Airbnb 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:Airbnb 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。Airbnb 的数据科学家岗位以产品分析与实验为中心,和机器学习工程师的分工不同: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。本文按公开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。

需要先说明三点。第一,本文描述的流程来自候选人报告与公开面试指南的归纳,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公开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,更不是所谓内部泄题。第三,本文没有使用一亩三分地的内容,来源为 levels.fyi、Glassdoor、LinkedIn 与公司官方招聘页、以及 Codemia、Dataford、InterviewBoost 等公开面试指南,薪水与 H-1B 数字均注明来源与查询日期。

Airbnb 数据科学家是做什么的:先搞清岗位定位

Airbnb 成立于 2008 年,总部位于旧金山,是全球最大的短租与旅行体验双边市场之一。公司官方口径显示,平台上有超过 500 万房东、800 万以上活跃房源(2024 年三季报口径;公司新闻稿最新口径为 900 万以上),业务覆盖 220 多个国家和地区,累计房客到访超过 20 亿人次。财务上,公司 2024 财年营收 111.02 亿美元,2025 财年营收 122.41 亿美元,同比增长约 10.3%,2025 财年净利润 25.1 亿美元;员工规模约 7300 人(2024 年底)增长到约 8200 人(2025 年底),以上数字来自公司 10-K 年报。本站三季报报道显示,2026 年第三季度公司营收 48.7 亿美元、每股收益 3.16 美元,超出预期,股价当日大涨 11.7% 收于 189.99 美元。业务仍在扩张,数据科学岗位的招聘需求也随之存在。值得注意的是,Airbnb 在 2020 年疫情期间曾裁员约 25%(约 1900 人),此后转向精益运营,招聘标准一直偏严。

Airbnb 的数据科学组织按方向分为几条赛道,公开招聘信息中最常见的是三条:Analytics(产品分析)、Inference(因果推断与实验方法)与 Algorithms(算法与机器学习)。Analytics 赛道最贴近产品团队,日常工作是写 SQL、做探索性分析、定义指标、设计与解读实验;Inference 赛道专注因果推断方法论,为全公司的实验提供方法支持;Algorithms 赛道做搜索排序、定价、推荐与风控相关的建模,直接写生产模型。投递之前一定要看清岗位描述里写的是哪条赛道,因为三条赛道的面试权重差别很大:Analytics 重 SQL 与产品案例,Inference 重实验设计与因果推断,Algorithms 重机器学习建模与编码。投错赛道,准备方向全错。

从公开招聘信息看,Airbnb 对数据科学家岗位的基本要求大致是:统计、数学、经济、计算机或相关专业的硕士或博士学历(有经验的候选人本科也可);2 年以上相关行业经验(例如数据科学家、机器学习科学家或技术负责人),Staff 级别要求 9 年以上量化分析经验(硕士)或 6 年以上(博士),Senior 级别要求 5 年以上(硕士)或 2 年以上(博士);熟练使用 SQL 与 Python 或 R;熟悉 A/B testing、统计分析与实验设计。加分项包括因果推断经验、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。注意招聘页上反复出现的一句话:同一个职位名称可能对应多个级别,实际定级与薪水取决于面试表现与经验,offer 时才会确定。

理解双边市场是这个岗位的灵魂。Airbnb 一边是房客,一边是房东,任何一个改动都会同时影响供需两端。降低服务费可能提升房客转化,却可能压缩房东收入、减少供给;搜索排序偏向高价房源可能提升单均收入,却可能伤害房客体验与复购;放宽取消政策可能提升预订量,却可能增加房东空置风险。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:这一改动对房客有什么影响,对房东有什么影响,对平台整体有什么影响,三者之间有没有冲突。答不出两端的权衡,产品案例轮很难拿高分。

Airbnb 数据科学还有一个显著特点:实验文化极深。公司是现代增长实验的先驱之一,实验平台与方法论在业内很有名,面试里实验设计的比重比大多数公司都高。搜索排序、定价、取消政策、房源照片排序、消息回复率——几乎所有产品改动都要先跑实验。双边市场的实验尤其难做,因为房客与房东互相影响,随机化单元选错、网络效应(network effects)与溢出效应(spillover)处理不好,实验结论会完全失真。这也是为什么实验设计轮常常被候选人称为分水岭:SQL 可以突击,产品 sense 可以练话术,但实验设计的深度需要真功夫。

整体流程与时间线:3 到 6 周,4 到 6 轮

根据 Codemia、Dataford、Knok 与 InterviewBoost 等公开面试指南的归纳,Airbnb 数据科学家完整流程通常需要 3 到 6 周,从投递到拿到 offer,时间长短主要取决于团队与排期。不同指南给出的数字略有差异,有的写 3 到 5 周,有的写 4 到 6 周,取并集就是 3 到 6 周。流程大致分为六步:简历筛选、招聘人员电话沟通、技术电话轮、take-home 作业、虚拟 onsite(4 到 5 小时)、内部评议(debrief)与薪水谈判。个别团队没有 take-home,个别团队把 take-home 放在技术电话轮之前,收到面试邀请后先向招聘人员确认具体顺序,是最稳妥的做法。

各轮次的时长与形式如下,细节见后文各节:招聘人员电话约 30 分钟;技术电话轮 45 到 60 分钟;take-home 如有则给 2 到 7 天完成,实际投入约 4 到 6 小时;onsite 每轮 45 到 60 分钟,共 4 到 5 轮,全部线上进行(Airbnb 的 onsite 目前以虚拟形式为主)。onsite 通常包括 1 轮 SQL 与编码、1 轮实验设计(60 分钟)、1 轮产品案例(45 分钟)、1 轮 take-home 展示(60 分钟)、1 轮核心价值观行为面试。Algorithms 赛道的 onsite 会增加机器学习建模深度,Analytics 赛道则可能把 SQL 轮拆成两轮。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。

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。但 Airbnb 有一个很有特色的环节:take-home 作业。很多候选人报告说,take-home 是整个流程中最花时间的一环,你会拿到一个真实感的数据集,需要做探索性分析、设计实验、给出建议,并把结果做成展示在 onsite 上讲给评委听。这一轮同时考 SQL、统计、产品 sense 与讲故事的能力,准备时要把它当成半个 onsite 来对待,而不是当成可以随便应付的作业。

Airbnb 不公开发布官方面试流程结构,以上轮次表是候选人报告的归纳,请以招聘人员发给你的轮次表为准。不同赛道、不同级别、不同年份的安排确实存在差异,例如 2026 年 7 月的公开指南提到公司当时有 242 个数据科学家岗位开放,招聘量不小,但不同团队的流程细节仍有出入。收到面试邀请后,第一件事就是向招聘人员问清三件事:有没有 take-home、有没有机器学习轮、onsite 一共几轮各是什么主题。这三句话能帮你把准备时间花在刀刃上。

