Monzo DS 的面试难度相对 Revolut 更低，录取率也更高。Revolut 的 Take-home Assignment 难度很高，需要展示端到端的 ML 项目能力；Monzo 更注重产品分析思维和沟通能力。如果你的 ML 工程能力较强，Revolut 更适合；如果你更擅长产品分析和业务沟通，Monzo 更适合。
为什么金融科技 DS 是留学生的理想选择？
英国金融科技三巨头——Revolut、Monzo 和 Wise——是留学生 DS 求职的热门目标，原因有三：
第一，技术挑战真实且有深度。 这三家公司每天处理数百万笔交易，DS 团队面临的问题包括实时欺诈检测、用户流失预测、信用风险建模和产品个性化推荐。这些问题的技术难度和业务影响力远超传统金融机构。
第二，职业发展快速。 金融科技公司的晋升速度通常比传统银行快 2–3 倍。在 Revolut，优秀的 DS 可以在 2–3 年内从 Analyst 晋升至 Senior DS，而在传统银行可能需要 5–7 年。
第三，签证支持稳定。 Revolut、Monzo 和 Wise 都提供 Skilled Worker Visa 担保，且有丰富的国际员工招聘经验，对留学生非常友好。
三家公司对比
| 维度 | Revolut | Monzo | Wise | |------|---------|-------|------| | 应届 DS 薪资 | £55,000–£70,000 | £50,000–£65,000 | £52,000–£68,000 | | 工作强度 | 高 | 中高 | 中等 | | 技术深度 | 高（ML/MLOps）| 中高（产品分析）| 中高（风险/合规）| | 面试难度 | 高 | 中等 | 中等 | | 签证支持 | 是 | 是 | 是 | | 团队规模 | 大（DS 100+）| 中（DS 50+）| 中（DS 40+）|
Revolut DS 面试详解
Revolut DS 岗位类型
- Revolut 的 DS 团队分为多个方向：
- Product DS：分析用户行为，支持产品决策（A/B Testing、用户分群、漏斗分析）
- Risk DS：构建信用风险模型、欺诈检测模型（ML 深度要求最高）
- Growth DS：分析用户获取和留存，优化营销策略
- Operations DS：分析运营效率，优化客服和合规流程
Revolut DS 面试流程（4 轮）
第一轮：Take-home Assignment（48 小时）
- Revolut 的 Take-home 是英国金融科技公司中难度最高的。通常给你一个真实的 Revolut 数据集（用户交易数据或产品使用数据），要求你：
- 进行探索性数据分析（EDA），发现关键洞察
- 构建一个预测模型（如用户流失预测或欺诈检测）
- 设计一个 A/B 测试方案来验证你的发现
- 用 Jupyter Notebook 提交，并附上 Executive Summary（非技术背景的人也能理解）
评分标准：代码质量（30%）、分析深度（30%）、业务洞察（25%）、沟通清晰度（15%）
第二轮：Technical Interview（60 分钟）
- 考察内容：
- SQL 题（2–3 道，必含窗口函数）
- Python/Pandas 数据处理题（1–2 道）
- ML 模型选择与评估（1 道，结合 Revolut 业务场景）
- 统计学题（1 道，通常是 A/B Testing 设计）
第三轮：Case Study Interview（45 分钟）
给你一个 Revolut 的真实业务问题，要求你现场分析并提出解决方案。例如："Revolut 的用户 7 日留存率下降了 5%，如何诊断原因并提出改善方案？"
这一轮考察的是你的结构化思维和业务理解，而不是技术能力。建议使用 MECE 框架分析问题，并主动提问澄清假设。
第四轮：Behavioral + Culture Fit（30 分钟）
- Revolut 非常重视文化契合度，高频问题包括：
- 描述一个你在高压环境下快速交付数据项目的经历
- 如何在数据不完整的情况下做出决策？
- 你如何向非技术背景的 Stakeholder 解释复杂的 ML 模型？
Monzo DS 面试详解
Monzo DS 的特点
Monzo 的 DS 团队相对 Revolut 更注重产品分析和用户体验，而不是纯粹的 ML 工程。Monzo 的 DS 面试风格更友好，更注重候选人的思维过程而不是最终答案。
Monzo DS 面试流程（3 轮）
第一轮：Phone Screen（30 分钟）
由 Recruiter 主导，主要了解你的背景和求职动机。会问 1–2 道简单的 SQL 题（LeetCode Easy 级别）来确认基本技术能力。
第二轮：Technical Interview（90 分钟）
- 分为两个部分：
- SQL + Python 部分（45 分钟）：3–4 道 SQL 题（Medium 级别），1–2 道 Python 数据处理题
- 案例分析部分（45 分钟）：给你一个 Monzo 产品数据集，要求你分析用户行为并提出产品改进建议
