InterviewWare
EN中文
开始训练开始训练

岗位练习 · 完整流程

数据科学家面试题：实验、指标与模型

为数据科学家面试做准备：实验设计、指标、因果判断和模型评估，以及如何向只想要简单结论的人解释不确定性。

开始这类练习示例问题

早期体验期间免费。练习在应用内进行，需要登录账号。

准备清单数据科学家

  1. 01实验设计
  2. 02指标定义
  3. 03因果推断
  4. 04模型评估

下一次练习AI 面试辅导

01常见题

数据科学家面试题示例

这些数据科学家面试题由 InterviewWare 编写或改编，并非任何公司的真实面试题。题目按面试轮次分组，并列出面试官关注的信号和通常随之而来的追问。

点击“练习”，登录后即可在工作台中打开该题。

题目面试官关注什么可能的追问练习
R1 · 经历与动机
Q01初级 哪次分析实际改变了业务决策？问题定义、职责、决策影响你如何确定决策变化来自这次分析？
Q02初级 你如何验证一个陌生数据集的可靠性？数据质量、来源、缺失机制如何发现样本选择偏差？
R2 · 专业能力与案例
Q03中级 实验提升了点击率，却降低了留存，你会调查什么？指标层级、分群、因果如何区分新鲜感效应与长期损害？
Q04中级 如何为具有网络效应的功能设计实验？随机化、相互干扰、保护指标适合采用什么随机分组单位？
Q05中级 日活用户一夜之间下降 8%，你如何排查？数据校验、分群、根因定位你如何先排除埋点或数据管道问题？
Q06高级 / 负责人 为双边市场定义北极星指标，以及配套的护栏指标。指标设计、取舍、激励效应团队可能如何“刷”这个指标？你如何发现？
Q07 如何在类别不平衡的数据集上评估分类模型？说明准确率为什么会误导；把精确率、召回率和 PR 曲线与两类错误的代价联系起来；和业务方一起确定阈值。欺诈交易占比 0.5%，每次误报都会产生一次客服电话。阈值该怎么定？
Q08 一个流失预测模型离线评估很好，上线后效果却很差。你先检查什么？是否有特征在结果发生之后才生成（目标泄漏）、训练集和测试集是否没按时间切分，以及训练数据与线上数据之间的漂移。你会如何设计验证流程，避免再次发生？
R3 · 判断与协作
Q09高级 / 负责人 业务方希望用观察数据给出因果结论，你如何回应？不确定性、因果推理、沟通在现有证据下，你可以负责任地提出什么建议？
Q10高级 / 负责人 你如何向非技术团队解释模型失效？清晰度、局限、下一步团队应据此改变哪项决策？
Q11高级 / 负责人 你的分析结论与管理层的预期相反，你会如何呈现？敢于直言、证据、表达框架如果对方要求你反复重跑直到结论一致，你会怎么做？

02试答一题

试答一道数据科学家面试题

从上面的题目中挑一道，先写下你的回答。在你请求反馈之前，草稿只保存在当前浏览器。

练习题 · 数据科学家

实验提升了点击率，却降低了留存，你会调查什么？

0 字
获取这道题的反馈

获取反馈需要注册免费账号（一步完成，无需银行卡）。草稿只保存在当前浏览器，注册后自动填入；在你提交之前不会上传。

03答题示例

新的结算按钮在两周实验中提升了转化率，要不要全量上线？

中级岗位回答提纲：面对业务负责人，约两分钟。 示意内容：由 InterviewWare 编写，并非真实候选人的回答。

  1. 01

    检查实验

    我会先确认实际分流比例与计划一致，并且实验期间指标口径没有变化。

  2. 02

    解读结果

    再看置信区间，而不只是 p 值，并确认提升在第二周是否仍然成立。

  3. 03

    护栏指标

    我会把退款和客服工单作为护栏指标，因为更醒目的按钮也可能带来误下单。

  4. 04

    建议

    如果这些都没问题，我会全量上线，同时保留一小部分对照组观察一个月，确认效果能持续。

04答题建议

数据科学家面试答题要点

这样答更有效

  1. T1先说清分析要支撑什么决策，再选方法。
  2. T2先查数据再建模：口径定义、埋点变化、缺失值，以及哪些人被排除在外。
  3. T3每个实验在看结果之前，都先定好随机化单元、核心指标和护栏指标。
  4. T4说清楚哪些结论不能下，和说清能下的结论一样重要。
如何进行 AI 模拟面试练习

数据科学家面试常见误区

  1. M1每天偷看实验结果，看到“显著”就立刻停止实验。
  2. M2因为业务方想要结论，就把观察数据里的相关性当成因果效应。
  3. M3在类别不平衡的问题上汇报准确率。
  4. M4忽略新奇效应，实验只跑几天就下结论。
  5. M5面试官问“那该怎么做”，你却用一堆术语讲方法。

05国内求职

国内数据科学家面试怎么准备

岗位名称不同，考察重点也不同

“数据科学家”这个岗位名在国内招聘里用得不多，相近的职位常叫数据分析师、算法工程师或策略分析师，考察重点各不相同：偏分析的岗位更看重 SQL、指标和 A/B 实验，偏算法的岗位会加上机器学习和编程题。本页题目偏实验、指标和统计推断。校招一般会考统计基础（假设检验、置信区间）和一道 SQL 或编程题；社招则更关注你主导过的分析如何影响了业务决策。

三轮模拟怎么对应数据岗面试

对照 InterviewWare 的三轮：R1 经历与动机，大致对应介绍你做过的分析项目、为什么选择数据方向；R2 专业能力与案例，对应技术面里的实验设计、指标拆解，以及“某个指标突然下跌怎么查”这类业务题；R3 判断与协作，对应主管面里如何面对与预期相反的结论、如何向业务方解释不确定性。技术练习室目前只支持 JavaScript 和 Python，没有 SQL 运行环境，SQL 题需要另外准备。

深挖最常问“口径”和“因果”

数据岗的项目深挖，最常被追问的是口径和因果：这个指标怎么定义的？样本怎么选的？你怎么确定是这次改动带来的变化，而不是季节因素或其他活动？准备时，给每个项目写下指标定义、数据来源，以及你排除过的其他解释。

06推荐工具

数据科学家面试练习工具

  1. AI 面试辅导

    打磨一个难答的回答：当有人要求你给出数据无法支撑的因果结论时，你怎么说。

    单题打磨追问

  2. 技术面试练习室

    编程面试前，先用 Python 做几道热身题，比如前 K 个高频元素或滑动窗口。

    JS · Python公开用例

  3. 面试题库

    按轮次浏览数据方向的全部题目（包括本页未列出的题），并查看每道题的考察点。

    岗位方向公司准备

07公司准备

数据科学家面试：公司准备参考

内容参考各公司公开的招聘页面。练习题由 InterviewWare 编写，并非这些公司使用的面试题；InterviewWare 与所列公司没有任何关联。

查看全部公司准备来源

更多方向

探索更多方向

早期体验 · 免费

今天，记下第一轮练习。

带上简历或岗位描述，或者只写下想要的岗位。从第一个回答开始，训练日志就会记录你的进步。

开始训练用量与定价