ABW501 (Analytics Edge) 期末终极复习：4大题型完整预测 (含扩展版)

📚 考试信息

• 题型: 4道结构化题
• 范围: 第1、2、5、7章 + 数据分析核心
• 答题提示: 答案简短，善用表格/关键词，可使用计算器。

---

📸 图解速查：Henry复习资料

以下图片来自Henry甄选版复习资料。

ABW501复习资料第1页

ABW501复习资料第2页

ABW501复习资料第3页

---

✅ 4 大题型完整预测（Week 1/2/5/7）

📝 考试概况 (Exam Overview)

• 范围: Chapter 1, 2, 5, 7
• 结构: 4 道大题 (Structured Questions)
• 难度: 基础定义、表格对比 (Table Comparison)、简单解释为主
• 工具: 可带计算器（可能涉及简单距离/比例）

---

🟢 Question 1: Concepts of Analytics (Chapter 1)

核心考点：分析四种类型 + BA vs DS 技能对比（高频考点）

Q1(a): 四种分析类型定义与对比

题目预测："Define the four types of analytics and provide one question each type answers."

👉 点击查看标准答案表格

分析类型 (Type)	关键词 (Keywords)	解决的问题 (Question Answered)	例子 (Example)
Descriptive (描述性)	Past, Historical	"What happened?" (发生了什么？)	销售月报 (Monthly Sales Report)
Diagnostic (诊断性)	Cause, Why	"Why did it happen?" (为什么发生？)	客户流失原因分析 (Churn Reason)
Predictive (预测性)	Future, Probabilistic	"What will happen?" (将会发生什么？)	下季度销量预测 (Sales Forecast)
Prescriptive (规范性)	Optimization, Best Action	"What should we do?" (我们该做什么？)	最优定价策略 (Optimal Pricing)

Q1(a) 补充概念题：四种分析类型简述（表格）

👉 点击查看补充答案

分析类型	核心问题	核心要点	例子
Descriptive	What happened?	历史数据/报表	月度销售报告
Diagnostic	Why did it happen?	相关性/根因	流失原因分析
Predictive	What will happen?	预测/概率	需求或销量预测
Prescriptive	What should we do?	优化/行动建议	最优定价/最优库存

答题提示：用表格写 “问题 + 要点 + 例子”，直观稳妥。

Q1(b): BA vs. DS 技能对比（重点版）

题目预测："Compare Business Intelligence Analyst (BA) and Data Scientist (DS) based on their skill focus."

👉 点击查看标准答案表格

技能 (Skills)	商业智能分析师 (BA)	数据科学家 (DS)	核心区别 (Key Difference)
Business Knowledge	Very High	High	BA 更懂业务逻辑
Data Visualization	Very High	High	BA 侧重报表呈现
Statistics/Math	Some	Very High	DS 需要深厚数学底子
Machine Learning	None/Low	Very High	DS 核心是建模算法
Data Wrangling	Some	Very High	DS 花大量时间清洗数据

Q1(b) 补充概念题：技能矩阵 (V/S/N)

👉 点击查看补充答案

技能	BA	DS	说明
Data Visualization	V	S	BA 负责报表与故事表达
Data Intuition	S	V	DS 对模型假设更敏感
Statistics	S	V	DS 偏建模，BA偏解读
Data Wrangling	S	V	DS 花时间清洗数据
Machine Learning	N	V	DS 核心能力

结论：BA 偏业务沟通，DS 偏统计与建模。

示意图：分析类型与角色对比

---

🔵 Question 2: Analytics Lifecycle (Chapter 2)

核心考点：数据分析生命周期 6 阶段（顺序必背）

Q2(a): 六大阶段顺序与核心任务

题目预测："List the 6 phases of the Data Analytics Lifecycle and briefly explain Phase 1 & 4."

👉 点击查看标准答案

The 6 Phases (顺序不能乱)

1. Discovery（发现）：Define business problem, assess resources.
2. Data Preparation（数据准备）：ETL, clean data, setup sandbox. (耗时最长)
3. Model Planning（模型规划）：Choose techniques (Regression, Trees), feature selection.
4. Model Building（模型构建）：Execute model, split training/testing sets.
5. Communicate Results（结果沟通）：Visualize findings, pass/fail decision.
6. Operationalize（实施/落地）：Deploy code, run pilot project.

Key Explanation

• Phase 1 (Discovery)：最关键，先把业务问题定义清楚并确认数据来源。
• Phase 4 (Model Building)：真正把算法跑在数据上得到结果。

Q2(a) 补充概念题：生命周期阶段（另一版本）

👉 点击查看补充答案

Phases:

1. Discovery – Identify business problem and objectives.
2. Planning – Decide success metrics and resources.
3. Data Preparation – Collect, clean, and transform raw data.
4. Model Building – Select algorithms (regression, classification, time-series).
5. Model Communicate – Interpret results for stakeholders.
6. Operationalize – Deploy models and monitor performance.