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。Airbnb 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 SQL、Python、A/B testing、实验设计、因果推断、探索性数据分析、统计分析、机器学习,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。申请 Analytics 赛道就突出 SQL 与实验,申请 Algorithms 赛道就突出建模与上线经验,同一份简历投所有赛道等于没有针对性。

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面试里追问你简历上的每一个数字:样本量多大、提升是否显著、对照组怎么设的、结论有没有被推翻过。编造的数字在追问下三句话就会露馅,而真实的项目哪怕数字不大,也能讲出完整的思考链条。

什么背景受青睐?从公开岗位描述与候选人报告看,几类背景最容易过筛:第一,有双边市场或电商、出行、外卖等平台型产品经验的候选人,因为 Airbnb 的核心难题就是双边市场;第二,有扎实实验经验的候选人,做过大量 A/B testing、熟悉因果推断方法(difference-in-differences、regression discontinuity、instrumental variables 等)的简历会脱颖而出;第三,SQL 特别强的候选人,Airbnb 的分析工作高度依赖 SQL,能在简历里展示复杂查询与大规模数据处理经验是加分项;第四,有硕士或博士学位的候选人,岗位描述明确写着硕士或博士优先,Staff 与 Senior 级别几乎默认要求研究生学历。没有研究生学历也不是死路,但需要在工作经验与项目成果上明显更强。

内推是绕过简历海选最有效的办法。Airbnb 的招聘人员会优先看内推简历,内推人最好是目标团队的数据科学家或产品经理,而不是随便找一位在职员工。LinkedIn 上直接联系目标团队的数据科学家、请对方做 15 分钟 informational chat、再请对方内推,是成功率较高的路径。冷投也不是没有机会,但要做好石沉大海的准备:同一时间投递 3 到 5 个不同团队的岗位、每份简历按岗位描述微调关键词,比海投 20 份同一简历更有效。投递后 1 到 2 周没有回音,可以请招聘人员或内推人帮忙跟进一次,超过 3 周没有消息基本可以认为没有通过。

招聘人员电话:30 分钟,别轻视这一轮

招聘人员电话通常 30 分钟,内容包括自我介绍、为什么想加入 Airbnb、为什么选这个团队、职业规划、薪水期望与签证身份。这一轮不考技术,但淘汰率并不低:回答含糊、动机不清、对岗位一无所知的候选人会在这一轮被刷掉。准备时要做到三件事:用 2 分钟讲清自己的背景与最亮眼的项目;说清楚为什么是 Airbnb 而不是其他公司,最好结合具体产品体验(例如你作为房客或房东使用过平台,对某个功能有真实观察);对目标团队的业务有基本了解,能说出该团队负责什么产品方向。

薪水期望是这一轮最微妙的问题。招聘人员会问你的期望薪水,回答太低会锁死谈判空间,回答太高可能直接出局。稳妥的做法是先了解市场价再回答:本文薪水一节给出了多口径数据,Data Scientist 级别的 base 普遍在 151,000 到 175,000 美元区间,Senior 在 177,000 到 210,000 美元区间,Staff 在 192,000 到 243,000 美元区间,总包则要加上股票与奖金。可以回答一个区间,并强调最终决定取决于整体 package(base、股票、奖金、签字费)而非单一数字。同时要确认签证身份:需要 H-1B transfer 还是 OPT、绿卡办理政策如何,招聘人员会在这一轮记录下来,后续流程里 HR 会据此安排。

这一轮也是你反问的最佳时机。建议问三个问题:这个岗位属于哪个赛道(Analytics、Inference 还是 Algorithms),团队当前最重要的项目是什么;面试流程一共几轮,有没有 take-home,有没有机器学习轮;团队对这个级别的期望是什么,入职后前 90 天的成功标准是什么。这三个问题的答案直接决定你后面几周的准备重点,问清楚再挂电话。另外注意,招聘人员电话之后通常 1 周内会通知是否进入技术轮,如果超过 1 周没有消息,可以发邮件礼貌跟进一次。

技术电话轮:SQL 与统计各占一半,45 到 60 分钟

技术电话轮通常 45 到 60 分钟,形式是视频面试,一位面试官,SQL 与统计各占一半。这一轮的目标是快速筛掉技术基本功不过关的候选人,通过率大约只有三分之一到二分之一,是整个流程中淘汰率最高的单轮之一。SQL 部分一般是一道中等难度的查询题,面试官会在共享文档或在线编辑器里给你表结构,让你现场写查询;统计部分是 3 到 5 道概念题,考察概率、假设检验、实验设计的基础。两部分都答得磕磕绊绊,基本就过不了这一轮。

SQL 题的常见考法是结合 Airbnb 业务场景出题,例如:给定 bookings 表与 listings 表,计算各市场过去 90 天的预订转化率;或者找出过去一个季度平均预订收入最高的前 5 位房东,要求排除预订次数少于 10 次的房东。解题时要注意三点:先确认指标定义(转化率的分母是搜索次数还是浏览次数,时间窗口怎么算),再写查询;窗口函数(window functions)是必考项,ROW_NUMBER、RANK、LAG、LEAD 要熟练;边界情况要主动处理,例如分母为零、缺失值、重复记录、时区问题。面试官很看重你是否先澄清问题再动手,闷头写查询是减分项。

统计题的常见考法包括:解释 p 值的含义(注意不要说成原假设为真的概率);抛硬币、抽球类概率题;A/B 测试里样本量不够怎么办;辛普森悖论(Simpson’s paradox)举例;置信区间与统计显著性的区别。回答概念题时要做到准确加举例:先给一句话定义,再用 Airbnb 的场景举一个例子,例如用搜索排序实验解释什么是统计显著性、用不同房源类型解释辛普森悖论。只背定义不举例子,面试官会认为你理解不深;举例子举错场景,同样会扣分。

这一轮的准备方法是:每天刷 2 到 3 道 SQL 中等难度题,重点练窗口函数、自连接(self-join)、子查询与日期运算;统计概念每天过一遍清单,重点是假设检验、p 值、置信区间、统计功效(statistical power)、第一类与第二类错误、辛普森悖论、条件概率与贝叶斯定理。电话轮的 SQL 题难度通常低于 onsite,但时间压力更大:45 分钟里要完成 SQL 加统计,写查询时不要追求一步到位,先写出能跑通的版本,再优化。面试官允许你边想边说,沉默超过 1 分钟是大忌。

Take-home 作业:几小时的真实数据集分析

Take-home 是 Airbnb 数据科学家面试最有特色的环节,也是最容易被低估的一环。形式通常是:招聘人员发给你一个数据集(常以 CSV 文件形式提供,内容模拟 Airbnb 的房源、预订、搜索或评价数据),要求你在 2 到 7 天内完成一份分析并提交,实际投入约 4 到 6 小时。任务一般是开放式的,例如分析某个市场的预订趋势、找出影响转化的关键因素、为某个产品改动设计实验并给出建议。提交形式多为 Jupyter Notebook 或幻灯片,onsite 时还要用 60 分钟向评委展示并接受追问。

