Airbnb DS 面经 2026：Experiment、Metric 和 Case Study

💡 核心要点 (Key Takeaways)

• Airbnb DS 面试主轴是 Experiment（A/B 实验设计与结果解读）+ Metric（指标定义与拆解）+ Case Study（marketplace 业务分析）+ SQL + Python 数据向 Coding + Core Values；Airbnb 是 experimentation-driven 公司，DS 最区分人的是实验能力和指标思维，不是算法竞赛深度。
• Experiment 是 DS 区别于 SDE 的核心：要能完整讲出指标体系（primary / guardrail、host / guest 双侧指标）、分流粒度（用户级 vs 市场级，marketplace 的 spillover / network effect）、样本量、结果回退诊断，只背 A/B 测试定义答不下来。
• Metric 考指标定义与拆解：先说为什么重要 → 给候选指标并讨论口径 → 选主指标并说明 trade-off（短期 GMV vs 长期留存、供给侧 vs 需求侧）→ 怎么防 gaming，考指标思维不考背定义。
• Case Study 集中在 marketplace 场景（booking 掉了怎么拆、怎么定价、怎么衡量搜索 / 推荐质量、host 留存），先立「澄清口径 → 供需漏斗拆解 → 假设排序 → 验证路径 → 优先级」框架再谈方案，跳方案整轮难救。
• 7 天保 SQL + 实验设计 + Case Study 下限，14 天补指标定义和 marketplace 分流，30 天加深挖库和 3 场完整 mock，最后两天只留 mock 和状态调整；Core Values 是 Airbnb 独有轮，4 个 values 的故事要提前准备。

这篇适合谁

这篇写给准备 Airbnb Data Scientist（DS）面试的候选人，级别以社招中高级为主（大致对标 Google L4 / L5、Meta E4 / E5，Airbnb 内部有自己的级别体系，以 JD 和实际沟通为准），NG / Intern 和部分方向候选人的差异会在流程一节说明。文章基于 2026 年公开面经信号整理，各团队、级别、地区的轮次结构会有出入，以实际收到的邀请为准。

一句话定位：Airbnb DS 面试 = Experiment（A/B 实验设计与结果解读）+ Metric（指标定义与拆解）+ Case Study（业务 / 产品分析案例）+ SQL + Python 数据向 Coding + Core Values。Airbnb 是典型的 experimentation-driven 公司，DS 岗位的核心区分点不是「算法刷得多」，而是「能不能把业务问题拆成指标体系、设计可信的实验、讲清个人判断和量化结果」。

如果你投的是 Airbnb 的工程岗（SDE），看 Airbnb Senior SDE 面经 2026——DS 和 SDE 的流程底色相似（都带 Core Values、都深挖项目），但题型重心完全不同：SDE 重 Coding / System Design / Code Review，DS 重 Experiment / Metric / Case Study。投哪个岗位就按哪个岗位准备，不要混。

• 适合准备 Airbnb Data Scientist 社招中高级面试的候选人（大致对标 Google L4 / L5、Meta E4 / E5）
• 主轴：Experiment（实验设计与解读）+ Metric（指标定义与拆解）+ Case Study（marketplace 业务分析）+ SQL + Python 数据向 Coding + Core Values
• Airbnb 是 experimentation-driven 公司，DS 最区分人的是实验能力和指标思维，不是算法竞赛深度
• 与 SDE 岗位题型重心完全不同，投 DS 按 DS 准备；SDE 另看 Airbnb Senior SDE 面经页

面试流程：OA / Phone / VO / HM / Team Match 各轮是什么

Airbnb DS 的主线流程是：投递 / 内推 → Recruiter Screen → Phone Screen → Onsite Loop（VO）→ HM / Team Match → offer。和 SDE 相比，DS 的流程通常少一道重算法 / System Design 的轮，但 Core Values 和项目深挖是绕不开的。各轮大致长这样：

