一、 职位辨析与面试流程概览
1. 数据类职位区别
Data Scientist, Analytics (DS-A)： 这是Meta最典型、招聘量最大的数据科学家职位。核心是通过数据驱动产品决策。工作包括定义指标、A/B实验、因果推断、深度分析等。这是New Grad最常见的目标。
Data Scientist, Research (DS-R)： 更偏向算法和机器学习模型的研究与开发，服务于排名、推荐、广告等系统。对ML理论要求更深。
Data Engineer (DE)： 负责构建和维护数据管道和数据仓库，确保数据可访问、可靠。考察更多分布式系统和数据架构知识。
Research Scientist (RS)： 通常是PhD目标，专注于前沿算法研究（如CV, NLP），发表论文。面试极其看重研究背景和发表记录。
本面经主要针对最常见的 Data Scientist, Analytics (DS-A) 职位。
2. 面试流程
对于New Grad，流程通常如下：
Recruiter Call / HR Screen： 初步简历筛选和流程介绍。
Technical Phone Screen： 1-2轮，每轮45-60分钟。
通常包括： SQL编程 + 产品Sense/实验设计 + 概率统计。
Onsite Interviews (Virtual Onsite)： 通过电面后，通常是 4-5轮。
SQL & 数据操作轮 (1轮)
实验设计 & 产品Sense轮 (1-2轮)
概率与统计轮 (1轮)
行为面试轮 (1轮)
二、 各轮面试详细解析与高频问题
1. SQL 与 数据操作
考察重点： 熟练编写复杂SQL查询的能力、查询效率、处理边缘情况的严谨性。
必备知识：
核心语句： SELECT, FROM, WHERE, GROUP BY, HAVING, ORDER BY, LIMIT.
关键操作：
JOIN： 各种JOIN的区别和应用场景，特别是LEFT JOIN。
窗口函数： ROW_NUMBER(), RANK(), DENSE_RANK(), SUM/AVG() OVER (PARTITION BY ... ORDER BY ...)。这是必考重点。
子查询和CTE： 使用CTE来使查询更清晰。
数据清洗： COALESCE, CASE WHEN, UNION ALL, 日期处理函数。
函数： 聚合函数（COUNT, SUM, AVG），字符串函数，日期函数。
高频问题类型：
“找出每个用户首次登录的日期。”
“计算连续N天登录的用户数。”
“计算每个产品的月销售增长率/环比。”
“找出在表格中拥有第二高薪水的员工。”
“给定一个‘事件’表和一个‘用户’表，分析某个功能的用户参与度。”
准备建议：
刷题平台： LeetCode 上的数据库标签题（至少刷完所有Medium高频题）、StrataScratch（非常贴近真实面试题）、HackerRank。
注意： 不仅要写对，还要能解释你的逻辑，讨论如果数据量很大如何优化。
2. 实验设计与产品Sense
这是Meta数据岗面试的灵魂，也是最难的部分。
A. 实验设计
高频问题场景：
“我们想在Instagram上测试一个新的‘收藏’按钮设计，如何评估它的影响？”
“如果Facebook想推出一个类似于Clubhouse的语音聊天室功能，如何设计实验？”
“我们怀疑‘故事’功能的某个改动导致了用户发布量的下降，如何验证？”
回答框架（必须烂熟于心）：
明确目标与指标：
核心指标： 要优化什么？（e.g., 点击率、用户参与时长、发布量）。
护栏指标： 要监控什么以防产生负面影响？（e.g., 用户流失率、负面反馈、服务器负载）。
实验单元与随机化： 实验单元是什么？（通常是用户ID）。如何随机分流？（确保对照组和实验组同质）。
确定样本量与实验时长： 需要多少用户？实验要跑多久？（考虑统计功效和周期性，如周末效应）。
分析结果：
如何判断结果是否显著？（假设检验，p-value，置信区间）。
如果结果不显著，可能的原因是什么？（样本量不足、实验时长不够、指标不敏感）。
如果核心指标显著提升但护栏指标显著变差，该怎么办？
高级问题：
网络效应： 如果实验组用户的改动可能影响对照组用户（如News Feed排名），如何设计实验？（可能使用集群随机化）。
辛普森悖论： 如何理解和处理。
B. 产品Sense / 指标定义
