入）和客单价

示例：

月支付 GMV（商品交易总额）= 100 万
MAU（月活跃用户数）= 50000
付费用户数 = 5000
支付订单数 = 8000

ARPU（每用户平均收入）= 1000000 / 50000 = 20
ARPPU（每付费用户平均收入）= 1000000 / 5000 = 200
AOV（平均订单价值）= 1000000 / 8000 = 125

注意：这些指标适合 C 端交易或 SaaS（软件即服务）系统。WMS（仓储管理系统）和物流后台更常看履约成本、单量、时效、异常率和人效。

热门面试题

1. 问题（基础题）：ARPU（每用户平均收入）和 ARPPU（每付费用户平均收入）有什么区别？

   • 考点：活跃用户和付费用户。
   • 回答思路：ARPU（每用户平均收入）分母是所有活跃用户，ARPPU（每付费用户平均收入）分母是付费用户。前者看整体商业价值，后者看付费用户质量。
   • 进阶追问：为什么 ARPPU（每付费用户平均收入）高但收入不一定高？

2. 问题（原理题）：客单价上涨一定是好事吗？

   • 考点：单指标误导。
   • 回答思路：不一定。AOV（平均订单价值）上涨可能来自高价商品占比提升，也可能是低价用户流失。要结合订单量、Conversion Rate（转化率）、退款率和利润率看。
   • 进阶追问：如何判断是结构变化还是整体变好？

3. 问题（项目追问题）：跨境物流项目不看 ARPU（每用户平均收入）时看什么？

   • 考点：业务指标适配。
   • 回答思路：更适合看日单量、履约时效、轨迹完整率、异常件率、妥投率、面单成功率、运费成本和客服处理时长。
   • 进阶追问：如何把物流指标和系统架构关联起来？

5. 埋点体系设计

5.1 Event（事件）模型和属性设计

埋点不是简单记录日志，而是把业务动作抽象成 Event（事件）。一个 Event（事件）至少要包含 who（谁）、when（何时）、where（哪里）、what（做了什么）、result（结果）。

事件命名建议：

对象_动作_结果

order_submit_success（订单提交成功）
payment_callback_received（支付回调已接收）
inventory_deduct_failed（库存扣减失败）
alarm_confirm_success（报警确认成功）

热门面试题

1. 问题（基础题）：埋点事件应该包含哪些字段？

   • 考点：事件模型完整性。
   • 回答思路：至少包含事件名称、事件时间、User ID（用户标识）、Device ID（设备标识）、Session ID（会话标识）、业务属性、结果和 TraceId（链路标识），这样才能做归因、排查和链路关联。
   • 进阶追问：为什么前端事件最好能带 TraceId（链路标识）？

2. 问题（原理题）：埋点和普通日志有什么区别？

   • 考点：面向分析和面向排障。
   • 回答思路：日志偏工程排障，字段可能不稳定；埋点面向分析，事件名、属性、口径要稳定，便于聚合、漏斗和长期趋势分析。
   • 进阶追问：能不能直接用日志做业务指标？

3. 问题（项目追问题）：库存防超卖链路要埋哪些事件？

   • 考点：核心业务动作。
   • 回答思路：可以埋下单尝试、库存预扣、库存扣减成功、库存不足、支付超时释放、补偿成功等事件，并携带 SKU（库存单位）、仓库、订单号和结果。
   • 进阶追问：如何避免重复事件导致库存指标虚高？

5.2 前端埋点、后端埋点和服务端事实

设计原则：

• 曝光、点击、路径优先前端埋点。
• 订单、支付、库存、履约这类结果指标必须以后端事实为准。
• 前端埋点适合分析用户行为，不适合作为资金、库存和履约事实来源。
• 关键事件要有幂等 ID（标识），避免重试导致重复计数。

