三周后要在 Snap 面 data scientist 岗，ads measurement team。我做了一些功课，但 DS 相关的公开信息确实很少（大多数帖子都是 SWE）。
如果有人最近在 Snap 走过 DS 或 applied ML loop，我特别想知道： SQL vs stats vs ML theory 各占多大比重 有 take-home 还是全是 live rounds 他们会多深入考 experimentation / causal inference
我知道 Snap 的 ads measurement 会很偏实验设计和归因，所以我也在按这个方向准备，但任何数据点都能帮我校准。就算不算很新，哪怕是 2024 的信息也很有帮助。
我大概 8 个月前面过一个 ML platform 的岗位（不是 ads measurement）。system design 很重，偏 ML pipelines，coding 比较轻，几乎不考 SQL。但 ads measurement 又是另一种东西，那团队日常就是 experiment design，所以我会预期会问很多 causal inference：A/B test 的有效性、novelty effects、holdout group 的样本量怎么定。没复习 CUPED 的话补一下。
我对象大概 18 个月前在那边做过一个 data 岗的 take-home。是一个 Jupyter notebook 练习，数据集挺贴近真实场景，实际做大概 3 小时，再加上写总结。他们说最近的面试流程因为候选人反馈，开始减少 take-home。所以现在可能全是 live 了，不问 recruiter 也没法知道。
知道了，我会问。我其实更喜欢 live 轮次，take-home 总有种很痛苦的不确定性：他们到底想要你 polish 到什么程度。
我不是 DS，但我在 Snap 走过一轮 BA 流程，面的是 strategy analytics 的角色。他们问了很多关于给模糊的产品目标定义指标的问题。比如「你会怎么衡量 Snap Map 的成功」然后「好，那你怎么知道你选的这个指标是真的好」。感觉他们是想看你在第一反应被追问时怎么应对。