第2章 高频面试问题与回答框架：常见问题、答题结构、公司侧重点

面试问题：请谈谈数据治理和数据建模的关系。

面试官考察点：是否理解两者是“规则”与“执行”的关系；能否从企业级视角串联治理流程。

回答框架：定义各自角色 → 点明治理为建模提供标准（元数据、质量、安全）→ 建模反哺治理（血缘、影响分析）→ 举例说明协作价值。

简短示例回答：“数据治理是制定‘交通规则’，建模是‘规划路线’。我曾在电商项目中，先通过治理平台统一用户ID标准，再基于该标准构建客户360模型，最终数据质量提升30%，模型复用度提高50%。”

可能追问：如果标准不统一，你会优先治理哪一类实体？为什么？

面试问题：你如何设计一套数据质量监控体系？

面试官考察点：体系化思维能力、对数据质量维度的理解、落地执行细节。

回答框架：明确目标（准确性/完整性/一致性/及时性）→ 按数据流分层（采集层、加工层、应用层）设置规则 → 告警/归因/修复闭环 → 量化指标度量效果。

简短示例回答：“我在金融反欺诈建模中，设计了三级监控：源端抽样校验、ETL后字段级规则校验、应用层指标监测。例如对‘身份证号’设定格式和MD5一致性规则，每周自动生成质量报告，异常率从8%降至0.5%。”

可能追问：如果监控规则太多导致延迟，你会如何取舍？

面试问题：你如何处理业务部门对数据模型不认可的情况？

面试官考察点：沟通协作能力、从业务视角思考治理、推动落地的策略。

回答框架：先同理对方痛点 → 梳理分歧点（口径/粒度/时效）→ 用数据证明模型合理性 → 输出折中方案（治理与业务并行动作）→ 促成共识。

简短示例回答：“某次营销部门认为模型字段冗余，我组织workshop，先用血缘图展示字段来源，再基于历史查询频率按‘80/20原则’精简字段，同时保留扩展接口。最终部门接受方案，查询响应快40%。”

可能追问：如果业务方坚持错误口径，你会坚持原则还是妥协？