TikTok USDS 面经 2026：SQL、实验设计和 Product Sense

💡 核心要点 (Key Takeaways)

• TikTok USDS（Data Scientist）面试主轴是 SQL（window function、留存 cohort、指标口径）+ 实验设计（primary / guardrail 指标、样本量、novelty effect、结果解读）+ Product Sense 案例（短视频 / 创作者生态指标与取舍），外加算法 Coding 和 BQ；USDS 是 TikTok 面经最多的热门团队，国人面试官为主、中文面试是常态。
• TikTok 电话面以「简历深挖 + coding 混排」著称且挂人最多：简历部分会挖项目指标定义、分析口径、业务影响，USDS 团队电面里 LC695 变种（岛屿问题）是公开信号中反复出现的高频题；项目说不清「指标怎么定义、怎么验证、业务结果是什么」会直接减分。
• 实验设计题是 USDS 区别于 SDE 岗位的核心：要能完整讲出指标体系（primary / secondary / guardrail）、分流和样本量、novelty effect 与 spillover、实验结果回退时的诊断路径，只背 A/B 测试定义答不下来。
• Product Sense 案例考「指标定义 + 业务判断」：短视频 feed、创作者生态、留存这类场景，先定义北极星指标和拆解框架，再谈取舍，不能直接跳到方案。
• 公开面经信号按「年份 + 级别 + 岗位」筛选、以 2-3 篇共识判断结构；7 天保 SQL + 实验设计下限，14 天补 Product Sense 案例和岛屿系列 coding，30 天加深挖库和完整 mock，最后两天只留 mock 和状态调整。

这篇适合谁

这篇写给准备 TikTok（ByteDance）USDS——United States Data Science 团队 Data Scientist 面试的候选人，级别以社招中高级（ByteDance 2-1 / 2-2，大致对标 Google L4 / Meta E4）为主，NG / Intern 和研究方向候选人的差异会在流程一节说明。USDS 是 TikTok 北美数据科学体系里面经数量最多的热门团队，国人面试官为主、中文面试是常态。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：TikTok DS（USDS）面试 = SQL（指标口径、window function、留存 cohort）+ 实验设计（primary / guardrail 指标、样本量、结果诊断）+ Product Sense 案例（短视频 / 创作者生态的指标定义与取舍）+ 算法 Coding + BQ。准备的重点不是「刷了多少算法题」，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 SDE 岗位，看 TikTok / ByteDance 面试全攻略；如果投的是 MLE 岗位，看 TikTok MLE 面经 2026——DS 和 MLE 的题型重叠度不高，两个岗位的准备方向不要混。

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

TikTok USDS 的主线流程是：投递 / 内推 → Recruiter Screen → OA（部分岗位）→ Phone Screen → Onsite Loop（VO）→ HM / Team Match → offer。USDS 团队有两个流程特点要提前知道：出结果快（公开信号里常见当天或两三天内给反馈），国人面试官为主、中文面试是常态。各轮大致长这样：

• Recruiter Screen（30-45 分钟）：不考技术，聊动机、背景和大体分析经历。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。
• OA（部分岗位，约 90-120 分钟）：NG / Intern 基本必考，社招多数岗位在简历通过初筛后跳过。公开信号里 OA 多为 medium 难度 Python / 算法题，DS 方向偶尔带数据 / 统计 flavor（指标计算、日志聚合、流式统计），限时作答。以实际收到的邀请为准。
• Phone Screen（45-60 分钟）：TikTok 电话面以「简历深挖 + coding 混排」著称，也是挂人最多的一轮。常见结构是面试官先花 20-30 分钟挖简历上的分析 / 数据项目（指标怎么定义、口径怎么定、实验怎么设计、结论怎么被业务采用），剩下 15-25 分钟做一道 coding 题并追问 follow-up。USDS 团队电面里 LC695 变种（岛屿问题，DFS + Stack）是公开信号中反复出现的高频题，follow-up 常见「同时返回最大岛屿面积」。深挖阶段表现不好会直接压缩做题时间。
• Onsite Loop / VO（4-5 轮，每轮 45-60 分钟，通常一天面完）：常见结构是 1-2 轮 Coding（算法题为主，部分团队穿插数据 / SQL 味道）、1 轮 SQL + 数据分析（指标口径、留存 cohort、实验指标聚合）、1 轮实验设计 + Product Sense 案例（短视频 / 创作者生态场景）、1 轮项目深挖 + BQ。部分团队 2026 年新增 AI Assisted Coding 轮：使用自己的 AI tool 并 share screen，完成一个含 test case 的完整工程任务。
• HM / Team Match：VO 通过后进入结果确认阶段：hiring manager 沟通方向、level 和 comp，跨组调剂（team match）也发生在这里，不再考技术，重点是双向确认。TikTok 出结果快，有候选人当天就收到反馈，日程上留好余量。

