Uber 数据科学家面经:SQL、统计与产品案例全复盘——从简历筛选到 onsite 每一轮怎么准备

先给结论:Uber 数据科学家面试真正考的不是机器学习模型有多深,而是四项能力的组合——SQL 是否够硬、统计与实验设计是否够严谨、产品案例里有没有双边市场的直觉、能不能把分析讲给非技术同事听明白。四项里任何一项明显短板,都可能在某一轮直接出局。Uber 的数据科学家岗位以产品分析为中心,和机器学习工程师、应用科学家(Applied Scientist)的分工不同:前者用 SQL、实验和因果推断驱动产品决策,后者才负责更前沿的模型开发。搞清这个定位,准备方向就不会跑偏。本文按真实面经整理归纳流程与题型,覆盖简历筛选、电话轮、take-home、onsite 每一轮的考法、准备方法与常见挂点,薪水按多口径并列并标注查询日期,不确定的地方直接写明。

需要先说明两点。第一,本文描述的流程来自候选人报告的归纳,不同团队、不同级别、不同年份的轮次可能不同,个别团队会加一轮机器学习或改成 take-home,个别团队则没有 take-home;请以招聘人员(recruiter)发给你的轮次表为准。第二,文中出现的具体题目写法均为面经整理中出现的题型举例,用来说明考查方式,不代表你面试时一定会遇到同一道题。

Uber 数据科学家是做什么的:先搞清岗位定位

Uber 是总部位于旧金山的出行与外卖平台,业务分为出行(Mobility)、外卖(Uber Eats)、货运(Freight)等板块,数据科学团队分布在增长、市场供需、定价与激励、司机与乘客体验、产品分析、安全与保险、营销科学等方向。2026 年 11 月 4 日公布的三季报显示,公司当季营收 147.7 亿美元,略高于市场预期,股价当日收涨约 4.9%,业务仍在扩张,数据科学岗位的招聘需求也随之存在。不同团队的日常工作差别很大:做定价与激励的团队天天和 surge pricing、优惠券实验打交道;做增长的团队关心新用户获取与留存;做安全与保险的团队处理事故报告与理赔数据。投递之前先看清团队描述,面试时的案例准备才能对上号。

从公开招聘信息看,Uber 对数据科学家岗位的基本要求大致是三条:统计、数学、经济、计算机或相关专业的本科学历(或同等实践经验);3 年以上 A/B 测试、探索性数据分析与统计分析经验;熟练使用 SQL 与 Python 或 R。加分项包括实验设计与因果推断经验、向非技术利益相关方清晰传达结论的能力、发现业务机会的商业直觉,以及处理海量数据的经验,常用工具包括 Hive、Presto 与 Spark。注意这个要求里的 3 年经验是针对有经验的岗位写的,初级岗位(Data Scientist I)的要求会低一些,levels.fyi 的数据显示该级别从业者通常只有 1 到 2 年经验。

和很多公司不同,Uber 的数据科学家更像一个技术很强的高级产品分析师,而不是模型工程师。一位前 Uber 应用科学家在 Blind 上的描述被多篇面经整理引用:这个岗位本质上是产品分析角色。日常工作围绕 SQL 分析、实验设计与因果推断展开,深度学习与复杂建模更多由应用科学家与机器学习工程师负责。这意味着面试权重也向这三项倾斜:SQL 是基本功,实验设计是分水岭,产品 sense 是拉开差距的地方。机器学习只在部分团队出现,而且通常只考到概念与建模思路层面,不会要求你现场推导复杂算法。

理解双边市场是这个岗位的灵魂。Uber 一边是乘客,一边是司机,任何一个改动都会同时影响供需两端。降价可能提升乘客转化,却可能让司机收入下降、供给减少;提高 surge 倍数可能增加司机上线,却可能吓跑乘客。面试官最看重你是否能同时看到两端,并且能把这种权衡量化成指标。准备时凡是遇到产品问题,先问自己:这一改动对乘客有什么影响,对司机有什么影响,对平台整体有什么影响,三者之间有没有冲突。

整体流程与时间线:2 到 6 周,4 到 6 轮 onsite

根据 igotanoffer 在 2026 年 9 月 8 日更新的整理,Uber 数据科学家完整流程通常需要 2 到 6 周,从投递到拿到 offer,时间长短主要取决于团队与排期。Glassdoor 上 138 位数据科学家候选人提交的经历显示,平均耗时 32 天,比 Uber 全公司所有岗位的平均 25 天要长。流程大致分为七步:简历筛选、招聘人员电话沟通、技术电话轮、偶尔出现的 take-home 作业、onsite(4 到 6 轮)、内部评议(debrief)、薪水谈判。

和软件工程师岗位不同,数据科学家岗位通常没有在线笔试(OA)环节,流程会直接从招聘人员电话进入技术面试。不过这条规律也有例外:GeeksforGeeks 上的一篇数据科学家面经记录了 2 小时的在线编码测评,内容包括数据处理、统计分析与算法思维;另一篇印度班加罗尔地区的候选人经历也提到有 17 道题、60 分钟的测试,其中 2 道 SQL 中等难度题、15 道能力倾向题。不同地区、不同团队的安排确实存在差异,收到面试邀请后先向招聘人员确认有没有 OA 或 take-home,是最稳妥的做法。

各轮次的时长与形式如下表所列,细节见后文各节:招聘人员电话 30 到 45 分钟;技术电话轮 45 到 60 分钟;take-home 如有则给一周时间完成;onsite 每轮 45 到 60 分钟,共 4 到 6 轮,可以线上进行,也可以在 Uber 办公室现场进行。onsite 通常包括 2 轮 SQL 与编程、1 轮产品案例、1 轮统计与 A/B 测试、0 到 1 轮机器学习(取决于岗位)、1 轮行为面试。全部轮次结束后,招聘人员与所有面试官开评议会,共同决定是否发放 offer,同时确定级别。

