上季度走完了 Vercel 的 DS/analytics 流程。岗位是增长团队的 data scientist。这点挺特别的，因为 Vercel 更出名的是 infra/dev-tools 公司，所以我一开始不太确定他们的数据体系会怎么面。
阶段 1：SQL screen。45 分钟，通过共享 notebook 做 SQL 题。他们给的 schema 很明显是在建模一个 SaaS 部署类产品（projects、deploys、users、usage events）。题目从跨表 join 计算留存 cohort，到更绕一点的 window function：找出每个用户第一次成功 deploy。都不算稀奇，但要求你把数据在产品语境里真正理解清楚，写得干净。
阶段 2：Case 面。给一个产品场景：「我们的 30 天 deploy success rate 环比下降了 5 个百分点。讲讲你会怎么查。」典型的 analytics case。他们要你拆解（是某个 segment 的问题？新 cohort？地域？框架变更？）、假设优先级、以及你会拉哪些数据、写哪些查询。他们不需要你做一个精美 deck，只要结构化地把思路讲出来。
阶段 3：Stats 轮。比我想象短，大概 30 分钟。覆盖 A/B 测试设置、minimum detectable effect、sample size，以及一道「方向上是正的但没有统计显著性」的题：你怎么处理？怎么跟想强行上线的干系人沟通？最后这部分其实既考统计也考沟通。
阶段 4：Behavioral。主题和 Vercel 其他轮类似：自主性、异步沟通、如何在没有职权的情况下影响他人。偏 DS 的角度是：讲一个分析如何改变了一个产品决策。这里要准备一个真实故事，包含真实决策和真实结果。
整体感受。他们还不是 Airbnb 或 Meta 那种数据密集型公司，团队不大，问题更多是产品分析而不是重 ML。如果你来自一个把复杂模型上生产的团队，记得调整预期。这个岗位的核心是帮助一个相对小的团队更快做出更好的决策，不是搭 ML pipeline。