面试整体特点

TikTok Data Scientist 的面试整体比较偏 Product Analytics + Statistics，核心可以归纳成 SQL、Statistics、A/B Testing、Product Sense 和项目 Deep Dive。部分团队还会加入 Python、Machine Learning 或 LeetCode Coding。相比 MLE，DS 通常不会特别深入模型 Serving 和大规模 ML Infrastructure，而是更关注你能不能从复杂的用户行为数据中定义指标、发现问题、设计实验，并最终推动 Product Decision。

面试流程

整体流程通常是 Recruiter Screen → 3～4 轮 Technical Interviews → Final / HM Round，具体轮数和顺序会根据 Team 和 Level 调整。Recruiter Screen 主要确认背景、Resume 和岗位匹配度。进入 Technical Screen 后，就可能开始考 SQL、Statistics、Product Analytics 和项目 Deep Dive。后续几轮一般进一步覆盖 SQL、Experimentation、Product Sense、ML / Coding 和 Behavioral。不同模块不一定完全拆开。例如一轮可能先聊十几分钟项目，然后现场写 SQL，再继续问 Statistics 或 ML；Product Case 也经常从一个业务问题一路追问到 Metrics、Root Cause Analysis 和 A/B Testing。

SQL

SQL 基本属于 TikTok DS 最重要的技术能力之一。重点掌握 JOIN、CTE、Window Function、Ranking、Rolling Metrics、Retention、Conversion、Funnel 和 Cohort Analysis。出现过一道比较典型的题：给一张包含 date、predicted、actual 的预测结果表，要求计算每周 Precision 和 Recall，然后继续计算 Precision 和 Recall 的 Week-over-Week Change。

另外需要重点练习 TikTok 常见的 Event Data 场景，例如根据 impression、click、watch、user 等表计算 DAU、Retention、Conversion、Funnel，以及 7-day Rolling Metrics。SQL 不只是考 Syntax。回答之前最好先把 Metric Definition、Denominator、Deduplication、Time Window、NULL 和 Edge Cases 定义清楚。

Statistics & A/B Testing

Statistics 和 Experimentation 是 TikTok DS 的核心。需要重点掌握 Hypothesis Testing、Confidence Interval、p-value、Type I/II Error、Statistical Power、Sample Size、t-test、Bootstrap、Multiple Testing、Selection Bias 和 Simpson's Paradox。比如出现过非常直接的题：How would you design an A/B testing experiment?

回答时可以按照 Hypothesis → Randomization → Primary Metric → Guardrail Metrics → Sample Size → Experiment Duration → Statistical Test → Result Interpretation → Launch Decision 展开。还要准备各种 Follow-up，比如实验结果 p-value < 0.05 是否一定应该 Launch，Sample Size 不够怎么办，CTR 上升但 Retention 下降怎么办，以及 Novelty Effect、Spillover 和 Multiple Testing 怎么处理。

Product Sense

Product Sense 通常围绕 TikTok Feed、Ads、Creator、Live、TikTok Shop 和 Growth 等真实业务展开。出现过类似这样的题：“Average spending per advertiser dropped significantly compared with last month. How would you investigate?” 这种题不要一上来就猜原因。比较稳定的方法是先确认 Metric Definition 和数据是否正确，然后按照 Time、Geography、Platform、User Segment、Advertiser Segment、Product Change 和 External Factors 逐层拆解，找到下降具体发生在哪里。还出现过“How would you determine how many emails we should send users per week?”这类题。这类问题本质上同时考 Product Sense 和 Experimentation，需要定义 Engagement 和 Unsubscribe 等指标，再通过实验寻找收益和用户体验之间的最佳平衡。

项目 Deep Dive

项目通常会贯穿多轮面试。建议按照 Business Problem → Hypothesis → Data → Metrics → Methodology → Analysis → Experiment → Result → Business Impact 的逻辑准备。

面试官比较关注的不是你用了多复杂的模型，而是为什么选择这个方法，Metric 为什么这么定义，有没有 Selection Bias，怎么验证 Causality，结果是否 Statistically Significant，以及你的分析最终改变了什么 Product Decision。Senior DS 还需要准备 Stakeholder Management，例如 PM 不认同你的分析结论怎么办，实验结果和业务直觉冲突怎么办，以及数据并不完整的时候如何给 Leadership 提供建议。

Machine Learning & Coding

不同团队在这一部分差异比较明显。Product DS 通常更偏 Analytics 和 Experimentation，而 Recommendation、Ads 或偏算法的 DS 岗位可能增加 ML 和 Coding。ML 可以重点准备 Logistic Regression、Linear Regression、Tree Models、Regularization、Feature Engineering、Class Imbalance、AUC、Precision/Recall、Overfitting 和 Model Evaluation。

也出现过要求候选人设计 End-to-End ML Pipeline，然后继续追问 Imbalanced Data 怎么处理的情况。Coding 也不能完全放掉，部分流程会同时出现比较复杂的 SQL 和 Python LeetCode 类型题目。

准备重点

如果只有两三周，最值得投入时间的是 SQL、A/B Testing 和 Product Sense，其次是 Statistics 和 Resume Deep Dive，再根据具体 Team 补充 ML 和 Coding。SQL 重点准备 Window Function、Retention、Funnel、Rolling Metrics 和复杂 JOIN。Experimentation 要做到能够从零设计完整 A/B Test。Product Sense 可以重点准备 TikTok Feed、Ads、TikTok Shop、Live、Creator Ecosystem 和 User Growth。