高频问题场景：
“如何衡量Facebook Groups的成功？”
“你发现某个核心指标在过去一周下降了10%，你会如何分析？”
“如果要为Instagram Shop设计一个仪表盘，你会关注哪三个关键指标？”
“为什么Meta的广告收入在Q4通常最高？”
回答框架：
澄清问题： 确保你完全理解产品、功能和上下文。
定义目标： 这个产品/功能的核心价值是什么？（e.g., 连接用户？增加娱乐性？促进商业？）。
提出指标：
顶层指标： DAU/MAU，留存率，用户参与时长。
深度参与指标： 对于Groups，可能是人均加组数、发帖数、评论互动数。
健康度指标： 负面反馈率、用户流失率。
结构化分析： 对于指标下降问题，使用维度分解。
用户分层： 是新用户还是老用户下降？是某个地区还是所有地区？
产品功能： 是某个特定功能的使用量下降导致的吗？
外部因素： 是否有季节性、竞争对手活动或重大新闻事件？
3. 概率与统计
考察重点： 基础的统计知识、概率思维和问题解决能力。
高频问题：
基础概率题：
“掷两个骰子，点数之和为7的概率是多少？”
“一个班有60%的人喜欢蓝色，40%喜欢绿色。随机抽一个喜欢蓝色的人，他是男性的概率是30%。随机抽一个喜欢绿色的人，他是男性的概率是90%。现在随机抽一个男性，他喜欢蓝色的概率是多少？”（贝叶斯定理）
统计概念：
p-value的含义是什么？
中心极限定理是什么？为什么它重要？
第一类错误和第二类错误是什么？
置信区间是如何构建和解释的？
应用题：
“用A/B测试比较两个版本的转化率，实验组转化率是4%，对照组是3.5%，p-value是0.1，你得出什么结论？”
“如何检测一个指标的异常波动？”
4. 行为面试
Meta非常看重其核心价值观，如“Move Fast", "Be Bold", "Focus on Impact"。
高频问题：
"Tell me about a time you used data to influence a product decision."
"Describe a project you are most proud of and your contribution."
"Tell me about a time you had a disagreement with a teammate or cross-functional partner. How did you resolve it?"
"Describe a time you had to learn a new technical skill quickly to complete a project."
"What would you do if you found a problem with the data 2 hours before a key product launch?"
准备建议：
使用 STAR 法则。
准备的故事要突出你的数据技能（如何定义问题、获取数据、分析、得出结论、驱动影响）和软技能（沟通、合作、主动性）。
三、 必备技能与准备策略总结
技术硬技能：
SQL： 绝对的重中之重，窗口函数必须精通。
统计学： 扎实掌握假设检验、置信区间、A/B测试原理、贝叶斯定理。
Python/R： 虽然不是每轮都考，但熟悉Pandas进行数据分析是巨大加分项。
基础ML： 了解常见的机器学习模型（逻辑回归、决策树）及其在业务中的应用（如推荐、风控）是加分项。
业务与产品思维：
深度使用Meta产品： 经常使用Facebook, Instagram, WhatsApp, Quest等，并思考它们的数据和指标。
关注行业动态： 阅读Meta的财报、Tech Blog，了解其业务重点和挑战。
准备材料推荐：
SQL： LeetCode, StrataScratch。
实验与产品：
必读网站： Meta的A/B测试官方博客
经典书籍： 《Trustworthy Online Controlled Experiments》。
练习： 一亩三分地、Glassdoor上的面经，自己模拟回答。
概率统计： 《A Practical Guide to Quantitative Finance Interviews》、《Cracking the PM Interview》中的概率部分。
行为面试： 准备5-7个能体现你各方面能力的故事。