Example：Discover churn → Plan KPIs → Prepare CRM data → Build churn model → Communicate segments → Operationalize campaign.

Key Terms：life cycle, discovery, preparation, modeling, deployment

Q2(b): 七个关键角色（加分项）

👉 点击查看角色清单

1. Business User – 提业务问题、验证结果
2. Project Sponsor – 资源与预算支持
3. Project Manager – 进度与沟通协调
4. BI Analyst – 报表与可视化桥梁
5. DBA – 数据可用性与治理
6. Data Engineer – 数据管道与清洗
7. Data Scientist – 模型与策略建议

示意图：生命周期与角色

---

🟠 Question 3: Regression Analysis (Chapter 5)

核心考点：线性回归方程解读 + $R^2$

Q3(补充): Regression types by shape

👉 点击查看补充答案

1. Simple Linear Regression – 直线；连续型因变量。
2. Logistic Regression – S 曲线；二分类概率输出。
3. Polynomial / Non-linear Regression – 曲线；处理非线性关系。

答题提示：看图形状 + 对应用途（连续 / 分类 / 非线性）。

Key Terms：linear, logistic, polynomial, dependent variable, classification

示意图：回归模型形状

Q3(a): 线性回归方程解读

题目预测：Given $Sales = 100 + 5(Advertising)$

👉 点击查看标准答案

• Intercept (100)：Advertising 为 0 时，预测 Sales = 100（基础销量）。
• Slope (5)：Advertising 每增加 1 单位，Sales 增加 5 单位。

Q3(a) 补充：S = a + bX 答题结构

👉 点击查看补充答案

• a (intercept)：X=0 时的预测值（基础销量）。
• b (slope)：X 每增加 1 单位，Y 的增量。
• Answer structure："a: estimated sales at zero input; b: incremental sales per unit of X."

Key Terms：intercept, slope, marginal change

Q3(b): $R^2$ 的含义

题目预测："What does an $R^2$ of 0.85 mean in this context?"

👉 点击查看标准答案

• Definition：Coefficient of Determination（决定系数）。
• Meaning：Sales 变动中 85% 能被 Advertising 解释。
• 关键词：Explained variation（解释的变异）。

示意图：回归与 $R^2$

---

🔴 Question 4: Data Mining (Chapter 7)

核心考点：监督 vs 无监督 + 基础算法辨析

Q4(a): Supervised vs. Unsupervised

题目预测："Compare Supervised Learning and Unsupervised Learning using a table."

👉 点击查看标准答案表格

比较维度 (Dimension)	Supervised Learning (有监督)	Unsupervised Learning (无监督)
Label	Has Labels (Target Variable known)	No Labels (No Target Variable)
Goal	Prediction (预测结果)	Description / Grouping (发现模式)
Typical Tasks	Classification, Regression	Clustering, Association Rules
Algorithms	Linear Regression, Decision Tree	K-Means, Apriori

Q4(a) 补充：关键术语

👉 点击查看补充答案

Key Terms：labeled data, prediction, clustering, pattern discovery

Q4(a) 补充：监督 vs 无监督对比表（更直观）

👉 点击查看补充答案

维度	监督学习 (Supervised)	无监督学习 (Unsupervised)
是否有标签	有标签	无标签
目标	预测	发现模式/分组
任务	分类、回归	聚类、关联
例子	垃圾邮件识别	客户分群

Q4(b): Clustering vs. Classification

题目预测："Briefly explain the difference between Classification and Clustering."

👉 点击查看标准答案

• Classification (分类)：将数据分到预先定义的类别（有标签）。
• Clustering (聚类)：没有预先类别，按相似性自动分组（无标签）。

Q4(b) 补充总结：监督 vs 无监督

👉 点击查看补充答案

• Supervised learning：用有标签数据做预测（regression/classification）。
• Unsupervised learning：无标签，发现模式（clustering/association）。
• 答题提示：强调是否有标签 + 给一个例子。

Key Terms：prediction, pattern recognition, labeled vs unlabeled

示意图：分类 vs 聚类（可视化题型）

⚠️ Calculator Alert（简单计算准备）

Chapter 7 可能出现 Euclidean Distance (欧氏距离)：

$$\sqrt{(x_2-x_1)^2 + (y_2-y_1)^2}$$

例：点 A(1,2) 与点 B(4,6) 的距离 = $\sqrt{3^2+4^2}=5$。

---

✅ 复习策略

• 利用表格突出对比（分析类型、BA vs DS、监督 vs 无监督）。
• 每题4点内回答；关键词+短语呈现。
• 解释生命周期或模型时加入具体例子。

**祝考试顺利！ 🎯