刚结束 capital one 的 DS 全流程面试，岗位是 mid-level data scientist（不是 analyst track，是 DS track）。我做了很详细的笔记，全部分享。
结构（共 5 轮）： recruiter screen（30 分钟）：简历、背景、comp range 跟 DS 的 technical screen（45 分钟）：SQL + 一些 stats case study（60 分钟）：现场产品/业务 case，见下 coding（python）面试（45 分钟）：不太偏 ML，更偏 pandas/数据处理 behavioral（45 分钟）：STAR，两位面试官
SQL 轮： 这是认真的。他们在 DS 层级就是 SQL 导向。你会写 query。我这次是： 三张表的 join-heavy query（transaction、customer、account） 一个 window function 问题（在每个 product category 里按 spend 给 customer 排名） 一个关于在时间序列消费数据里找异常的问题
他们想要的是干净、可读的 SQL，不只是结果对。这里 CTE 比嵌套子查询更好。
stats 轮（同一个面试官）： 偏概念，但很具体。问题： 向一个非技术 PM 解释 p-value 如果我们在 A/B test 里看到 5% lift，怎么判断它是不是真的 在 fraud model 的语境下，type I 和 type II error 的区别是什么（很贴题也很 on-brand） 你怎么处理 class imbalance
business case： 给定：credit card 客户数据，过去 90 天某个 merchant category 的平均 transaction size 大幅下滑。搞清楚发生了什么，以及你会怎么建议。
实际上不会给你数据。你需要自己搭建调查结构，说你会拉哪些数据、测哪些假设、按什么顺序。他们会打断问澄清问题。这轮主要看结构化思考，以及能否和业务 stakeholder 沟通。
python 轮： pandas 为主。读 csv，清洗（缺失值、错误 dtypes），算一些聚合，输出 summary table。不是 scikit-learn，也不是建模。他们想看你能不能高效处理脏数据。