做好 take-home 的关键是结构,而不是模型复杂度。建议按五步走:第一步,数据理解与清洗,写清楚数据量、时间范围、缺失值与异常值处理,每一个清洗决定都要说明理由;第二步,探索性分析,用几张关键图表讲清现状,例如预订量随时间的变化、不同房源类型的转化差异、不同市场的表现对比;第三步,定义问题,把开放式任务收敛成一个可以回答的具体问题,并明确指标定义;第四步,分析与建议,用统计方法验证假设,例如回归、分层分析或简单的因果推断,并给出可落地的产品建议;第五步,局限性与下一步,诚实地写出数据有哪些不足、结论有哪些前提、如果有更多数据你会怎么做。评委最看重的是思路是否清晰、结论是否有数据支撑、建议是否可执行,而不是你用了多复杂的模型。

常见的失分点有四个:一是只做描述性统计,没有提出假设、没有验证假设,整份报告停留在画图层面;二是指标定义不清,例如转化率的分母没有说明,时间窗口没有统一,导致结论无法复现;三是忽略双边市场视角,只分析房客行为不看房东供给,或者只看总量不看结构;四是展示时照着幻灯片念稿,被追问细节时答不上来。避免这些坑的办法是:提交前请一位朋友扮演面试官,针对报告里的每一个数字追问为什么,答不上来的地方就是需要补强的部分。展示环节的准备与报告本身同等重要,详见后文 take-home 展示一节。

时间管理上要注意:不要把 7 天期限用到最后一刻。建议拿到任务后第一天完成数据清洗与探索性分析,第二天完成核心分析与结论,第三天做展示材料并演练一遍,留出至少一天缓冲。代码要整洁可读,关键步骤加注释,Notebook 里不要留下报错信息与未执行的单元格。报告篇幅不必求长,10 到 15 页幻灯片或一份结构清晰的 Notebook 就够了,评委更在乎逻辑密度而不是页数。

Onsite 第一关:SQL 轮,窗口函数是基本功

Onsite 的 SQL 轮通常 45 到 60 分钟,难度比电话轮高一个档次,题量一般是 1 到 2 道大题,每道题都可能有多个追问。面试官会给出现实感的表结构,例如 users、listings、bookings、searches、reviews 等表,让你现场写查询。Analytics 赛道的候选人可能遇到两轮 SQL,Algorithms 赛道则可能把 SQL 与 Python 编程结合起来考。这一轮的目标是验证你能不能在真实数据上干活,而不是只会做教科书上的小练习。

高频题型举例(均为公开面经整理中出现的常见题型,用来说明考查方式):第一,计算各市场按年同比预订增长率,要求处理上一年预订量为零的市场,并用窗口函数做排名;第二,计算房客首次预订与第二次预订之间的平均间隔天数,考察日期运算与自连接;第三,找出各城市入住率最高的前 10% 房源,考察窗口函数与分位数;第四,计算搜索到预订漏斗各环节的转化率,按市场分组,考察多表连接与条件聚合;第五,找出过去一个季度平均预订收入最高的前 5 位房东,要求排除预订次数少于 10 次的房东,考察 HAVING 与聚合过滤。每一道题的解题思路都是相通的:先澄清指标定义与时间窗口,再确认表之间的连接键,然后写出能跑通的版本,最后处理边界情况。

这一轮的评分点有四个:一是正确性,查询逻辑是否正确,聚合粒度是否与问题一致;二是完整性,边界情况是否处理,例如 NULL 值、重复记录、分母为零、时区与日期边界;三是效率,是否用了不必要的子查询或笛卡尔积,大表连接时有没有注意过滤顺序;四是沟通,写查询时是否边写边解释思路,是否主动确认假设。很多候选人栽在第四点:埋头写查询一言不发,面试官不知道你的思路,写错了也没机会纠正。正确的做法是每写一步就说一步:这一步先过滤出什么数据,下一步按什么分组,最后怎么算指标。

除了 SQL,onsite 也可能考 Python 数据处理:例如给你一个房源数据集,要求清洗混合货币、处理缺失夜数、说明每一处清洗选择的理由。这类题考的不是语法,而是数据 sense:缺失值是随机缺失还是系统性缺失,能不能直接删除,货币换算用什么汇率,异常值是真实数据还是录入错误。准备时要熟悉 pandas 的常用操作,包括 groupby、merge、pivot、apply,以及日期处理与字符串清洗。Python 题的难度通常低于 SQL 题,重点在于思路清晰与理由充分。

Onsite 第二关:实验设计与 A/B 测试轮,分水岭

实验设计轮通常 60 分钟,是 Airbnb 数据科学家面试的分水岭,也是最能拉开差距的一轮。形式是开放式讨论:面试官给出一个产品改动场景,例如测试新的搜索排序算法、测试新的取消政策、测试房源总价前置显示,要求你从头设计一个实验。没有标准答案,面试官看的是你的思考框架是否完整、是否考虑了双边市场的特殊性、是否能识别常见的实验陷阱。这一轮答得好,基本锁定 offer;答得平庸,其他轮次再好也可能被刷。

完整的实验设计框架包括八步:第一步,明确假设与目标,说清楚要验证什么、成功标准是什么;第二步,选择主要指标(primary metric)与护栏指标(guardrail metrics),例如搜索排序实验的主要指标是预订转化率,护栏指标包括房东收入、取消率与房客投诉率;第三步,选择随机化单元(randomization unit),这是 Airbnb 实验最难的一点,详见下文;第四步,确定样本量与实验时长,用统计功效(statistical power)计算需要多少样本、跑多长时间,注意季节性与周末效应;第五步,处理网络效应与溢出效应,说明如何避免实验组与对照组互相污染;第六步,制定分析计划,包括如何处理新奇效应(novelty effect)、辛普森悖论与多重比较问题;第七步,定义决策规则,实验结果达到什么标准才全量上线,什么情况下回滚;第八步,说明实验之外的验证方法,例如上线后如何持续监控。

随机化单元是这一轮的必考点。Airbnb 是双边市场,随机化单元选错,实验结论会完全失真。举例说明:测试新的搜索排序算法,如果按房客随机,同一个房源会被实验组与对照组的房客同时看到,房源层面的供给竞争会污染结果;如果按房源随机,同一个房客会看到实验组与对照组的不同房源,房客层面的行为也会互相影响。正确的做法是根据改动的影响面选择随机化单元,并说明取舍:房客侧改动优先按房客随机,房源侧改动优先按房源或市场随机,涉及双边互动的改动可能需要按市场(market-level randomization)或地理区域随机,并接受样本量变小的代价。面试官追问时要能说出每种选择的代价,而不是只给一个答案。