热门面试题

1. 问题（基础题）：前端埋点和后端埋点怎么选？

   • 考点：行为过程和业务事实。
   • 回答思路：前端适合曝光、点击、路径；后端适合订单、支付、库存、履约结果。关键业务指标必须以后端事实为准。
   • 进阶追问：按钮点击埋点上报了，但后端订单没创建，算转化吗？

2. 问题（原理题）：为什么支付成功不能以前端跳转页为准？

   • 考点：资金事实。
   • 回答思路：前端跳转可能失败、刷新、伪造或丢失。支付成功必须以支付通道回调、主动查询和对账结果为准。
   • 进阶追问：回调和主动查询结果冲突怎么办？

3. 问题（项目追问题）：跨境物流轨迹展示 PV（页面浏览量）和真实轨迹更新量为什么不同？

   • 考点：展示行为和业务事实。
   • 回答思路：PV（页面浏览量）是用户查看轨迹，轨迹更新量是物流节点变化。前者是用户行为，后者是业务事实，两个指标服务的分析目标不同。
   • 进阶追问：如何判断轨迹查询量上涨是用户关心还是物流异常增加？

5.3 数据质量和合理性校验

数据是否合理，要从口径、来源、趋势、对账和异常模式判断。

合理性判断清单：

• 分子和分母是否一致。
• 时间窗口是否一致。
• 是否按 User ID（用户标识）去重。
• 是否排除测试账号、内部账号、爬虫和批处理账号。
• 前端埋点和后端事实是否能对账。
• 指标变化是否能被业务活动、版本发布或系统故障解释。

热门面试题

1. 问题（基础题）：怎么判断一个业务数据是否可信？

   • 考点：数据质量。
   • 回答思路：看口径、来源、去重、过滤、趋势、和其他事实表的对账结果。单个指标不能孤立判断。
   • 进阶追问：PV（页面浏览量）和后端请求量对不上怎么办？

2. 问题（原理题）：埋点重复上报会造成什么问题？

   • 考点：数据污染。
   • 回答思路：会抬高 PV（页面浏览量）、点击量、转化步骤人数，导致漏斗失真。关键事件要有 Event ID（事件标识）或业务唯一键做去重。
   • 进阶追问：事件去重放在采集端还是计算端？

3. 问题（项目追问题）：支付成功数和订单成功数对不上怎么排查？

   • 考点：业务对账。
   • 回答思路：按支付流水号、订单号、通道事件 ID（标识）对账，检查 Webhook（回调通知）延迟、幂等冲突、状态机流转和补偿任务。
   • 进阶追问：如何设计日报对账指标？

6. 项目指标落地

6.1 WMS（仓储管理系统）和库存业务指标

WMS（仓储管理系统）更偏 B 端操作系统，核心不是 DAU（每日活跃用户数）越大越好，而是作业效率、准确率和异常处理能力。

口述样例：

WMS（仓储管理系统）我不会重点讲 PV（页面浏览量），而会讲业务操作指标。比如出库单量、拣货完成率、复核通过率、库存调整次数、超卖拦截数和平均出库时长。技术上再把这些指标和库存服务、任务调度、MQ（消息队列）积压、数据库写入能力关联起来。

热门面试题

1. 问题（基础题）：WMS（仓储管理系统）应该看哪些业务指标？

   • 考点：B 端业务指标。
   • 回答思路：看出入库单量、拣货完成率、复核通过率、库存准确率、异常单量、平均处理时长和人效，而不是只看页面访问。
   • 进阶追问：如何用指标发现仓库瓶颈？

2. 问题（原理题）：为什么库存调整次数过高要关注？

   • 考点：库存准确性。
   • 回答思路：库存调整说明系统库存和实际库存可能不一致。次数过高可能来自流程漏洞、扫码异常、并发扣减问题或人工绕流程。
   • 进阶追问：如何区分业务调整和系统异常？

3. 问题（项目追问题）：超卖拦截数能说明防超卖系统好吗？

   • 考点：指标解释。
   • 回答思路：它说明系统拦住了一部分风险，但还要看误拦率、少卖、最终库存一致性、支付超时释放和补偿结果。
   • 进阶追问：如何设计防超卖的业务监控看板？