Glassdoor 的评分可以帮你校准难度预期。截至 2026 年 11 月查询时,Uber 数据科学家面试难度评分为 3.1 分(满分 5 分),41% 的候选人评价体验为正面,低于 Uber 全公司 51.9% 的正面率,难度略高于全公司平均的 3.0 分。这个数字的含义是:面试不算最难的那一档,但体验偏严苛,准备不足很容易在某一轮被卡住。正面率偏低的一个常见原因是流程偏长、反馈偏慢,以及产品案例轮的主观性较强,候选人常常不知道自己错在哪里。

简历筛选:先过机器与招聘人员两关

简历是竞争最激烈的一关。Uber 的数据科学家岗位申请量很大,招聘人员每天要看大量简历,第一轮筛选往往只有几十秒。面经整理的建议是:简历要突出与岗位描述的匹配度,而不是把所有经历都堆上去。招聘信息里反复出现的关键词是 A/B 测试、探索性数据分析、统计分析、SQL、Python、实验设计、因果推断,如果你的经历里确实有这些内容,要让它们出现在简历前半部分显眼的位置。

量化成果比罗列职责更有说服力。不要只写负责了某个分析项目,要写清楚分析带来了什么结果:比如通过实验优化将某个指标提升了多少,或者通过分析发现了什么问题并推动了什么决策。数字要真实可查,面试官很可能在行为轮里挑其中一两项深挖,问你当时的假设、方法与结论,编造的数字在追问下很容易露馅。如果是应届生或转行者,没有直接相关的工作经验,可以用课程项目、竞赛或实习项目代替,但同样要讲清问题、方法与结果。

内推仍然是有效的渠道。多篇面经提到候选人通过内推或招聘人员直接联系进入流程,等待时间明显短于海投。没有内推渠道时,直接在 Uber 官网投递并保持简历与岗位描述的关键词匹配,是最常规的路径。投递后如果两周没有回音,可以礼貌地发邮件给招聘人员询问进度,但不要反复催促。需要注意的是,Uber 同一时期可能有多个数据科学团队在招人,岗位标题相似但团队与方向不同,投递前务必读清团队描述,避免把增长团队的简历投到安全团队。

简历里常见的减分项有三类。第一类是技术栈与岗位脱节,比如只写了机器学习建模、完全没有 SQL 与实验相关经历,而岗位核心恰恰是这两项。第二类是经历描述过于笼统,全是负责、参与、协助,没有具体分析方法与业务结果。第三类是格式问题,包括超过两页、排版混乱、中英文混用不规范。数据科学家的简历通常一页到两页足够,重点是让招聘人员在 30 秒内看到:你会 SQL、你做过实验、你的分析产生过业务影响。

招聘人员电话:30 到 45 分钟,别轻视这一轮

通过简历筛选后,第一轮是招聘人员的电话沟通,通常 30 到 45 分钟。这一轮的目的不是考技术,而是确认你对岗位的基本匹配度:背景是否符合要求、对 Uber 与团队是否有基本了解、薪水期望与工作地点是否在合理范围。常见问题包括自我介绍、为什么选择 Uber、为什么选择这个团队、职业规划,以及简历上某段经历的简要说明。

这一轮最容易被忽视,也最容易翻车。一种典型失误是答不出为什么是 Uber,只能说出大公司、平台大之类的空话。面试官期待听到你对业务的具体理解,比如你关注过 Uber 在某个城市的供需问题,或者对 Uber Eats 的某个功能有过思考,哪怕只是作为用户的观察。另一种失误是对自己的简历不熟悉,被问到某段经历的细节时支支吾吾。电话轮没有白板、没有提示,完全靠口头表达,提前把每段经历浓缩成一分钟版本,是最基本的准备。

招聘人员电话也是你收集信息的最好机会。Uber 的一位前工程经理出身的面试教练在面经整理中建议,主动向招聘人员问清每一轮的考查重点与形式,因为流程是为避免候选人措手不及而设计的,招聘人员通常愿意透露轮次安排。你可以问的问题包括:onsite 一共几轮、每轮的主题是什么、有没有 take-home、目标级别是什么、团队最近在解决什么问题。问得越具体,准备就越有针对性。薪水期望如果被问到,不要过早报出具体数字,可以说希望先了解岗位级别与完整 package,再结合市场数据讨论,细节见本文薪水一节。

技术电话轮:SQL 与统计各占一半,45 到 60 分钟

技术电话轮是真正的第一道技术关卡,通常 45 到 60 分钟,由一位数据科学家主导,在 CoderPad 或 CodeSignal 等在线平台上进行。根据 igotanoffer 的整理,这一轮一般分为两部分:约 30 分钟的 SQL 与 Python 编程题,约 15 分钟的 A/B 测试与统计概念题。也有候选人报告说,这一轮以 Uber 相关的开放式案例为主,面试官给出一个业务场景,要求现场分析。两种形式都存在,准备时要兼顾。

