LinkedIn 如何面试数据工程师

LinkedIn 公布的是整体招聘流程概述，而非针对各职位的逐轮面试安排，因此以下阶段以该概述为依据；本页所说的筛选、编程、系统设计、行为面试和现场面试是备考类别，并非 LinkedIn 的面试轮次名称。

• 招聘电话沟通。如果你符合条件并获选进入下一阶段，招聘团队会安排电话沟通，也可能安排你与招聘经理或其他团队成员进行视频通话。
• 面试阶段。你会见到更多团队成员，每场面试分别考察不同的技能领域。对于数据工程师，可以预期这些领域会涉及 SQL 与数据建模、数据管道、系统及过往工作，但 LinkedIn 并未列出具体内容。
• 案例分析或白板题。视职位而定，候选人可能需要展示案例分析或完成白板练习。对于数据类职位，白板设计数据管道或模式的可能性通常高于展示案例。
• 录用决定。面试结束后，LinkedIn 可能需要数周才能作出决定。

LinkedIn 并未公布数据工程师需要参加多少场面试、每场持续多久，也未说明是否设有编程测评。

已公布的安排是每场面试考察一个技能领域。这一点很有帮助：你可以深入准备每个领域，而不必预期每位面试官都会覆盖所有内容；同时，薄弱领域也无法被优势领域掩盖。

一般而言，数据工程师面试会考察四个领域，也可以合理推测 LinkedIn 针对这一职位的技能专项面试会按这些领域划分：

• SQL 与数据建模。在规定时间内编写正确且易读的查询，并设计能够适应需求变化的模式。
• 数据管道与编排。依赖关系、幂等重跑、历史数据回填，以及延迟到达或格式异常的数据源。
• 分布式数据系统。分区、存储格式、批处理与流处理的取舍及成本；对于大型社交平台，数据规模会让这些问题更加具体。
• 数据质量与责任归属。问题的发现、沟通和预防，过往工作经历类问题通常会聚焦于此。

LinkedIn 公布的流程概述并未按职位区分，因此以下差异基于行业通行做法。

• 与软件工程师面试相比，技术技能考察通常更侧重 SQL、数据处理和数据管道逻辑，而非广泛考察算法；设计讨论也会围绕数据流、存储和时效性展开。
• 与数据科学家面试相比，统计与建模的比重通常较低，而确保可信数据按时交付的系统会受到更多关注。
• 与其他公司相比，其公开特点包括每场面试专注一个技能领域、可能设置案例分析或白板练习，以及录用决定可能需要数周。请分别准备各个技能领域，并做好画图说明的准备。

LinkedIn 仅公布了一项时间说明：面试结束后，可能需要数周才能作出决定。LinkedIn 并未公布面试的场数或时长，也未说明招聘电话沟通与面试阶段之间的间隔。

难点在于每个领域的深度，而非单场面试的广度。由于每场面试分别考察不同的技能领域，面试官可以用整场时间深入追问数据管道或建模；如果候选人只能给出浅层回答，很快就会无话可说。准备每个领域时，都应将其视为唯一的考察重点。

按照已公布的结构进行准备：每次专注一个技能领域，并深入掌握。

• 深入练习 SQL 与建模。练习编写并讲解窗口函数、去重和缓慢变化维度，然后为背后的模式设计选择进行论证。
• 在白板上设计数据管道。准备两到三个能够从端到端画出并说明故障模式的系统，因为公开流程表明可能会有白板练习。
• 系统权衡。掌握分区、格式以及批处理与流处理之间的取舍，并说明每种选择的成本。
• 过往工作的实例。准备一个由你负责的数据质量事件：你发现了什么、通知了谁，以及作出了哪些改变。
• 演练面试形式。通过 SubcueAI 进行一次模拟面试，可以练习在持续追问下专注应对单一技能领域，这正是 LinkedIn 所描述的面试形式。