今年早些时候我走完了 Figma 的 DS 面试 loop，面的是他们 growth team 的 data scientist 岗。职位描述里写了「product analytics」和「experimentation」，面试内容也几乎就是按这个来。
这是我遇到的结构：
SQL 轮（60 分钟）。 两到三道 query，复杂度逐步上升。先是基础 aggregation，最后是一个带 window functions 的题，还有一个很隐蔽的 join 陷阱（many-to-many 关系，如果不小心会导致 row multiplication）。他们明显在测你是否理解 query 实际在干什么，而不只是能不能跑出结果。我每一步都需要解释推理。
Stats / 实验设计（45 分钟）。 这是最关键的一轮。他们给了一个场景：Figma 在 editor 里测试一个新功能，让我讲怎么设计并评估实验。覆盖的问题有：选对指标、随机化单位（user vs. session vs. team）、minimum detectable effect、怎么处理 network effects（因为 Figma 是协作型产品，把用户当作相互独立其实站不住）。network effects 这块是协作工具的典型难点，他们很在意。
Case / 产品分析（45 分钟）。 给你一个很乱的指标：daily active collaborators 过去两周下降了 8%。怎么排查。这就是经典指标归因 case。要结构化。我用的是自上而下拆解：是全局还是某些 segment、是数据口径问题还是行为变化、哪些事件相关，等等。你边问他们边补充信息。没人指望你在没有信息的情况下直接诊断对。
Behavioral（30 分钟）。 常规。影响力、协作、在模糊中推进。主题和 SWE loop 很像。
他们提到的技术栈：Snowflake、dbt、Looker、一些 Python 做建模。懂点 dbt 基础能让你听起来像入职第一天就能上手干活。
我面试的 level 是 mid-senior。TC 最后大概 $210-230k（SF）。Base 是 $155k，其余是 equity。