SQL 部分的难度以中等为主,重点考查窗口函数。根据 Glassdoor 候选人的反馈,这一轮的 SQL 非常侧重窗口函数,常用函数包括 PARTITION BY、LAG、LEAD,以及时间差计算函数 TIMESTAMPDIFF。面经整理中出现的题型举例包括:给定司机表与行程表,写查询返回平均车费严格大于 10 美元的司机姓名,排除已取消行程与空值车费,结果按平均车费降序、姓名升序排列,且没有完成行程的司机不出现;用窗口函数找出每个城市完成行程数前三名的司机;计算某一天司机留存率;计算过去一个季度各城市司机利用率,即司机在行程中活跃的时间占可接单时间的比例。这些题目的共同点是:表结构贴近 Uber 的真实业务,边界条件很多,考察的是你是否想清楚了分母、去重与空值处理,而不是语法本身。

统计部分的常见题型包括:解释 p 值与统计显著性,并且要能讲给非技术背景的产品经理听;设计一个 A/B 测试并说明如何确定样本量;如何处理实验中的网络效应,即一个用户的行为影响另一个用户的实验结果,这在 Uber 的双边市场里非常常见;如何分析 surge pricing 数据或优化司机激励。准备这一轮时,不要只背定义,要准备用自己的话讲清每个概念,并能立刻举一个 Uber 场景的例子。比如讲 p 值时,可以说它衡量的是在没有真实效果的前提下,观察到当前或更极端结果的概率,而不是效果本身存在的概率,这种讲法比背公式更容易让面试官满意。

这一轮的通过关键是速度与表达。45 到 60 分钟要完成编程与统计两部分,时间并不宽裕。写 SQL 时先说清思路再动手,写完后主动检查边界条件,比如空值、重复行、时区问题,再解释结果的业务含义。遇到不会的题目不要沉默,先说出自己的理解与假设,讲清如果信息完整会怎么做,面试官更看重你的思考过程,而不是一个完美答案。技术电话轮通常只有一位面试官,没有商量余地,表达混乱是最大的扣分项。

Take-home 作业:不是每人都有,有则给一周时间

部分候选人会收到一份 take-home 作业,通常在发出后一周内提交。根据多篇面经整理的归纳,这份作业一般分为三个部分:SQL 与数据分析、统计学基础、机器学习建模。第一部分会给一个真实的 Uber 业务问题与数据库结构,要求写 SQL 解决一系列分析问题;第二部分是一组关于指标评估与统计实验的简答题;第三部分是给一个数据集,要求建立预测模型并回答一个产品或业务问题。Educative 的整理还提到,个别团队的电话轮里会出现类似的案例,比如给出一整个月纽约市的行程数据,要求说明如何选择衡量成功的特征。

需要强调的是,take-home 并不是每个候选人都会遇到。igotanoffer 的整理明确标注它是偶尔出现(occasionally),是否出现取决于团队。有些团队用它代替技术电话轮里的编程部分,有些团队完全不用。如果收到 take-home,要把它当作一次展示分析深度的机会:不只是给出正确答案,还要写清假设、方法选择与结论的局限性。提交物通常包括代码、分析文档与结论,排版与可读性也是评分的一部分。

做 take-home 时最常见的错误是只给结论不给过程,或者过程写得像教科书习题,与业务脱节。正确的做法是:先用一两段话讲清业务问题是什么,再说明数据结构与假设,然后展示 SQL 或模型结果,最后给出建议与风险提示。比如分析司机留存问题时,不要只报告留存率数字,要分城市、分时段、分司机类型拆解,指出哪个群体在流失、可能的原因是什么、建议先验证哪一个假设。时间管理也很重要:一周时间看似充裕,但三个部分加起来工作量不小,建议第一天读题与搭框架,中间几天分段完成,最后留一天检查与润色。

Onsite 第一关:SQL 轮,两轮连考,难度递进

进入 onsite 意味着你已经通过了前面的筛选,剩下的 4 到 6 轮每轮 45 到 60 分钟,通常集中在一到两天内完成,可以线上进行,也可以在办公室现场进行。SQL 轮一般有两轮,是 onsite 里占比最高的部分,难度比技术电话轮更高。面试形式是现场写查询,面试官会给出表结构与业务问题,要求你在限定时间内写出正确且高效的 SQL,并解释结果。

第一轮 SQL 通常考查复杂查询的基本功:多表连接、子查询、CTE、窗口函数与复杂聚合。面经整理中出现的题型举例包括:计算各城市司机利用率;找出评分最高且完成行程超过 100 次的前 10 名司机;用自连接(self-join)分析同一司机的连续行程;用透视表(pivot table)汇总不同时段的订单分布。GeeksforGeeks 上的一篇面经还提到,技术轮里会同时考查 SQL 与 Python 的 pandas 操作,要求在两种工具之间切换。准备时要重点练习窗口函数与 CTE 的组合使用,因为这是 Uber 面试题里出现频率最高的两类技巧。

第二轮 SQL 更偏向分析思维,题目往往没有唯一标准答案。面试官可能给一个模糊的业务问题,比如某城市的司机供给突然下降,让你先定义指标、再写 SQL 验证假设。这类题目考察的不是语法,而是你能否把业务问题翻译成可计算的指标:先确认分析的粒度是城市、小时还是司机个体,再确认分母是什么、时间窗口怎么取、要不要排除异常值。InterviewQuery 的整理特别提醒,Uber 的面试官很在意表粒度(table grain)与连接正确性,写查询之前先讲清每一张表的粒度与连接键,是一个很好的习惯。

SQL 轮的高频失误有四种。第一种是窗口函数用错分区键或排序键,导致结果在逻辑上就不对。第二种是忘记处理空值与重复行,比如把已取消行程算进完成率的分母。第三种是查询能跑但效率很低,比如在超大表上反复扫描而不考虑过滤条件与分区。第四种是只给代码不讲业务含义,面试官问这个数字说明什么时答不上来。练习时建议用 DataLemur、InterviewQuery、StrataScratch 等平台上的 Uber 风格题目,每天至少手写两到三道,并且养成写完后口头复述一遍逻辑的习惯。

