Netflix 数据工程师面试：流程与备考

你收到了 Netflix 招聘人员的消息，想知道接下来有哪些环节。本节把 Netflix 官方说明的内容和数据工程岗位的通行做法区分开来：先讲已公布的事实，再讲值得准备的各个阶段。

Netflix 公布的流程说明针对早期职业人才招聘，并没有针对每个资深岗位的详细拆解。对于应届毕业生候选人，Netflix 表示面试通常从一项带回家的测评开始，随后是两轮面试，是否晋级取决于每个阶段的反馈。实习生候选人通常是一项带回家的测评，加上大约两到三轮面试。Netflix 还表示，各类岗位的面试官会在适用时考察技术能力、岗位专项能力和行为能力，并希望了解你的技能组合以及哪类工作能让你兴奋。

Netflix 没有为有经验的数据工程师公布单独的面试流程：没有轮次名称，没有面试数量，也没有固定顺序。你自己的日程只有招聘人员能给出可靠答案，所以请直接问清楚每次谈话涉及哪些方面，以及是否包含带回家的测评。

为了便于规划，不妨参考大型科技公司数据工程面试通常包含的阶段。以下是根据该岗位通行做法归纳的备考类别，并非 Netflix 的轮次名称：

• 招聘人员沟通。你的背景、团队、事务安排，以及这份工作吸引你的地方。
• 技术初筛。通常是 SQL 加一些编程，常会请你讲讲自己搭建过的数据管道。
• 带回家的测评。属于 Netflix 所述应届生和实习生流程的一部分；请确认它是否适用于你的级别。
• 深入的技术面试。数据建模、数据管道与系统设计，以及更难的 SQL。
• 行为与动机面谈。你如何与他人协作，以及你想负责什么样的问题。

Reddit 和 Blind 上的社区帖子详细描述了个别面试经历。请把每一篇都视为某位候选人在某个团队的个人经历，而不是 Netflix 面试所有数据工程师的方式。

Netflix 点明了面试官考察的三件事：技术能力、岗位专项能力和行为能力。对数据工程师来说，技术能力与岗位专项能力的界线很模糊，因此按下面的领域来对应会更实用。本页的示例问题是具有代表性的练习题，并非 Netflix 确认会问的题目。

• SQL 熟练度。不会让行数翻倍的连接、用于排名和累计求和的窗口函数、去重、连续区间问题（gaps and islands），以及对事件流做会话切分。面试官通常更在意你能否解释查询为什么正确，而不只是能否跑出结果。
• 数据方向的编程。用 Python 或 JVM 系语言解析、转换和聚合记录，注意内存、边界情况和代码可读性。也可能出现谜题式的算法题，所以基础数据结构仍然值得复习。
• 数据建模。确定事实表的粒度，区分事实与维度，处理随时间变化的属性，并设计出分析师查询时不会踩坑的表。
• 数据管道与系统设计。批处理与流处理、分区、幂等写入、回填、迟到事件、模式变更和数据质量检查。要准备好面试官中途改变需求的追问。
• 行为判断。对故障负责的态度、与相关方在指标定义上的分歧，以及速度与正确性之间的取舍。
• 动机。Netflix 表示面试官想了解哪类工作能让你兴奋。含糊的回答会浪费一个公司已明确表示在意的问题。

贯穿所有这些的共同点是边想边说。一位默默写出正确查询的候选人，和一位在动手前先讲清粒度、连接键和边界情况的候选人，即使代码完全相同，得到的反馈也常常不同。按技能分类整理的更多练习题见题库。

在大多数大型科技公司，数据工程师的面试与相邻的两个岗位有重叠，但侧重点不同。Netflix 没有公布资深员工各岗位之间的差异，所以下面的比较反映的是通行做法，并不代表 Netflix 其他岗位的面试。

• 与软件工程相比。算法谜题的比重较低，SQL、数据建模和数据管道可靠性的比重更高。系统设计题往往围绕数据如何流动、落地和修正，而不是响应请求的服务。
• 与数据科学相比。统计、实验和结果建模较少；更多是构建和运维分析师与科学家所依赖的表。你仍可能被问到某个指标是如何定义的，因为数据工程师往往负责指标背后的表。
• 与分析工程相比。界线比较模糊。分析工程师岗位通常更偏向面向报表的建模和 SQL，而数据工程师岗位则更深入数据摄取、分布式处理和基础设施。

不同公司之间更大的差异，通常在于面试在多大程度上依赖带回家的作业，而不是现场解题。Netflix 所述的应届生和实习生流程以带回家的测评开始，这类测评看重干净、有文档的成果，而不是速度。其他公司的面试结构指南收录在公司面试栏目下。

Netflix 没有公布数据工程师招聘的时间线。安排取决于团队、你的级别和面试官的时间，所以进入流程后，应当向招聘人员询问。

难度更适合定性描述。Netflix 表示是否晋级取决于每个阶段的反馈，这意味着每个阶段都是一道关卡，而不是最后取平均的分数。一份不理想的带回家测评，或一次发挥不稳的 SQL 初筛，都可能在设计环节开始之前就结束流程，无论你之后本来能表现得多好。

对大多数候选人来说，难点不在冷僻的语法，而在追问之下的深度：你设计了一条数据管道，面试官加入迟到的数据，再加一次模式变更，然后问你如何发现输出是错的。在生产环境中运维过数据管道的候选人，往往比只搭建过的人更能应对这种不断变化的追问。

资深候选人还应预期判断力的权重更高。决定不做什么、向非技术相关方解释取舍，以及承担过去的失误，在这个级别上都属于岗位专项能力。

围绕 Netflix 点明的三个方面来准备，如果招聘人员确认有带回家的测评，再把它加进去。

• 技术：先练 SQL。反复练习窗口函数、去重和事件会话切分，直到不看资料也能写出来。每写一个查询，先把结果的粒度大声说出来，再运行。
• 技术：代码。用你最常用的语言练习转换嵌套或杂乱的记录，并复习核心数据结构，以防初筛里出现经典算法题。
• 岗位专项：建模与数据管道。选一个你熟悉的领域，比如订阅或事件日志，画出表、粒度以及填充这些表的数据管道。然后对设计施压：部分失败后重跑、回填、迟到的批次、被重命名的列。
• 行为：有后果的故事。准备一次你负责过的数据管道故障、一次关于指标定义的分歧，以及一个现在会做出不同选择的取舍。如果你容易说得冗长，STAR 结构会有帮助，但结果要讲得具体。
• 动机：让你兴奋的工作。Netflix 表示面试官想了解这一点。说出一类数据问题，并举出能体现它的项目，而不是夸赞公司。
• 带回家的测评（如有安排）。当作生产工作来对待：写测试，用一份简短的 README 说明你的假设，并清楚地处理异常输入。

设想一位数据工程师，经验主要是在零售商做夜间批处理 ETL。他先用头几次练习攻克窗口函数 SQL，然后演练如何解释让回填可以安全重跑，因为他真正的故事就在这里。轮到行为问题时，他讲的是自己负责过的一次数据管道故障，而不是泛泛的团队合作例子。

最后一步是把这一切大声说出来，因为每个阶段都是一场对话。SubcueAI 的模拟面试页面可以让你在真正的初筛之前，开口练习数据工程问题。