做了 coinbase 的 DS 全流程，目标是 mid-senior 岗（他们的 L4/L5 区间）。想把技术部分写下来，因为它和纯 SWE 流程不一样，而且几乎没什么资料。
形式： recruiter screen，一轮技术电话面（偏 SQL），然后 onsite 4 轮：advanced SQL、stats/probability、product case、behavioral。
技术电话面： 45 分钟，一道 SQL。不是简单聚合。我那道是对时间序列做 window function。他们给了一个假设的 transactions 表 schema，让我识别可疑活动模式。你得熟 LAG、LEAD、PARTITION BY、以及写子查询。如果你实战里只写过基础的 GROUP BY，会很吃力。
SQL onsite： 更深的版本，两道题。一道是找在滚动 7 天窗口内达到某个阈值的用户。第二道是经典留存 cohort 分析：给一个 login events 表，按 signup cohort 算 30 天和 90 天留存。两题都能用 window functions 解决。他们还让我解释会怎么验证结果，这点卡住了不少我聊过的人，因为很多人只准备了「写出 query」，没准备「怎么 QA」。
stats 和 probability： 这是最有意思的一轮。问题从基础到应用都有，比如「给 PM 解释 p-value」，再到「怎么给一个会影响交易频率的功能设计 A/B test，而 baseline rate 是 rare events」。rare events 的 A/B test 在 fintech 很典型：Poisson 分布或基于 bootstrap 的方法，不只是标准 t-test。这块要真的懂。
product case： 给了一个下滑的指标，让我诊断原因。coinbase 特有指标，比如 daily active traders 周环比掉 15%。常规诊断框架可用：按触点/入口分段，先排查 data pipeline 问题，再看外部因素，再看产品改动。他们很在意你如何给假设排序。
我会怎么准备： window functions 是硬要求。把 retention cohorts 和 rolling windows 练到下意识。 补实验设计：rare events、以及无法干净随机化的情况。 对产品指标诊断要有清晰的心智模型，能口头顺下来。 crypto 背景对 case 有帮助，但不要求很深的 domain knowledge。理解 fintech 交易动态（季节性、外部市场影响）比知道 ethereum L2 是什么更有用。