刚结束 microsoft data scientist 的一轮面试，目标是 experimentation/analytics org 的岗位。两天共 5 轮（线上）。把完整拆解分享出来，因为 microsoft 的 ds 面试内容相比 google/meta/amazon 真的信息很少。
第 1 轮：SQL 不是可选项，也不简单。他们给了我两道题。第一道是 join + aggregation，中等难度。第二道涉及 window functions（lag/lead + rank），要求我计算 rolling retention rates。每题大概 30 分钟。CoderPad 环境，没有自动补全。
如果你去面 microsoft DS 以为 sql 会很轻：别。 experimention org 很看重你是不是真的会 query data。
第 2 轮：stats + experimentation 这一轮最能拉开差距。我遇到的问题： “一个 A/B test 显示显著结果，但 treatment 和 control 的 sample size 不一样。你怎么办？” “如果你预期某个 metric 会有很强的 network effect，污染 control group，你会怎么处理？” “在发布一个产品功能的语境下，type I 和 type II error 有什么区别？”
network effect / interference 这个问题是典型的大规模实验题。他们要的是 SUTVA，不是只背课本。
第 3 轮：case / product analytics 给了一个场景：“bing search sessions 在某个地区环比下降了 8%。你会怎么诊断？” 很标准的产品分析 case。期待的结构：外部因素、产品改动、数据质量问题、分群拆解。我都覆盖了，并提出了一个具体的分析计划和我会拉哪些指标。
第 4 轮：ML concepts 对这个岗位来说不算很深（更偏 experimentation）。问了 bias-variance tradeoff、我会怎么 offline vs online 评估 recommendation model、以及什么时候我会选更简单的模型而不是复杂模型。这轮不写代码。
第 5 轮：behavioral 标准 growth mindset 叙事。其中一个问题专门问我：我如何把一个数据驱动的建议传达给非技术 stakeholder，而对方还 push back。
整个流程很尊重时间。他们对 timeline 也很直接。终面后第 6 天给了 offer。