题型雷达：SQL、实验设计、Product Sense、Coding、BQ 各占多少

按 USDS（Data Scientist）岗位把题型按出现频率排个雷达图：

• SQL（最高频，独立轮或穿插）：TikTok 数据量级大、指标口径多，SQL 是 DS 岗位的基本盘。高频考点：window function（排名、滑动窗口、去重后取最新一条）、留存 cohort 计算（按注册 / 激活时间分群、N 日留存矩阵）、实验指标聚合（按 experiment arm 分组算 primary metric）、多表 join 的口径问题（fanout、去重、时区）。难度 medium 到 medium-hard，但 follow-up 会加规模（「数据量 10 倍怎么优化」）和边界情况（空值、重复、时区跨天），第一版口径定错整题都难救。
• 实验设计 / A/B 测试（核心区分项，独立轮或穿插）：USDS 岗位最区分度的题型。要能完整讲出：指标体系（primary / secondary / guardrail，短视频场景如完播率、人均时长、留存 vs 负反馈率、生态分布）、分流方案（用户级 / 请求级、为什么这么分）、样本量和实验周期怎么定、novelty effect 和 spillover 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」这种定义题答不下来。
• Product Sense 案例（1 轮或实验轮内）：场景集中在 TikTok 业务线上——短视频 feed 指标怎么定、创作者生态怎么衡量健康度、留存掉 5 个点怎么拆解。考点是「指标定义 + 业务判断 + 取舍」：先立北极星指标和拆解框架（按用户生命周期、按内容漏斗拆），再谈优先级和 trade-off，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，这里重点说短视频和创作者生态两个场景怎么切入。
• 算法 Coding（1-2 轮）：Python 为主，难度 medium。USDS 团队高频题有明确信号：LC695 变种（岛屿问题，DFS + Stack，follow-up 同时返回最大岛屿面积）反复出现，LRU Cache 持续出现，DFS + DP、Merge Intervals 这类经典题也可能遇到。面试官喜欢在你做完之后追问更优解（时间 / 空间复杂度），做完要主动说「这是 O(n log n)，还可以进一步……」。
• 项目深挖 / 统计基础（穿插或独立）：分析项目的深挖会落到指标定义（「这个指标为什么这么定、口径争议怎么解决」）、实验细节（「样本量怎么算的、置信区间怎么读」）、业务影响（「结论怎么被产品 / 业务采用、上线后指标变化」）。统计基础（假设检验、p 值和置信区间的关系、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。
• BQ（1 轮或每轮穿插）：高频方向：一次分析结论被业务质疑的经历、一次实验没达预期的复盘、跨团队（产品 / 工程）推动、为什么选 ByteDance。准备 4-6 个 STAR 故事，每个能接两层追问；DS 岗位的 BQ 尤其爱问「你的分析如何影响了决策」，故事里必须有可量化结果。
• AI Assisted Coding（2026 新增，部分岗位）：使用自己的 AI tool + share screen，完成一个完整工程任务，test case 必须做完。这是新题型，公开挂因里出现「最后 test case 没完成」，收到这轮的人要提前练习「用 AI 交付可运行版本 + 测试」的完整流程。