Onsite 第二关:产品案例轮,考的是双边市场的直觉

产品案例轮通常只有一轮,却是很多候选人栽跟头的地方。面试官会给一个模糊的业务场景,要求你在 45 到 60 分钟内完成从定义问题到给出建议的全过程。面经整理中出现的题型举例包括:某个城市的乘客取消率上周上升了 8%,你怎么调查;乘客转化率在一座城市上周下降了 3%,你怎么排查;如何定义一个健康的双边市场,乘客、司机与平台三方的指标如何权衡;如何评估 Uber Eats 在一个新城市上线是否成功;如何衡量新调度算法的效果;surge pricing 提升了转化却伤害了留存,你怎么办。这些题目都没有标准答案,面试官看的是你的结构化思维。

回答这类题目有一个通用的四步框架:定义指标、拆解诊断、提出假设、验证与建议。第一步是把模糊的问题变成可衡量的指标。比如取消率上升,先确认取消率的定义是取消订单数除以总订单数,还是除以已匹配订单数,分母不同结论可能完全不同。第二步是拆解:按城市、时段、车型、司机特征、应用版本切分数据,看问题集中在哪个群体。第三步是提出假设并排序:可能是供需失衡导致等待时间变长,也可能是新版本引入了缺陷,还可能是天气或大型活动的影响。第四步是说明如何验证每个假设,需要什么数据、做什么实验,以及在信息不完整时先采取什么缓解措施。

双边市场的权衡是这一轮的加分项,也是最容易被忽略的点。回答任何产品问题时,主动提到另一端的影响,会让面试官眼前一亮。比如讨论 surge pricing 时,不要只说它能提升司机供给,还要说它可能抑制乘客需求,以及平台需要在两者之间找到平衡点。再比如评估新功能时,要分别给出乘客侧、司机侧与平台侧的指标,并说明如果三者冲突,以哪个为准、用什么护栏指标(guardrail metrics)兜底。InterviewQuery 的整理特别提到,Uber 的面试官期待候选人仔细定义成功标准,并解释不同指标之间如何相互作用。

这一轮还有一种变体是机会评估(opportunity sizing):面试官让你估算某个改动的潜在影响,比如给某个城市的司机发激励,预计能多完成多少单。这类题目考察的是数量级感觉与假设能力,答案的精确度不重要,重要的是假设是否合理、计算过程是否透明。回答时先讲清假设,再一步步算下去,最后做敏感性分析:如果某个假设上下浮动 20%,结论会怎么变。切忌一上来就报一个数字,却说不清它是怎么来的。

Onsite 第三关:统计与 A/B 测试轮,实验设计是分水岭

统计与 A/B 测试轮是 Uber 数据科学家面试里最具区分度的一轮。面试官会深入考察实验设计、因果推断与统计概念,常见题型包括:为一个新的 surge pricing 算法设计实验,你的指标、样本量与护栏指标分别是什么;如何处理实验中的网络效应;如何选择样本量与显著性水平;实验结果显示提升很小但统计显著,要不要上线;如何评估 surge pricing 对司机供给与乘客需求的影响。GeeksforGeeks 上的一篇面经记录了一轮 45 分钟的实验设计专场,内容包括大规模 A/B 测试与统计显著性,另一篇则提到要考回归、决策树、随机森林与梯度提升等统计模型的概念。

样本量与功效(power)是必考的基础。面试官可能问:在什么情况下样本量不够、怎么计算需要的样本量、最小可检测效应(minimum detectable effect)是什么意思。准备时要能讲清四个要素的关系:显著性水平、统计功效、效应大小与方差。不要只背公式,要能结合场景讲:比如一个低频指标需要更大的样本量,或者一个方差很大的指标需要更长的实验时间。讲到 p 值时,同样要能用非技术语言解释,OfferLoop 的整理把这道题列为高频题:向一位非技术背景的产品经理解释 p 值与统计显著性。

网络效应与溢出效应是 Uber 场景下的特色考点,也是最难的部分。Screna 上一篇 2026 年 7 月的面经记录了一道非常难的因果推断题:你对司机做了一个 surge 推荐的 A/B 测试,但 30% 接受处理的司机忽略了建议,而且一个区域的 surge 还会溢出到相邻区域。在这种情况下,如何估计对完成行程数的因果效应,应该用什么分析方案同时处理不依从(noncompliance)与干扰(interference)这两个问题。这道题没有简单的标准答案,面试官想看到的是你能否识别出两个复杂因素,并提出分层分析、工具变量或聚类随机化等应对思路。准备时至少要理解随机化单位的选择、意向处理分析(intent-to-treat)与工具变量的基本思想,不必精通每一种高级方法,但要能讲清思路。

因果推断的进阶话题还包括混淆因素(confounding)、辛普森悖论(Simpson’s paradox)与选择偏差。面试官可能给出一个看似矛盾的数据现象,要求你判断是真实效应还是数据口径问题。比如整体转化率上升、但每个细分群体都在下降,这很可能是用户结构变化导致的辛普森悖论。回答这类问题时,先检查数据口径与样本构成,再谈统计解释,最后才谈业务结论,这个顺序本身就是一种专业素养的体现。

