几个月前面了 BCG MLE 全流程，团队是 Advanced Analytics。ML 做了 8 年，主要是 NLP 和推荐。面之前我预期严谨度介于咨询公司和中等规模科技公司之间。整体差不多，除了一个例外。
流程长什么样：
总共五轮。Recruiter，两轮技术面，一轮 case 面，一轮 behavioral panel。
技术面 1：ML 基础 + system design（75 分钟） 先聊 ML 概念：bias-variance tradeoff、regularization、如何诊断训练集表现好但线上表现差的模型。常规题。然后切到 ML system design：给零售客户设计一个推荐系统。他们不考 Google 级别的 infra，更在意问题建模（我们到底在优化什么？）、上线前怎么做离线评估、上线后怎么监控。我聊了 precision@k vs. NDCG、A/B test 设计、cold start 问题。聊得挺顺。
技术面 2：coding（60 分钟） Python，两道题。一道是样例数据集上的特征工程：清洗、处理缺失值、解释你的选择。第二道是从零实现一个简单的 gradient descent（不用库）。他们想看你理解底层原理。不算 leetcode-hard，更像一次扎实的 ML coding screen。
Case 面（这轮是最大变数） 客户想做一个 churn prediction model。让你从数据到部署完整讲一遍怎么做。表面上像技术题，其实是伪装成技术题的 case 面。他们先要结构：业务问题是什么、成功长什么样、有哪些关键约束。技术是第二位。我第一遍讲得太快就钻进技术细节，面试官把我拉回业务框架。教训就是：在 BCG，哪怕是 ML case，本质也先是咨询 case。
Behavioral panel 两个人。情境题 + 一些 culture-fit，重点围绕在变化很快的 client 环境里怎么工作、怎么处理模糊性。如果你只在节奏很慢的 enterprise 环境做过，这轮可能会暴露出不适应。
我过了也拿到 offer。comp 全包在 $170-190k 区间，纽约，senior IC level，比顶级 FAANG 低，但高于不少中型科技公司。工作本身更偏应用、节奏快、以客户为中心，喜不喜欢就看你追求什么。