DS 面试三大题型详解 2026：Take-home Assignment / Case Study / Technical Round 全攻略

为什么 DS 面试比 SWE 面试更复杂？

英国 Data Science 面试与软件工程（SWE）面试的最大区别在于：DS 面试没有统一的标准化题库，不同公司、不同 Desk 的面试形式差异极大。你可能在 Bloomberg 遇到纯技术的 SQL + Python 编程题，在 Revolut 遇到一个需要 3 天完成的 Take-home Assignment，在 McKinsey Analytics 遇到需要现场解读数据的 Case Study，在 DeepMind 遇到深度 ML 系统设计题。

理解这三种题型的底层逻辑，是制定备考策略的前提。本文将逐一拆解每种题型的考察维度、常见误区和高分策略。

第一类：Take-home Assignment（带回家作业）

什么是 Take-home Assignment？

Take-home Assignment 是 DS 面试中最能体现候选人真实工作能力的环节。公司会给你一个真实（或接近真实）的数据集和业务问题，要求你在 24–72 小时内完成分析，并提交报告或 Jupyter Notebook。

常见题型示例

| 公司类型 | 典型题目 | 时间限制 | |---------|---------|---------| | 金融科技（Revolut/Monzo） | 分析用户交易数据，识别异常行为并建立欺诈检测模型 | 48 小时 | | 咨询/分析（McKinsey/Bain） | 给定零售数据，分析销售下滑原因并提出改进建议 | 72 小时 | | 科技公司（Bloomberg/Palantir） | 清洗并分析金融时间序列数据，建立预测模型 | 24 小时 | | 学术/研究（DeepMind/Alan Turing） | 复现一篇 ML 论文的核心实验并分析结果 | 72 小时 |

评分标准：面试官真正在看什么？

很多候选人误以为 Take-home Assignment 的评分标准是"模型准确率最高"，这是最常见的误区。实际上，面试官的评分维度包含：

1. 问题理解（20%）：你是否正确理解了业务问题？是否在分析前明确了假设？
2. 数据探索（20%）：EDA 是否系统全面？是否发现了数据质量问题并妥善处理？
3. 方法选择（20%）：你选择的方法是否合适？是否解释了为什么选择这个方法而不是其他方法？
4. 结论表达（20%）：结论是否清晰？是否有业务意义？是否量化了不确定性？
5. 代码质量（20%）：代码是否可读？是否有注释？是否可复现？

高分策略

• 先写分析框架，再写代码：在开始编码前，用 Markdown 写出你的分析思路（假设 → 数据探索 → 特征工程 → 建模 → 评估 → 结论），这会让你的 Notebook 逻辑清晰，也会让面试官看到你的结构化思维。
• 主动说出局限性：在结论部分，主动指出你的分析的局限性（数据量不足、时间限制、未测试的假设），这比假装没有局限性更能赢得信任。
• 商业语言 > 技术语言：结论部分用业务语言表达（"欺诈用户的交易金额比正常用户高 3.2 倍，建议对单笔超过 £500 的跨境交易触发人工审核"），而不是技术语言（"模型 AUC 为 0.87"）。

第二类：Case Study（案例分析）

Case Study 与 Consulting Case 的区别

DS Case Study 与咨询公司的 Case Interview 有相似之处，但有一个关键区别：DS Case Study 要求你用数据驱动的方法解决问题，而不仅仅是框架化思维。

典型 DS Case Study 题型

*指标下降类*："我们的 App 日活用户（DAU）上周下降了 15%，请分析可能的原因。"

1. 这类题型的标准解题框架：
2. 确认指标定义（DAU 如何计算？是否有数据管道问题？）
3. 时间维度分析（是突然下降还是渐进下降？从什么时间点开始？）
4. 分群分析（哪些用户群体受影响最大？新用户 vs 老用户？iOS vs Android？）
5. 漏斗分析（是获客减少、激活率下降，还是留存率降低？）
6. 外部因素（是否有竞品发布？是否有媒体负面报道？是否有节假日效应？）
7. 假设验证（提出 2-3 个最可能的假设，说明如何用数据验证）

*实验设计类*："我们想测试一个新的推荐算法，请设计 A/B 测试方案。"

• 这类题型的评分重点：
• 实验单元的选择（用户级别还是会话级别？为什么？）
• 样本量计算（需要多大的样本量才能检测到有意义的效果？）
• 护栏指标（除了核心指标，还需要监控哪些指标防止负面影响？）
• 网络效应处理（如果用户之间存在互动，如何避免实验组和对照组的污染？）