Onsite 第四关:机器学习轮,不是每个团队都有

机器学习轮只在部分团队出现,通常为 0 到 1 轮,取决于岗位方向。产品分析方向的岗位可能完全没有这一轮,而偏建模方向的团队则会专门安排一轮。根据面经整理,这一轮考查的内容包括机器学习算法的概念、模型评估、特征工程,以及把机器学习应用到 Uber 业务问题上的思路。GeeksforGeeks 的面经提到,技术轮里会考查统计模型、假设检验、回归、决策树、随机森林与梯度提升。Screna 上还有一篇面经记录了整轮围绕 ETA 预测的系统设计问题,要求候选人深入讨论一个预测系统的设计。

这一轮的题目风格和前几轮不同,更偏向开放式设计。比如:为地图应用的地址搜索栏设计完整的数据科学系统,包括候选生成、排序、模糊输入与错别字处理、位置相关信号、相关性与热度信号、指标、实验与失败模式。这类题目考察的是端到端的设计能力:从数据输入到模型输出,再到线上实验与监控。回答时先画出整体架构,再逐个展开每个模块,最后讨论如何评估与迭代。

准备这一轮的策略是抓大放小。不需要现场推导反向传播或写出复杂模型的数学细节,但要能讲清常用模型的适用场景与优缺点:线性回归与逻辑回归适合可解释性要求高的场景,树模型适合处理非线性关系与缺失值,梯度提升在表格数据上通常表现强劲。特征工程是必考话题,要能结合 Uber 场景讲出有业务含义的特征,比如司机的历史接单率、高峰时段的供需比、某个区域的平均等待时间。模型评估方面,要能讲清准确率、精确率、召回率、AUC 等指标的适用场景,以及在样本不平衡时应该看什么指标。

如果你的目标团队明确不考机器学习,也不要完全跳过这一轮的准备。电话轮与产品案例轮里偶尔会出现建模思路的问题,比如 Educative 整理的电话轮案例就要求候选人说明如何为纽约市一个月行程数据选择衡量成功的特征。掌握基础的建模概念,至少能保证你在这些交叉问题上不丢分。

Onsite 第五关:行为面试与招聘经理轮,讲好你的故事

行为面试通常由产品经理或招聘经理主导,时长 45 分钟左右,问题围绕过去的经历、协作方式与文化契合度展开。面经整理中出现的题型举例包括:讲一次你的分析改变了产品决策的经历;讲一次你与同事或合作方产生分歧、最后如何解决的经历;讲一次你主导的项目遇到困难、你是如何应对的;讲一次你犯过的错误、从中学到了什么。GeeksforGeeks 的面经还记录了 30 分钟的行为轮与 30 分钟的招聘经理轮,前者侧重团队协作与数据驱动项目,后者侧重文化契合与职业目标。

回答行为问题最有效的结构是 STAR 法则:情境(Situation)、任务(Task)、行动(Action)、结果(Result)。每个故事控制在两分钟以内,重点放在你的行动与结果上,而不是背景铺垫。准备三到四个核心故事,覆盖不同的主题:一次用数据推动决策的经历、一次跨团队协作的经历、一次处理冲突或失败的经历、一次在压力下交付的经历。每个故事准备两个版本,一个详细版用于行为轮,一个精简版用于招聘经理轮或电话轮的追问。

行为轮里最容易被低估的一点是:面试官会深挖你故事里的技术细节。比如你说自己做了一个实验并推动了决策,面试官可能追问实验怎么设计的、样本量怎么定的、结果显著吗、有没有做敏感性分析。回答时要诚实,不要夸大自己的贡献,如果是团队合作的成果,要讲清你的具体分工。Uber 的文化价值观在这一轮里会被反复提及,面经整理提到面试官会围绕主人翁意识、客户至上、跨团队协作等主题追问,准备故事时可以有意识地往这些方向靠,但不要生搬硬套。

招聘经理轮除了行为问题,还会考察你对团队与岗位的理解。常见问题包括:你为什么想加入这个团队、你对未来六个月的工作有什么期待、你希望从这个岗位获得什么成长。回答之前先研究团队的业务方向,比如定价团队关心 surge 与激励,增长团队关心获客与留存,安全团队关心事故与理赔。能说出团队最近在解决的具体问题,比泛泛而谈我对数据科学充满热情要有说服力得多。

各轮准备方法:一份四周计划

准备 Uber 数据科学家面试,建议按四周安排,每周有明确的重点。第一周主攻 SQL:每天手写两到三道 Uber 风格的题目,重点练习窗口函数、CTE、自连接与复杂聚合,平台可以选择 DataLemur、InterviewQuery 或 StrataScratch。练习时不要只追求做对,还要养成三个习惯:先讲清表结构与分析粒度,再动手写查询,写完后口头检查边界条件。第一周结束时,你应该能不假思索地写出 ROW_NUMBER、RANK、LAG、LEAD、SUM OVER 等常用窗口函数,并能解释 PARTITION BY 与 ORDER BY 各自的作用。

第二周主攻统计与实验设计:系统复习假设检验、p 值、置信区间、样本量计算、功效分析,以及 A/B 测试的完整流程。重点准备三个高频场景:如何为一个新的定价功能设计实验、如何处理网络效应、实验结果微小但显著时是否上线。每个场景准备一页纸的提纲,包括指标选择、随机化单位、样本量思路、护栏指标与决策规则。这一周还要准备用非技术语言解释统计概念,找一位非技术背景的朋友当听众,讲到对方能听懂为止。

第三周主攻产品案例与机器学习基础:每天练习一个产品案例,覆盖指标定义、根因分析、机会评估与实验设计四类题型。练习时用计时器,45 分钟内完成从读题到给出建议的全过程,并录音回放检查表达是否清晰。机器学习部分复习常用模型的适用场景、特征工程思路与模型评估指标,重点准备一个端到端的建模案例,比如 ETA 预测或需求预测,能讲清数据、特征、模型、评估与上线监控五个环节。

