这条线考什么
产品指标与增长分析：北极星指标、用户分层、feature 影响评估和产品决策建议。
核心评估
核心评估是 Product Sense 与指标树：给一个激活率或 CTR 变化，拆假设、定验证顺序、给产品建议；SQL 常考留存、漏斗和归因。
准备顺序
准备顺序：先搭指标树框架（指标树怎么搭可参考DS Product Sense 回答框架），再练留存 / 漏斗 / 归因 SQL，最后练「指标变化 → 产品动作」的完整叙事。
📌 岗位备战路线导航点击下方标签即可快速切换 6 大岗位方向
Data Science（DS）求职与面试辅助
面向 Data Scientist 求职与面试准备：覆盖 Product DS、Analytics DS、Experimentation 与 USDS 四条岗位分支、30/60/90 天求职路线，以及 SQL、实验、metric case 与 BQ 高频题型。
Job Search Roadmap
北美 DS 求职路线：从岗位定位到 SQL、Product Sense 与 Case
先回答「DS 求职该准备什么」：按岗位分支定位，再按 30/60/90 天路线补 SQL、实验、产品判断与 BQ。
DS 求职（Data Scientist 求职）的第一步不是刷题，而是先定岗位分支：Product DS、Analytics DS、Experimentation 和 USDS 四条线考的东西不同，简历叙事、准备顺序和目标公司名单都会不一样。数据科学家面试准备建议按「先定位、再补题、后模拟」推进：先把简历上的数据项目按目标岗位语言重写，再按分支补齐 SQL、实验和 metric case 的高频题，最后用模拟面试把表达和追问接住。
这条线考什么
报表与决策支持：dashboard 口径、ad hoc 分析、异常诊断和跨部门数据交付。
核心评估
核心评估是 SQL 口径严谨度与 metric debug：late event、去重、时区、口径版本这些细节决定你能不能独立交付。
准备顺序
准备顺序：先按业务场景练 SQL 口径，再练指标异常排查（埋点 / ETL / 口径变更 / 实验分流），最后补 dashboard 设计与沟通表达。
这条线考什么
实验平台与因果推断：A/B test 设计、switchback、marketplace 干扰、guardrail 和 rollout。
核心评估
核心评估是实验设计深度：随机化单位、power / MDE / sample size、peeking、novelty effect、network effect 和长期效果观察。
准备顺序
准备顺序：先把 A/B test 的完整设计模板练熟，再补 switchback 与 marketplace 干扰专题（参考Uber DS Experiment：Switchback 和 Guardrail 怎么讲），最后用 mock 接住边界追问。
这条线考什么
用户数据科学：短视频 / 内容生态指标、推荐实验和内容质量评估，常带中文语境产品。
核心评估
核心评估是内容生态指标树加推荐实验：内容质量 guardrail、创作者侧指标和推荐排序实验是高频组合。
准备顺序
准备顺序：先读 USDS 面经把内容生态指标树过一遍，再练推荐实验设计，SQL 侧补内容表与行为表的组合口径。
- 第 1 周：定岗位分支（Product DS / Analytics DS / Experimentation / USDS），按分支列目标公司名单。
- 第 2 周：简历项目按「发现 → 推动 → 验证 → 结果」重写成数据影响力故事，每个项目准备 15-20 分钟深挖。
- 第 3-4 周：用业务场景练 15-20 道 SQL（留存、漏斗、归因、rolling revenue），每题先写口径再写 query，题型拆解可参考SQL 面试怎么准备 2026。
- 第 5-6 周：实验设计专题：A/B test、sample size、guardrail、switchback、marketplace 干扰，各备一套完整回答。
- 第 7 周：Product Sense 与 metric case（指标口径、异常诊断和业务建议怎么讲可参考DS Metric / Case Study 面试），用同一批业务场景串联。
- 第 8 周：按目标公司补代表题（例如TikTok / ByteDance 面试攻略里的 USDS 面经），把每道题归到你已经会的高频题型簇里。
