Topic Guide
面向 DS / DE 候选人的 SQL 和数据面试准备，覆盖多表 JOIN、窗口函数、留存、漏斗、归因、实验指标和 pipeline 设计，附高频题练习路线。
Drills
先把训练动作具体化，再去看文章和公司攻略，否则容易停留在概念层。
给定 users(user_id, signup_date) 和 events(user_id, event_time, event_type)，计算每天注册用户的 D1 / D7 retention。需要处理重复事件、时区和当天注册当天活跃。
面试官主要看：业务口径、去重、时间窗口、NULL 和 late event，而不只是 SQL 语法。
产品团队想改 checkout 页面，希望提升转化率。请设计 A/B test，包括 primary metric、guardrail、sample size、bias 和 rollout。
面试官主要看：是否能从产品目标走到实验设计和风险控制，而不是只说看转化率。
设计从 OLTP orders 数据库到 warehouse metrics layer 的 pipeline，要求支持 insert / update / delete、回填、schema evolution 和数据质量监控。
面试官主要看：是否理解数据可靠性、幂等、回填、schema 演进和消费方契约。
Audience
适合 DS、DE、Analytics Engineer 候选人。
Deep Links
每个题型页都连接到可继续阅读的博客、可直接使用的资源模板、相关公司攻略和岗位路线。
Why It Matters
题型页的目标不是罗列概念，而是帮助候选人理解面试官在这一轮真正观察什么： 你是否能澄清问题、组织结构、处理边界、解释取舍，并在压力下保持可复盘的沟通节奏。
每个模块都需要能讲清前置假设、选择依据、失败路径和复杂度，才能避免“会做但讲不稳”。
建议记录题型、卡点、错误原因、边界测试、follow-up 版本和下一次训练重点。
真正的冲刺价值，是让候选人遇到变体时仍能稳定澄清、拆解、实现和复盘。
Common Risks
先识别风险，再决定训练顺序。
Training Plan
每条路径都可以按目标公司、岗位和面试日期继续细化。
Mock Output
如果训练后只知道"这题怎么做"，说明复盘还不够。更好的结果是形成下一轮能直接使用的表达和检查清单。
FAQ
先从 SQL Drill、Metric Design、Experiment 入手，每个模块至少做 5-10 道题目，记录卡点和 follow-up 版本。再做 2-3 次模拟面试，确保表达流畅、逻辑清晰。
面试官关注的是你的推理过程、前置澄清、复杂度评估、边界测试和 follow-up 处理。不仅仅是最终答案，更是整个解题过程的沟通质量。
SQL 会写单题，但业务口径一变就乱。；不会解释 event time、processing time、late event 和 attribution window。；数据建模和 pipeline 设计缺少稳定性视角。。建议每次训练后做复盘，记录扣分点和改进方向。