第四周是模拟与查漏补缺:找朋友或面试教练做两到三次完整模拟面试,覆盖 SQL、产品案例、统计与行为四类轮次,模拟真实的时间压力与追问节奏。模拟后复盘每一轮的薄弱环节,针对性补强。最后一周还要准备行为面试的三个核心故事,用 STAR 结构写下来并反复练习,直到能在两分钟内自然讲完。面试前一天不要再刷难题,重点是休息好、检查设备与网络、确认每一轮的时间与链接。

工具准备方面,SQL 练习用在线平台即可,不需要搭建本地数据库。统计概念推荐阅读《Trustworthy Online Controlled Experiments》这类实验设计专著的重点章节,或者 InterviewQuery 与 igotanoffer 的整理文章。产品案例没有标准教材,最好的练习材料就是 Uber 自身的业务:多用 Uber 与 Uber Eats,观察 surge 定价、预计到达时间、优惠券发放等功能,思考背后的指标与实验设计。这种日常观察会在产品案例轮里自然地体现出来。

常见挂点:七个最容易被淘汰的原因

第一个挂点是 SQL 基本功不扎实。很多候选人能写出简单的查询,但一遇到窗口函数与多层嵌套就出错,或者忽略了空值与重复行。Uber 的 SQL 轮有两轮,容错空间很小,第一轮出错还可能靠第二轮挽回,两轮都出问题基本就出局了。对策是考前至少刷够 50 道中等难度以上的 SQL 题,并且每道题都做到能口头讲清逻辑。

第二个挂点是实验设计只会背定义。不少候选人能背出 p 值的定义,却讲不清如何为一个具体功能设计实验,或者遇到网络效应就束手无策。Uber 的统计轮考查的是应用能力,不是背诵能力。对策是针对 surge pricing、司机激励、新功能上线这三个场景,各准备一套完整的实验设计方案,包括指标、随机化单位、样本量与护栏指标。

第三个挂点是产品案例没有结构。开放式问题最怕想到哪说到哪,东一榔头西一棒子。面试官在 45 分钟里要判断你的思维是否清晰,没有结构的回答很难拿到高分。对策是熟练掌握定义指标、拆解诊断、提出假设、验证建议的四步框架,每道练习题都按这个框架作答,形成肌肉记忆。

第四个挂点是只看一端、忽略双边市场。讨论定价、激励或新功能时,只讲乘客体验、不讲司机供给,或者反过来,是 Uber 面试里非常典型的减分项。对策是养成习惯:任何产品问题,先分别说清对乘客、司机与平台的三方影响,再讨论权衡与护栏指标。

第五个挂点是行为面试故事空洞。只讲自己做了什么、不讲结果与反思,或者故事里全是团队功劳、看不到个人贡献,都会让面试官怀疑你的实际能力。对策是提前准备三到四个 STAR 结构的真实故事,每个故事都要有可量化的结果与明确的个人贡献。

第六个挂点是沟通表达混乱。技术再强,如果讲不清楚思路,面试官也无法给高分。常见表现包括:写 SQL 时一言不发、回答案例时跳跃过大、被追问时慌乱改口。对策是练习出声思考(think aloud),写代码之前先说思路,回答问题时先给结构再展开,遇到不确定的地方先承认、再讲假设。

第七个挂点是轻视招聘人员电话与简历关。有人把全部精力放在技术准备上,电话轮里答不出为什么选择 Uber,或者简历上的经历经不起追问,在第一关就被淘汰。对策是把电话轮当作正式面试来准备,提前写好自我介绍与为什么选择 Uber 的答案,并对简历上的每一段经历都能讲出细节。

薪水全拆解:多口径并列,查询日期 2026 年 11 月 18 日

薪水是每个候选人最关心的问题,也是最容易被单一数字误导的问题。下面按三个口径并列呈现,所有数字的查询日期均为 2026 年 11 月 18 日,不同口径之间存在差异是正常的,原因包括统计方法不同、样本量不同、级别划分不同以及数据更新时间不同。请以 offer 里的完整 package 为准,不要只看其中某一个数字。

第一个口径是 levels.fyi,该页面最后更新于 2026 年 10 月 29 日。数据显示,Uber 美国数据科学家岗位的年总薪酬中位数为 262,400 美元,范围从 150,000 美元到 483,000 美元。按级别拆分:Data Scientist I(级别 3)总薪酬 150,000 美元,其中基本工资 125,000 美元;Data Scientist II(级别 4)总薪酬 244,000 美元,其中基本工资 173,000 美元;Senior Data Scientist I(级别 5a)总薪酬 356,000 美元,其中基本工资 196,000 美元;Senior Data Scientist II(级别 5b)总薪酬 468,000 美元,其中基本工资 211,000 美元;Staff 级别(级别 6)总薪酬最高可达 483,000 美元,页面显示的最高一笔上报总薪酬为 482,767 美元。级别 3 的从业者通常有 1 到 2 年经验,级别 4 通常有 4 到 5 年经验。签约奖金(sign-on bonus)的中位数为 23,000 美元。股票为 RSU,分 4 年归属,一种常见的归属节奏是 35%、28%、22%、15%,但不同 offer 的归属节奏可能不同,页面上还列出了 35%、30%、20%、15% 与 25%、25%、25%、25% 等其他节奏。需要注意的是,levels.fyi 的数据来自员工自报,虽然会做审核与去异常值处理,但各级别的样本量并不大,个别级别只有几份到十几份样本,中位数可能随新样本加入而波动。

