最近，我带的一位学员成功走完了 Intuit Data Scientist岗位的面试流程。整体体验下来，最大的感受是：Intuit的面试极度侧重实战能力，且贯穿强烈的产品导向思维，不是单纯考察理论知识，更看重候选人解决实际业务问题的能力。下面就为大家详细拆解面试全流程、核心考点及应对思路，供各位备考同学参考。
面试流程
整个流程持续了接近 6 周，节奏不算快，但每一轮都有明确筛选目的。
- Recruiter 电话初筛
- Take-home 作业
- Technical Screen（Karat 平台）
- Virtual Onsite（5 轮）
SQL
涉及了窗口函数、CTE、TurboTax/QuickBooks 用户 cohort 分析。
Question 1
计算报税用户的月度留存率给定一个包含 user_id、file_date、product（TurboTax 或 QuickBooks）的用户报税表。计算 1 月份用户在后续每个月是否再次报税的比例。
解题思路
先定义 cohort 月，把 1 月份首次报税的用户作为 cohort；然后生成从 1 月开始的连续月份序列，用来保证每个月都有观测点；接着将 cohort 用户与他们后续的报税行为按用户和月份做左连接，判断用户在每个月是否有报税记录；最后对每个月的活跃标记取平均值，从而得到 1 月 cohort 在后续各个月份的留存率。
Question 2
Session 化问题表结构：user_id, timestamp, page_view定义：30 分钟内的连续行为算一个 session计算每个用户的 session 数。
解题思路
先按用户和时间排序每条行为记录，对 timestamp 使用 LAG 计算与上一条行为的时间差，当时间差大于 30 分钟时标记为一个新的 session；然后在用户维度上对这个新 session 的标记做累积求和，为每条行为分配一个 session_id，最后按用户统计不同 session_id 的数量，就可以得到每个用户的 session 数。
Question 3
按客户的收入累积和交易表：customer_id, date, amount展示每个客户随时间变化的累计收入。
解题思路
这类问题不需要做额外的分组或自连接，只要在客户维度上把时间排好序即可。做法是按 customer_id 分区、按交易日期排序，然后使用窗口函数对当前行之前的所有交易金额做累加。窗口从第一笔交易开始（unbounded preceding），一直累加到当前行，这样每一行就表示该客户在该时间点为止的累计收入。
参考 SQL
SELECT
customer_id,
date,
amount,
SUM(amount) OVER (
PARTITION BY customer_id
ORDER BY date
ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW
) AS cumulative_revenue
FROM transactions
ORDER BY customer_id, date;
Python
重点考察 Pandas，而不是 LeetCode 风格算法。
核心代码：
合并多个来源的用户数据（ID 不一致）：使用 pd.merge(how=outer)，处理缺失值
时间序列重采样：设置 datetime index, resample(D).mean()
GroupBy + 自定义聚合：每月消费最高的前 N 位用户
向量化特征工程：连续变量分箱
统计 & 实验设计问题
Intuit 非常重视 A/B 测试，因为他们一直在 TurboTax 中运行相当多的统计实验。
Question 1：设计一个新的结账功能 A/B 测试，定义成功指标，样本量，如何防止提前窥视结果
参考回答：
先明确成功指标，主指标通常选择结账转化率，并在实验开始前就锁定这一主指标，避免在实验过程中反复尝试不同指标带来的多重检验问题。样本量会基于历史转化率和期望检测的最小效果大小来估算，确保实验有足够的统计功效。为了防止提前窥视结果，提前设定好实验周期和停止规则，只在达到预设样本量或周期结束后再统一分析结果，必要时采用顺序检验或相应的校正方法来控制整体的错误率。
Question 2：如何解读 p 值和置信区间如果 p = 0.06，你如何结论？
参考回答
如果 p = 0.06，在常用的 0.05 显著性水平下结果并不具有统计显著性，因此不能拒绝原假设。但我不会只基于这一点就简单下结论，而是会结合置信区间来看效果的方向和幅度是否具有业务意义，同时评估实验的统计功效是否足够。如果置信区间仍然覆盖了具有实际价值的效果范围，且实验的 power 偏低，那么更可能是样本量不足导致未达到显著性；反之，如果效果本身很小，即使增加样本也未必有业务价值。
追问
- 如何处理新鲜感效应
- 如何平衡季节性的影响
- SRM（样本比例不一致）怎么处理
- t-test 和 z-test 的区别
产品思维 & 案例分析问题
TurboTax 转化率下降 5%，如何诊断？
解题思路：
从整体漏斗入手，将 TurboTax 的报税流程拆分为关键步骤，定位转化率下降主要发生在哪一环节；再对用户进行分群分析，如新老用户、不同报税复杂度、设备或渠道来源，判断下降是否集中在特定人群或场景；在此基础上结合近期可能的 UI、流程或定价改动提出假设，最后通过设计实验或对照验证，确认哪些因素真正导致了转化率下滑。
行为面试
- 你推动过最大业务影响的项目
- 出现问题时你如何承担责任
- 如何从挫折中调整
- 如何在没有管理权的情况下影响他人
我建议大家一次性准备 5-7 个故事，覆盖多个主题，比如合作，韧性等。最好辅以录音练习，避免听起来背稿。
给正在准备 DS 面试的同学
如果你正在准备偏产品、偏业务决策的 Data Scientist 面试，难点往往不在刷题，而在于是否有人帮你把分析思路对齐到面试官的预期。我这边长期做一对一 实时面试辅助 ，一些合作过的同学也顺利推进到了 Intuit、Meta、Amazon 等相关岗位。如果你在这些环节反复受阻，欢迎联系交流，看看是否适合一起针对性准备。