另一类高频考法是诊断实验结果异常:例如实验组的主要指标上升了,但护栏指标恶化了,该不该上线;或者实验结果显著但效应量很小,值不值得全量;或者实验跑了一周结果显著,跑了两周又不显著了,问题出在哪里。回答这类问题时要分层思考:先检查数据质量(分流是否均匀、样本量是否足够、有没有新奇效应),再检查指标定义(主要指标与护栏指标是否冲突),最后回到业务逻辑(双边市场哪一端受损、长期效应与短期效应是否一致)。能把统计问题与业务问题结合起来回答,是这一轮拿高分的关键。

Onsite 第三关:产品案例轮,双边市场的直觉

产品案例轮通常 45 分钟,形式是开放式讨论:面试官给出一个产品问题,要求你定义指标、提出分析方案、推理业务影响。常见题型包括:某大市场预订量突然下降 6%,请诊断原因;为 Airbnb Experiences(体验产品)定义指标树,护栏指标有哪些;是否应该在全平台显示总价(含服务费与清洁费),预测对各指标的影响;如何提升房东的消息回复率;如何衡量搜索排序改动的效果。这一轮没有标准答案,面试官看的是你的结构化思维、指标 sense 与双边市场直觉。

回答产品案例的标准框架是五步:第一步,澄清问题,确认问题范围(哪个市场、哪个时间段、哪个用户群)、指标定义(预订量是指间夜数还是订单数)与背景信息(有没有产品上线、营销活动或外部事件);第二步,定义指标树,从北极星指标(north star metric)出发,拆解到支撑指标与护栏指标,例如北极星指标是预订间夜数,支撑指标包括搜索量、转化率、平均间夜数,护栏指标包括取消率、房东收入与房客满意度;第三步,提出诊断假设,按可能性排序,例如供给侧(房源下架、价格上涨)、需求侧(搜索量下降、转化率下降)、产品侧(排序改动、支付故障)、外部因素(节假日、天气、竞品活动);第四步,设计验证方法,说明用什么数据、什么切分维度(按市场、房源类型、价格带、新老用户)验证每一个假设;第五步,给出建议与下一步,按影响大小排序,并说明需要什么数据才能做最终决策。

以预订量下降 6% 的诊断题为例,高分回答的思路是:先确认下降是总量问题还是结构问题——按市场、房源类型、价格带、新老房客切分,看下降集中在哪里;再确认是漏斗哪一环出了问题——搜索量、点击率、预订转化率、支付成功率逐环排查;然后看供给侧——活跃房源数、平均价格、可订夜数有没有变化;最后看外部因素——同期有没有大型活动结束、有没有竞品促销、有没有政策变化。每一层都要说明用什么数据验证、如果验证成立下一步做什么。只说要看数据而不说看什么数据,是这一轮最常见的失分点。

总价前置显示这类政策型案例题,考察的是权衡思维。支持的理由是提升价格透明度、减少结账环节流失、符合监管趋势;反对的理由是房源标价看起来变贵、可能降低点击率、房东可能调整定价策略。好的回答会把两端的影响都量化成指标:房客侧看搜索到预订转化率与结账流失率,房东侧看曝光量与收入,平台侧看总预订量与长期留存,并提出用实验验证的方案——按市场随机分组,跑足够长的时间,观察短期效应与长期效应是否一致。能主动提出护栏指标与回滚标准的候选人,在这一轮会明显加分。

Onsite 第四关:机器学习轮,Algorithms 赛道才深考

机器学习轮不是每个团队都有,是否出现取决于赛道。Analytics 与 Inference 赛道的 onsite 通常没有独立的机器学习轮,最多在产品案例或实验设计轮里顺带问几个建模概念;Algorithms 赛道的 onsite 则一定有机器学习轮,时长 45 到 60 分钟,考察建模思路、特征工程与模型评估。投递前确认赛道的重要性在这里再次体现:Analytics 候选人花大量时间刷 LeetCode hard 题是浪费时间,Algorithms 候选人只准备 SQL 与实验设计则会在这一轮直接出局。

Algorithms 赛道的常见考法包括:如何建模预测某房源在近期内被预订的概率;如何为搜索排序设计排序模型,特征有哪些、目标函数怎么定、如何处理冷启动;如何检测虚假房源或欺诈预订,样本不平衡怎么处理;如何为房东做智能定价(Smart Pricing),输入特征有哪些、如何评估定价建议的效果。回答这类问题时要按建模全流程展开:问题定义(分类还是回归,目标变量是什么)、数据与特征(用户特征、房源特征、时间特征、历史行为特征)、模型选择(从逻辑回归或梯度提升树 baseline 开始,说明什么时候需要更复杂的模型)、评估方法(离线指标与在线实验如何结合,AUC、精确率与召回率的取舍)、上线与监控(模型衰减怎么办、如何做 A/B 测试验证模型效果)。

Analytics 赛道的候选人也可能被问到机器学习概念题,但深度止于概念与思路层面:例如解释过拟合(overfitting)与欠拟合(underfitting)、偏差方差权衡(bias-variance tradeoff)、交叉验证(cross-validation)的作用、精确率与召回率的区别、什么时候用分类模型什么时候用回归模型。回答概念题时要做到准确加举例:先给一句话定义,再用 Airbnb 的场景举一个例子,例如用虚假房源检测解释精确率与召回率的取舍。面试官不要求你现场推导算法,但要求你理解模型背后的假设与局限,知道什么时候能用、什么时候不能用。

一个常见的误区是把机器学习轮当成算法竞赛:上来就讲深度学习、讲复杂的模型架构。Airbnb 的面试官更看重的是业务理解与建模判断:为什么选这个目标变量、特征里有没有数据泄露(data leakage)、离线评估与在线效果不一致怎么办、模型上线后如何监控。能讲清这四个问题,比会背十个模型公式更重要。准备方法是:挑两个自己做过的建模项目,按问题定义、数据、特征、模型、评估、上线六步写成讲稿,面试时直接套用这个框架回答任何建模题。

Onsite 第五关:Take-home 展示与行为面试

Take-home 展示轮通常 60 分钟,形式是你向 2 到 3 位面试官展示 take-home 的分析结果,然后接受追问。展示时间一般控制在 20 到 25 分钟,剩下 35 到 40 分钟是问答。这一轮同时考分析深度、表达能力与抗压能力:评委会在你的报告里找薄弱点追问,例如为什么选这个指标、为什么不用另一种方法、如果数据量翻倍结论还成立吗、这个建议的成本是多少。被追问时不要防御性辩解,诚实承认局限性、说明如果有更多时间会怎么改进,反而更容易拿高分。

展示的结构建议是:开场 1 分钟讲清问题与结论(先给答案,再讲过程);然后用 10 分钟讲分析过程,包括数据、方法与关键发现;再用 5 分钟讲建议与下一步;最后留 5 分钟讲局限性与风险。每一页幻灯片只讲一个观点,每张图表都要有标题说明结论,而不是只贴一张图让评委自己猜。图表要简洁:坐标轴标签清晰、颜色克制、关键数字加粗。展示时语速放慢,讲完一个观点停顿一下,给评委提问的机会。照着幻灯片念稿是这一轮最大的失分点,评委要看的是你能不能脱稿讲清自己的分析逻辑。