第二个口径是 Uber 官方招聘信息里公布的基本工资范围,这是最权威的底薪口径,但只包含基本工资,不含股票与奖金。2026 年 1 月 21 日发布的一则 Data Scientist II 招聘信息显示,旧金山与 Sunnyvale 地区的基本工资范围为每年 140,000 美元到 156,000 美元。高级数据科学家(Senior Data Scientist,消费者定价与激励团队)的招聘信息显示,纽约、旧金山、西雅图与 Sunnyvale 地区的基本工资范围为每年 165,000 美元到 183,000 美元。高级科学家(Senior Scientist,技术方向)的招聘信息显示,纽约、旧金山与西雅图地区的基本工资范围为每年 190,000 美元到 211,000 美元。所有这些岗位都注明,除基本工资外还可参与奖金计划,并可能获得股权奖励与其他福利。把官方底薪范围与 levels.fyi 的总薪酬对照着看,可以大致估算股票与奖金在 package 里的占比:初级岗位股票占比较小,高级岗位股票可能占到总薪酬的一半左右。

第三个口径是 Glassdoor。需要如实说明:本次查询时未能核实到 Glassdoor 上 Uber 数据科学家岗位专属的薪水中间值,因为相关页面需要登录后才能查看完整数据,本文不采用第三方转载的、无法溯源的 Glassdoor 数字。作为市场参照,Glassdoor 全美数据科学家(所有公司合并统计)的平均年薪为 156,597 美元,基于 58,659 份匿名提交,数据截至 2026 年 11 月。这个数字覆盖的是全美所有行业与级别的数据科学家,不能直接用来推断 Uber 的薪水水平,仅供了解行业整体位置时参考。

谈判方面有三点值得注意。第一,级别决定了大部分薪水空间,面试表现直接影响定级,定级一定,package 的浮动范围就大致确定了。第二,股票归属节奏值得单独确认,因为第一年能拿到手的股票比例在不同节奏下差别很大,35% 首年归属与 25% 首年归属在第一年的现金流上能差出几万美元。第三,签约奖金通常可以谈,levels.fyi 显示的中位数是 23,000 美元,但这只是一个参考值,实际金额取决于级别与谈判情况。拿到 offer 后不要急于接受,先拿到完整的书面 package,包括基本工资、股票总额与归属节奏、奖金目标与签约奖金,再对照 levels.fyi 的分级数据逐项评估。

H-1B 与身份问题:数据科学家岗位的签证现实

对需要工作签证的候选人来说,Uber 的 H-1B 情况值得单独说明。先看劳工部 LCA 数据:根据 jobs.statnorth.us 整理的劳工部数据,在 2026 财年前三季度(截至 2026 年 6 月 30 日已裁决的案件),Uber Technologies Inc. 为数据科学家岗位提交的 H-1B 劳工条件申请(LCA)共 104 份,中间值 offered wage 为每年 170,900 美元;该公司所有岗位的中间值 offered wage 为每年 194,600 美元。再看 2025 财年:根据 realanalystjobs 整理的劳工部数据,Uber 在 2025 财年为数据科学家相关岗位获得认证的 LCA 共 22 份,中间值工资为每年 153,000 美元。需要特别说明的是,LCA 件数不等于 USCIS 的获批件数,LCA 只是申请 H-1B 之前向劳工部提交的前置步骤,一份 LCA 对应一次申请意向,不能直接理解为最终获批人数。

本次查询未能核实到 USCIS 雇主数据中心(H-1B Employer Data Hub)里 Uber 全公司的 H-1B 获批总件数,也无法确认数据科学家单一岗位的获批件数,本文如实写明这两项未找到,不用其他口径的数字代替。作为背景,USCIS 的数据显示,2025 财年全美共批准 406,348 份 H-1B 申请,平均批准率约为 97.9%,其中大部分是已在 H-1B 体系内的延期与转换申请,而不是新抽中的名额。每年的 H-1B 新名额仍然只有 65,000 个常规名额加上 20,000 个美国硕士以上学历名额,抽签竞争依然激烈。

费用方面需要提醒一点:2025 年 9 月,白宫公告对部分在境外的新 H-1B 申请加收 10 万美元费用,此后法院叫停了相关执行,USCIS 据报照常批件。这一政策的后续走向仍有变数,截至 2026 年 11 月 18 日没有新的定论,本文不做预测。正在走 H-1B 流程的候选人,建议在面试阶段就向招聘人员确认公司是否支持 H-1B、是否支持绿卡申请、以及从入职到启动绿卡流程通常需要多长时间。不同团队与不同招聘批次的政策可能不同,口头承诺要以书面 offer 与公司政策为准。

对于 OPT 身份的应届生,还有两点值得注意。第一,数据科学家岗位通常属于 STEM 专业,符合 24 个月 OPT 延期条件,但具体要以学校国际学生办公室的认定为准。第二,Uber 是否为新入职员工提供 H-1B 抽签支持、抽不中是否有备选方案(比如调往海外办公室),这些问题最好在终面后、接受 offer 之前问清楚,避免入职后才发现身份衔接不上。

常见问题 FAQ

Q1:Uber 数据科学家面试一共几轮,需要多长时间?根据候选人报告的归纳,完整流程通常为 2 到 6 周,包括简历筛选、招聘人员电话、技术电话轮、偶尔的 take-home、4 到 6 轮 onsite、内部评议与薪水谈判。Glassdoor 上 138 位候选人的经历显示平均耗时 32 天。不同团队的轮次可能不同,请以招聘人员发给你的轮次表为准。

