参加了 NVIDIA data scientist 面试 loop，岗位在 cloud analytics 团队（支持 DGX Cloud adoption metrics）。我会拆一下 SQL、case、stats 这几块，因为这是我当时最想搜但找不到的内容。
我的流程结构： Recruiter screen（30 分钟） DS manager 技术电话面（45 分钟：SQL + 一个统计概念） Virtual onsite：总共 5 轮
电话面 SQL：一道中等 SQL。窗口函数。类似“找出每个 region 每个月 revenue 第二高的客户”。窗口函数和 CTE 是基本功，要非常熟。DS manager 还让我从性能角度解释 correlated subquery 和 join 的区别。这种问题很快就能筛人。
Onsite 拆解：
SQL 轮（60 分钟）：两道 SQL。第一道中等（rolling averages，标准窗口函数）。第二道更难：递归 CTE，处理层级数据。我练过递归 CTE，但不够多。做出来了，但不算干净。递归 CTE 要会。
Stats / ML 轮（60 分钟）：先从概率基础开始（经典条件概率题），然后转到实验设计。“我们想跑一个 A/B test，看新的 onboarding flow 是否提升 DGX Cloud trial activation。你测什么，怎么定样本量，power 和显著性阈值怎么设。”我大部分时间都花在这题。他们要我把 sample size 计算过程口述出来。把 power analysis 的数学补起来，不要只懂概念。
Case / product sense 轮（60 分钟）：这是最像 PM 面试的一轮。“DGX Cloud 的用户 activation 过去一个月下降了 15%。你怎么诊断？”标准产品分析框架，但他们希望你每一步都给出量化细节：看哪些指标，写哪些查询，预期 baseline 是什么。
Behavioral + HM（45 分钟）：常规故事，重点是数据驱动的影响。至少准备一个故事：你的分析改变了某个产品决策，并且你能给出前后对比的数字。
总体来说，NVIDIA 的 DS 难度：比中端市场科技公司更难，和严格的 Google 或 Meta DS loop 差不多。他们是真的在看统计深度，不只是 SQL 熟练度。递归 CTE 不一定每次都有，但还是建议会。