面向 Data Scientist、Product Data Scientist、Analytics DS 和 TikTok USDS 候选人，覆盖 SQL、实验设计、指标体系、产品分析、metric case 和行为面试。
Question Focus
基于本地面经中 Meta、Google、Uber、DoorDash、TikTok USDS、OpenAI 等 DS / Product Analytics / Experiment 信号整理。
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。
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。
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。
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。
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。
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。
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。
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。
Role Articles
整理这个岗位相关的题型拆解、公司攻略和面试复盘。
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。
阅读全文回答「北美科技 offer 怎么谈薪资 2026」：拿到 offer 后的谈判时间线、comp 结构拆解（base、RSU、signing 等）、锚定与 counter 等核心技巧、常见坑与分阶段准备路线，适合即将拿到北美大厂 SWE / MLE / DS / DE offer 的候选人。
阅读全文Critical Pain Points
准确诊断根因卡点，避免无效盲目刷题。
Strategic Prep Roadmap
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
针对性拆解不同轮次的 Key Evaluation Signals（关键评价信号）。
Company Priority
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。
先练派单策略实验和 guardrail 设计。
查看公司攻略先练 retention SQL + product diagnosis 组合题。
查看公司攻略先练 feed ranking 指标异常和内容质量 guardrail。
查看公司攻略先练餐厅推荐实验和转化/留存指标冲突。
查看公司攻略先练短视频推荐实验和内容生态指标树。
查看公司攻略先练多表 SQL + metric definition review。
查看公司攻略7-Day Sprint
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
展示如何将零散项目与题型升级为结构化面试表达。
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
通常包括 OA / Phone Screen、VO Coding / 技术面、System Design / ML Design（如适用）、Behavioral 和 Hiring Manager 面。不同公司的轮次和顺序可能不同，建议至少提前 7-14 天开始准备。
SQL、Product Sense、Experiment 是最核心的考察环节。建议先从高频题型入手，再做项目深挖和模拟面试，确保表达流畅、逻辑清晰。
准备 2-3 个核心项目，按 STAR 框架（情境、任务、行动、结果）组织回答。重点突出技术决策、架构取舍、failure 复盘和量化成果。每个项目至少能应对 15-20 分钟的深挖。
建议至少 3-5 次模拟面试。每次模拟后做复盘，记录扣分点和改进方向。如果 VO 在即，建议做 2-3 次高压模拟，熟悉高压环境下的表达节奏。
