刚结束 Netflix 的 DS loop，几周前面的，是 content analytics team 的 senior data scientist role。细节分享一下，因为几乎没有文档。
全流程（phone screen 之后一共 4 轮）：
round 1 - SQL + metrics。 60 分钟。SQL 真的难，不是那种「join 两张表再 group by」的。我的题是多步骤 query，包含 window functions、self-join，还有每一层都要过滤的 aggregation。后半段是指标定义：你会怎么衡量一个新的 UI feature 是否提升 engagement，north star 是什么，这个指标可能哪里出问题。他们在「可能哪里出问题」这一块追问很多。
round 2 - experiment design / A/B testing。 这轮我预期有，但没想到这么深。他们给了一个场景：Netflix 在一小部分用户里测试一个新的内容推荐入口，设计实验。基本实验结构可能 10 分钟讲完，剩下全是：怎么处理 novelty effects、社交内容场景下的 network effects、如果主指标上升但 engagement duration 下降怎么办。都是很 netflix-specific 的问题，因为他们的推荐确实会影响全局观看行为。
round 3 - statistics + ML concepts。 不写代码，但概念深度很强。他们问我：多重检验下如何解读 p-values、在真实推荐模型里怎么理解 bias-variance tradeoff、以及我会如何从零做一个 churn prediction model（什么 features、用什么 evaluation metric、为什么）。最后那个他们问得特别深，单这一题就聊了大概 20 分钟。
round 4 - culture contribution。 跟 SWE loop 格式一样。两条 Netflix 的 values，真实故事，多层追问。
我会怎么准备：把 window functions 和实验设计里的边界情况练到很熟。这两块我感觉门槛最高。stats 更偏概念而不是计算。culture 那轮是认真的，不要跳过。