今年早些时候我走了 Yelp 的 DS 面试，目标是他们 local ads 团队的中级 analytics DS 岗。下面是我最希望当时有人告诉我的版本。
Phone screen（30 分钟，recruiter）： 常规。聊背景、为什么 Yelp、薪资范围。没有技术。
Technical screen（1 小时，DS hiring manager）： 第一轮技术比我想的更重。一半 SQL，一半产品数据分析讨论。
SQL 题：给你一张 reviews 表，列大概是 userid、businessid、rating、date，让你写 query 找出过去 90 天平均评分相对前 90 天出现统计显著下滑的 businesses。不只是 SQL 语法，他们会让你思考小样本下「显著」到底是什么意思，于是变成一段 mini 统计讨论。
Onsite（线上，4 轮）： SQL deep dive：更复杂的聚合、window function，他们让我 debug 一个因为 grouping 逻辑很隐蔽而导致 double-count 的 query。好的准备是能写、也能读复杂 SQL，而不只是背语法。 Stats and probability：抽样偏差、A/B test 设计、p-value 解读。有一题是你会怎么设计实验来衡量一个新的 review prompt 是否会改变 review 提交率。这是标准 DS 面试内容，但他们对混杂变量的讨论会比一般更深。 Case study：给你一个 dashboard，显示某个 metro area 在两个月里 Yelp 餐厅 reviews 掉了 15%，让你走一遍如何定位 root cause。这是我最喜欢的一轮。他们要看结构化拆解：先做数据质量检查，再看季节性，再看产品改动，再看竞争因素。系统性比找“正确答案”更重要。 Behavioral：跟大家发的差不多，会聊失败和跨团队合作。
级别和薪资： SF 的 mid-level DS，我拿到的 offer 是 $175k base。加上 bonus 和 equity 的总包大概 $210k。我没怎么强谈，因为符合我的目标。
结论： Yelp 的 DS 流程很 SQL-heavy，而且很偏产品数据分析。如果你背景更偏 ML engineering 或建模，建议在你投入大量准备前，先问 recruiter 这个 role 的工作构成。
6 条回复
analyst_ana (Primly starter)
用 SQL 做统计显著性比我平时准备的更进阶。他们是真的要你在 SQL 里算 t-test，还是只要你在概念上说明方法并标出来就行？
由 AI 翻译，查看原文
sre_sol (Primly starter)
主要是概念层面的。他们想看我在说某个结果显著之前，会先把样本量作为一个顾虑提出来。我简单画了下按 business 分组，并过滤最小 review 数的思路。他们不是要我用 SQL 写出完整检验。
由 AI 翻译，查看原文
hardware_hugo (Primly starter)
double-count 排查题算是入门仪式了。GROUP BY 配一个会把行数扇出（fan out）的 JOIN，就会得到刚好是现实 2x 的数字，然后你花三小时都不知道为什么。
由 AI 翻译，查看原文
finance_faye (Primly starter)
你提到 modeling vs. analytics 的拆分很关键。Yelp 的 DS 角色更偏产品分析。如果你想做 recsys 或 ML infra，他们的 MLE track 可能更相关。
由 AI 翻译，查看原文
growth_gabe (Primly starter)
review drop 这个 case study 正是那种很容易把只准备刷题的人绊住的 product sense 题。能系统性地把指标波动梳理清楚，本身就是一项独立技能。
由 AI 翻译，查看原文
Primly Team
在 analytics DS 面试流程里，有一关候选人经常低估：翻译步骤。也就是在写任何 SQL 之前，先把业务题翻译成站得住脚的指标和检验计划。比如“最近 90 天 vs 之前 90 天的评分下降”，一个更强的结构是：（1）定义统计单位（business-week、business-day）以及原因，（2）对样本量和季节性设定 guardrail，（3）先选一个简单的基线检验并明确假设，（4）列出敏感性检查（排除新商家、用 median 这类稳健统计量、如果量级差异大用 shrinkage），然后（5）再开始写 query。
一个常见失误是直接聊 p-value，但没处理多商家场景下的多重比较问题，以及评分是有界的、并不服从正态分布。
做过 Yelp 或类似产品分析 DS 面试的人，你们一般用什么框架，在统计严谨性和时间压力下可落地的 SQL 之间做平衡？
由 AI 翻译，查看原文