TikTok 的面試流程其實挺友好的，沒有那種純演算法刷題的壓力，更多是圍繞你做過的專案往深了問。我從 3 月投遞 TikTok DS Intern 到 5 月拿到 offer，整個過程用了兩個多月，兩輪 VO 都順利透過。這篇把整個面試過程和被問到的題目都整理出來，給後面備考 TikTok DS 實習的人一個參考。
tiktok data science intern 基本資訊
- 崗位：Summer 2026 Data Science Intern
- 時間線：3 月 14 日官網投遞 → 3 月 16 日郵件約面 → 3 月 21 日一面 → 4 月中旬二面
- 面試形式：全英文，影片面試
- 面試官：都是華人背景，工作 3-5 年的 DS 或 Analytics Engineer
一面：專案深挖 + SQL
自我介紹後開始問專案
面試官是華人小姐姐，主要圍繞我的兩段實習往深了問。
實習一：Dashboard + 文字分類
問我怎麼選 metrics，我說選了 DAU、Engagement Rate、Conversion Rate，對應業務的規模、粘性和收益三個維度。她追問為什麼選這三個，我解釋了每個對應什麼業務問題。
文字分類的部分，她問了怎麼確定準確度。我講了用 Precision / Recall / F1-Score，然後她繼續追問選 Precision 還是 Recall 取決於什麼。我說取決於業務成本——誤殺使用者成本高就看 Precision，漏掉違規內容成本高就看 Recall。她點了點頭。
實習二：ETL + 資料處理
重點問了最技術的工作是什麼。我講了處理資料去重和傾斜的問題。
原始資料裡一個使用者一天可能有多條日誌，直接 count distinct 很慢。我的方案是先按 user_id 分組取第一條，然後用 Spark broadcast 最佳化小表 join。
她問如果資料更大了怎麼辦，我說可以用 HyperLogLog 近似計數。問分割槽表粒度怎麼決定，我說按日期分割槽因為大多數查詢都是日期範圍。
SQL 題
計算 DAU 和平均線上時長。我先用 CTE 分別算兩個 metric，再 join 起來。
她問如果一個使用者一天登入多次，duration 怎麼算。我說如果要算真實線上時長需要合併重疊時間段，但如果只是簡單平均現在的寫法就行。她說”可以，思路清楚”。
面試官說後面還有 Python 部分但時間不夠了。一面結束。
二面：業務分析 + Case
簡歷提問
問怎麼做資料預處理，我說處理缺失值、異常值、資料規範化這些。問 Bias-Variance Tradeoff 怎麼理解，我解釋了高 bias 是欠擬合、高 variance 是過擬合，要透過正則化、交叉驗證來平衡。
Hypothesis Case
考官問：假如你的產品要上線，怎麼研究它的效果？
我講了實驗設計框架——定義目標、制定假設、A/B test、衡量指標、風險控制、上線策略。比如這個文字分類模型，我會 A/B test 50% 流量用新模型，衡量稽覈速度、錯誤率、人工成本，跑 2 周。
她追問怎麼確定兩週足夠，我說看歷史資料樣本量和置信度需求。如果失敗了就 rollback 並分析原因。
SQL 去重題
輸出當天註冊並且當天釋出 post 的使用者總數，要注意一個使用者可能發多個 post。
sql
SELECT COUNT(DISTINCT user_id) AS user_count
FROM users u
JOIN posts p ON u.user_id = p.user_id
WHERE DATE(u.created_at) = DATE(p.created_at);她特意強調了”很多人會漏掉 DISTINCT”。
Business Case
基於上面的 metric（當天註冊併發帖的使用者），怎麼提升 creators 的 engagement？
我分析了這個 metric 反映的是新使用者初次啟用率，找問題——註冊後為什麼不發帖，發帖後為什麼沒互動。然後提方案——最佳化新手引導、改進推薦演算法、分析高活躍人群特徵做重點運營。衡量效果看註冊到首次發帖時間、後續留存率。
考官很滿意，說”你不僅看數字，還想到了業務問題和解決方案”。
TikTok DS interview 核心建議
簡歷要能講故事：每個專案都要準備”為什麼這樣做”和”最後怎麼樣了”
SQL 細節很重要：DISTINCT、去重、時間處理這些小東西會被問
Case 分析框架：從資料問題 → 業務問題 → 解決方案 → 衡量效果，要清晰系統
英文溝通：全英文面試，不用特別流利但要邏輯清楚
關於我的上岸經驗
一面順利透過後，我意識到二面會更考察業務分析和 case 能力，這是我相對薄弱的地方。當時有點焦慮，不知道怎麼系統地準備。後面找 ProgramHelp 團隊做了VO助攻。他們團隊都在國外頂尖公司有多年 DS 經驗，對大廠面試很瞭解。最重要的是他們已經幫助很多學員上岸，包括我身邊一些同學，口碑很好。
簡歷最佳化、行為題輔導、VO 助攻都有：ProgramHelp · 大廠面試輔導