- 第 9-10 周：BQ 与 STAR 故事库（行为面试与项目深挖专题）：ownership、跨团队协作、failure 复盘，每个故事量化结果。
- 第 11-12 周：每周 2-3 次全真模拟（SQL + 实验 + case + BQ 组合），按「先问约束、再拆 P0、给口径、给验证」的节奏复盘。
- 投递节奏：简历定稿后每批投 5-8 家，用 phone screen 结果反哺下一批的准备重点。
如果定位后仍不确定分支选择、简历项目怎么重写、模拟怎么排，可以预约30 分钟免费咨询：把目标公司、Level、轮次和简历现状一次说清楚，再决定准备顺序。
Question Focus
DS 高频题型和代表题目
基于本地面经中 Meta、Google、Uber、DoorDash、TikTok USDS、OpenAI 等 DS / Product Analytics / Experiment 信号整理。
SQL01
Retention / Funnel / Attribution SQL
给 users、events、orders、ads 三到四张表，计算 D1 / D7 retention、漏斗转化、广告归因或 rolling revenue。
参考拆解
- 先定义业务口径：cohort、活跃、转化、归因窗口、时区、event time vs processing time。
- 先把事件去重到正确粒度，例如 user_id + active_date 或 event_id。
- 用 CTE 分层写：base、dedup、joined、metric，每层都能单独验证。
- 最后解释 late event、NULL、重复订单、历史重算和 dashboard 数据未完成标记。
常见挂点：一上来写 SQL，不先定义口径；结果 query 看似对，但重复事件、时区和 late event 都没处理。
MetaGoogleUberTikTok / ByteDanceSnowflake
Product Sense02
指标树和产品诊断
某产品新用户激活率下降，或推荐页 CTR 提升但留存下降，要求判断原因并提出下一步分析。
参考拆解
- 先拆北极星指标、input metrics、guardrail 和用户分层。
- 把问题拆成 acquisition、activation、engagement、retention、monetization 和 supply side。
- 列出假设和证据：渠道变化、产品改版、供给质量、seasonality、bug、外部因素。
- 给出分析顺序：看趋势、分层、漏斗、cohort、实验日志、用户反馈，再决定产品动作。
常见挂点：直接给产品建议，没有指标树、分层和验证路径，听起来像主观判断。
GoogleMetaDoorDashUberTikTok / ByteDance
Experiment03
A/B Test、Switchback 和 Marketplace 干扰
为 checkout 改版、派单策略、推荐排序或价格策略设计实验，说明 primary metric、guardrail、sample size 和 rollout。
参考拆解
- 先确定随机化单位：user、session、geo、time bucket、merchant / driver，说明为什么。
- 定义 primary metric、secondary metric、guardrail、实验窗口、触发条件和排除规则。
- 讨论 power、MDE、sample size、peeking、novelty effect、network effect 和 interference。
- 上线采用 ramp，异常时 rollback，并说明如何做分层和长期效果观察。
常见挂点：只说 A/B test 看转化率，不讲样本污染、marketplace 干扰、guardrail 和 rollout 风险。
UberDoorDashGoogleTikTok / ByteDanceMeta
Metric Case04
Metric Design / Metric Debug
为短视频、电商、广告、订阅或创作者平台设计指标，或排查某个核心指标突然异常波动。
参考拆解
- 先确认指标定义、口径版本、数据源、刷新延迟和是否有埋点或 ETL 改动。
- 按用户、渠道、地区、设备、内容类型、供给侧和时间分层定位异常。