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：

• 岛屿系列（USDS 电面最高频 coding）：LC695 变种，给定网格求岛屿（DFS + Stack 或 BFS），follow-up 常见「同时返回最大岛屿面积」或「第 k 大岛屿」。考点是图遍历 + 状态标记 + 复杂度分析，做完主动报复杂度并提示还有没有更省的写法。这是公开信号里 USDS 团队出现次数最多的电面题，必刷。
• 留存 cohort 计算（SQL 最高频）：按用户注册 / 激活时间分 cohort，计算 N 日留存矩阵。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」和「活跃定义改了口径，留存曲线怎么变」。
• 实验指标聚合（SQL + 实验结合）：给定实验分流表和行为日志，按 experiment arm 聚合 primary metric 和 guardrail metric。考点：join 口径（fanout、一对多去重）、分组聚合的窗口写法、指标口径和实验分流的对应关系。这题考的是「SQL 和实验设计能不能合在一起讲」。
• A/B 实验设计（独立轮最高频）：「推荐策略改版，你怎么设计实验验证它有效」——primary metric（完播率、人均时长）+ guardrail（负反馈率、内容生态分布、创作者侧指标）、分流粒度（用户级 vs 请求级、为什么）、样本量和实验周期、novelty effect 和 spillover 的处理、结果回退时的决策路径。考点是完整链条，不是背公式。
• 实验结果诊断：「实验跑了一周，primary metric 掉 3 个点」或「显著但效应量很小」，考诊断过程：澄清症状 → 列假设（分流污染、指标口径变化、novelty 消退、外部事件）→ 按验证成本排序 → 逐个排除 → 给决策建议（继续跑 / 止损 / 扩量）。追问会落到「显著性和业务显著性怎么区分」。
• Product Sense：短视频 feed 指标：「怎么衡量 TikTok feed 的质量」或「人均使用时长涨了但留存跌了，怎么解释」。考点：先定义北极星指标和拆解框架（内容供给 → 分发效率 → 消费深度 → 留存），再给 trade-off（短期时长 vs 长期留存、消费侧 vs 创作者生态），最后落到「如果让我定指标体系会怎么定」。
• Product Sense：创作者生态：「怎么衡量创作者生态健康度、怎么设计指标防止头部集中」。考点：供给侧指标（创作者分层、新创作者存活率、头部集中度）、激励与生态的平衡、指标怎么和游戏化 / 流量分配联动。这题区分「做过业务分析」和「只跑过报表」。
• BQ / 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）、一次分析结论被业务质疑的经历、一次实验没达预期的复盘、一次跨团队推动。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、口径争议怎么解决、结论怎么被采用」是 DS 岗位深挖的固定三连。

公开面经信号怎么读

一亩三分地等面经社区是 TikTok USDS 面试信息最集中的公开来源，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 2-1 级别 USDS 的信号和 2024 年 NG 的信号可能完全不一样（OA 题型、轮次结构、SQL 深度都在变），优先看最近 2-3 篇。岗位必须对得上——SDE 的信号（简历深挖 + CAP / indexing 八股）对 DS 参考价值有限，MLE 的信号（ML System Design、feature freshness、math heavy ML 理论）是另一个岗位的题型，DS 的 SQL / 实验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「电面全是岛屿问题」不能当结论；两到三篇独立帖子都提到 USDS 电面岛屿系列高频、国人面试官为主、中文面试、简历深挖 + coding 混排，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「出结果快、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 TikTok 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：TikTok USDS 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，TikTok USDS（Data Scientist）特有的失分点集中在这几个：

• 分析项目被挖穿：TikTok 的深挖普遍持续 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。
• 实验设计只背定义：最 USDS 特色的挂点。答不出「分流粒度为什么选用户级」「novelty 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实验。
• Product Sense 跳方案：案例题一上来就说「我会加 XX 功能」，没有指标定义和拆解框架。TikTok 的 Product Sense 题先考「你怎么定义问题」，再考「你怎么取舍」，顺序反了整轮都难救。
• SQL 口径不严谨：留存题里活跃定义、时区切分、去重逻辑说不清楚，或者 fanout 导致指标翻倍才发现。SQL 题难度本身不高，但口径错误是 USDS SQL 轮的典型减分项，写之前先口头把口径讲一遍。
• 中文面试没练：USDS 国人面试官为主、中文面试是常态，技术术语中英文混排，如果 experiment arm、guardrail metric、cohort 这些词用中文说不利索，节奏会乱。建议用中文完整口述一遍实验设计题和 BQ。
• Coding 时间被压缩：简历深挖讲太久，留给 coding 不到 20 分钟，follow-up 做不完。控制简历部分在 5-8 分钟一个项目，主动把面试官引到你准备好的话题上。
• 没有 follow-up 意识：做完一道题，面试官问「还有没有更优解」就卡住。TikTok 面试官喜欢在你能做出来之后继续追问更优解，正确姿势是主动说「这是 O(n log n)，还可以进一步……」。
• AI Assisted Coding 不熟练：收到新增轮次的人里，公开挂因出现「最后添加 test case 没完成」。这是 2026 年的新题型，多数人没经验，提前用熟悉的 AI tool 练「完整任务 + test case」就是差距。

