finalround interview project

面试分析平台

一个全面的数据分析平台，用于分析面试准备产品中的用户行为、产品参与度和订阅指标。使用Python、SQLite和现代web技术构建。

概述

该平台为一系列面试准备产品提供实时分析和见解，包括：

• 模拟招聘会
• 现场采访
• 自动应用功能

该系统处理用户数据、会话日志和参与度指标，通过交互式仪表板、REST API和会话式AI接口提供可操作的商业智能。

特性

核心分析

• 用户参与度分析：跟踪激活、保留和产品使用模式
• 订阅分析：监控四个订阅级别（无、正常、加、上帝）的转化率
• 收入指标：按计划计算MRR、ARR和收入
• 产品性能：按产品页面和功能分析参与度
• 队列分析：按注册队列跟踪用户行为
• 地域分配：分析用户人口统计和支出模式

接口

1. 交互式仪表板 （流光灯）

- 实时指标可视化 - 产品参与度分析 - 用户人口统计和支出洞察 - 会话分析

1. REST API （FastAPI）

- 以编程方式查询分析数据 - WebSocket支持实时更新 - 基于JSON的响应格式

1. 对话式AI界面 （MCP服务器）

- 用于分析的自然语言查询 - 基于人工智能的见解和建议 - 与AI助手集成

建筑

├── Data Layer
│   ├── SQLite database (interview_data.db)
│   ├── Users table (demographics, subscriptions)
│   ├── Sessions table (user activity)
│   └── Product visits table (engagement data)
│
├── Processing Layer
│   ├── data_loader.py - ETL pipeline
│   ├── revenue_calculator.py - Business metrics
│   ├── user_updater.py - Data enrichment
│   └── analytics_module.py - Core analytics engine
│
└── Presentation Layer
    ├── dashboard.py - Streamlit UI
    ├── api.py - REST API
    └── mcp_server.py - AI conversation interface

安装

先决条件

• Python 3.11或更高版本
• pip包管理器

设置

1. 克隆存储库：

git clone 
cd finalround_interview_project

1. 安装依赖项：

# Core analytics and dashboard
pip install -r requirements.txt

# API server (optional)
pip install -r requirements_api.txt

1. 准备数据文件：

将以下文件放入 data/ 目录：

• users_data.csv -用户资料数据（约20000名用户）
• simulated_logs.json -活动日志（约30000条记录）

用法

1.初始化数据库并运行ETL管道

处理原始数据并填充数据库：

python main.py

这将：

• 创建数据库架构
• 从CSV加载用户数据
• 处理会话日志
• 生成收入指标
• 创建分析报告

输出： analysis_report.json 有详细的指标

2.启动交互式仪表板

# Using the shell script
./run_dashboard.sh

# Or directly with Streamlit
streamlit run dashboard.py

访问仪表板 http://localhost:8501

特征：

• 概述指标（用户、会话、收入）
• 产品参与度可视化
• 用户人口统计分析
• 会话分析
• 质量监控

3.启动REST API服务器

python api.py

API可在 http://localhost:8000

终点：

• GET / -API状态和文件
• POST /query -查询分析数据
• POST /metrics -获取具体指标
• 双向通信 /ws -实时更新

示例查询：

# Get conversion rate
curl -X POST http://localhost:8000/query \
  -H "Content-Type: application/json" \
  -d '{"query": "What is the conversion rate for live interviews?"}'

# Get user metrics
curl -X POST http://localhost:8000/metrics \
  -H "Content-Type: application/json" \
  -d '{"metric_type": "user_engagement"}'

4.启动人工智能对话接口（MCP服务器）

./start_mcp.sh

MCP服务器提供：

• 自然语言分析查询
• 人工智能驱动的洞察力
• 与AI助手集成
• 情境感知建议

数据模式

用户表

• user_id -唯一标识符
• name, email, country -个人资料信息
• age, sex, married -人口统计
• current_plan -订阅级别（无/正常/加/上帝）
• total_spent_local -终身消费
• last_seen, joined_at -活动时间戳

会话表

• session_id -唯一会话标识符
• user_id -用户外键
• duration_minutes -会话长度
• timestamp -会话开始时间

产品访问表

• visit_id -唯一访问标识符
• session_id -会话的外键
• page_type -已访问的产品页面
• duration_minutes -页面上的时间
• timestamp -访问时间戳

主要绩效指标

订阅级别

• 无：免费用户
• 正常：基本付费订阅
• 加：高级订阅
• 上帝：具有所有功能的终极级别

产品页面

• mock_interview：练习面试环节
• live_互动：实时面试辅导
• auto_apply：自动化求职服务

计算指标

• 月度经常性收入（MRR）
• 年度经常性收入（ARR）
• 按产品分类的转化率
• 用户参与率
• 平均会话持续时间
• 产品使用频率
• 队列保留率

测试

API测试

python test_api.py

聊天客户端测试

python test_chat.py

MCP服务器测试

python test_mcp.py

仪表板验证

python verify_dashboard.py

配置

环境变量

创建一个 .env 文件：

DATABASE_URL=sqlite:///interview_data.db
API_PORT=8000
DASHBOARD_PORT=8501

MCP配置

编辑 mcp_config.json 要自定义AI对话界面：

{
  "server_name": "interview-analytics",
  "version": "1.0.0",
  "capabilities": ["query", "analytics", "insights"]
}

项目结构

finalround_interview_project/
├── data/                          # Data files
│   ├── users_data.csv
│   └── simulated_logs.json
├── main.py                        # ETL pipeline orchestrator
├── database_schema.py             # Database schema and management
├── data_loader.py                 # Data loading utilities
├── data_validation.py             # Data quality checks
├── user_updater.py                # User data enrichment
├── revenue_calculator.py          # Revenue and business metrics
├── analytics_module.py            # Core analytics engine
├── analytics_summary.py           # Summary statistics
├── dashboard.py                   # Streamlit dashboard
├── api.py                         # FastAPI REST API
├── mcp_server.py                  # AI conversation interface
├── chat_client.py                 # Chat client implementation
├── requirements.txt               # Python dependencies
├── requirements_api.txt           # API-specific dependencies
└── run_dashboard.sh              # Dashboard launcher script

演出

• 数据处理：对于20000+用户，约2-5秒
• 查询性能：对于大多数分析查询，\<100ms
• 仪表板加载时间：\<2秒初始加载
• API响应时间：平均\<50ms

故障排除

数据库问题

# Remove existing database and rebuild
rm interview_data.db
python main.py

端口冲突

如果使用默认端口，请指定替代方案：

# Dashboard on custom port
streamlit run dashboard.py --server.port 8502

# API on custom port
uvicorn api:app --port 8001

缺少的依赖

# Reinstall all dependencies
pip install -r requirements.txt --force-reinstall

许可证

MIT许可证-您可以自由地将此代码用于学习和开发目的。