刚做完 Wayfair Data Scientist 的 OA，出乎意料地“友好”！
整场 105 分钟，三道题：SQL + Pandas + Case Study，节奏比较从容，难度中等偏下。
下面直接说细节：
第一题：SQL
Question:
Table: weather
Write a query to find the average temperature per city, and categorize the temperature level as cold, moderate, or hot using CASE WHEN.
这题属于非常典型的 SQL 面试题，重点是 AVG() + CASE WHEN 的结合使用。
常见陷阱在于：
- 忘了
GROUP BY city； CASE里写多条件时语法不规范；- 输出顺序没注意（有时要求
ORDER BY avg_temp DESC）。
整体难度偏基础，练过 LeetCode SQL 的人完全可以拿满分。
第二题：Pandas
Question:
You are given a dataframe with several missing values in the column sales_amount. Fill the missing values with the median of each region instead of the global mean.
这题有点小细节，很多人习惯性用 mean()，但题目强调要用 median，还要按分组填充。
思路其实很直接：
df['sales_amount'] = df['sales_amount'].fillna(
df.groupby('region')['sales_amount'].transform('median')
)
考点主要是 groupby + transform 的组合，还有 inplace 修改。
难度不大，但卡在 median 的人会被扣分。
第三题：Case Study
Case Topic:
Customer complaints data — reasons include Late Delivery, Product Damaged, and Customer Unsatisfied, with corresponding resolutions like Refund, Replacement, Apology.
Questions:
- Provide 3 insights from the data.
- Give 3 recommendations based on your insights.
- Choose the prioritized recommendation, explain how to measure its success, and what risks it might involve.
这一题是整场里最能体现思维深度的。
常见思路：
- Insight：哪种投诉最多、哪些 resolution 成功率最高、是否存在地区或产品差异。
- Recommendation：改善物流流程减少延迟、优化包装降低损坏、客服培训提升满意度。
- Prioritization：优先解决 “Late Delivery” 问题，用 on-time delivery rate 作为衡量指标。
- Risk：成本上升、库存周转效率下降。
总体思路是把 data → insight → recommendation → measurement → risk 链路讲顺即可，不需要复杂建模。
总结
Wayfair DS OA 整体偏“业务实战型”，题目设置比其他公司温和得多：
- SQL、Pandas 都是常规考点；
- Case 题主要看逻辑和表达。
对准备 DS 岗的同学来说，只要平时练过 SQL/Pandas + basic case framing，这场 OA 真的算稳稳能拿高分的类型。
最后想说
这次带学员做 Wayfair OA 的时候，我们也是全程 远程语音助攻 + 实时思路提醒，从 SQL 到 Pandas 都帮他稳住节奏。
Case 题环节尤其关键，Programhelp 的老师会在后台语音提示你思路结构，比如 “先讲insight，再补recommendation”，保证回答条理清晰、不卡壳。
如果你接下来也要考 Wayfair / Meta / Capital One / Instacart / Snowflake DS 岗，可以提前找我们做一轮无痕模拟，
——不论是 OA 联机代写，还是 VO 面试助攻，都能帮你 少踩坑、快上岸。