• Recruiter Screen（30-45 分钟）：不考技术，聊动机、背景和分析经历。DS 岗位这轮常被问「你做过什么数据 / 分析相关的工作、影响了什么业务指标」，要能一句话说清项目规模（数据量级、user base、分析支撑的业务决策、指标变化），「做过留存分析」这种颗粒度不够。
• Phone Screen（45-60 分钟，技术电话面）：常见结构是简历 / 项目深挖 + 一道 SQL 或 Python 数据向题。面试官会挖项目里的指标定义、实验设计、业务影响，再给一道中难度的数据处理 / 统计题并追问 follow-up。深挖阶段表现不好会直接影响 onsite 的预期，部分团队可能跳过这轮直接进 VO，以实际收到的邀请为准。
• Onsite Loop / VO（4-5 轮，每轮 45-60 分钟，通常一天面完）：常见结构是 1 轮 SQL / 数据分析（指标口径、cohort、聚合）、1 轮 Experiment / A/B 实验设计与结果解读、1 轮 Case Study / 产品分析（marketplace 场景）、1 轮 Python 数据向 Coding、1 轮 Core Values / 项目深挖 + BQ。不同团队会调整轮次和顺序，以实际收到的邀请为准。
• HM（Hiring Manager Call）：VO 通过后，与 hiring manager 聊方向、level 和 comp，确认双向意向，不再考技术。
• Team Match：跨组调剂也发生在这个阶段，根据团队需求匹配具体方向，重点是双向确认。Airbnb 出结果通常比国内公司慢一些，全程时间线可能 4-8 周，日程上留好余量。

题型雷达：Experiment、Metric、Case Study、SQL、Coding、BQ 各占多少

按 DS 岗位把题型按出现频率排个雷达图，Experiment、Metric、Case Study 是 Airbnb DS 最区分人的三根轴：

• Experiment / A/B 实验设计与解读（最高频，核心区分项）：Airbnb 是 experimentation-driven 公司，实验能力是 DS 岗位的第一区分点。要能完整讲出：指标体系（primary / secondary / guardrail，marketplace 场景如 booking rate、GMV、留存 vs 负反馈、host / guest 双侧指标）、分流方案（用户级 / 会话级 / 市场级，为什么这么分）、样本量和实验周期怎么定、novelty effect 和 spillover / network effect（marketplace 双边市场特别要注意）怎么处理、结果显著 / 不显著 / 回退分别怎么读怎么决策。只背「A/B 测试是把流量分两组」这种定义答不下来。
• Metric 指标定义与拆解（高频，独立轮或穿插）：考点是「能不能把一个模糊的业务问题翻译成可度量的指标体系」。典型问法：「怎么衡量 host 体验」「怎么定义 guest 满意度」「booking 掉 5 个点，你怀疑哪些指标、怎么拆」。要会按用户生命周期 / 漏斗 / 供需两侧拆指标，说清口径（分子分母、时区、去重、归因），能讨论指标之间的 trade-off（短期 GMV vs 长期留存、供给侧 vs 需求侧）。
• Case Study / 产品分析（高频，独立轮）：场景集中在 Airbnb 业务线上——booking / 收入掉了怎么拆、怎么定价、怎么衡量搜索 / 推荐质量、怎么提升 host 留存。考点是「问题定义 → 指标拆解 → 假设与验证路径 → 取舍与优先级」，先立框架再谈方案，不能一上来就跳方案。通用答题框架可以看 DS Product Sense 答题框架，这里重点说 marketplace 场景怎么切入。
• SQL（高频，独立轮或穿插）：marketplace 数据量大、口径多，SQL 是基本盘。高频考点：window function（排名、滑动窗口、去重取最新）、cohort / 留存计算、指标聚合（按 market / segment 分组）、多表 join 的口径问题（fanout、去重、时区）。难度 medium 到 medium-hard，follow-up 会加规模和边界情况，第一版口径定错整题难救。
• Python 数据向 Coding（1 轮）：和 SDE 的重算法不同，DS 的 coding 偏数据处理和统计——数组 / 字典处理、groupby 聚合、字符串处理、简单的统计计算（均值、方差、分位数、假设检验的直觉实现）。难度 medium，重点是正确性和口径清晰，不是刷题竞赛。
• 统计基础（穿插或独立追问）：假设检验、p 值和置信区间的关系、power / sample size、多重比较、贝叶斯 vs 频率派。常以追问形式出现，要能三分钟内讲清直觉。
• Core Values / BQ（1 轮）：Airbnb 独有的 Core Values 面试不是标准 BQ，考察价值观、冒险精神、跨文化沟通、自我反思（Champion the Mission、Be a Host、Embrace the Adventure、Be a Cereal Entrepreneur）。DS 岗位还会叠加「你的分析如何影响了决策」的项目深挖，故事里必须有可量化结果。

