数据科学家面试副驾驶 SQL、统计和产品感——实时辅助。

1. 01

   SQL 轮——理解查询计划的提示

   数据科学的 SQL 轮考的不是你会不会写 SELECT，而是你能否用对窗口函数、何时用 CTE、何时反范式化，以及一条 5,000 万行的查询会怎样扫描。只要题目暗示了某种经典模式（LAG、NTILE、FIRST_VALUE、反连接、半连接），副驾驶就会立刻给出。
2. 02

   A/B 测试轮——统计功效、MDE、新奇效应

   当面试官说“我们上线了 X，流量变化了 Y%，你会怎么做？”时，副驾驶会搭好框架：这个实验对该效应的统计功效够不够，MDE 是否合理，是否存在新奇效应 / 辛普森悖论 / SUTVA 问题，下一个实验是什么——而不只是“p 是否小于 0.05”。
3. 03

   指标设计轮——北极星、护栏、代理指标

   产品数据科学面试越来越常问“为 X 定义一个指标”。副驾驶会先锚定框架（北极星 + 护栏 + 代理指标 + 反向指标），再评估权衡：滞后 vs 领先、易被操纵 vs 稳健、维度、归一化，以及每个候选指标的失效方式。
4. 04

   结合业务背景的分析型案例

   让最多数据科学面试失利的模式：候选人不先复述业务背景就一头扎进分析。副驾驶会强制先建立框架——业务问题是什么，这能支持什么决策，判断错了代价多大——然后再展开真正的分析。
5. 05

   随时调出机器学习基础

   偏差-方差、正则化、不平衡数据的评估指标、数据泄漏检测、特征工程、交叉验证策略。副驾驶为 15 个最常被问到的机器学习概念题准备了框架，并按面试级别（初级数据科学家 vs 高级数据科学家 vs 偏机器学习的数据科学家）校准。
6. 06

   与利益相关方沟通的提示

   数据科学面试经常以“把这个解释给一位非技术背景的 PM 听”收尾。副驾驶准备了经过检验的表达套路——先锚定业务问题，用一句话说出结论，点明不确定性，再给出行动建议——在非数据科学背景的面试官面前屡试不爽。

数据科学面试考的是思考框架。带着框架走进去。

SQL + 统计 + 产品感。为产品数据科学家而生。