参加了 Shopify 的 DS 面试 loop，岗位是 mid-senior data scientist，方向是 merchant analytics。下面按轮拆解。
SQL 轮（60 分钟，live coding）： 三道 SQL。第一道比较直接：GROUP BY 聚合 + 窗口函数。第二道更复杂：一个商家 cohort 的月度留存（month-over-month retention）。第三道是开放题：给你面试时提供的 schema，写一个 query 找出可能有流失风险的商家。第三道没有唯一正确答案，他们想看你如何基于现有数据定义风险信号。
他们不是在考语法，而是在考你能不能把业务问题翻译成 query，以及你能不能边做边把推理讲清楚。
Case / product sense 轮（60 分钟）： 给一个场景：Shopify 某个 segment 的 merchant GMV 环比下降 8% QoQ。讲讲你怎么诊断。这是标准 DS case，但因为是 Shopify 语境，你要考虑 merchant-level、transaction-level、platform-level 的原因。我用结构化方式拆：先看是不是单一 segment、单一地区、单一商家规模层级的问题，还是平台整体；再提出假设；再说我要拉哪些数据。
他们会追问：“如果你来不及拿到那些数据，你的 fallback 是什么？”这个追问很能说明他们在意务实落地。
Stats / experimentation 轮（45 分钟）： 概念题，不是 coding。问了 A/B test 设计、样本量计算、怎么处理 novelty effects，还有一个专门关于 switchback experiments 的问题（相关，因为他们有些实验不能在用户层随机）。如果你没看过 switchback 或 cluster-level 实验设计，建议补一下。
总体：比我做过的大多数 DS loop 都难，主要是因为 SQL 是 live 的，而且 case 需要你对商家领域有真实直觉。stats 轮高于平均，但也不是博士级。对同时在投其他 commerce 或 marketplace 公司的同学来说，这种准备很通用。