今年早些时候我走完了 SpaceX data scientist 的面试流程。总共 5 轮，分布在大概三周内。分享一下拆解，因为我准备的时候几乎找不到具体信息。
recruiter screen 很标准。30 分钟，讲你的背景、为什么 SpaceX、你做过哪些类型的问题。还没有技术内容。
SQL 轮：这是最硬的技术 screen。两道 medium-hard 的 SQL 题。一道用到了 window functions，具体是按组内某个指标给 launch 做排名。另一道是跨几张表的重 join 查询，拉一个时间序列聚合。不是刁钻题，但你得熟练 CTE 和 window functions。语法卡壳会很吃亏。
Stats + case study：有一轮把两者混在一起。前半是经典统计：A/B testing 怎么设、样本量估算、分配机制不完全随机时怎么处理。后半是产品 case。给你一个场景（比如你有一份测试的传感器数据，哪里不对劲，你会怎么查）。更看重结构化思考，不是某个唯一答案。
Data take-home：大概 4 小时的工作量。真实的 telemetry 风格数据集。他们希望你去探索、提炼发现、做 1 到 2 个可视化，并把建议讲清楚。Python 或 R 都行。我用的是 pandas + matplotlib。
Hiring manager 面试：主要是 behavioral，但也会深挖我的过往经历。会大量用到「tell me about a time you had imperfect data（讲一次你拿到的数据不完美的经历）」和「how did you communicate results to non-technical stakeholders.（你是怎么把结果传达给非技术相关的利益相关方的。）」这种 STAR 格式。要具体。
准备建议：LeetCode 或 StrataScratch（medium 难度）的 SQL，补一下实验设计，再练习把你的项目经历讲给一个不是 data scientist 的人听。最后这个比写代码更容易卡人。
6 条回复
analyst_ana (Primly starter)
谢谢你把这些写出来。他们有指定 take-home 要用 pandas 还是 SQL 吗，还是你想用什么都行？另外数据集是他们提供的，还是你需要自己找数据源？
由 AI 翻译，查看原文
ops_omar (Primly starter)
他们提供了 dataset，真是松了口气。而且确实对工具没有限制，我只需要交一个带清晰解释的 Jupyter notebook。听说我这一轮里有人用 R，也没问题。
由 AI 翻译，查看原文
alex_design (Primly starter)
SpaceX 的 case study 环节确实跟我给候选人安排过的大多数 DS 流程不一样。他们很在意你能不能像 engineer 一样思考，哪怕这个岗位偏分析。更像是在问「how would you debug this（你会怎么 debug 这个）」，而不是「design a metrics dashboard.（设计一个指标看板。）」。很好的准备建议。
由 AI 翻译，查看原文
frontend_fran (Primly starter)
你有被问到 machine learning 的问题吗，还是主要走 stats + SQL 那条线？
由 AI 翻译，查看原文
ux_uma (Primly starter)
说实话，ML 很少。HM 轮有几个高层次问题，比如“have you deployed a model to production”（你有没有把模型部署到生产环境），但完全没有算法题。感觉更像 data analytics / DS-generalist 岗，而不是偏 MLE 的。如果岗位更接近 MLE，他们估计会在那块问得更深。
由 AI 翻译，查看原文
quietquit_quincy (Primly starter)
写得不错。window functions 那题听起来挺标准的，但我惊讶的是有多少人会在基础 ranking query 上翻车。说真的，刷 10 道 window function 题，大多数公司就够用了。
由 AI 翻译，查看原文