Table name: active_ads\n_____________________________________________________________________________\ndate | ad_id | advertiser_id | creation_source |revenue \n\n\nTable name: advertiser_info\n_____________________________________________________________________________ ..\nadvertiser_id | advertiser_name | advertiser_country \n*/\n-- Q1: 不同creation source，算每天收入. Waral dи,\n-- Q2: 前十最少活跃广告用户的国家\n-- Q3: 每个creation来源，今年比去年多1000花销的用户的比例-baidu 1point3acres\n-- Q4: 如何证明有一个source明年revenue增长是因为其他source减少了。\nBehavioral 也是一些经典问题，这一轮准备也是把地里提到的问题都准备一个例子，问到类似的简单变一下回答就行，最后的result可以提的清晰一点，让面试官听明白你的行动如何很好的解决了这个问题得到了很好的结果。我遇到了的问题有：建设性建议，不同意见，最大障碍，如何获得信任。\nAnalytics Execution 这个部分在地里收获的经验最多，感谢前人，而且这一轮面试官人也很nice给了很多hint。我被问到了画user comments的分布，right skewed，然后要求画均值，p95，median的位置，以及大概的数值，这儿要说median和p95有可能是整数。然后如果sample所有用户，得到一些小组，再来看小组average comment分布，这时候就要用CLT，变成高斯分布，再问均值，p95，median的位置，均值不变，p95变小，median靠近均值。接下来有一点和product sense相关的，如果看到了daily avg评论数增大，分析有可能有什么原因，可以提到internal和external原因。问如果因为很多假用户加入，留很多评论，想建一个classifier，如何选择eval metrics。.1point3acres\n这个部分个人感觉是要熟悉stats 和probability的很多定理，然后多看面经，知道什么情况下用什么定理。