行为面试轮通常 45 分钟,考察是否符合 Airbnb 的核心价值观(core values),包括拥抱冒险(Embrace the Adventure)、做主人翁(Be a Host)、简化(Simplify)、每个决定都要有依据(Every Frame Matters)等。常见问题包括:讲一个你用分析改变产品决策的项目;讲一个你与利益相关方意见不一致的经历;讲一个你犯过的错误以及如何处理;讲一个你主导的跨团队合作项目。回答时要用 STAR 结构(情境、任务、行动、结果),每个故事都要有可量化的结果,例如指标提升了多少、决策如何改变、影响了多少用户。

行为面试的准备方法是:提前写好 5 到 6 个故事,覆盖领导力、合作、冲突处理、失败复盘、数据驱动决策五个主题,每个故事写成 2 分钟讲稿并演练。故事要真实,面试官会针对细节追问三到四层:当时数据量多大、你具体做了什么、其他人是什么反应、结果如何衡量。编造的故事在追问下很容易露馅,而真实的故事哪怕结果不完美,也能讲出完整的思考链条。另外要注意,Airbnb 的价值观面试不是走过场,候选人因为价值观不匹配被刷掉的情况并不少见,准备时要把自己的经历与公司价值观对应起来讲。

SQL 高频题型全解

SQL 是 Airbnb 数据科学家面试的基本功,几乎每一轮都会考到。按公开面经整理的归纳,高频题型可以分为六类,每一类都要练到能现场手写通过。第一类是聚合与分组:按市场、房源类型、时间分组计算预订量、收入、转化率,考察 GROUP BY 与 HAVING 的正确使用,常见坑是聚合粒度与问题不一致,例如按房源分组却忘了排除重复预订。第二类是窗口函数:排名、累计、环比、同比、前后行比较,ROW_NUMBER、RANK、DENSE_RANK、LAG、LEAD、SUM OVER 是必考函数,面试官最喜欢用窗口函数出题,因为它最能区分熟练与生疏。

第三类是多表连接与子查询:users、listings、bookings、searches、reviews 多表连接,考察连接键的选择与连接类型的区别,LEFT JOIN 与 INNER JOIN 用错会导致结果完全错误。第四类是日期运算:计算首次与第二次预订间隔、过去 90 天滚动指标、同比与环比、处理时区问题,DATE_DIFF、DATE_TRUNC、EXTRACT 是常用函数,面试官会特意考察边界情况,例如闰年、夏令时切换、跨月统计。第五类是漏斗分析:搜索到浏览、浏览到预订、预订到支付各环节转化率,考察条件聚合(CASE WHEN 与 SUM 的组合)与分母选择。第六类是去重与数据质量:处理重复记录、NULL 值、异常值,考察 DISTINCT、COALESCE、NULLIF 的使用,以及是否主动说明数据质量假设。

每一类题型的解题思路都是相通的:先澄清指标定义与时间窗口,再确认表之间的连接键,然后写出能跑通的版本,最后处理边界情况。准备时建议按题型分类刷题,每天每类练 1 到 2 道,重点不是题量而是手感:能在 15 分钟内写出正确查询,并且边写边解释思路。面试时允许先写伪代码再写正式查询,也允许向面试官确认表结构与字段含义,主动确认比闷头写错要好得多。另外要注意,Airbnb 的 SQL 面试通常在共享文档里手写,不提供自动补全与报错提示,平时练习时也要关掉补全功能,模拟真实考试环境。

统计必考概念:从 p 值到因果推断

统计是 Airbnb 数据科学家面试的另一块基本功,电话轮与 onsite 都会考。必考概念清单如下:p 值的正确含义(在原假设为真的前提下,观察到当前或更极端结果的概率,绝不是原假设为真的概率);置信区间(confidence interval)的含义与误读,例如 95% 置信区间不是真实值有 95% 概率落在其内的区间;统计功效(statistical power)与样本量的关系,功效不足的实验即使结果不显著也不能说明没有效果;第一类错误(false positive)与第二类错误(false negative)的权衡,以及多重比较(multiple comparisons)如何推高假阳性率。

进阶概念包括:辛普森悖论(Simpson’s paradox),即分组数据与汇总数据呈现相反趋势,Airbnb 场景下的典型例子是整体转化率上升、但每个房源类型分组的转化率都在下降,原因是高转化房源类型的占比上升了;条件概率与贝叶斯定理,例如已知房客预订了某类房源,该房客是新用户的概率是多少;中心极限定理(central limit theorem)与大数定律,解释为什么样本均值近似正态分布;选择偏差(selection bias)与幸存者偏差,例如只分析已预订用户的行为会系统性高估满意度。

因果推断是 Airbnb 面试的加分项,也是 Inference 赛道的必考内容。常见方法包括:随机对照实验(A/B testing)是因果推断的金标准;双重差分(difference-in-differences)适用于无法随机化的场景,例如某个市场先上线了新功能、其他市场还没有;断点回归(regression discontinuity)适用于按阈值分配处理的场景,例如评分高于某个阈值的房源获得特殊展示;工具变量(instrumental variables)适用于存在未观测混杂因素的场景。回答时要能说清每种方法的前提假设与局限,例如双重差分要求平行趋势假设,断点回归只在阈值附近有效。只背方法名字不讲假设与局限,面试官会认为你理解不深。

产品案例分析框架:指标树与诊断方法

产品案例轮的回答质量取决于框架是否完整,推荐使用指标树(metrics tree)加诊断漏斗的两层框架。第一层是指标树:从北极星指标出发,逐层拆解。Airbnb 的北极星指标可以是预订间夜数(nights booked)或总预订价值(gross booking value),支撑指标包括搜索量、搜索到预订转化率、平均间夜数、平均每晚价格,护栏指标包括取消率、房东收入、房客投诉率、房源下架率。定义指标树时要注意三点:指标之间要有逻辑关系(乘法或加法拆解),每个指标都要有明确定义(分母、时间窗口、用户群),护栏指标要覆盖双边市场两端。

第二层是诊断漏斗:当某个指标异常时,按漏斗逐环排查。搜索到预订的漏斗包括搜索、浏览房源、查看详情、发起预订、支付成功五个环节,每一环都要有对应的指标与切分维度。诊断时先看总量再看结构:按市场、房源类型、价格带、新老用户、设备类型切分,看异常集中在哪里;再看时间维度:异常是突然发生还是逐渐恶化,是工作日还是周末更严重;最后看外部因素:有没有产品上线、营销活动、节假日、天气事件或竞品动作。每一层都要说明用什么数据验证、如果验证成立下一步做什么。

回答产品案例时还有三个加分动作:第一,主动提出护栏指标与回滚标准,说明什么情况下应该停止实验或回滚上线;第二,区分短期效应与长期效应,例如新奇效应(novelty effect)会让新功能上线初期的数据虚高,需要跑足够长的时间才能看到真实效果;第三,说明数据局限性,例如当前数据有哪些缺失、结论有哪些前提、如果有更多数据会怎么做。能做到这三点,产品案例轮的分数会明显高于只会按框架走流程的候选人。