Q2:Uber 数据科学家面试有在线笔试(OA)吗?通常没有,流程会直接从招聘人员电话进入技术面试。但也有候选人报告遇到过在线测评,比如 2 小时的编码与统计测评,或者 60 分钟、17 道题的测试。是否安排 OA 取决于团队与地区,收到邀请后先向招聘人员确认。

Q3:SQL 在面试里占多大比重?非常大。技术电话轮约一半时间是 SQL,onsite 有两轮 SQL,是所有轮次里占比最高的部分。重点是窗口函数、CTE、自连接与复杂聚合,题目贴近 Uber 的真实业务场景,边界条件很多。建议考前至少刷够 50 道中等难度以上的 SQL 题。

Q4:机器学习考得多深?取决于团队。产品分析方向的岗位可能完全没有机器学习轮,偏建模方向的团队会安排 0 到 1 轮,考查算法概念、模型评估、特征工程与端到端设计思路,通常不会要求现场推导复杂算法。电话轮与产品案例轮里也可能出现建模思路的问题,基础概念还是要准备。

Q5:产品案例轮有标准答案吗?没有。面试官考察的是结构化思维:能否定义指标、拆解问题、提出假设并说明验证方法。回答时要主动提到双边市场的另一端,比如讨论定价时同时考虑乘客需求与司机供给,并给出护栏指标。答案的精确度不重要,假设合理、过程透明才是关键。

Q6:Uber 数据科学家薪水大概是多少?按 levels.fyi 2026 年 10 月 29 日更新的数据,美国区年总薪酬中位数为 262,400 美元,范围从 150,000 美元到 483,000 美元;其中 Data Scientist II 为 244,000 美元,Senior Data Scientist I 为 356,000 美元。官方招聘信息显示 Data Scientist II 的基本工资范围为每年 140,000 美元到 156,000 美元,高级数据科学家为每年 165,000 美元到 183,000 美元,另有奖金与股权。Glassdoor 上 Uber 岗位专属的薪水中间值本次未能核实到,已在正文写明。

Q7:没有 Uber 或出行行业经验,能通过面试吗?可以。面试考察的是 SQL、统计、实验设计与产品分析能力,而不是你对出行行业的了解程度。产品案例轮里的业务知识可以在准备阶段补齐,多用 Uber 与 Uber Eats、观察 surge 定价与预计到达时间等功能,就能积累足够的业务直觉。行为轮里更重要的是你过去的分析经历,而不是行业背景。

Q8:挂在某一轮之后,多久可以再申请?Uber 没有统一公开的冷却期,不同团队的规定可能不同,常见的说法是 6 到 12 个月后可以重新申请,具体请以招聘人员的答复为准。重新申请之前,先复盘挂掉的那一轮:如果是 SQL,就系统刷题;如果是产品案例,就多做模拟练习;如果是行为轮,就重新打磨故事。第二次申请时换一个团队也是常见的选择。

面试之后:评议、谈判与复盘

全部轮次结束后,招聘人员会与所有面试官开评议会,共同决定是否发放 offer,同时确定级别。这个过程通常需要几天到两周,等待期间不要反复催促,一周左右发一封简短的感谢与询问邮件即可。如果收到拒绝,也不要马上放弃:可以礼貌地请招聘人员告知大致的反馈方向,比如是 SQL 需要加强,还是产品案例的结构需要改进,这些信息对下一次申请非常宝贵。

拿到 offer 之后,谈判的重点是完整 package 而不是单一数字。先请招聘人员提供书面明细,包括基本工资、股票总额与归属节奏、奖金目标、签约奖金与入职时间,再对照 levels.fyi 的分级数据逐项评估。如果级别与你的预期不符,可以提供其他公司的 offer 或市场数据作为依据,但态度要保持专业与合作,不要把谈判变成对抗。签证、入职时间、团队分配等细节,也要在接受 offer 之前书面确认,避免入职后出现预期落差。

结尾总结:把四项能力练成肌肉记忆

Uber 数据科学家面试的本质,是用四项能力证明你能为双边市场做决策:SQL 够硬,才能从海量行程数据里算出正确的指标;统计与实验设计够严谨,才能判断一个改动是真的有效还是噪音;产品案例有双边市场的直觉,才能在乘客与司机之间找到平衡;表达够清晰,才能让非技术同事理解你的结论并据此行动。这四项能力没有捷径,只能靠系统练习练成肌肉记忆:SQL 每天手写、实验设计按场景准备提纲、产品案例用四步框架反复模拟、行为故事用 STAR 结构打磨到两分钟讲完。

准备时还要记住三个现实:第一,流程因团队而异,收到邀请后先向招聘人员确认轮次表,不要凭本文的归纳硬套;第二,薪水看的是完整 package,级别、股票归属节奏与签约奖金都要逐项确认,不要只盯着一个数字;第三,签证与身份问题越早问越好,offer 阶段再问可能已经来不及。祝你面试顺利,拿到理想的 offer。

免责声明:本文仅供一般信息参考,不构成法律意见,也不构成求职、薪资或签证建议。面试流程、薪水数据与签证政策均可能随时间与团队不同而变化,请以 Uber 官方招聘信息、招聘人员的说明以及 USCIS 与劳工部的官方数据为准。文中薪水数据来自 levels.fyi 与公开招聘信息,查询日期为 2026 年 11 月 18 日;H-1B 数据来自劳工部 LCA 公开数据整理,具体个案请咨询持牌移民律师。

相关阅读

© 版权声明
THE END
喜欢就支持一下吧
点赞44 分享
评论 共2条
头像-北美指南
欢迎您留下宝贵的见解!
提交
头像-北美指南

昵称

取消
昵称表情代码图片快捷回复