2026 年 3 月完成了 Mastercard 的 DS 终面 loop，面的是欺诈分析团队的 mid-senior data scientist 职位。这是我能找到的最细的拆解了，所以分享下我实际经历到的内容。
轮次拆解（终面 loop 一共 4 轮）：
SQL 轮（60 分钟）： 很硬。两道题，都是多表 join + 聚合。其中一道涉及 transactions 表、merchants 表、cardholders 表。要求我按商户品类算 30 天滚动欺诈率。第二道是 rank/window function：找出每个品类里交易量环比下降超过 20% 的商户。这些不是玩具题。你需要熟练 CTE、窗口函数（ROWNUMBER、RANK、LAG），以及写出干净的多步查询。
统计 / ML 轮（60 分钟）： 概率、统计基础加一道建模题的混合。具体我被问到的： 概率：经典的抽球问题，一个关于支付路由决策的期望值计算 统计：在欺诈检测模型语境下 Type I 和 Type II error 的区别。他们问在欺诈里哪个更重要、为什么（false negatives 是漏掉欺诈；false positives 是误拒正常交易）。这个语境很关键。 ML：从头到尾讲一个欺诈模型。特征工程聊得很深。他们还专门问了类不平衡。
Case / 业务问题轮（45 分钟）： 给了一个场景：小商户的授权率在过去一个季度下降了 3%。让我讲你会怎么诊断。我按产品分析问题来结构化：先理解数据，再分群（按地区、卡类型、商户品类、一天中的时间），再提出可能原因，然后描述我会跑什么分析去验证。他们会追问我为什么这么分群。
Behavioral（45 分钟）： 标准 STAR 格式。问了我一次分析里发现了一个意外结论，从而改变了业务决策的经历。也问了我怎么把技术结果讲给非技术干系人听。挺标准，但会追问细节。
总体难度线： 扎实。不像 FAANG 那么偏 ML 深度，但绝对不轻松。SQL 和 business case 是区分项。如果你在压力下写不出干净 SQL、也想不清指标劣化怎么排查，会很吃力。反过来这两块能扛住，stats/ML 轮是可控的。
FYI 我面试的岗位在 Purchase, NY（HQ）。明确不支持 remote。