A/B 测试设计全解:从随机化单元到样本量

A/B 测试是 Airbnb 数据科学家面试的重中之重,电话轮、实验设计轮、产品案例轮都可能考到。完整的回答框架包括八步:明确假设与目标、选择主要指标与护栏指标、选择随机化单元、确定样本量与实验时长、处理网络效应与溢出效应、制定分析计划、定义决策规则、说明上线后监控。每一轮实验设计题都可以套用这个框架,区别只在于每一轮的侧重点不同:电话轮重前三步,实验设计轮重全部八步,产品案例轮重指标选择与决策规则。

样本量计算是常见的追问点。需要知道的公式关系是:样本量与方差成正比,与最小可检测效应(minimum detectable effect,MDE)的平方成反比,与显著性水平和统计功效有关。实际回答时不需要背公式、现场手算,但要能说清影响因素:指标方差越大,需要的样本量越大;想检测的效应越小,需要的样本量越大;功效要求越高,需要的样本量越大。还要能说清缩短实验时间的方法:提高流量分配比例、选择方差更小的指标(例如用比率指标代替绝对值指标)、用 CUPED 等方差缩减方法、接受更大的 MDE。面试官追问样本量不够怎么办时,标准答案是延长实验时间、提高流量比例或接受更大的 MDE,而不是直接说实验做不了。

网络效应与溢出效应是 Airbnb 实验特有的难点。双边市场里,实验组与对照组会通过供给与需求互相影响:例如测试新的搜索排序算法,实验组房客预订了某房源,对照组房客就订不到同一房源,两组的结果互相污染。处理方法包括:按市场或地理区域随机(cluster randomization),代价是样本量变小、统计功效下降;用双边随机化设计,同时随机化房客与房源;用实验后分析方法(例如 exposure modeling)估计溢出效应的大小;或者接受一定程度的污染,但在解读结果时明确说明偏差方向。回答时要能说出每种方法的代价,而不是只给一个答案。

常见的实验陷阱清单:新奇效应(novelty effect),新功能上线初期用户因为好奇而多用,效应会随时间衰减;辛普森悖论,分组数据与汇总数据趋势相反,需要按关键维度分层分析;多重比较,同时看几十个指标必然有几个显著,需要校正或预先指定主要指标;样本比例失衡(sample ratio mismatch,SRM),实验组与对照组流量比例偏离预期,说明分流逻辑有问题;季节性与周末效应,实验时长要覆盖完整的周周期,至少跑 1 到 2 周。面试时能主动提到其中两到三个陷阱,并说明如何检测与处理,是实验设计轮拿高分的关键。

常见挂点:七个最容易被淘汰的原因

第一,SQL 不够硬。窗口函数不熟、自连接写错、聚合粒度搞错,是电话轮与 onsite SQL 轮最常见的挂点。SQL 是基本功,没有捷径,每天练 2 到 3 道题、坚持一个月是唯一可靠的方法。第二,实验设计答得浅。只会说随机分组、看 p 值,不会讲随机化单元选择、网络效应处理、样本量计算与护栏指标,是实验设计轮最常见的挂点。实验设计需要系统学习,不能只靠刷题。

第三,产品案例没有双边市场视角。只分析房客行为不看房东供给,只看总量不看结构,指标树只有北极星指标没有护栏指标,是产品案例轮最常见的挂点。准备时凡是遇到产品问题,先问自己对房客、房东、平台三方各有什么影响。第四,Take-home 做得敷衍。只做描述性统计、没有假设验证、指标定义不清、展示时照稿念,是 take-home 环节最常见的挂点。Take-home 要当成半个 onsite 来对待,报告与展示同等重要。

第五,行为面试没有准备故事。被问到用分析改变决策的项目时支支吾吾、讲不出量化结果,或者讲的故事没有 STAR 结构,是行为面试最常见的挂点。提前写好 5 到 6 个故事并演练,是成本最低的提分方法。第六,对岗位定位不清。Analytics 赛道候选人花大量时间准备深度学习,Algorithms 赛道候选人只准备 SQL 与实验设计,都是定位错误导致的挂点。投递前一定要看清赛道,按赛道分配准备时间。

第七,沟通方式有问题。写 SQL 时一言不发、回答问题时先给结论不给推理、被追问时防御性辩解,都是面试官眼中的减分项。数据科学家的工作有一半是沟通:把分析讲给产品经理、工程师与设计师听明白。面试时要边想边说、边写边解释,把思考过程展示出来。面试官招的是未来的同事,不是考试机器,能把复杂问题讲清楚的人,比只会做题的人更受欢迎。

薪水全拆解:多口径并列,查询日期 2026 年 11 月 18 日

薪水是求职者最关心的问题之一,但不同来源的数字口径差异很大,本文按多口径并列、不强行统一的原则呈现,所有数字均标注来源与查询日期(2026 年 11 月 18 日至 19 日)。先看 Glassdoor 的口径:截至 2026 年 11 月查询,Glassdoor 上 Airbnb 数据科学家岗位的中位数总薪酬为每年 306,216 美元,该数字基于美国员工匿名提交的薪酬报告。Glassdoor 的优点是样本量相对较大、覆盖各级别,缺点是中位数混合了不同级别与地区,不能直接当作某个级别的 offer 参考。

再看 Dataford 的整理(2026 年 10 月 2 日更新,基于 184 份 Glassdoor 自报薪酬):Airbnb 数据科学家中位数总薪酬为每年 327,000 美元,其中 base 中位数 193,000 美元、股票(RSU)中位数 105,000 美元、现金奖金中位数 29,000 美元;分位数上,25 分位为 215,000 美元,90 分位为 517,000 美元。也就是说,典型 offer 在 327,000 美元左右,但分布很宽,入门与资深相差超过一倍。Dataford 同时提醒,以上数字为估计值,须以实际 offer 为准。

levels.fyi 的口径样本较薄,需要谨慎使用。截至 2026 年 10 月 11 日的整理,levels.fyi 上 Airbnb 数据科学家 L4 级别的 base 区间为 158,000 到 175,000 美元,总薪酬区间为 213,000 到 295,000 美元,但该区间仅基于 10 份报告,且过去 12 个月内只有 1 份新报告,样本量明显不足。levels.fyi 的级别体系中,Airbnb 数据科学家 ladder 为 L3 到 L8,L4 大致对应有 1 到 3 年经验的初级到中级岗位。样本薄意味着区间可信度有限,谈判时不宜只拿这一个来源说事。

