DS 面试考什么 2026：SQL、Product Sense、Experiment 全轮次拆解

💡 核心要点 (Key Takeaways)

• DS 面试的主轴是 SQL + Product Sense + Experiment 三件套，加 Behavioral / 项目深挖；三块是同一个业务问题的三种表达，不是三个孤立知识模块。
• SQL 考的是业务口径不是语法：留存、漏斗、归因、cohort、late event 和重复曝光是高频追问点，先讲口径再写查询。
• Product Sense 是结构化拆解不是主观建议：先明确目标，再拆用户分层和指标树，然后给假设和验证方法，别在第一分钟跳到换模型。
• 实验题的失分点在边界：MDE 从哪来、guardrail 为什么选这个、peeking 和新奇效应怎么处理、什么时候 ramp，背公式接不住追问。
• 7 / 14 / 30 天三档路线：7 天保 SQL 口径 + 诊断 + 实验追问下限，14 天补 ML 基础和 metric design，30 天加目标公司雷达和真人 mock。

这篇适合谁：先回答「DS 面试考什么」

这篇写给准备 2026 年北美科技公司 Data Scientist（DS）面试的候选人，覆盖 Product DS、Analytics DS、Growth DS、Marketplace DS 等方向，级别以 3-5 年经验的中级为主（大致对应 L4 / L5），NG / Intern 的结构差异会在流程部分说明。文章基于 2026 年公开面经信号和站内已有 DS 专题整理，不同公司、团队、级别的轮次结构会有出入，以实际收到的面试邀请为准。

先给「DS 面试考什么」一个直接答案：主轴是 SQL（数据提取 + 业务口径）、Product Sense（指标拆解与产品判断）、Experiment（A/B test 设计与解读）三块，外加 Behavioral 和项目深挖；部分公司会加一轮轻量 ML 基础或建模 case，配比因公司和 team 而异。准备的关键不是把三块当孤立知识模块刷，而是把它们当成同一个业务问题的三种表达来练。

读完这篇你会带走：全流程轮次地图、6 个高频题型方向的可执行方法、4 个代表题型的答题骨架、中国 / 海外候选人各自的常见挂点，以及 7 / 14 / 30 天准备路线。DS 岗位的整体备战路线和题型雷达，可以配合 DS 岗位指南 一起看。

整体框架：2026 年 DS 面试的全轮次结构

DS 的主线流程一般是：简历筛选 → OA（部分公司）→ Phone / Technical Screen → Onsite loop → HM / Team Match → offer。轮次结构因公司、团队、级别而异，以下是 2026 年公开信号归纳出的「典型区间」，不是对某一家公司的精确描述。

• OA / Online Assessment：部分公司必考（NG 和 Intern 基本都有，社招多数情况可跳过直接进 Phone）。DS 的 OA 常见 1-2 道 SQL 题加少量逻辑或产品小问，限时作答，读题要完整——题面经常带业务背景，边读边写容易漏口径条件。
• Phone / Technical Screen：约 30-45 分钟，通常 1 道 SQL 题（难度低于 Onsite）+ 背景与动机沟通。考的是你能不能在无提示下把口径讲清、把查询写对，很多候选人死在这轮「小题大做」或口径漏讲。
• Onsite loop：通常 3-5 轮、45-60 分钟一轮，常见组合是 1-2 轮 SQL + 1 轮 Product Sense / case + 1 轮 Experiment / A/B test + 1 轮 Behavioral 或项目深挖；部分 team 会把三块技术方向混进 2 轮里（每轮一道 SQL + 一道产品 + 一串实验追问）。可以一天面完，也可以拆两天。
• HM / Team Match：Onsite 通过后，有的流程有 hiring manager 沟通或跨组 team match，不再考技术，重点是确认方向、level、location 和双向预期。
• 时间线：从投递到 offer 典型区间 4-10 周，NG 高峰期偏慢；每轮反馈典型 3-10 个工作日，超过 2 周没消息可以主动问 recruiter。
• 2026 年的变化：越来越多公司在 SQL 轮明示是否允许 AI 工具辅助，评分重心从「能不能写出来」转向「能不能讲清口径、能不能 review 代码和结果」。无论允不允许，把口径讲清楚都是加分项。