6.2 跨境物流和履约指标

口述样例：

跨境物流我会重点讲履约指标，而不是只讲系统访问量。比如面单成功率、轨迹完整率、轨迹延迟、异常件率和妥投率。系统设计上要把外部接口慢、轨迹乱序、重复推送和 MQ（消息队列）积压纳入监控。

热门面试题

1. 问题（基础题）：物流系统的核心业务指标有哪些？

   • 考点：履约质量。
   • 回答思路：看面单成功率、轨迹完整率、轨迹延迟、异常件率、妥投率和平均履约时长。
   • 进阶追问：轨迹完整率低一定是系统问题吗？

2. 问题（原理题）：轨迹延迟怎么计算？

   • 考点：事件时间和入库时间。
   • 回答思路：可以用轨迹节点发生时间到系统接收或用户可见时间的差值。要区分第三方延迟、拉取周期和内部消费延迟。
   • 进阶追问：事件时间不可信怎么办？

3. 问题（项目追问题）：异常件率上升怎么分析？

   • 考点：业务和系统联动。
   • 回答思路：按物流渠道、国家、仓库、SKU（库存单位）、时间段拆分，再看是否伴随轨迹延迟、面单失败、外部接口超时或系统发布。
   • 进阶追问：如何把异常件率纳入告警？

6.3 IoT（物联网）报警和 Runner（执行器）任务指标

口述样例：

IoT（物联网）报警风暴治理不能只看吞吐量，也要看重复报警率、聚合压缩率、高级报警触达率和确认时长。Runner（执行器）调度则要看任务成功率、重试率、平均等待时长和积压量，这些指标能反映平台是否真正稳定可用。

热门面试题

1. 问题（基础题）：报警系统除了报警量还要看什么？

   • 考点：报警质量。
   • 回答思路：还要看误报率、重复报警率、确认率、确认时长、高级报警触达率和通知成功率。
   • 进阶追问：报警量下降一定是好事吗？

2. 问题（原理题）：任务成功率和重试率要一起看吗？

   • 考点：可靠性指标组合。
   • 回答思路：要一起看。任务最终成功率高但重试率也高，说明系统可能依赖重试掩盖了下游不稳定或幂等问题。
   • 进阶追问：如何识别重试风暴？

3. 问题（项目追问题）：Runner（执行器）积压上升对业务有什么影响？

   • 考点：异步延迟。
   • 回答思路：会导致报表延迟、同步延迟、补偿延迟或通知延迟。要按任务类型、优先级和下游依赖拆开看。
   • 进阶追问：哪些任务应该优先消费？

7. 数据异常排查路径

7.1 指标突然变化怎么排查

flowchart TD
    A["指标异常"] --> B["确认口径是否变化"]
    B --> C["检查埋点发布和版本"]
    C --> D["拆分渠道、地区、设备、角色"]
    D --> E["对照后端事实表"]
    E --> F["检查系统故障和外部依赖"]
    F --> G["输出结论和修复动作"]

排查顺序：

1. 先确认指标口径有没有变化。
2. 再看埋点版本、页面版本、服务版本有没有发布。
3. 按渠道、地区、设备、角色、业务类型拆分。
4. 和后端事实表对账，例如订单表、支付流水、库存流水、任务表。
5. 看是否有系统故障、第三方接口异常、MQ（消息队列）积压或批任务延迟。

热门面试题

1. 问题（基础题）：DAU（每日活跃用户数）突然下降先看什么？

   • 考点：口径和采集。
   • 回答思路：先看埋点是否丢失、版本是否发布、登录是否异常，再拆渠道和设备，最后看是否真实业务下降。
   • 进阶追问：如何证明不是埋点问题？