最可靠的口径其实是 Airbnb 官方招聘页上公布的 base 薪水区间(2026 年 11 月查询,多个在招岗位并列):数据科学家(Algorithms,Community Support 方向)base 为 151,000 到 175,000 美元;Senior 数据科学家(Pricing 方向)base 为 177,000 到 208,000 美元;Senior 数据科学家(People Analytics 方向)base 为 180,000 到 210,000 美元;Staff 数据科学家(Marketplace Intelligence and Forecasting 方向)base 为 200,000 到 242,000 美元;Staff 数据科学家(Search Optimization 方向)base 为 192,000 到 243,000 美元;Staff 数据科学家(Platform,Inference/Payments 方向)base 为 194,000 到 240,000 美元。以上均为 base 薪水,不含股票与奖金;招聘页同时注明,同一职位名称可能对应多个级别,实际 base 取决于定级,offer 还可能包括奖金、股票、福利与员工旅行积分(Employee Travel Credits)。

综合四个口径,可以得出一个大致的判断:Data Scientist 级别总薪酬约 213,000 到 327,000 美元,Senior 级别总薪酬约 300,000 到 400,000 美元,Staff 级别总薪酬约 400,000 到 500,000 美元。个别第三方博客提到入门 base 为 154,000 美元、Staff 总薪酬可达 394,000 到 479,000 美元,但该博客同时引用了无法核实的招聘内情,本报告未将其作为主要依据。谈判时要注意三点:第一,base 与总薪酬要分开谈,股票按 4 年归属、1 年 cliff 计算年均价值;第二,签字费(sign-on bonus)是可以谈的,尤其是有竞争 offer 时;第三,不同地区的 base 可能有差异,旧金山与纽约的 base 高于其他地区,远程岗位的定价以公司政策为准。

H-1B 与身份问题:数据科学家岗位的签证现实

对需要签证身份的候选人来说,Airbnb 的 H-1B 情况是好消息:公司确实为数据科学家岗位办理 H-1B,而且批准率很高。按 MyVisaJobs 整理的 USCIS H-1B Employer Data Hub 数据,2025 财年 Airbnb 共提交 181 份 H-1B 申请(Form I-129),其中 179 份获批、2 份被拒,批准率约 98.9%;2024 财年共提交 159 份,其中 158 份获批、1 份被拒。同期公司提交的劳工条件申请(LCA)为 240 份,绿卡劳工申请(labor petitions)为 48 份。另一家统计 Ellis 的口径略有不同:2025 年 LCA 提交 216 份、PERM 绿卡申请 38 份(其中 35 份获批,获批率 92.1%)、H-1B 岗位中位数薪水 183,500 美元。两家来源的 LCA 数字有出入(240 份与 216 份),原因是统计口径与时间窗口不同,本文并列呈现,请以美国劳工部(DOL)官方披露数据为准。

具体到数据科学家岗位,按 h1bsalarydata.org 整理的美国劳工部 LCA 披露数据(2023 至 2026 财年),Airbnb 共提交 793 份 LCA、其中 773 份获批,全公司中位数 offered 薪水 185,000 美元;按职位拆分,Data Scientist 职位 26 份 LCA、中位数薪水 151,000 美元,Senior Data Scientist 职位 15 份、中位数 174,000 美元,Staff Data Scientist 职位 7 份、中位数 193,000 美元。另据 Real Analyst Jobs 整理的 2025 财年劳工部数据,Airbnb 数据科学家类职位当年共有 10 份获批 LCA、中位数薪水 175,500 美元(其中 Senior Data Scientist 4 份、Staff Data Scientist 3 份、Data Scientist 3 份),工作地点集中在加州(8 份)与华盛顿州(2 份)。需要注意,LCA 是 H-1B 申请的第一步,不代表最终获批人数,也不代表公司一定会为某个具体岗位办理 H-1B。

有两点需要明确说明。第一,数据科学家单岗的 USCIS H-1B 获批件数目前未找到:USCIS 的 H-1B Employer Data Hub 只公布公司层面的批准与拒绝总数,不按职位拆分;劳工部的 LCA 数据虽然按职位拆分,但 LCA 获批不等于 H-1B 获批。任何声称知道 Airbnb 数据科学家岗位具体 H-1B 获批件数的说法,都没有公开数据支撑。第二,绿卡办理方面,Airbnb 会为员工办理 PERM 绿卡,Ellis 的统计显示公司累计提交 663 份 PERM 申请、批准率 99.1%,从提交到决定的中位数处理时间为 141 天;绿卡承诺率(PERM 申请数除以新 H-1B 雇佣与 transfer 人数)为 47.1%,属于较高水平。入职后建议尽早与 HR 确认绿卡启动时间,不同团队与级别的政策可能不同。

身份方面的实操建议有四条:第一,面试时如实告知身份需求,招聘人员会在第一轮电话里记录,隐瞒身份问题只会在 offer 阶段造成被动;第二,OPT 期间入职的候选人要确认公司是否支持 H-1B 抽签与 Cap-gap,以及抽不中后的备选方案;第三,H-1B transfer 的处理时间要提前规划,常规处理需要数月,加急处理(premium processing)为 15 天,但是否加急由公司决定;第四,2026 年 H-1B 政策环境变化较快,抽签规则与费用可能调整,本文写作时(2026 年 11 月)的情况请以 USCIS 官网最新通知为准,不要依赖过时的经验帖。

常见问题 FAQ

Q1:Airbnb 数据科学家面试一共几轮,需要多长时间?A:完整流程通常为 3 到 6 周,包括简历筛选、招聘人员电话(约 30 分钟)、技术电话轮(45 到 60 分钟)、take-home 作业(2 到 7 天完成,实际投入约 4 到 6 小时)、虚拟 onsite(4 到 5 小时,共 4 到 5 轮)。不同团队、不同赛道的轮次可能不同,个别团队没有 take-home,个别团队会加一轮机器学习,请以招聘人员发给你的轮次表为准。

Q2:没有研究生学历,能进 Airbnb 做数据科学家吗?A:有可能,但难度较大。岗位描述明确写着硕士或博士优先,Senior 与 Staff 级别几乎默认要求研究生学历。本科候选人需要在工作经验与项目成果上明显更强,例如有扎实的 A/B testing 经验、双边市场产品经验或突出的 SQL 能力。实习与全职的学历要求也有所不同,实习岗位对学历的弹性更大。

Q3:SQL 要练到什么程度才够?A:目标是能在 15 分钟内手写通过中等难度的查询,并且边写边解释思路。必练内容包括窗口函数(ROW_NUMBER、RANK、LAG、LEAD)、自连接、子查询、多表连接、日期运算、漏斗分析与去重处理。Airbnb 的 SQL 面试通常在共享文档里手写,不提供自动补全与报错提示,平时练习时也要关掉补全功能,模拟真实考试环境。

Q4:机器学习要准备多深?A:取决于赛道。Analytics 与 Inference 赛道的候选人,机器学习准备到概念与思路层面就够了,重点是过拟合、偏差方差权衡、交叉验证、精确率与召回率等概念,以及建模全流程的框架。Algorithms 赛道的候选人则需要深入准备,包括特征工程、模型选择、评估方法与上线监控,面试会围绕具体建模场景展开。投递前一定要确认赛道。

