京东 AI / 算法怎么准备
京东算法可能落在推荐、搜索、预测或定价。库存和价格让「点得越多越好」不总成立。
五题覆盖预测、价格、缺货、编码和协作。用你的预测或零售项目答。
京东怎么面算法
- 会问促销如何干扰预测。
- 缺货推荐是经典脏场景。
- 准备业务约束。
面试阶段与知识点
第一批不把每个阶段拆成独立 URL，避免程序化重复页。阶段对应下面的题，练完再用模拟面试串起来。
- 预测：需求。
- 价格：弹性。
- 缺货：展示。
- 促销：干扰。
值得开口练的题
每题给考察点、思路、结构化参考答案和追问。参考答案用来组织语言，面试时必须换成你自己的项目事实。
大促让历史销量失真，需求预测怎么做？
考察点
- 促销特征
- 分层
- 回测
回答思路
把促销力度与流量来源当显式特征，日常与大促分层建模，回测按活动类型而非混为一谈。
结构化参考答案
- 指标上日常与大促分开报 WAPE 或 MAPE，预测服务对接库存而非直接当履约承诺，定义预测误差成本。
- 方法上促销力度、券补贴、流量入口作特征，分层训练或样本加权，新品用类目与相似品迁移。
- 工程上预测链路支持大促前快速重训与回滚，防止偶然爆品被当成长期趋势写入补货。
- 有效性以分活动类型回测与实仓缺货/积压对照，证明预测修正了促销失真且可验证零售转化。
面试官可能追问
- 新品无历史怎么办？
- 如何防把偶然爆品当趋势？
- 预测错误的成本如何定义？
降价一定能涨销量吗，你如何估计价格力？
考察点
- 因果
- 混淆
- 实验
回答思路
降价与销量相关不等于因果，优先 A/B 或准实验，分品类报告弹性与不确定区间。
结构化参考答案
- 样本上控制竞对变价、季节与库存混淆，分品类估计价格弹性，小样本品类合并或贝叶斯收缩。
- 方法上能随机调价就实验，否则用断点回归或匹配对照，报告置信区间而非点估计。
- 工程上定价实验需防串货与渠道冲突，异常回滚机制就绪，避免伤害品牌价盘。
- 有效性以实验组销量变化与对照组剥离后的净增量，证明价格力估计可指导零售转化而非盲目降价。
面试官可能追问
- 竞对同时变价怎么办？
- 如何避免伤害品牌？
- 小样本品类怎么办？
推荐了缺货商品，如何在模型和展示上修？
考察点
- 库存特征
- 过滤
- 替代
回答思路
近实时库存进召回后过滤，训练带入库存状态，缺货展示替代品并监控不可买点击。
结构化参考答案
- 指标上追踪不可买点击率、缺货推荐占比与替代品转化，把库存可用性纳入排序目标。
- 方法上召回后过滤不可售 SKU，训练特征含库存与预售状态，避免模型学到推缺货的 spurious 相关。
- 工程上库存延迟设保守阈值，过滤后列表过短时补召回，策略变更可灰度回滚。
- 有效性以不可买点击下降与 GMV 未损的对照实验，证明修复同时提升了零售转化与用户体验。
面试官可能追问
- 库存延迟怎么办？
- 预售如何处理？
- 过滤后列表变短怎么办？
计算分仓缺货率，注意在途和预占
考察点
- 分母
- 在途
- 预占
回答思路
可售量定义为在库减预占加固规则允许的在途，分仓算再汇总，口径写死并版本化。
结构化参考答案
- 样本上明确缺货率分母是可售 SKU 还是 demand 侧，时间点取快照避免跨日混算。
- 方法上可售等于在库减预占加规则允许在途，分仓计算后加权汇总，预占超在库单独打标。
- 工程上与履约、WMS 系统对齐在途与调拨状态，负库存展示规则一致，变更定义需回测。
- 有效性以边界单测、分仓重算与业务看板对账，证明缺货率可复现且支撑补货决策。
面试官可能追问
- 负库存如何展示？
- 跨仓调拨在途？
- 如何和履约系统对齐？
运营要为了 GMV 猛推低价低质，你如何用模型约束？
考察点
- 质量约束
- 实验
- 客诉
回答思路
质量作硬约束，GMV 在约束内优化，看退货与客诉，实验验证而非无约束全量。
结构化参考答案
- 指标上定义低质信号如高退货率、差评率，设排序降权或曝光限额，GMV 与质量双看板。
- 方法上低质 SKU 降权或限额，白牌好货设保护阈值，争议品类走小流量实验。
- 工程上约束规则版本化可回滚，防止运营口头绕过模型门禁无约束全量。
- 有效性以 GMV 实验同时报告退货与客诉变化，证明零售转化提升未以质量系统性牺牲为代价。
面试官可能追问
- 谁定义低质？
- 如何避免伤白牌好货？
- 你如何拒绝无约束全量？
和岗位、模拟面试一起用
资料管理里保存目标岗位 JD，模拟面试会按简历出题。点题目下的按钮会把本题带进模拟开场，仍需先绑定简历与岗位。