数据科学家面试题，按轮次划分

你可能已经准备好了SQL和一些机器学习知识，但还不确定接下来会考什么。本节梳理了这类面试反复出现的五个轮次，帮助你把复习重点对准评分标准。每一轮考察的重点都不同，只准备两个技术轮是强候选人丢掉offer的最常见原因。

• SQL与代码。查询编写加上Python数据处理，通常是现场进行。
• 统计与概率。考察解读与推理能力，而非证明过程。
• 实验设计。A/B测试：测什么指标、跑多久、什么时候可以信任结果。
• 建模或案例。一个开放式问题，由你来界定框架，再给出高层次的解法。
• 行为与利益相关方沟通。你如何处理模糊情况、分歧，以及没人想要的结果。

头衔并不统一。有的公司把这个岗位叫数据科学家，实际考的却是分析师轮次，反之亦然。如果你想看分析师版本的内容，可以前往按岗位分类的面试问题专题页。

统计与概率

• p值到底意味着什么？它又不代表什么？
• 用两句话向产品经理解释置信区间。
• 什么情况下该用t检验而不是z检验？
• 中心极限定理是什么？它为什么对你的工作重要？
• 某个指标发生变化且结果显著，为什么它仍可能是错的？
• 结合你团队真实会做的一个决策，解释第一类错误和第二类错误。
• 什么是选择偏差？你会如何在数据中发现它？
• 什么时候用中位数比用平均数更能说明问题？

实验设计与A/B测试

• 你会如何设计一个测试新用户引导流程的实验？
• 你如何确定样本量？如果达不到样本量该怎么办？
• 测试跑了三天就显著了，你会上线吗？
• 什么是新奇效应？你会如何把它和真实的提升区分开？
• 如果多个指标朝不同方向变化，你会怎么处理？
• 如果随机化在测试中途出了问题，你会怎么办？
• 像整个市场范围的定价调整这种无法随机分组的变化，你会如何衡量？

需要注意的规律是：这些问题几乎都没有唯一正确答案，评分标准在于你是否说明了假设、指出了取舍，并说明了你会去核查什么。

建模

• 你会如何构建一个预测客户流失的模型？先从你如何定义“流失”说起。
• 你的模型在一个不平衡数据集上准确率达到95%，这算好吗？
• 结合你上线过的一个模型，解释偏差-方差权衡。
• 面对这个问题，你会如何在简单模型和复杂模型之间做选择？
• 模型上线后，你怎么知道它已经失效？
• 向一个没用过正则化的人解释什么是正则化。

SQL与Python

• 写一条查询，返回每个用户的首次和最近一次购买日期。
• 计算日活跃用户数的七天滚动平均值。
• 按注册月份分组计算转化率。
• 用pandas把一张长表转换成宽表，并说明什么情况下你不会这样做。
• 你会如何在交易表中查找并处理重复行？

产品判断与指标

• 你会如何衡量一个新功能是否成功？
• 日活跃用户在上升，但收入持平，请你排查原因。
• 你会把哪一个指标放在管理层看板上？又会舍弃哪些？
• 你会如何区分一条好的留存曲线和一条差的留存曲线？

阅读问题清单只能带来“眼熟感”。面试考察的是在时间压力下、被人打断时的临场表现，这是完全不同的能力。这种差距在实验设计轮和案例轮体现得最明显，因为这里的答案是一段结构化的论证，而不是一个事实。

• 大声计时作答。每道案例题限时六分钟，不看笔记，不能重来。
• 先说出你的假设。说明你的假设本身就是评分点，同时也能为你争取思考时间。
• 练习应对打断。真实的面试官往往在第二分钟就会插话。只练习一段不被打断的独白，无法让你为此做好准备。
• 手写SQL。现场轮次常常只提供一个没有自动补全、也无法运行查询的纯文本编辑器。
• 把每个结果讲两遍。一遍讲技术细节，一遍讲给不关心你方法的利益相关方听。

一位有四年经验的数据科学家为一次电商平台的面试做准备时，通读了一份包含上百道题目的文档，结果在“测试跑了三天就显著了，你会上线吗”这道题上卡住了，因为她从未大声说出过答案。内容都记在她脑子里，但表达能力没有练过。如果你想通过追问来反复打磨这些问题，模拟面试模式会完整运行这一轮，并对你的回答提出追问。