Nubank PM 面试：数据分析与指标题
一句话总结
Nubank 的数据面试不是在考你统计学知识，而是在考你对金融业务杠杆的直觉。正确的判断是：指标的定义永远次于指标之间的因果推演。不要试图通过罗列指标来证明全面，要通过剔除冗余指标来证明深度。
适合谁看
目标是 Nubank PM 岗位的候选人，特别是那些习惯于用互联网大厂 AARRR 模型思考，但缺乏金融产品风控意识的 PM。如果你认为只要提升转化率就是好产品，这篇文章能帮你修正这个致命误区。
为什么指标定义不是重点，而是因果链条？
大多数候选人在面对 Nubank 的指标题时，习惯于给出一个完美的清单：DAU、MAU、激活率、留存率。在 Nubank 的 Hiring Committee 看来，这不是专业，而是平庸。
金融产品的本质是风险定价，而不是流量增长。Nubank 关心的不是用户是否进入了 App，而是用户进入 App 后的行为是否预示着信用风险的转移。一个合格的判断是：指标不是用来描述状态的，而是用来揭示矛盾的。
在 debrief 会议中，面试官会讨论：这个候选人是在做加法，还是在做减法。做加法的人会说“我需要监控 10 个维度来确保万无一失”；做减法的人会说“只要这个核心指标掉 2%，就意味着我们的信贷模型在某个特定分群失效了”。前者在试图覆盖所有可能性，后者在试图定位唯一真相。
为什么提升转化率可能是个错误决策？
在大多数 B2C 产品中，转化率是北极星指标。但在 Nubank 这种数字银行中，盲目追求转化率是自杀行为。
这里的核心矛盾在于：增长与风控的天然对立。如果一个 PM 提出通过简化开户流程将转化率从 40% 提升到 60%，在 Nubank 的面试场景下，这是一个 Bad Signal。因为转化率的提升可能不是因为产品体验优化，而是因为降低了准入门槛，从而引入了大量高风险用户。
正确的判断是：不追求最大化转化，而追求最大化“高质量转化”。这不是在做 A/B Test，而是在做价值交换。你必须能够清晰地论证：为了降低 5% 的转化率，我们可以换取多少个基点的坏账率（NPL）下降。如果不能在指标中引入“成本”和“风险”这两个维度，你的分析在金融 PM 看来就是业余的。
如何在指标波动题中避开陷阱？
面试官抛出一个场景：信用卡激活率在过去一周下降了 15%，你如何分析？
平庸的回答是沿着维度拆解：按地域拆、按设备拆、按渠道拆。这种方法在 Google 可能有效，但在 Nubank 这种强监管、强逻辑的环境下，这叫“随机漫步”。
深度见解在于：金融产品的波动通常不是由用户行为随机引起的，而是由外部政策、资金成本或风控阈值调整引起的。这不是一个数据清洗问题，而是一个业务逻辑回溯问题。
你应该直接切入因果链：先判断是“分母”增加了（新用户质量下降）还是“分子”减少了（激活路径被风控拦截）。如果是因为风控模型升级导致部分用户被拦截，那么激活率下降反而是正确的判断，此时你应该讨论的是“误杀率”而非“转化率”。这种从业务本质出发而非从数据维度出发的思维，才是 Nubank 想要的裁决能力。
准备清单
- 构建一套关于数字银行的成本-收益模型，包含 CAC、LTV 和风险成本。
- 梳理 3 个关于“增长与风控冲突”的真实案例，明确在什么情况下应该牺牲增长。
- 练习将复杂指标拆解为单一变量的推演链条（例如：坏账率 = 准入质量 额度管理 催收效率）。
- 系统性拆解面试结构（《如何从0到1准备硅谷PM面试》里有完整的指标定义与指标拆解实战复盘可以参考）。
- 准备一个关于“反直觉指标”的例子：即某个指标上升但业务实际上在恶化的场景。
- 熟练掌握金融核心指标：NPL (Non-Performing Loan)、ARPU、Churn Rate 的深层关联。
常见错误
案例一：定义北极星指标 BAD: “我认为 Nubank 的北极星指标应该是月活跃用户数（MAU），因为这代表了产品的市场渗透率。” GOOD: “我认为北极星指标应该是‘活跃且低风险的资产规模’。因为单纯的 MAU 无法区分高净值用户和潜在违约用户，只有将活跃度与资产质量挂钩，才能衡量银行的健康增长。” 判断：不是追求规模，而是追求规模的质量。
案例二：分析指标下跌 BAD: “我会先看哪个地区的下降最严重，然后检查是不是该地区的 App 版本有 Bug，或者网络连接有问题。” GOOD: “我会首先核对最近是否调整了信用评分卡的阈值。如果风控策略收紧，激活率下降是预期内的结果，此时我关注的指标应该是‘被拦截用户的信用分分布’，以确认拦截是否精准。” 判断：不是从技术 Bug 入手，而是从业务逻辑入手。
案例三：应对产品优化 BAD: “为了提高贷款申请率，我会简化申请表单，将 10 个字段减少到 5 个，从而降低用户的认知负担。” GOOD: “我不会盲目简化表单。我会分析哪些字段是风控模型中的强特征。如果删除某个字段能提升 10% 转化率，但导致违约率上升 1%，我会计算这 1% 的违约损失是否能被 10% 的新增收益覆盖。” 判断：不是优化用户体验，而是优化风险收益比。
FAQ
Q: Nubank 的面试官更看重 SQL 能力还是业务判断？ A: 业务判断绝对优先。SQL 只是工具，用来验证你的判断。如果你能用正确的业务逻辑推导出指标关系，即使 SQL 语法有小瑕疵，面试官也会给出 Pass。但如果你 SQL 满分却在风控逻辑上犯错，会被直接判定为不适合金融产品。
Q: 如果被问到一个完全不熟悉的金融指标怎么办？ A: 不要猜测定义，直接询问其在业务链条中的位置。正确的做法是：“我不熟悉这个特定术语，但我想确认它是在衡量获客端的成本，还是在衡量资产端的风险？”通过定义它在因果链中的角色，将问题拉回到你擅长的逻辑分析领域。
Q: 应该花多少时间在数据拆解上？ A: 30% 时间拆解，70% 时间讨论结论。最忌讳的是花 10 分钟列出所有可能的拆分维度，最后只用 1 分钟说结论。面试官想看的是你如何根据一个数据点快速做出裁决，而不是看你如何做一个详尽的分析报告。
关于作者
明嘉（Johnny Mai）是一位世界500强科技公司的产品负责人，专注于AI和机器人产品。他已主持超过200场PM面试，帮助数百位候选人拿到顶尖科技公司的offer。
想系统准备PM面试？
想要配套练习工具？PM面试准备系统 包含框架模板、Mock 追踪表和30天备战计划。