- 区分真实业务变化、数据质量问题、实验影响和统计噪声。
- 输出下一步动作：补数据、修口径、开实验、做用户研究或先回滚产品改动。
常见挂点：指标异常只查 SQL，不查埋点、ETL、实验分流、口径变更和外部事件。
TikTok / ByteDanceMetaUberGoogleOpenAI
Role Articles
DS 面试备考文章
整理这个岗位相关的题型拆解、公司攻略和面试复盘。
Meta 2027 Summer Intern 面试：PhD SWE/ML、RS 条线与 Hiring Freeze 信号
Meta 2027 Summer Intern 面试：PhD SWE/ML、Research Scientist、UXR/DSA 条线差异，OA 与 VO 的失分点，以及 hiring freeze、waitlist 状态怎么读。
阅读全文2026 北美科技求职趋势：哪些公司在招、哪些在缩
2026 北美科技求职趋势全景指南：哪些公司在招、哪些在缩、AI 如何重塑岗位与面试形态，配套公司清单分层、JD 信号筛查、简历 AI 化、中国 / 海外候选人常见挂点与分阶段准备路线，适合 2026 年准备北美科技求职的 SWE / MLE / DS / DE 候选人。
阅读全文LeetCode 刷题路线 2026：从零基础到面大厂的题型优先级
面向准备大厂技术面（SWE / MLE / DS）候选人的 LeetCode 刷题路线 2026 方法指南：六档高频题型优先级与可执行动作、三类代表题型练法、常见挂点，以及 7 / 14 / 30 天节奏规划，零基础与有基础候选人均适用。
阅读全文中文候选人面试优势 2026：怎么把优势讲出来
拆解中文/华人候选人在北美技术面试里的真实优势与短板，给出把优势显性化的表达与定位方法：自我介绍、项目深挖、BQ 故事与英文表达，附常见挂点与 7/14/30 天准备路线，适合准备北美 SWE / MLE / DS / DE 面试的中文背景候选人。
阅读全文大厂裁员对求职的影响 2026：市场、时间线、策略
2026 大厂裁员对求职的影响全景指南：裁员格局怎么变、为什么会影响你的投递与 offer、时间线典型区间、六个可执行动作、四类代表场景、中国/海外候选人常见挂点与分阶段策略，适合 2026 年在大厂求职或被动的 SWE / MLE / DS / DE 候选人。
阅读全文新加坡 / 远程工作机会 2026：中国候选人怎么布局
回答「新加坡/远程工作机会 2026 怎么布局」：新加坡 onsite、远程 for 新加坡公司、remote-friendly 公司三条路径的申请通道、签证/工作准证要点，附中国候选人常见坑与分阶段求职路线，适合从中国出发布局海外机会的 SWE / MLE / DS / DE 候选人。
阅读全文Critical Pain Points
DS 候选人最高频的面试失分点。
准确诊断根因卡点，避免无效盲目刷题。
SQL 会写单题，但窗口函数、留存、漏斗、归因和 late event 一组合就乱。
Product sense 回答停在主观建议，缺少指标树、实验设计和风险验证。
实验题说不清 sample size、guardrail metric、selection bias 和 rollout 策略。
Strategic Prep Roadmap
面向 DS 的确定性突破路线。
结合目标公司、Level与面试倒计时动态细化执行方案。
用业务场景练 SQL：留存、增长、广告、风控、订阅、marketplace、推荐和短视频内容生态。
建立产品分析框架：目标、用户分层、指标树、假设、实验、bias、guardrail 和 rollout。
把经历改成数据影响力故事：你发现了什么、推动了什么、怎么验证、结果如何衡量。
Interview Rounds Coverage
攻坚训练轮次
针对性拆解不同轮次的 Key Evaluation Signals（关键评价信号）。
SQLProduct SenseExperimentCase StudyMetric DesignBehavioral
Company Priority
DS 方向优先深挖的公司
按面经题型密度和转化价值排序，先做这些公司比平均铺公司名更有效。
switchback experiment、marketplace 干扰、派单和供需指标。
先练派单策略实验和 guardrail 设计。