Q5:Take-home 作业有多重要?会被刷掉吗?A:非常重要,而且确实会刷人。Take-home 同时考察 SQL、统计、产品 sense 与讲故事的能力,onsite 时还要用 60 分钟向评委展示并接受追问。做得敷衍、只做描述性统计、指标定义不清、展示时照稿念,都是常见的挂点。建议把 take-home 当成半个 onsite 来对待,报告与展示同等重要,留出至少一天缓冲时间演练。

Q6:Airbnb 数据科学家薪水大概是多少?A:按 2026 年 11 月 18 日至 19 日查询的多口径数据,Data Scientist 级别总薪酬约 213,000 到 327,000 美元,Senior 级别约 300,000 到 400,000 美元,Staff 级别约 400,000 到 500,000 美元。官方招聘页公布的 base 区间为:数据科学家 151,000 到 175,000 美元,Senior 数据科学家 177,000 到 210,000 美元,Staff 数据科学家 192,000 到 243,000 美元;Glassdoor 中位数总薪酬为 306,216 美元。各口径差异较大,谈判时请以实际 offer 与多来源交叉验证为准。

Q7:Airbnb 会给数据科学家办 H-1B 和绿卡吗?A:会。按 USCIS 数据,2025 财年 Airbnb 共提交 181 份 H-1B 申请,其中 179 份获批、2 份被拒,批准率约 98.9%;公司同时办理 PERM 绿卡,累计批准率约 99.1%,从提交到决定的中位数处理时间为 141 天。数据科学家单岗的 USCIS 获批件数目前未找到公开数据,劳工部 LCA 数据显示 2023 至 2026 财年数据科学家类职位共 48 份 LCA(Data Scientist 26 份、Senior 15 份、Staff 7 份)。面试时如实告知身份需求,入职后尽早与 HR 确认绿卡启动时间。

Q8:面试挂了之后多久可以再投?A:Airbnb 没有公开发布统一的冷却期,不同团队与招聘人员的说法不一,常见的说法是 6 到 12 个月。更稳妥的做法是:挂掉后请招聘人员给反馈(虽然不一定能拿到详细反馈),针对薄弱环节系统准备 3 到 6 个月,再投递不同团队的岗位。同一团队短时间内重复投递通常不会有不同结果,换团队、换赛道、带着明显进步的简历再投,成功率更高。

30/60/90 天准备计划

前 30 天:打基础。SQL 每天练 2 到 3 道中等难度题,重点是窗口函数、自连接、子查询与日期运算,目标是 15 分钟内手写通过;统计概念每天过一遍清单,重点是假设检验、p 值、置信区间、统计功效、辛普森悖论与条件概率;同时读完 Airbnb 最近两个季度的财报与股东信,了解公司业务重点(搜索排序、定价、Experiences、房东增长),并注册一个房客账号、完整走一遍搜索到预订流程,记录每一个让你困惑或惊喜的产品细节。

第 31 到 60 天:练框架。产品案例每天练 1 道,按指标树加诊断漏斗的框架写出完整回答,重点练预订量下降诊断、总价前置显示、搜索排序改动三个高频场景;实验设计每天练 1 道,按八步框架写出完整设计,重点练随机化单元选择、网络效应处理与样本量计算;同时做 2 到 3 个模拟 take-home,用公开数据集(例如 Kaggle 上的 Airbnb 房源数据集)做完整分析并写成 Notebook,练习从数据清洗到建议落地的全流程;行为面试写好 5 到 6 个 STAR 故事并演练。

第 61 到 90 天:模拟与冲刺。每周做 2 次全真模拟面试,找朋友或导师扮演面试官,按真实时间压力走完整流程(SQL 限时、实验设计限时、产品案例限时);模拟后复盘每一轮的失分点,针对性补强;同时开始投递与内推,LinkedIn 上联系目标团队的数据科学家做 informational chat,请对方内推;收到面试邀请后,按招聘人员给的轮次表做最后一周的针对性冲刺:有 take-home 就提前练一遍完整分析,有机器学习轮就把两个建模项目讲稿背熟,没有机器学习轮就把时间全部投入 SQL 与实验设计。

面试之后:评议、谈判与复盘

Onsite 结束之后,招聘人员会组织所有面试官开评议会(debrief),共同决定是否发放 offer,同时确定级别。评议结果通常在 1 周内通知,个别团队需要 2 周。如果超过 2 周没有消息,可以发邮件礼貌跟进一次。拿到 offer 之后不要立刻接受,先问清四个问题:定级是什么(L4、L5 还是 L6),base、股票与奖金的完整结构,股票归属时间表(通常 4 年归属、1 年 cliff),以及签字费与入职时间。谈判时可以引用本文薪水一节的多口径数据,但要以市场价与竞争 offer 为依据,而不是以某一篇网文的数字为依据。

如果没有拿到 offer,可以请招聘人员给反馈。虽然很多公司不提供详细反馈,但值得问一次:哪一轮是短板、哪项能力需要加强。拿到反馈后针对性准备 3 到 6 个月,再投递不同团队的岗位。没有拿到反馈也不要气馁,复盘自己的每一轮表现:SQL 题有没有写错、实验设计有没有漏掉随机化单元、产品案例有没有双边市场视角、行为面试的故事有没有量化结果。把复盘写下来,下一次面试直接受益。很多最终拿到 Airbnb offer 的候选人,都是第二次甚至第三次尝试才成功的。

结尾总结:把四项能力练成肌肉记忆

Airbnb 数据科学家面试的本质,是验证你能不能在一个双边市场里,用数据驱动产品决策。SQL 是基本功,决定了你能不能拿到数据;统计与实验设计是分水岭,决定了你的结论可不可信;产品案例是拉开差距的地方,决定了你的分析有没有业务价值;沟通能力是放大器,决定了你的结论能不能变成决策。四项能力缺一不可,任何一项明显短板都可能在某一轮直接出局。

准备的策略应该是:前 30 天打基础,把 SQL 与统计练成肌肉记忆;中间 30 天练框架,把产品案例与实验设计的八步框架练到脱口而出;最后 30 天做模拟,在真实时间压力下走完整流程。投递之前看清赛道,面试之前问清轮次,谈判之前查清薪水。Airbnb 的面试不算最难的那一档,但体验偏严苛、流程偏长,准备不足很容易在某一轮被卡住。按本文的框架系统准备 90 天,你通过的概率会大幅提升。祝你面试顺利,早日拿到 offer。

相关阅读

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、签证或投资建议。面试流程、薪水与签证政策可能随时间变化,请以 Airbnb 官方招聘页、美国劳工部与 USCIS 官网的最新信息为准。文中薪水与 H-1B 数字均来自公开来源并标注查询日期,仅供参考,不代表任何 offer 承诺。

© 版权声明
THE END
喜欢就支持一下吧
点赞88 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