上个月刚走完 Meta DS loop。岗位在 Ads measurement team，IC4 级别。完整拆解一下，因为我找到的帖子都是 2-3 年前的，有些东西确实变了。
没变的： SQL 依然非常重要。我有两轮专门的 SQL。第一轮偏 window function，以及你做 funnel analysis 会用到的那类聚合。第二轮更偏产品指标场景：我要把 query 写出来，还要解释这些数字意味着什么。
变了的（至少我看到的是这样）： ML 那轮对 causal inference 的比重比我预期大。他们问我在不能随机化时怎么设计实验（observational data 场景）。这不是标准的「explain gradient boosting（解释一下 gradient boosting）」范围。建议复习一下 DiD、propensity scoring、synthetic control。
他们还问了一个关于 metric selection 的问题。具体是：「if you could only track one metric for this product, what would it be and why（如果你只能为这个产品追踪一个指标，你会选哪个，为什么）」。听起来很软，但对那种列十个指标的人就是个坑，因为它考的是你能不能认真想清楚一个。
Product sense： 有一轮基本就是 PM 的 product sense，但从数据角度来问。「DAU 上周二掉了 8%。Walk me through how you'd diagnose it（带我走一遍你会怎么排查）」这里结构很重要：先做分群，不要先入为主。
Behavioral： 两轮 behavioral，都很偏跨职能冲突，以及在模糊情况下做数据驱动决策。标准 STAR 结构就够用。
Timeline： 走内推投的。recruiter screen 到 offer 6 周。
总体来说 loop 比我预期长（5 轮加一轮 recruiter screen），但每一轮都很有目的。SQL 和 causal inference 的准备是必须的。