- Monzo 高频 SQL 题：
- 计算每个用户的月活跃天数，并找出过去 3 个月持续活跃的用户
- 分析 Monzo 用户的消费类别分布，找出高价值用户的消费特征
- 计算用户首次使用某功能后的 7 日和 30 日留存率
第三轮：Behavioral Interview（45 分钟）
Monzo 的 Behavioral 面试非常重视"Impact"——你的工作对用户或业务产生了什么实际影响。建议准备 3–5 个有量化成果的 STAR 故事。
Monzo DS 的薪资谈判技巧
Monzo 的薪资结构相对透明，基础薪资范围公开。谈判空间主要在股权（Equity）部分。建议在收到 Offer 后，以竞争性 Offer（如 Revolut 或 Bloomberg 的 Offer）作为谈判筹码，通常可以提升 £3,000–£8,000 基础薪资。
Wise DS 面试详解
Wise DS 的特点
Wise（原 TransferWise）的 DS 团队专注于跨境支付和汇率分析，技术栈以 SQL + Python 为主，ML 深度要求相对 Revolut 更低，但对数据分析和业务理解的要求更高。
Wise DS 面试流程（3 轮）
第一轮：Take-home Assignment（24 小时）
- Wise 的 Take-home 通常是一个数据分析题，给你一个模拟的跨境支付数据集，要求你：
- 分析用户的汇款行为模式
- 识别潜在的欺诈或异常交易
- 提出提升用户体验的数据驱动建议
第二轮：Technical Interview（60 分钟）
考察内容：SQL（必考，包含复杂 JOIN 和窗口函数）、Python 数据处理、统计学基础（假设检验、A/B Testing）。
第三轮：Behavioral + Case Study（60 分钟）
Wise 的 Case Study 通常围绕"如何用数据改善 Wise 的核心产品体验"展开。建议提前了解 Wise 的产品（汇款流程、汇率定价、费用结构），能够在面试中提出有针对性的分析思路。
备考建议
- AT&T Career 建议按以下优先级备考金融科技 DS 面试：
- SQL（最高优先级）：完成 LeetCode SQL 全部 Medium/Hard 题目
- Python + Pandas（高优先级）：重点练习数据清洗、聚合和时间序列处理
- A/B Testing（高优先级）：掌握完整的实验设计流程
- ML 基础（中优先级）：熟悉 Scikit-learn Pipeline，能够解释常见模型的工作原理
- 业务理解（中优先级）：了解目标公司的核心产品和商业模式
常见问题 · FAQ
Revolut DS 和 Monzo DS 哪个更容易进？+
Monzo DS 的面试难度相对 Revolut 更低，录取率也更高。Revolut 的 Take-home Assignment 难度很高，需要展示端到端的 ML 项目能力；Monzo 更注重产品分析思维和沟通能力。如果你的 ML 工程能力较强，Revolut 更适合；如果你更擅长产品分析和业务沟通，Monzo 更适合。
金融科技 DS 面试需要了解金融知识吗？+
需要基本的金融知识，但不需要专业金融背景。建议了解：基本的银行产品（储蓄账户、信用卡、贷款）、支付流程（ACH、SWIFT、Open Banking）、风险概念（信用风险、欺诈风险、操作风险）。这些知识可以在 2–3 天内通过阅读公司官网和行业报告快速补充。
Revolut DS Take-home 应该花多少时间？+
虽然 Revolut 给 48 小时，但建议花 12–16 小时完成高质量的提交。重点放在：代码的可读性和注释（面试官会仔细阅读代码）、分析的深度（不要只做描述性统计，要提出有洞察的发现）、Executive Summary 的清晰度（用非技术语言总结关键发现和建议）。
金融科技 DS 的工作生活平衡如何？+
Revolut 的工作强度在英国金融科技公司中最高，加班是常态，特别是在产品发布期间。Monzo 和 Wise 的工作生活平衡相对更好，通常是 9–6 工作制，偶尔需要加班。如果你优先考虑工作生活平衡，Monzo 或 Wise 可能更适合；如果你优先考虑快速成长和高薪资，Revolut 更有吸引力。
如何在金融科技 DS 面试中展示 MLOps 经验？+
MLOps 在 Revolut 的 DS 面试中越来越重要。可以通过以下方式展示：在简历项目中提及模型部署（如使用 Flask/FastAPI 构建 API）、模型监控（如 Evidently AI 或自定义监控脚本）、特征存储（Feature Store）和 CI/CD Pipeline。如果没有实际 MLOps 经验，可以在面试中展示你对 MLOps 最佳实践的理解，并说明你如何快速学习。
Free Resource
免费领取【Data Science 求职全套资料包】
包含 CV 模板、面试题库、Networking 模板信及完整的求职 Timeline。已有 1,200+ 学员领取。
