資料科學家面試題，依輪次劃分

你可能已經準備好SQL和一些機器學習知識，但還不確定接下來會考什麼。本節整理了這類面試反覆出現的五個輪次，幫助你把複習重點對準評分標準。每一輪考察的重點都不同，只準備兩個技術輪是強勢應徵者丟掉offer的最常見原因。

• SQL與程式撰寫。撰寫查詢加上Python資料處理，通常是現場進行。
• 統計與機率。考察解讀與推理能力，而非證明過程。
• 實驗設計。A/B測試：測什麼指標、跑多久、什麼時候可以信任結果。
• 建模或案例。一個開放式問題，由你來界定框架，再給出高層次的解法。
• 行為與利害關係人溝通。你如何處理模糊情況、意見分歧，以及沒人想要的結果。

職稱並不統一。有的公司把這個職位稱為資料科學家，實際考的卻是分析師輪次，反之亦然。如果你想看分析師版本的內容，可以前往依職位分類的面試問題專題頁。

統計與機率

• p值到底代表什麼？它又不代表什麼？
• 用兩句話向產品經理解釋信賴區間。
• 什麼情況下該用t檢定而不是z檢定？
• 中央極限定理是什麼？它為什麼對你的工作重要？
• 某個指標出現變化且結果顯著，為什麼它仍可能是錯的？
• 結合你團隊真實會做的一個決策，解釋第一類錯誤和第二類錯誤。
• 什麼是選擇偏誤？你會如何在資料中發現它？
• 什麼時候用中位數比用平均數更能說明問題？

實驗設計與A/B測試

• 你會如何設計一個測試新用戶導覽流程的實驗？
• 你如何決定樣本數？如果達不到樣本數該怎麼辦？
• 測試跑了三天就顯著了，你會上線嗎？
• 什麼是新奇效應？你會如何把它和真實的提升區分開來？
• 如果多個指標朝不同方向變化，你會怎麼處理？
• 如果隨機分派在測試中途出了問題，你會怎麼辦？
• 像整個市場範圍的定價調整這種無法隨機分組的變化，你會如何衡量？

需要注意的規律是：這些問題幾乎都沒有唯一正確答案，評分標準在於你是否說明了假設、指出了取捨，並說明了你會去查核什麼。

建模

• 你會如何建立一個預測客戶流失的模型？先從你如何定義「流失」說起。
• 你的模型在一個不平衡資料集上準確率達到95%，這樣算好嗎？
• 結合你上線過的一個模型，解釋偏差與變異數的權衡。
• 面對這個問題，你會如何在簡單模型和複雜模型之間做選擇？
• 模型上線後，你怎麼知道它已經失效？
• 向一個沒用過正則化的人解釋什麼是正則化。

SQL與Python

• 寫一條查詢，回傳每個用戶的首次與最近一次購買日期。
• 計算每日活躍用戶數的七天滾動平均值。
• 按註冊月份分組計算轉換率。
• 用pandas把一張長表轉換成寬表，並說明什麼情況下你不會這麼做。
• 你會如何在交易表中找出並處理重複的資料列？

產品判斷與指標

• 你會如何衡量一項新功能是否成功？
• 每日活躍用戶在上升，但營收持平，請你排查原因。
• 你會把哪一個指標放在管理層儀表板上？又會捨棄哪些？
• 你會如何區分一條好的留存曲線和一條差的留存曲線？

閱讀問題清單只能帶來「眼熟感」。面試考察的是在時間壓力下、被人打斷時的臨場表現，這是完全不同的能力。這種落差在實驗設計輪和案例輪體現得最明顯，因為這裡的答案是一段結構化的論證，而不是一個事實。

• 大聲計時作答。每道案例題限時六分鐘，不看筆記，不能重來。
• 先說出你的假設。說明你的假設本身就是評分要點，同時也能為你爭取思考時間。
• 練習應對打斷。真實的面試官往往在第二分鐘就會插話。只練習一段不被打斷的獨白，無法讓你為此做好準備。
• 手寫SQL。現場輪次常常只提供一個沒有自動補全、也無法執行查詢的純文字編輯器。
• 把每個結果講兩遍。一遍講技術細節，一遍講給不在乎你方法的利害關係人聽。

一位有四年經驗的資料科學家為一次電商平台的面試做準備時，通讀了一份包含上百道題目的文件，結果在「測試跑了三天就顯著了，你會上線嗎」這道題上卡住了，因為她從未大聲說出過答案。內容都記在她腦子裡，但表達能力沒有練過。如果你想透過追問來反覆打磨這些問題，模擬面試模式會完整執行這一輪，並對你的回答提出追問。