我走完了 Starbucks 的 DS 面试流程，对应 personalization 团队的 data scientist II（base 在 Seattle，有一定 remote 灵活度）。我一路都在记笔记，因为对一家零售/CPG 公司来说，这个流程比我预期复杂不少。
全流程时间线： recruiter screen -> technical screen -> final panel（4 小时）
技术电话面（60 分钟）： 两道 SQL 题 + 一道 stats/probability。SQL 在类似 HackerRank 的界面上，Postgres 风格。一道是常规聚合 + window function（分区内 rank）。第二道是多表 join，回答类似：哪些 reward tier 在 90 天内到访频率的方差最高。不难，但你得写得快、写得干净。
stats 那题很经典：先让你给非技术干系人解释 p-value，然后问：如果我们对 loyalty program 做 A/B 测试，看到 p=0.04，要不要上线？他们想看我会先问：power、sample size、primary vs secondary metrics，以及实验设计是否靠谱，而不是直接说「p<0.05 上线」。这个坑确实是筛人用的。
final panel：
case 轮（90 分钟）：数据量很大的 case。场景：Starbucks Rewards 项目在某个特定人群的参与度 YoY 下滑 8%。让你讲怎么诊断。很典型的 DS case，而且会追得很深。预计会被问：怎么做分群，怎么用 SQL 验证某个假设，以及在还没完全确认 root cause 之前，你会建议什么业务动作。
ML/modeling 轮（60 分钟）：怎么做一个 propensity model，预测哪些用户有从 Rewards 流失的风险。feature engineering、模型选择、怎么做 offline vs online 评估、怎么设 intervention 阈值。ML 面常见内容，但他们会追问你怎么把模型输出落到真实的 marketing/ops 动作上。
behavioral 轮（30 分钟）：主要聊和 marketing、finance 的跨团队协作。他们的数据科学更像是和业务方一起做事，不是纯研究职能。
薪资（来自我的 offer）：base $145k，10% 目标奖金，一些 RSUs。Seattle，data scientist II，3 年 DS 经验。不是 Google-tier，但就岗位范围来说确实挺稳。