高频题目：8 个代表题型和考点

以下是 2026 年公开面经信号里反复出现的题「类型」，只归纳题型和考点，不复刻任何人的具体原题：

• Booking / 收入掉了怎么拆（Case Study 最高频）：「某市场 booking 环比掉了 8%，你怎么分析」。考点：先澄清口径（哪个市场、时间窗、同比还是环比）→ 按供需两侧和漏斗拆（曝光 → 点击 → 请求 → 接受 → 完成）→ 列假设并排序（季节性、竞争、价格、供给减少、政策）→ 给验证路径和优先级。考的是结构化拆解，不是背答案。
• 设计一个 A/B 实验（Experiment 最高频）：「新定价 / 新搜索排序上线前，你怎么设计实验验证」。考点：primary metric（booking rate / GMV）+ guardrail（取消率、host 侧指标、负反馈）+ 分流粒度（用户级 vs 市场级，为什么）+ 样本量与周期 + spillover / network effect 的处理 + 结果回退时的决策路径。marketplace 双边市场的分流是这题的核心难点。
• SQL：留存 / cohort 计算：按用户注册 / 激活 / 首次 booking 时间分 cohort，算 N 日 / N 周留存矩阵。考点：cohort 划分口径（按天 / 按周、时区怎么切）、留存定义（active 怎么定义、跨天去重）、window function 实现。follow-up 常加「数据量 10 倍怎么优化」「活跃定义改了口径曲线怎么变」。
• SQL：指标聚合 + window function：给定 booking 明细表，按 market / host / segment 聚合 GMV、booking rate，或用 window function 算环比、排名、累计。考点：join 口径（fanout、一对多去重）、分组聚合的窗口写法、指标口径和维度对应关系。
• 定义一个指标（Metric 高频）：「怎么衡量 host 体验 / guest 满意度 / 搜索质量」。考点：先说为什么这个指标重要 → 给出候选指标并讨论口径 → 选主指标并说明 trade-off（如 host 体验不能只看收入，要看留存和活跃）→ 怎么防止指标被 gaming。考的是指标思维，不是背定义。
• 实验结果解读（统计 + 实验结合）：「实验跑了两周，primary metric 显著上涨但 guardrail 掉了」或「不显著但效应量不小」。考点：澄清症状 → 区分统计显著 vs 业务显著 → 检查分流污染 / 口径变化 / novelty 消退 → 给决策（继续跑 / 止损 / 扩量）。追问会落到「多重比较、power 不足怎么办」。
• Python 数据向 Coding：数据处理类（groupby 聚合、去重取最新、滑动窗口统计）或简单统计计算（实现均值方差、分位数、二项检验的 p 值直觉）。考点：正确性、边界情况、口径清晰，做完主动说明复杂度和口径假设。
• BQ / Core Values / 项目深挖方向：一个你主导的数据分析 / 实验项目（目标、你的具体贡献、量化结果、最大取舍）、一次实验没达预期的复盘、一次跨团队（产品 / 工程）推动、为什么选 Airbnb + 一个 Core Values 故事。每个故事要能接两到三层追问，数字必须能拆到个人贡献；「指标怎么定义、实验怎么设计、结论怎么被采用」是 DS 深挖的固定三连。

公开面经信号怎么读

一亩三分地等面经社区是 Airbnb DS 面试信息最集中的公开来源之一，但读法决定它对你的价值。几个原则：

按「年份 + 级别 + 岗位」筛选。2026 年社招 L5 级别 DS 的信号和 2024 年 NG 的信号可能完全不一样（轮次结构、SQL 深度、实验题比重都在变），优先看最近 2-3 篇。岗位必须对得上——SDE 的信号（Code Review、System Design、booking system 八股）对 DS 参考价值有限，MLE 的信号（ML System Design、ranking）是另一个岗位的题型，DS 的 Experiment / Metric 信号对它们同样没用，混着看会准备错方向。

找共识，不信个例。单篇面经说「实验题全是双边市场分流」不能当结论；两到三篇独立帖子都提到 Airbnb DS 重视 A/B 实验、Core Values 是独立轮、Case Study 偏 marketplace 场景，这个结构才可信。面经作者有幸存者偏差（过的人爱写，挂的人少写），整体难度感知会偏乐观——公开反馈里「出结果慢、挂的人少发帖」这个现象值得认真对待。

提取「轮次结构 + 题型方向 + 挂点」，忽略剧情。每篇面经真正有用的信息密度就这三样：每轮考什么类型、面试官追问到什么深度、作者觉得自己过 / 挂在哪。故事细节、情绪、对面试官的评价都不需要带进你的准备里。