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：SQL 口径 + 实验设计永远优先，Product Sense 案例次之，算法 Coding 保下限，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 + 实验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 → 样本量 → novelty / spillover → 结果解读」完整讲一遍短视频 feed 改版实验，录音回听；D3 Product Sense：「怎么衡量 feed 质量」按「北极星指标 → 拆解框架 → trade-off → 我的指标体系」45 分钟结构完整走一遍；D4 算法 Coding 做 2 题（LC695 变种含 follow-up + LRU），做完主动报复杂度；D5 项目深挖：resume 主项目按「角色 → 指标与实验细节 → 业务影响」写三层答案，影响数字做速查表；D6 BQ：按「分析被质疑、实验没达预期、跨团队推动、为什么 ByteDance」各写 1 个 STAR 故事，中文口述录音回听；D7 完整 mock 1 场（SQL + 实验 + 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 Product Sense 补 1 个场景：创作者生态健康度，重点练供给侧指标和头部集中度的拆解；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」写成主线而不是补充；D11-D12 算法 Coding 再补 2 题（DFS + DP、Merge Intervals）+ 岛屿系列第二变种；D13 统计基础专项：假设检验、置信区间、多重比较、贝叶斯 vs 频率派，每个三分钟内讲完直觉；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：创作者侧实验（激励策略怎么设计指标）、多臂实验与序贯分析、平台级实验的 spillover 控制，每个场景能白纸上完整讲一遍；D19-D21 Product Sense 扩场景：留存拆解、商业化（广告加载率与体验的 trade-off）、内容生态多目标各 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：3 个主项目各练三层追问（approach → 细节 → reflection），把「指标怎么定、口径怎么争、结论怎么被采用」的答案写成卡片；D25-D27 连续 3 场完整 mock（找真人或录音），重点看 follow-up 接没接住、中英文切换是否流畅；D28 复盘 3 场 mock，把断片点写下来各补一段；D29-D30 缓冲日。

FAQ：TikTok DS 面试 5 个高频问题

Q1：TikTok DS 面经和 SDE / MLE 面经差别大吗？
差别大。SDE 攻略的主轴是简历深挖（40-45 分钟）+ 高频 coding 题（岛屿问题、LRU、马拉车算法）+ System Design（Rate Limiter 这类）+ CAP / indexing 八股，看 TikTok / ByteDance 面试全攻略；MLE 的主轴是 ML System Design（短视频推荐、搜索、feature freshness）+ math heavy ML 理论 + 项目规模深挖，看 TikTok MLE 面经 2026；本篇 DS（USDS）的主轴是 SQL（口径与留存 cohort）+ 实验设计（指标体系、分流、结果诊断）+ Product Sense 案例（短视频 / 创作者生态）+ 算法 Coding + BQ。三个岗位共用「简历深挖 + 中文面试 + follow-up 追问」的流程底色，但题型重心完全不同，投哪个岗位就按哪个岗位准备。

Q2：TikTok DS 面试几轮？
USDS 社招通常是：Recruiter Screen（不考技术）→ 可选 OA（约 90-120 分钟，medium Python / 算法题，部分带数据 / 统计 flavor）→ Phone Screen（45-60 分钟，简历深挖 + coding 混排，岛屿系列高频）→ Onsite 4-5 轮（1-2 轮 Coding + SQL / 数据分析 + 实验设计 + Product Sense + 项目深挖与 BQ，部分岗位加 AI Assisted Coding）→ HM / Team Match。NG / Intern 更常走 OA 进流程，社招部分岗位跳过 OA。轮次数量和结构因团队、级别、地区而异，具体以实际收到的邀请为准。

Q3：TikTok DS 考什么？难度如何？
SQL 考 window function、留存 cohort、实验指标聚合，难度 medium 到 medium-hard，核心是口径严谨而不是语法炫技；实验设计考完整链条（指标体系、分流、样本量、novelty / spillover、结果诊断），是 USDS 最区分人的题型；Product Sense 考短视频 / 创作者生态的指标定义和取舍，考业务判断不考背模板；算法 Coding 难度 medium，USDS 电面岛屿系列（LC695 变种）是公开信号里的高频题，follow-up 追问更优解；BQ 考「分析如何影响决策」，必须有可量化结果。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」，不是算法竞赛深度。

Q4：TikTok USDS 面试是中文吗？有 OA 吗？
USDS 团队国人面试官为主，中文面试是常态，技术术语中英文混排，建议用中文把实验设计题、Product Sense 案例和 BQ 完整口述练一遍。社招多数岗位没有 OA，简历通过初筛后直接进 Phone Screen；NG / Intern 基本必考 OA（约 90-120 分钟，medium 难度 Python / 算法题，部分带数据 / 统计 flavor），以实际收到的邀请为准。

Q5：我没有完整跑过 A/B 实验，实验设计题怎么办？
三个动作：第一，把「没跑过实验」翻译成「跑过实验的等价物」——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；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 → novelty / spillover → 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，准备一个「实验没达预期」的复盘故事（没有真实验就用离线评估 / 分析被质疑的经历替代），DS 岗位的实验题最后一定会落到「结果不理想你怎么办」，这是最容易拉开差距的部分。