2. 问题（原理题）：为什么要和后端事实表对账？

   • 考点：数据可信度。
   • 回答思路：前端埋点可能丢失或重复，后端事实表更接近业务结果。对账可以判断分析指标是否偏离真实业务。
   • 进阶追问：事实表也延迟怎么办？

3. 问题（项目追问题）：支付转化率下降怎么排查？

   • 考点：漏斗和系统链路。
   • 回答思路：按提交订单、发起支付、通道返回、Webhook（回调通知）、订单状态更新、账务入账拆分，结合通道错误、回调延迟和对账差异定位。
   • 进阶追问：如何判断是用户取消还是通道失败？

8. 面试口述模板

8.1 你们 DAU（每日活跃用户数）和 MAU（月活跃用户数）怎么统计

我会先定义活跃口径。
如果是 C 端系统，可能把搜索、加购、下单、支付这类有效行为算作活跃；
如果是 WMS（仓储管理系统）或物流后台，登录不一定算活跃，更应该看创建波次、拣货、复核、出库、处理异常、更新轨迹等业务动作。

计算上，DAU（每日活跃用户数）按自然日对 User ID（用户标识）去重；
MAU（月活跃用户数）按自然月对 User ID（用户标识）去重。
未登录用户可以用 Device ID（设备标识）或 Cookie ID（浏览器标识）做近似，但要说明误差。

热门面试题

1. 问题（基础题）：面试官问 DAU（每日活跃用户数）时，为什么不能只报数字？

   • 考点：统计口径。
   • 回答思路：要先说明活跃事件、统计窗口、去重字段和过滤规则，否则数字不可比较，也无法判断是否可信。
   • 进阶追问：登录算不算活跃，应该怎么回答？

2. 问题（原理题）：B 端系统的 DAU（每日活跃用户数）为什么要按角色拆？

   • 考点：岗位行为差异。
   • 回答思路：仓库操作员、客服、运营、管理员的工作频率和有效动作不同，混在一起会掩盖真实使用情况。
   • 进阶追问：仓库管理员周末不活跃是否代表留存差？

3. 问题（项目追问题）：WMS（仓储管理系统）的有效活跃怎么定义？

   • 考点：业务动作。
   • 回答思路：可以把创建波次、拣货、复核、出库、库存调整、异常处理作为有效活跃，而不是简单登录。
   • 进阶追问：如何避免批处理账号污染 DAU（每日活跃用户数）？

8.2 你们如何保证埋点数据可信

我会从三个层面保证可信。
第一是口径治理，事件名、属性、分子、分母、去重规则要写清楚。
第二是采集治理，关键事件要有 Event ID（事件标识）或业务唯一键，防止重复上报。
第三是对账治理，订单、支付、库存、履约这类核心指标必须和后端事实表对账。

如果数据突然变化，我不会先下业务结论，而是先查口径、版本、埋点、渠道和后端事实。

热门面试题

1. 问题（基础题）：埋点可信度最核心看什么？

   • 考点：口径和对账。
   • 回答思路：看事件定义是否稳定、字段是否完整、是否有 Event ID（事件标识）去重、是否过滤测试数据，以及能否和后端事实表对账。
   • 进阶追问：前端埋点丢失时怎么补救？

2. 问题（原理题）：为什么订单、支付、库存不能只靠前端埋点？

   • 考点：业务事实来源。
   • 回答思路：前端可能丢失、重复、被拦截或伪造。订单、支付、库存涉及交易和资金，必须以后端状态机、流水和对账结果为准。
   • 进阶追问：前端支付成功页和后端支付状态不一致怎么办？

3. 问题（项目追问题）：跨境物流轨迹埋点如何保证可信？

   • 考点：事件来源和状态机。
   • 回答思路：轨迹事实来自物流节点和状态机，用户查看轨迹只是行为埋点。要用运单号、轨迹节点、节点时间和来源渠道做幂等。
   • 进阶追问：第三方重复推送轨迹怎么去重？

