最近剛結束了 Uber Data Scientist 的面試，整體感覺節奏很緊湊，既考察技術細節，又很看重商業理解和 stakeholder 溝通能力。 和很多傳統 tech company 不一樣，Uber 的數據科學崗位更偏 business impact 驅動，很多 case 都緊扣產品場景，要求你在有限時間里快速提出可落地的分析思路。 這裡整理一下我的面試流程和遇到的題目，希望能幫到大家。
Uber Data Scientist 面試流程概覽
VO（Virtual Onsite 前的幾輪視頻面試）：
- Round 1：Hiring Manager
簡歷 + Project 深挖 + 一個 product case - Round 2：Stakeholder Management
先來一問一答的 BQ，然後進入 product case - Round 3：Analytics & Experimentation
偏統計 + 實驗設計，結合 delivery 場景做討論
Onsite（正式現場環節，共 5 輪）：
- Coding（Python/SQL）
- Bar Raiser（DS Director）
- Experimentation（Marketplace Case）
- Cross-functional（和 PM 对话）
- HM（簡歷 + 過往經歷）
詳細真題回顧
VO 階段
Round 1：Hiring Manager
這輪主要是聊簡歷和過往專案。 我原本以為就是常規介紹，結果面試官追問得特別細，比如 “你們這個模型最後帶來了多少真實 business impact？”。 一開始我有點卡殼，數字記不清楚。 幸好 Programhelp 之前就幫我梳理過常見追問，把 impact 指標和我項目挂鉤的那一段提前準備好了，臨場直接順下來了，不然這輪很容易掉分。
Product case 也不算難，就是看你能不能結合數據提出優化思路。 Programhelp 提醒過：Uber 特別看重“快速成型的框架”，所以我按照 Hypothesis → Metric → Experiment 的結構去講，思路很清晰，面試官還點頭了。
Round 2：Stakeholder Management
這一輪開始有點 tricky。 面試官先問了個合作類的 BQ，類似 “如果一個跨部門的同事不同意你的分析方案，你會怎麼做？”。 這種題其實就是看溝通能力，我答得比較籠統，幸好 Programhelp 語音提醒過我，要提到 “先理解對方動機，再用數據佐證”，臨場加了這句，效果立刻不一樣。
然後是 Product Case：Uber Eats 的優惠活動怎麼比較效果，怎麼排優先順序。 這裡我一開始陷入細節，想了很久該先比用戶轉化率還是 GMV。 時間被拖得有點久。 Programhelp 及時提醒我別死磕，先拋出一個整體框架（用戶增長 vs 盈利能力），再逐步細化指標。 這樣一講，思路就順了。 面試官明顯更關注我怎麼 prioritization，而不是具體算數。
Round 3：Analytics + Experimentation
這輪真的挺有挑戰性。 背景是 「Leave at door」 雖然 60% 使用者用，但丟件率高 5 倍，退款很貴。 面試官問我怎麼分析原因、怎麼設計實驗。
我一開始本能反應就是「跑回歸模型」，但講到一半意識到自己說得太技術化，沒落到業務層面。 Programhelp 在後台提醒我：要從 user journey 出發，比如「可能是樓層太高/位址模糊/司機沒確認就走了」。。 我立刻調整了方向，從使用者行為、司機操作、系統流程三方面去拆原因，邏輯就立起來了。
至於實驗設計，我原來只想到做 A/B test，Programhelp 提醒我可以加上 分群實驗，比如高風險區域 vs 低風險區域，直接讓我的回答更貼合 Uber 場景。
Onsite 階段
1️⃣ Coding
Coding 其實是我最擔心的環節。 面試官直接說：不用 Pandas，手寫兩個 dataframe merge。 說實話，這種 low-level coding 我平時練得不多，一度差點卡死。 Programhelp 遠端語音提醒我用 dict/hashmap 來存 index，再遍歷 merge，效率就上來了，最後寫完還算完整。 SQL 那道題也是，他們提醒我先寫最 basic 的 join，再逐步加 aggregation，避免一上來就寫複雜 query 出錯。
2️⃣ Bar Raiser
Director 上來就拋了個大 case：Uber One 項目怎麼 launch、怎麼分析 success。 難點是要站在很高的戰略層面，而不是鑽進數據里。 我差點就掉進「算 GMV、算留存率」的細節坑裡。 Programhelp 之前給我演練過這種高層 case，提醒我回答要分三層：用戶價值、商家價值、Uber 平台價值。 我臨場把三點一鋪開，瞬間有“executive presence”，這輪才穩住。
3️⃣ Experimentation（Marketplace Case）
主題是：Uber Marketplace 怎么选商家 onboard？ 要建模預測哪個商家能帶來最大價值。 問題是，我一開始用電商邏輯去想，結果講得很生硬。 Programhelp 在後台點醒我：Uber 是 two-sided marketplace，要考慮 supply-demand balance，不是單純拉商家。 於是我立刻改口，從供給端、需求端、匹配效率三方面去解釋怎麼建模，面試官明顯更買帳。
4️⃣ Cross-functional（XFN with PM）
這輪氣氛最輕鬆，就是和 PM 聊產品。 我講項目的時候太 technical，差點讓氣氛冷掉。 Programhelp 提醒我要換成 layman language，用故事化的表達，比如“商家 onboarding 就像開新餐館，要算周邊人流和口味”。 一換表達方式，PM 立刻能跟上了，溝通就順了。
5️⃣ Hiring Manager
HM 問的是職業動機和過往最有影響的專案。 我原本準備的答案太 academic，Programhelp 提醒我突出 impact：“我的分析幫公司節省了幾百萬的退款開銷”。 這樣說出來就更打動人。
總結
整體下來，Uber DS 面試給我的感受是：
VO 階段更像“篩選”：看你是否具備基本分析能力和 stakeholder management 的思路。
Onsite 更考察深度：從 coding 到 marketplace case，再到和 PM 溝通，基本覆蓋了一個 DS 全方位能力。
如果你準備 Uber 面試，建議：
Coding：別只靠 Pandas，要能手寫基本操作。
Experimentation：理解 marketplace 模型，不能只套用電商/網頁優化的邏輯。
Stakeholder BQ：練習清晰表達，尤其是衝突解決、優先順序管理場景。
輕鬆拿到大廠 offer 的秘訣
如果你也在準備 Uber 或類似 top tech 的 Data Scientist 面試，別再一個人硬撐啦。 很多同學卡在 case 分析或 coding 環節，不是不會，而是思路不夠快。Programhelp 可以給你提供：
OA/VO 無痕遠端助攻
實時語音提醒 + Debug 指導
高品質 case 演練
幫你減少踩坑，提升通過率。
