几个月前我走完了 Twilio 的 DS loop，岗位在 Growth data science team。这里写下这次面试实际覆盖的内容，因为我在网上找到的准备指南已经过时了。
轮次结构（4 轮）：
SQL（45 分钟） 两道题。第一道是漏斗分析 query：developer sign-up 到第一次 API call，按 acquisition channel 拆分。标准的 window functions、CTE、一些日期计算。我觉得中等难度。
第二道更脏：给了一个三表的 schema，有些 null 出现在你意想不到的位置，让我算一个 30 天窗口里按 carrier 和国家拆分的 message deliverability rate。真正的考点是 null 的处理。如果你对 COALESCE 和条件聚合不熟，建议补一下。
Case / Product Analytics（60 分钟） 给定过去 2 周 message delivery rate 下滑，带我过一遍你会怎么诊断。这是 DS 版的经典产品 sense 题。我给了一个结构：先看是全局还是局部问题（carrier、地域、客户分群），把分子（messages attempted）和分母的影响拆开，看客户 mix 是否变化，再检查是否有基础设施或代码发布在同一时间点发生。他们追问了：「say it's isolated to one carrier in Brazil, now what?（假设它只发生在巴西的某一个 carrier 上，那接下来你会怎么做？）」
Stats / ML（45 分钟） 基础的 A/B testing 框架问题：怎么估算样本量，怎么处理 novelty effect，发现分群之间有 interaction effect 怎么办。有一题实验设计：randomization unit 和 analysis unit 不一致（messaging platform 的 network effects）。
另外还有一题偏实战建模：给定一组特征，你会怎么预测哪些客户有从 messaging API 流失（churn）的风险？他们不想要完整的模型细节，只想听方法和你想要哪些数据。
Behavioral（30 分钟） 标准题。讲一个改变了产品决策的洞察。讲一次你需要向非技术 stakeholder 传达不确定性的经历。
我会优先准备的内容： SQL window functions 和干净的漏斗 query 写法、产品指标诊断的框架、以及怎么不太学院派但又讲清楚 A/B testing 的取舍。