*产品决策类*："我们有三个功能候选，数据显示功能 A 的点击率最高，但功能 B 的用户留存率最高，你会推荐上线哪个？"

这类题型考察你的指标体系思维：不同指标代表不同的业务目标，需要根据公司当前阶段（增长期 vs 变现期）和产品定位来权衡。

高分策略

• 先澄清，再分析：在开始分析前，花 1-2 分钟确认问题背景（公司阶段、产品目标、可用数据）。这不是浪费时间，而是展示你的专业性。
• 量化你的假设：不要说"用户可能因为 X 原因流失"，要说"如果 X 是原因，我们预期会看到 Y 指标下降，Z 指标上升"。
• 结论要有行动建议：Case Study 的终点不是"分析出了原因"，而是"基于分析，我建议采取以下行动"。

第三类：Technical Round（技术面试）

Technical Round 的三个子类型

DS 技术面试通常包含三个子类型，不同公司的侧重点不同：

1. SQL 编程题

• SQL 是 DS 面试中出现频率最高的技术考点，几乎所有公司都会考。高频考点包括：
• 窗口函数（ROW_NUMBER、RANK、LAG/LEAD、SUM OVER PARTITION BY）
• 自连接（Self Join）解决层级问题
• CTE（Common Table Expression）处理复杂查询
• 日期函数和时间序列聚合
• NULL 值处理和数据清洗

典型高频题："找出每个用户连续登录天数最长的记录。"

1WITH daily_logins AS (
2  SELECT user_id, login_date,
3    ROW_NUMBER() OVER (PARTITION BY user_id ORDER BY login_date) AS rn
4  FROM logins
5),
6groups AS (
7  SELECT user_id, login_date,
8    DATE_SUB(login_date, INTERVAL rn DAY) AS grp
9  FROM daily_logins
10)
11SELECT user_id, MIN(login_date) AS streak_start,
12  MAX(login_date) AS streak_end,
13  COUNT(*) AS streak_length
14FROM groups
15GROUP BY user_id, grp
16ORDER BY streak_length DESC;

2. Python/统计题

• Python 题目通常结合统计知识，考察候选人用代码解决实际数据问题的能力：
• Pandas 数据处理（groupby、merge、pivot_table、apply）
• NumPy 向量化计算
• 统计检验（t-test、chi-square test、Mann-Whitney U test）
• 机器学习模型实现（不依赖 sklearn，手写逻辑回归或决策树）

3. ML 系统设计题

• 高级 DS 岗位（Senior DS、Staff DS）通常会考察 ML 系统设计，要求候选人设计一个完整的机器学习系统：
• 问题定义（业务目标 → ML 目标 → 评估指标）
• 特征工程（哪些特征？如何处理缺失值和异常值？）
• 模型选择（为什么选这个模型？有什么权衡？）
• 线上部署（如何处理延迟要求？如何监控模型性能退化？）
• A/B 测试（如何验证模型上线后的效果？）

高分策略

• 先思考，后编码：在写代码前，大声说出你的思路。面试官评估的不只是代码结果，更是你的思维过程。
• 边界情况处理：主动考虑空数据、NULL 值、极端值等边界情况，这是区分 Junior 和 Senior 候选人的关键。
• 时间复杂度意识：即使 DS 面试不像 SWE 面试那样严格要求最优解，也要展示你对性能的意识（"这个解法的时间复杂度是 O(n log n)，如果数据量很大，我们可以考虑..."）。

三种题型的备考优先级

根据 AT&T Career 学员在 2024–2025 申请季的面试反馈，不同类型公司的题型分布如下：

| 公司类型 | Take-home | Case Study | Technical | |---------|-----------|-----------|-----------| | 金融科技（Revolut/Monzo/Wise） | ★★★ | ★★ | ★★ | | 投资银行 DS（Goldman/Bloomberg） | ★★ | ★★ | ★★★ | | 咨询 Analytics（McKinsey/BCG） | ★ | ★★★ | ★★ | | 科技公司（Google/Meta/Amazon） | ★★ | ★★★ | ★★★ | | 研究机构（DeepMind/Alan Turing） | ★★★ | ★ | ★★★ |

备考建议

如果你的目标是金融科技公司，优先练习 Take-home Assignment 的报告撰写和 EDA 流程；如果目标是大型科技公司，优先练习 Case Study 的指标分析框架；如果目标是投资银行，优先练习 SQL 和 Python 编程题。

AT&T Career 的 DS Track 提供针对不同公司类型的定制化备考方案，包括真题 Mock Interview 和 Take-home Assignment 批改服务。