DE SQL / Data Modeling 面试：窗口函数、增量表和指标层怎么准备

💡 核心要点 (Key Takeaways)

• DE SQL 面试要同时解释业务口径、表设计和增量计算，不只是写查询。
• Data modeling 要能讲事实表、维表、SCD、主键、分区、去重和消费方契约。
• 指标层面试要关注口径一致、血缘、版本管理、回填和变更通知。

DE SQL 和 DS SQL 的区别

DS SQL 更偏分析和业务结论，DE SQL 更看重数据链路和可维护性。面试官会追问这张表怎么生成、是否增量、主键是什么、如何去重、是否会重复计数、历史口径变化怎么处理。

必须练熟的 SQL 题型

窗口函数、去重、留存、漏斗、归因、rolling metric、sessionization、top k、递归层级和 SCD 是高频题型。每道题都要准备 event time、processing time、NULL、重复事件和 late arrival 的边界解释。

• 窗口函数：rank、lag/lead、rolling sum、first/last value。
• 去重：业务主键、event id、source update、latest record。
• SCD：valid_from / valid_to、current flag、历史回放。
• 增量：watermark、merge/upsert、partition overwrite、幂等。

数据建模回答框架

先明确业务实体和查询模式，再设计 fact / dimension / bridge 表，最后讨论分区、聚簇、主键、更新频率和质量校验。不要一上来画一堆表，要让面试官看到你从使用场景出发。

Metrics Layer 怎么讲

指标层的核心是统一口径。要讲 metric definition、owner、version、lineage、dashboard / API 消费、backfill、变更公告和权限。很多候选人只讲 dbt model，却不讲指标口径治理，这是明显短板。

项目深挖要突出 owner 意识

DE 项目不要只说用了 Airflow、Spark、Snowflake。更有效的是讲原链路的问题、你做的设计、失败和回填、数据质量提升、成本或延迟下降，以及下游团队如何受益。

查询性能和成本怎么讲

DE SQL 轮里「这个查询怎么变快」是高频追问，答案要分层。第一层数据访问：查询是否全表扫描？有没有按事件日期分区并命中分区过滤？过滤列有没有做 clustering？这两点通常能带来数量级的成本差异。第二层计算：能不能把全量重算改成增量 merge？窗口函数能不能先预聚合再 join？去重能不能放到 join 之前做，减少参与 shuffle 的行数？第三层工程：结果是物化成表还是每次重算？增量任务是否幂等？口径变更后回填怎么调度、怎么校验？面试官想看到的不是你能背出 clustering key 这个词，而是你能从数据量和查询模式推理成本。练习方法：挑一道你写过的题，回答三个问题——现在这个查询的成本瓶颈在哪一步、如果数据量涨 10 倍先坏在哪、第一步优化动作是什么。能把这三个答出来，SQL 回答就从「会写」变成「能在生产跑」。

题目卡住时怎么表达

SQL 轮几乎一定会有一道你一时写不出来的题。面试官这时看的不是你最终解出来没有，而是你卡住时的工作方式。稳定的做法是四步：第一步，用自己的话复述题目，和面试官确认分母、时间窗口和去重口径——很多「无解」其实是口径歧义；第二步，缩小范围，先解决一天或一个用户能成立的子情况，再扩展到全量；第三步，把推理说出口，比如「我现在在确认重复事件是源头就有还是 merge 逻辑引入的」，口述推理本身就是评分点；第四步，主动要 hint，但拿到 hint 后要解释为什么这一步有效，而不是直接写进代码。两个明显减分行为：沉默盯屏超过五分钟；面试官刚开口你就动手写。练习方法：mock 时故意挑没见过的题，复盘时只问三个问题——我卡在哪一步、最早出现的信号是什么、我有没有把推理说出口。

高频追问和应答要点：为什么不建大宽表

模型讲完之后，追问基本来自固定题库，值得提前备好答案。追问一「为什么不直接建一张大宽表」：答 trade-off——宽表用存储换查询速度，适合高频、低延迟的热查询；但如果每个分析维度组合都建宽表，存储成本和维护成本会失控，判断标准是查询频率乘以单次查询成本，不是习惯。追问二「上游数据迟到或缺失怎么办」：三层答——调度层靠依赖阻塞加 SLA 告警；查询层做 freshness 检查，明确展示数据截至哪个时间点；口径层把迟到数据回填到 correction 表或做幂等 merge，回填本身也是一个带校验的调度任务。追问三「怎么验证数据质量」：列四个检查——行数波动、主键唯一、空值率、分布漂移，并说明各查哪类错误。追问四「这个 pipeline 在延迟谱系里位于哪」：能把它放到 T+1 批处理、微批、实时流这个谱系上，并说明为什么这个业务不需要更贵的那档。练习方法：给四个追问各写一句标准答案，mock 时练到 60 秒内答完。