形式：1v1线上面（腾讯会议），无代码手撕，主要问过往实习问题+技术问题，总时长20min+
问题1：上段实习的业务是什么，怎么做数仓分层
问题2：对数仓分层的理解是什么
问题3：上段实习中遇到过什么技术问题，怎么解决的
问题4：看你Python和Java都会是吗，哪个更熟练一点？
问题5：对OLAP有了解吗？知道Starrocks吗？
追问：你们工作中有用过Clickhouse和Doris吗？它们的区别是什么，分别适合用于什么场景？
问题6：你们怎么管理维度的，知道拉链表吗？
问题7：你学校里学过数据结构吗？数组和链表的区别是什么？
二面 - 问题1：上段实习的业务是什么，怎么做数仓分层
考察知识点
1. 结合银行实习场景，清晰梳理业务与数仓分层的关联，体现业务与技术的结合能力；2. 对数仓分层的具体实现、各层职责、设计逻辑的掌握，不局限于理论，贴合银行实操；3. 能说明分层设计的价值，体现数据治理思维和数仓建设的实操经验。
参考回答
我上一段实习是在银行的大数据与数据仓库部门，核心业务是围绕银行零售、对公、渠道等核心板块，搭建企业级数据仓库（EDW），整合各业务系统数据，规范数据口径，为监管报送、风险控制、经营分析等场景提供标准化数据支撑，这也是我做数仓分层的核心背景。结合银行的业务特性（强合规、高严谨、数据量大、多系统异构），我们严格按照“分层解耦、规范可控、复用高效”的原则，采用行业标准的四层分层架构，具体实现如下，每一层都贴合银行的业务需求和数据特点：1. ODS贴源层（操作数据存储层）：核心是“保留原始数据、不做过多加工”，主要对接银行各业务源头系统，包括核心业务系统、信贷系统、信用卡系统、柜面系统等，将原始数据（结构化、半结构化）原样同步接入，仅做简单的格式转换（如日期格式统一），不做清洗、过滤，目的是保留数据原貌，便于后续问题回溯、数据核对，同时规避数据丢失风险，符合银行数据可追溯的合规要求。比如我们会将客户开户原始日志、交易明细原始数据、柜面业务办理记录等，全部同步至ODS层，按系统和日期分区存储。2. DWD明细清洗层（数据明细层）：核心是“清洗、规范、脱敏”，基于ODS层数据，做数据质量优化和标准化处理，为后续分层提供干净、规范的明细数据。具体操作包括：去重（删除重复的交易记录）、补全（补全缺失的关键字段，如客户所属机构）、异常过滤（过滤无效交易，如金额为负、日期异常的数据）、口径转换（统一各系统的字段命名和数据格式，如将不同系统的“客户ID”统一命名并规范长度）、数据脱敏（对客户身份证号、手机号、银行卡号等敏感信息进行脱敏处理，符合金融数据安全合规要求）。这一层主要产出各主题域的明细数据表，比如客户明细、交易明细、账户明细等，是数仓的核心明细数据底座。3. DWS汇总层（数据汇总层）：核心是“轻度汇总、提升复用”，基于DWD层明细数据，按主题域（客户、账户、交易、渠道等）做轻度汇总，计算公共指标，避免后续重复开发，提升数据查询效率。比如按客户维度汇总每日存款余额、交易笔数，按账户维度汇总月度流水，按渠道维度汇总每日业务办理量，这些汇总指标可直接支撑多个ADS层报表的开发，减少重复计算，同时降低大表查询的性能压力。这一层的汇总数据仍保留一定的粒度，可灵活支撑不同的业务需求。4. ADS应用层（数据应用层）：核心是“面向业务、直接可用”，基于DWS层汇总数据，针对具体的业务需求，开发专用的报表表、指标表，直接支撑行内各部门使用。比如为合规部门开发监管报送指标表（如央行要求的存款余额报表、信贷投放报表），为风控部门开发反欺诈指标表（如客户异常交易指标），为经营分析部门开发经营指标表（如各机构营收报表、客户增长报表）。这一层的数据直接对接业务系统、报表工具，无需业务人员再做数据加工，贴合银行各部门的实际使用需求。整个分层设计的核心目的，是实现“数据解耦、质量可控、复用高效、合规可追溯”，既满足银行的合规要求，又能提升数仓的维护效率和数据服务能力。
