今年早些时候走完了 Workday data engineer 的面试流程。岗位在内部 data platform team（不是面向客户的产品，而是支撑他们自家 analytics 的基础设施）。分享一下他们考了什么。
coding / OA： 标准 HackerRank。一道 SQL，一道 python。python 题是处理一份扁平的事件列表，重建 session 层级。中等难度。时间限制没问题。
technical phone screen： 30 分钟，一道 SQL + 一个概念题。SQL 是：给一张 employee 状态变更表（start、end、event type），写查询找出过去 90 天每天各部门的当前 headcount。典型 date-spine / SCD 问题。我用了 calendar table CTE。他们没让我优化，但对这个思路点头。
onsite：4 轮。
Pipeline design 轮： 设计一个数据 pipeline，从多个 Workday tenants 接入 HR 系统事件（入职、转岗、离职），去重后供给一个实时 analytics dashboard。他们在意：exactly-once vs at-least-once 的取舍、跨 tenants 的事件顺序、以及当 Workday 给 API 加字段时如何处理 schema drift。整体是 kafka + flink 这类对话，但他们不执着于具体技术，概念更重要。
SQL depth 轮： 偏高级。基于 partition 的计算、增量聚合、用 lag/lead 检测状态变化。有一题本质是：找出在一个自然年里换部门超过两次的员工。schema 是原始 event log，不是干净的状态表，你得从事件里还原状态。
data modeling 轮： 维度建模 vs 规范化，分别什么时候用；怎么给组织架构建 slowly changing dimensions。他们明确提到企业规模的组织层级很混乱，问我会怎么处理。我讲了 adjacency lists vs closure tables vs nested sets。最后一个引起了一些互动。
behavioral： 标准。
整体：SQL 比我做过的大多数 DE 面试都更难。pipeline design 那轮很扎实、很实用。没有太多奇怪陷阱，就是考真实深度。