8.3 你怎么看业务数据和系统架构的关系

业务指标能反向指导架构设计。
比如支付转化率下降，可能暴露支付通道、回调、状态机或对账问题；
轨迹延迟升高，可能暴露第三方接口、MQ（消息队列）积压或消费能力问题；
任务成功率下降，可能暴露 Runner（执行器）调度、重试和下游依赖问题。

所以我会把业务指标、技术指标和链路追踪放在一起看，而不是只看机器资源。

热门面试题

1. 问题（基础题）：业务指标和技术指标有什么区别？

   • 考点：影响面和原因定位。
   • 回答思路：业务指标说明用户和业务结果是否受影响，技术指标说明系统资源、链路和依赖是否异常。两者结合才能判断优先级和根因。
   • 进阶追问：只有 CPU（中央处理器）高但业务指标正常，是否要立刻扩容？

2. 问题（原理题）：为什么业务指标能指导架构演进？

   • 考点：从结果倒推瓶颈。
   • 回答思路：支付转化率、轨迹延迟、任务成功率、报警确认率等指标能暴露系统设计上的瓶颈，比如通道隔离、异步能力、状态机和补偿机制。
   • 进阶追问：如何把业务指标变成架构治理任务？

3. 问题（项目追问题）：如果轨迹延迟升高，你如何从业务指标追到技术问题？

   • 考点：业务技术联动。
   • 回答思路：先看轨迹延迟按渠道、国家、仓库拆分，再看第三方 API（应用程序接口）耗时、MQ（消息队列）积压、消费者处理耗时和数据库写入。
   • 进阶追问：如何判断是第三方慢还是内部消费慢？

9. 高频面试题与追问

1. DAU（每日活跃用户数）和 MAU（月活跃用户数）怎么计算？

   • 按有效活跃事件和 User ID（用户标识）去重，明确自然日和自然月窗口。

2. PV（页面浏览量）和 UV（独立访客数）哪个更重要？

   • 看业务目标。PV（页面浏览量）看浏览热度，UV（独立访客数）看触达用户规模，转化场景还要看 Conversion Rate（转化率）。

3. 登录算不算活跃？

   • 不一定。C 端和 B 端要按业务有效动作定义。

4. 未登录用户怎么去重？

   • 可以用 Device ID（设备标识）或 Cookie ID（浏览器标识），但要说明跨设备和清缓存误差。

5. GMV（商品交易总额）是不是收入？

   • 不是。GMV（商品交易总额）是交易额，收入要看财务确认口径。

6. 支付成功率下降怎么排查？

   • 拆发起支付、通道返回、Webhook（回调通知）、订单状态、账务入账和对账差异。

7. 漏斗分析怎么做？

   • 明确步骤、分子分母、去重口径和相邻转化率，再定位流失最大的步骤。

8. 留存率怎么计算？

   • 按某一批新增或激活用户，看第 N 天仍然活跃的比例。

9. 为什么要做 Cohort Analysis（同期群分析）？

   • 为了避免渠道、版本和时间混合导致误判。

10. 埋点事件应该包含哪些字段？

    • Event（事件）名称、时间、User ID（用户标识）、Device ID（设备标识）、Session ID（会话标识）、业务属性、结果和 TraceId（链路标识）。