不搬运、不暗示合作。本站所有 Airbnb 面经内容都只归纳公开信号，不复制任何候选人的逐字面经，也不代表与任何面经社区有合作或转载关系。你读到的公开帖子请以原作者发布的内容为准。

常见挂点：Airbnb DS 独有的失分方式

把公开面经里的挂因和模拟面试复盘对照，Airbnb DS 特有的失分点集中在这几个：

• 实验设计只背定义：最 Airbnb DS 特色的挂点。答不出「分流粒度为什么选用户级而不是市场级」「marketplace 的 spillover / network effect 怎么控制」「guardrail 指标怎么选」「显著但效应量小怎么决策」这类追问，只会在「A/B 测试是随机分两组对比」上打转，基本等于告诉面试官你没完整跑过 marketplace 的实验。
• Metric 口径不严谨：定义指标时说不清分子分母、时区切分、去重逻辑、归因口径，或者 Case Study 里指标翻倍才发现是 fanout。SQL 和 Metric 题难度本身不高，但口径错误是 DS 轮的典型减分项，写之前先口头把口径讲一遍。
• Case Study 跳方案：案例题一上来就说「我会加 XX 功能 / 降价」，没有指标定义和拆解框架。Airbnb 的 Case Study 先考「你怎么定义问题、怎么拆指标」，再考「你怎么取舍」，顺序反了整轮都难救。
• 项目被挖穿：深挖普遍持续 20-30 分钟，指标定义（「这个指标为什么这么定」）、口径争议（「两边口径不一致谁说了算」）、业务采用（「你的结论怎么被产品采纳、上线后指标怎么变」）会一路追问到断片。每个项目要准备三层回答：概述（2 分钟）→ 指标与实验细节（5 分钟）→ 业务影响与取舍（3 分钟），影响数字必须张口就来，「我们做了一个分析」等于没说。
• Core Values 准备不足：Airbnb 的 Core Values 是独有轮，不是随便聊聊。把 4 个 values（Champion the Mission、Be a Host、Embrace the Adventure、Be a Cereal Entrepreneur）对应的真实故事准备好，尤其「为什么选 Airbnb」和「跨文化 / 全球化团队协作」，这两类是 DS 轮高频。
• 没有 drive discussion 的意识：Case Study 和实验题是开放题，面试官希望你自己推进讨论、主动给结构。跟着面试官走、被牵着问，容易显得没有 ownership，这是 DS 岗隐性但常见的减分项。

准备路线：7 天 / 14 天 / 30 天

按你距 VO 的天数选路线。三个版本的共同原则：Experiment + Metric + Case Study 永远优先，SQL 口径保下限，Python 数据向 coding 保底，最后两天只留 mock 和状态调整，不学新东西。

• 7 天（保下限版）：D1 SQL：留存 cohort + 指标聚合各限时写一遍，重点练口径口头确认（活跃定义、时区、去重、fanout）；D2 实验设计：按「指标体系 → 分流粒度 → 样本量 → spillover / network effect → 结果解读」完整讲一遍 marketplace 定价 / 排序实验，录音回听；D3 Case Study：「booking 掉了 8% 怎么拆」按「澄清口径 → 供需漏斗拆解 → 假设排序 → 验证路径 → 优先级」45 分钟结构完整走一遍；D4 指标定义 + 统计基础：「怎么衡量 host 体验」+ 假设检验 / 置信区间 / power 各三分钟内讲清直觉；D5 Python 数据向 coding 做 2 题（groupby 聚合 + 简单统计计算），做完主动报口径和复杂度；D6 项目深挖 + Core Values：resume 主项目按「角色 → 指标与实验细节 → 业务影响」写三层答案，Core Values 4 个 story 各写一版；D7 完整 mock 1 场（SQL + 实验 + Case Study + 10 分钟 BQ），录音复盘。
• 14 天（标准版）：在 7 天基础上——D8 补 1 道 SQL：多表 join 口径 + window function 综合题，强制先讲口径再写；D9 Case Study 补 1 个场景：怎么衡量搜索 / 推荐质量，重点练指标定义和 gaming 防御；D10 把 D2 做过的实验设计重做一遍，这次把「实验结果回退诊断 + 双边市场分流」写成主线而不是补充；D11-D12 Python 数据向 coding 再补 2 题（去重取最新、滑动窗口统计）+ 1 题简单统计实现；D13 项目深挖库：2 个主项目各练三层追问，把「指标怎么定、口径怎么争、结论怎么被采用」写成卡片；D14 缓冲日，检查设备日程，早睡。
• 30 天（系统版）：在 14 天基础上——D15-D18 实验设计扩场景：双边市场分流与 spillover、market-level vs user-level 的取舍、多臂实验与序贯分析、guardrail 体系设计，每个场景能白纸上完整讲一遍；D19-D21 Case Study 扩场景：定价策略、host 留存、供需失衡各 1 题，每题补三类 follow-up（指标争议、数据缺失、优先级冲突）；D22-D24 项目深挖库扩到 3 个主项目，各练三层追问，数字做速查表；D25-D27 连续 3 场完整 mock（找真人或录音），重点看 follow-up 接没接住、结构有没有 drive；D28 复盘 3 场 mock，把断片点写下来各补一段；D29-D30 缓冲日。