高频题型与核心方法：6 个方向，每个都有可执行动作

以下按出现频率展开 2026 年公开信号里反复出现的 6 个方向。每个方向给一个可执行动作，不空谈。

• SQL 业务口径题（最高频，多数公司占 1-2 轮）：不考语法点，考业务口径——留存（cohort、day 1 / day 7、event time、时区）、漏斗（步骤顺序、同一用户多次触发、session 定义）、归因（attribution window、last touch / first touch、late event）、实验（bucket 表、曝光口径、用户跨组污染）。可执行动作：按留存 / 漏斗 / 归因 / 实验四个业务场景各做 1-2 道 SQL 题，每道先口头讲表结构、去重逻辑、时间窗口和脏数据处理，再写查询。深入方法见站内 SQL、Product Sense 和 A/B Test 准备路线。
• 指标诊断 / case（Product Sense 最高频）：「推荐页点击率上周下降 10%，你怎么查？」稳定路径四步：先查数据（埋点丢失、迟到事件、去重逻辑变化）→ 拆维度（流量、用户分层、渠道、设备、地区）→ 列假设（季节性、产品改版、实验、外部事件）→ 给验证方法（SQL 拉数或跑小实验）。可执行动作：每道诊断题先纸面写出四步路径再开口，每个假设强制说清「用什么数据验证、预期结果是什么」。
• Product Sense / 指标设计：「给一个新功能设计 North Star metric 和 input metrics」「怎么衡量一次增长活动是否成功」。核心不是主观提建议，而是目标 → 用户分层 → 指标树 → 假设 → 验证 → 风险。更完整的回答骨架见 DS Product Sense 答题框架。可执行动作：选你目标公司产品的 3 个核心场景（搜索、feed、结算或创作者侧），各画一张指标树，标清哪个是 primary、哪些是 guardrail。
• 实验 / A/B test 设计（多数公司占 1 轮，追问才是考点）：设计本身有模板（primary metric → MDE → 方差 → 样本量 → 周期 → rollout），真正考的是追问：MDE 从哪来（业务意义）、guardrail 为什么选这个、selection bias 和跨设备污染怎么处理、peeking 和新奇效应、多个实验互相干扰时要不要 switchback / geo bucket。可执行动作：挑你做过的一场真实实验，写一页实验复盘（背景、设计、坑、结论、改进），用它回答所有实验题。
• ML / 建模基础（因公司而异）：多数 DS team 只考轻量建模——模型评估（bias-variance、AUC vs precision / recall 怎么选）、特征工程、冷启动、线上线下一致性；少数 team 加一道小型建模 case（如流失预测）。可执行动作：不刷 LeetCode，把简历上 2-3 个项目各自的「为什么选这个模型 / 这个指标」的取舍练到能脱口而出。
• Behavioral / 项目深挖（穿插或单独 1 轮）：高频方向是一个改变结果的数据决策、一次和 PM / 工程的分歧、一次失败的归因、一次主动补位。可执行动作：准备 5-6 个 STAR 故事，每个能接两层追问（当时怎么判断的、结果怎么衡量的），英文口述录音回听。

代表题型：4 个高频骨架（只归纳题型，不复刻原题）

以下是公开信号里反复出现的题型和答题骨架，只归纳题型方向，不复刻任何候选人的私人原题。

• 类型一：多步留存计算（SQL）：「算上个月各渠道新用户的 day 1 / day 7 留存」。骨架：先定义新用户（首次事件时间）和留存（第 N 天有活跃事件）→ 建 cohort 表 → 处理时区和迟到事件 → 按渠道 × cohort 周输出留存率。常见 follow-up：换口径（活跃 = 打开 vs 活跃 = 下单）、重复事件如何去重。
• 类型二：指标下降诊断（Product Sense）：「搜索 CTR 环比降了 8%，怎么查？」骨架：先验数据和口径（埋点、去重、时间窗口）→ 拆维度（流量来源、用户分层、设备、地区、query 类型）找到贡献最大的维度 → 列假设并给每个假设配验证数据 → 结论：最可能是哪个假设，下一步拉数还是跑小实验。关键：第一分钟不要跳到换模型或加特征。
• 类型三：完整实验设计（Experiment）：「新定价页能否提升转化，设计实验」。骨架：primary metric（转化）+ guardrail（客单价、退款率、长期留存）→ MDE 绑定业务意义 → 基线和方差 → 样本量与周期（对照业务日历）→ 随机化单元与污染检查 → 小流量 ramp → 决策与 rollout。常见 follow-up：周期太长怎么办（提高 MDE 门槛或接受更长观察）、中途被打断已收集的数据怎么处理。
• 类型四：指标设计 case（Product Sense + Experiment 混合）：「团队想衡量内容质量，怎么设计指标？」骨架：先对齐「质量」的目标（用户价值、创作者激励还是生态健康）→ 拆成可观测代理指标（完播率、复访率、负反馈率）→ 区分 primary / guardrail / input → 说明怎么验证代理指标和真实目标一致（相关性 + 小实验）。这是 2026 年高频的区分度题型：考的是能不能把模糊目标变成可度量、可验证的东西。