查看公司攻略SQL 证明、产品判断、team match 和 structured reasoning。
先练 retention SQL + product diagnosis 组合题。
查看公司攻略广告、内容、creator、实验、metric debug 和 behavioral。
先练 feed ranking 指标异常和内容质量 guardrail。
查看公司攻略marketplace、餐厅推荐、ETA、支付失败、供需侧实验。
先练餐厅推荐实验和转化/留存指标冲突。
查看公司攻略USDS、短视频、电商、广告、内容质量和推荐实验。
先练短视频推荐实验和内容生态指标树。
查看公司攻略SQL、metrics layer、数据口径和 cloud usage 指标。
先练多表 SQL + metric definition review。
查看公司攻略7-Day Sprint
DS 面试前 7 天冲刺路线
不是继续泛刷，而是每天只压一个最容易影响结果的输出能力。
做 3 道 SQL：retention、funnel、attribution，每题先写口径再写 query。
做一个 product diagnosis，输出指标树和验证顺序。
做一个 A/B test 和一个 switchback experiment。
练 metric debug：核心指标突降、埋点变更、ETL late event。
把一个数据项目改成 impact story：发现、推动、验证、结果。
按目标公司补 marketplace / ads / content / subscription 场景。
只复盘口径、guardrail、bias 和 2 分钟表达。
Case Studies
常见破局案例
展示如何将零散项目与题型升级为结构化面试表达。
SQL 会写，但 product sense 和实验题散
候选人把回答改成指标树、用户分层、假设验证、实验设计和 rollout 风险，能把数据分析讲成产品决策支持。
FAQ
DS 面试常见问题
DS 求职先刷 SQL 还是先刷 case？
先花 2-3 天定岗位分支（Product DS、Analytics DS、Experimentation 或 USDS），再按分支排顺序。多数分支都是 SQL 打底：留存、漏斗、归因这些题几乎每轮都会出现，先把 15-20 道业务场景 SQL 的口径练稳；metric case 和 product sense 可以在 SQL 有基本盘之后再上，因为 case 追问经常要求你现场写 SQL 验证假设。只刷 case 不刷 SQL，面试里「先给口径」这一步会直接掉分。
Product DS 和 Analytics DS 的区别是什么？
Product DS 更贴近产品决策：核心评估是指标树、假设拆解和「指标变化 → 产品动作」的完整叙事，SQL 侧重留存、漏斗和归因。Analytics DS 更贴近决策支持：核心评估是 SQL 口径严谨度和 metric debug，late event、去重、时区、口径版本这些细节决定能否独立交付。两者都考 SQL 和实验，但 Product DS 要能给出产品建议，Analytics DS 要能把数据口径讲得无可挑剔。简历项目叙事也要跟着换：前者讲业务影响，后者讲数据质量与交付。
没有 DS 头衔，如何转岗 Data Scientist？
从 DA / 后端 / 运营等背景转 DS，关键是项目重写而不是硬堆新项目：把过往经历按「发现 → 推动 → 验证 → 结果」重写成数据影响力故事，突出你定义过指标、跑过实验或做过归因的部分。准备顺序建议 30 天定位（选分支、列目标公司）+ 60 天补 SQL 口径与实验设计 + 30 天 BQ 与模拟。投递时优先选对转岗友好的公司（同学提供的面经里转岗案例多的方向），用 phone screen 结果反哺下一批准备重点。
只有 30 天，DS 求职怎么准备？
30 天路线：第 1 周定岗位分支并列目标公司名单；第 2 周把简历项目重写成数据影响力故事，每个项目备 15-20 分钟深挖；第 3-4 周用业务场景练 15-20 道 SQL（留存、漏斗、归因、rolling revenue），每题先写口径再写 query。时间不够时砍掉长尾场景题，保住「SQL 口径 + 一套完整实验设计回答 + 2-3 个 STAR 故事」这三件高频必考物。最后 3 天只做模拟复盘，不学新题。