FAQ：Airbnb DS 面试 5 个高频问题

Q1：Airbnb DS 面经和 SDE 面经差别大吗？
差别大。SDE 攻略的主轴是 Coding（业务场景编码题）+ Code Review（Airbnb 独有轮）+ System Design（Booking / Chat / Notification）+ Past Experience 深挖 + Core Values，看 Airbnb Senior SDE 面经 2026；本篇 DS 的主轴是 Experiment（A/B 实验设计与解读）+ Metric（指标定义与拆解）+ Case Study（marketplace 业务分析）+ SQL + Python 数据向 Coding + Core Values。两个岗位共用「Core Values + 项目深挖」的流程底色，但题型重心完全不同——SDE 重算法和系统设计，DS 重实验和指标思维。投哪个岗位就按哪个岗位准备。

Q2：Airbnb DS 面试几轮？
社招 DS 通常是：Recruiter Screen（不考技术）→ Phone Screen（45-60 分钟，项目深挖 + 一道 SQL / Python 数据向题）→ Onsite Loop 4-5 轮（SQL / 数据分析 + Experiment / A/B 实验设计 + Case Study / 产品分析 + Python 数据向 Coding + Core Values / 项目深挖与 BQ）→ HM / Team Match。部分团队可能跳过 Phone Screen 或调整轮次顺序，NG / Intern 的结构也会不同，具体以实际收到的邀请为准。Airbnb 出结果通常比国内公司慢，全程时间线可能 4-8 周。

Q3：Airbnb DS 考什么？难度如何？
Experiment 考完整链条（指标体系、分流粒度、样本量、spillover / network effect、结果诊断），是 DS 最区分人的题型，Airbnb 作为 experimentation-driven 公司这一轮尤其重；Metric 考指标定义与拆解，核心是口径严谨（分子分母、时区、去重、归因）和指标间 trade-off，不考背定义；Case Study 考 marketplace 场景（booking 掉了怎么拆、怎么定价、怎么衡量搜索质量），考结构化拆解不考背模板；SQL 考 window function、cohort / 留存、指标聚合，难度 medium 到 medium-hard，核心是口径严谨；Python 数据向 coding 难度 medium，偏数据处理和统计，不是算法竞赛；Core Values 考价值观和自我反思。主轴是「能不能把业务问题拆成指标体系、设计可信的实验、讲清个人判断」。

Q4：Airbnb DS 面试是中文还是英文？有 Core Values 轮吗？
Airbnb 是全球化远程公司，DS 团队国际化程度高，面试以英文为主，部分团队 / 面试官会用中文，技术术语中英文混排，建议用英文把实验设计题、Case Study 和 Core Values 故事完整口述练一遍。Core Values 是 Airbnb 独有轮，几乎必面，不是标准 BQ，考察 Champion the Mission、Be a Host、Embrace the Adventure、Be a Cereal Entrepreneur 四个价值观，要准备真实的故事和自我反思，不要把它当成「随便聊聊」。

Q5：我没有完整跑过 marketplace 的 A/B 实验，实验设计题怎么办？
三个动作：第一，把「没跑过双边市场实验」翻译成「跑过实验的等价物」——单边实验、离线评估、回测、对照分析都算实验思维，主动说清你当时怎么控制 confound，再点出 marketplace 的双边特殊性你会怎么处理；第二，背下完整链条的骨架（指标体系 → 分流粒度 → 样本量与周期 → spillover / network effect → 结果解读与决策），每个环节准备一个自己项目的映射例子，面试官追问时能落到具体场景；第三，重点准备「marketplace 分流为什么难」（user-level 会有 spillover、market-level 样本少、switchback 怎么权衡）和「实验没达预期你怎么办」，这两块是 DS 岗最容易拉开差距的部分。