常见挂点：中国 / 海外候选人最容易失分的地方

把公开面经里的挂因信号和模拟面试复盘对照，DS 的失分点集中在以下几处，中国 / 海外候选人各有各的坑：

• SQL 写对但讲不清口径：查询能写出来，但「重复事件怎么办」「时间窗口怎么定」「时区按哪个算」答不上，面试官会判断你没处理过真实数据。对策：每次练习先强制口头讲 1 分钟口径再动笔。
• Product Sense 只背框架不拆解：「先看用户再看指标」然后卡住，说不出具体拆哪些维度、怎么验证。框架只是骨架，答案是「哪个维度贡献最大 + 用什么数据验证」。
• 实验题背公式接不住追问：样本量公式背得很熟，但「MDE 从哪来」「guardrail 为什么是它」「中途偷看了结果怎么办」一追问就断片。追问考的是判断，不是背诵。
• 项目没有数字和决策：简历写「搭建流失预测模型，提升准确率」，但「为什么选这个模型」「线上线下一致性怎么保证」「业务方拿结果做了什么」答不出。准备 2-3 个核心项目，每个能扛 15-20 分钟深挖。
• 中国候选人常见：不主动给假设：面试官期望你主动声明假设和取舍（数据缺失怎么办、口径选哪个），国内候选人习惯等被问到再说。对策：每题开场主动说出 2-3 个关键假设。
• 海外候选人常见：口径概念不对齐：不同公司、不同地区对曝光、CTR、归因窗口、cohort 的定义差异不小，直接用前司口径回答容易被判「没有 sense」。对策：回答前先用一句话确认「这道题里 X 的定义是……对吗？」
• 节奏与表达：45 分钟一轮，前 10 分钟读题澄清占掉 8 分钟，后面必然赶工。DS 面试看重「边想边说」——为什么这么拆、为什么选这个指标，闷头算不说话是减分的。

准备路线：7 天 / 14 天 / 30 天

按距 Onsite 的天数选路线。三档共同原则：SQL 口径和实验追问永远优先，Product Sense 次之，Behavioral 最后，最后两天只留 mock 和状态调整，不学新东西。

• 7 天（保下限版）：D1-D2 按留存 / 漏斗 / 归因 / 实验四个场景做 5 道 SQL 题，练「先讲口径再写」；D3 做 2 道指标诊断题，纸面四步路径写熟再开口；D4 做 1 道完整实验设计 + 用真实项目写 1 页实验复盘；D5-D6 准备 5 个 STAR 故事，英文口述录音回听；D7 完整 mock 一场（SQL + 诊断 + 实验追问，60 分钟），录音复盘，列出 3 个扣分点。
• 14 天（标准版）：在 7 天基础上——D8-D9 补 ML 基础：模型评估、bias-variance、特征工程、冷启动、线上线下一致性，每个概念准备 3 个「为什么」；D10-D11 做 2 道 metric design case（North Star、质量衡量），练「把模糊目标变成可度量」；D12 把 D1-D2 的 SQL 题重做一遍，强制接住换口径、加维度的 follow-up；D13 完整 mock（含 10 分钟 Behavioral）；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 目标公司雷达：每个目标公司查 2-3 篇最近的面经信号，确认它的轮次组合和重点方向，按高频方向各补 1 道；D19-D22 弱项专项：从最近两次 mock 的扣分点里选 3 个，每个补 2 道同类题；D23-D25 故事库扩到 6-8 个，练三层追问（approach → 细节 → reflection）；D26-D28 连续两场完整 mock（尽量真人），重点看追问接没接住、表达节奏；D29 复盘两场 mock，把断片点各补一段；D30 缓冲日。
• 只有 1 周且是社招：优先做目标公司雷达 + 1 场 mock——这个阶段「知道对方怎么出题」比泛刷更值。

FAQ：关于「DS 面试考什么」的 5 个高频问题

Q1：DS 面试考什么？各占多少？
主轴是 SQL + Product Sense + Experiment 三块技术方向，加 Behavioral / 项目深挖。典型 Onsite 是 3-5 轮：1-2 轮 SQL、1 轮 Product Sense / case、1 轮 Experiment、1 轮 Behavioral；部分 team 把三块技术方向混进 2 轮。少数公司加轻量 ML 基础轮。配比因公司和 team 而异，正文的「典型区间」供参考，以实际邀请为准。

Q2：DS 面试几轮？时间线多久？
简历 → OA（部分）→ Phone → Onsite（3-5 轮）→ HM / Team Match → offer。从投递到 offer 典型 4-10 周，NG 高峰期偏慢；每轮反馈典型 3-10 个工作日。超过 2 周没消息可以主动问 recruiter。

Q3：DS 面试考算法 / 编程吗？
基本不考 LeetCode 式算法题，最接近的是 SQL（OA 常见 1-2 道 medium SQL）。如果目标 team 偏 Data Infra 或 Applied Scientist，可能加一道轻量 coding 或建模题，以 JD 和实际邀请为准。准备重心放在 SQL 口径和数据 pipeline 理解上，不要花时间刷算法。

Q4：DS 面试考机器学习吗？考多深？
多数 DS team 考「轻量级」：模型评估、bias-variance、特征工程、冷启动、线上线下一致性，考的是「为什么选这个模型 / 这个指标」的判断；少数 team 加一道小型建模 case。如果你的目标是 MLE 岗位，准备方向完全不同（ML System Design 是主轴），不要混着准备。

Q5：公开面经（一亩三分地等社区）有用吗？怎么读？
有用，读法决定价值：按「年份 + 级别 + 岗位」筛选，只看最近 2-3 篇；找共识，两到三篇独立帖子提到同一轮次结构才可信；只提取「轮次结构 + 题型方向 + 挂点」，忽略剧情。本站内容只归纳公开信号，不复刻任何人的逐字面经，也不与任何面经社区存在合作或转载关系。