11. 前端埋点和后端埋点怎么分工？

    • 前端看曝光点击路径，后端看订单支付库存履约事实。

12. 如何避免埋点重复上报？

    • 使用 Event ID（事件标识）、业务唯一键、采集端限流和计算端去重。

13. 如何判断 PV（页面浏览量）暴涨是真实增长还是异常流量？

    • 拆 User Agent（用户代理）、IP（互联网协议地址）、设备、路径、Referer（来源页）和后端请求。

14. WMS（仓储管理系统）为什么不适合只看 DAU（每日活跃用户数）？

    • 因为它是作业系统，更应看出入库、拣货、复核、库存准确率和处理时长。

15. 跨境物流看哪些业务指标？

    • 面单成功率、轨迹完整率、轨迹延迟、异常件率、妥投率和平均履约时长。

16. IoT（物联网）报警系统看哪些业务指标？

    • 报警量、重复报警率、确认率、确认时长、高级报警触达率和通知成功率。

17. Runner（执行器）任务平台看哪些指标？

    • 任务成功率、失败率、重试率、平均等待时长、执行时长和积压量。

18. 业务指标突然下降怎么排查？

    • 先查口径和埋点，再查版本和渠道，最后对账后端事实和系统故障。

19. 什么样的数据更合理？

    • 能解释口径、趋势稳定、可和事实表对账、能被业务活动或系统变化解释的数据更可信。

20. 业务可观测和技术可观测有什么关系？

    • 业务指标说明影响面，技术指标定位原因，两者结合才能支撑架构治理。

10. 本模块复习清单

• 能解释 PV（页面浏览量）、UV（独立访客数）、Visit（访问）的区别。
• 能解释 DAU（每日活跃用户数）、WAU（周活跃用户数）、MAU（月活跃用户数）和 DAU/MAU（每日活跃用户数/月活跃用户数）。
• 能说明 Conversion Rate（转化率）、Retention Rate（留存率）、GMV（商品交易总额）、ARPU（每用户平均收入）和 ARPPU（每付费用户平均收入）的计算方式。
• 能说清前端埋点、后端埋点和服务端事实的边界。
• 能设计 Event（事件）模型，包含 User ID（用户标识）、Device ID（设备标识）、Session ID（会话标识）和业务属性。
• 能用 Funnel Analysis（漏斗分析）定位支付或下单转化问题。
• 能用 Cohort Analysis（同期群分析）解释留存变化。
• 能把业务指标绑定到 WMS（仓储管理系统）、跨境物流、支付、库存、Runner（执行器）和 IoT（物联网）项目。
• 能说明数据暴涨或暴跌时的排查路径。
• 能在面试中谨慎表达数据样例，不把估算口径说成真实生产事实。

11. 精通级分册入口与学习路线

本章只追加稳定导航、事实边界和完成统计，上文原有正文仍全部保留。五根的唯一迁移账本是 50/00 知识图谱迁移账本与架构决策路线；54/00—06 只消费该账本，不建第二本迁移总账。从各分册所在目录引用唯一账本时，真实相对路径为 ../50-架构师思维与架构设计/00-知识图谱迁移账本与架构决策路线.md。

分册导航与职责

推荐顺序

完整精通路线为 00 -> 01 -> 02 -> 03 -> 04 -> 05 -> 06：先冻结语义和证据边界，再学会建树与分析，随后把结论落到事件合同和质量发布，最后用实验、隐私和六条项目主线完成决策闭环。项目面试复习可从 06 的长口述入手，但每个结论都必须回链 00—05 的唯一口径和机制正文。

E0—E3 事实边界

相关与因果的口述边界

Funnel（漏斗）、Cohort（同期群）、Attribution（归因）、维度下钻和前后对比只能描述相关、结构差异或候选机制，不能自动证明因果。口述时应说“观察到甲与乙同时变化，因此提出某机制假设，待随机化实验或可信反事实设计验证”，不说“甲导致乙”。只有随机化或可信反事实设计通过数据资格、分配、污染、护栏、统计不确定性和可推广边界复核后，才能在限定范围内陈述因果。

完成统计

统计口径：知识小节按 kb:knowledge 标记计数；六字段题必须同时具备问题、考点、回答思路、详细答案、进阶追问和进阶回答；口述答案按 口述答案 字段计数；Mermaid（图表语法）按代码围栏计数，时序图按 sequenceDiagram 计数；表按表头分隔行计数；数据演绎按 #### 数据演绎 标题计数；正式图形资产按实际源文件与同名图片计数。

七个 PlantUML（开源建模工具）源文件均有同名非空 PNG（便携式网络图形）；94 个 Mermaid（图表语法）围栏已在工作区外的临时目录使用固定版本真实渲染通过。