DoorDash 的数据科学家面试在北美科技圈里以“快、密、重案例”著称:技术筛选只有短短 60 分钟,却要在一小时内同时考完 SQL 与产品案例;onsite 的四轮里有三轮都是开放式案例,几乎没有标准答案。更特别的是,2026 年下半年 DoorDash 的 SQL 轮出现了新格式——有的候选人不再需要现场写查询,而是拿到现成查询做讲解与排错。本文基于 Glassdoor 上 94 份 DS 面试反馈、Interview Query 2026 年 11 月 19 日更新的面试指南、Aced 对 2025–2026 年 30 多份一手面经的梳理,以及 levels.fyi、美国劳工部 H-1B 披露数据与 DoorDash 官方招聘信息,把从简历筛选到 onsite 的每一轮拆开讲清楚:每轮考什么、时间多紧、用什么框架作答、以及哪些坑最容易在最后一轮翻车。
先给结论:DoorDash DS 面试的核心不是 SQL 写得多快,而是你能不能在三方市场(消费者、Dasher 骑手、商家)的约束下做取舍。SQL 只是入场券,真正决定 offer 的是产品案例里的结构化思考与实验设计。准备的重心应该放在案例框架与 A/B testing 上,而不是刷 200 道 SQL 题。
DoorDash 数据科学家是做什么的:先搞懂三方市场
DoorDash 是一个三方市场平台,连接消费者、Dasher(配送骑手)与商家。数据科学家所在的 Analytics 团队负责为这个市场的度量、策略与战术决策提供分析支持,岗位分布在增长、定价、物流、商家、消费者体验、广告等多个业务线。官方招聘信息写明,Analytics 团队的数据科学家需要“引导度量、策略与战术决策”,工作语言是 SQL 与 Python,日常大量接触实验与因果推断。
理解这个岗位要先分清三条容易混淆的线:
- Analytics DS(产品分析型):本文的主角。重 SQL、产品 sense、实验设计,建模为辅,是招聘量最大的 DS 方向。
- Machine Learning Scientist:重建模与算法,如派单、ETA 预估、定价模型。面试里会出现机器学习系统设计,SQL 占比低。
- Data Engineer:重 pipeline 与数据基建,不在本文讨论范围。
投递前务必确认岗位描述里的团队与方向。同一轮招聘里,Analytics DS 与 ML Scientist 的面试轮次差别很大,准备材料不能混用。2026 年 11 月的在招岗位显示,Analytics DS 覆盖旧金山、西雅图、纽约、洛杉矶、芝加哥、奥斯汀、华盛顿特区等多个办公室,也有远程友好的团队;base 薪水按地点调整,同一级别在不同城市的区间可以相差数万美元。
公司背景方面,2026 年 10 月 29 日 DoorDash 宣布以约 170 亿美元收购 Instacart,交易在 2026 年 11 月进入美国司法部审查阶段,分手费 12.5 亿美元。面试中不太会直接考这笔交易,但了解它有助于回答“你为什么想来 DoorDash”以及与杂货配送、会员体系相关的问题。回答时只陈述公开事实即可,不必预测交易结果。
招聘流程总览:从投递到 offer 通常 3–6 周
根据 Glassdoor 上 94 份 Data Scientist 面试反馈,从投递到拿到结果平均需要 24 天;多位候选人报告全流程 3–6 周,个别拖到 6–8 周。Glassdoor 上的难度评分为 3.2 分(满分 5 分),属于中等偏上;正面体验比例仅 18%,明显低于全公司平均的 35.6%,说明流程体验偏严苛、反馈偏慢,候选人要有心理准备。
标准流程共五步:
- 第一步:简历筛选。Recruiter 或 hiring manager 筛选,内推与 recruiter 主动联系的通过率明显高于海投。
- 第二步:Recruiter screen。30 分钟电话,聊背景、动机、薪水预期与身份问题;部分候选人会先收到一份书面问卷。
- 第三步:技术筛选(60 分钟)。两个 30 分钟连场:SQL 轮与产品案例轮。这是淘汰最集中、最需要针对性准备的一关。
- 第四步:Virtual onsite(4 轮)。三轮产品案例加一轮跨职能行为面试,部分 loop 还包含 hiring manager 终面。
- 第五步:团队匹配与 offer。通过 onsite 后进入 team match,确定具体团队再发 offer;offer 审批与背景调查另需时间。
需要注意,流程细节因团队与招聘时间而异。2026 年 9 月之后的多份反馈显示 SQL 轮格式正在变化,recruiter 给出的轮次说明是最准确的版本,收到面试邀请后务必向 recruiter 确认每一轮的形式、时长与是否允许使用 AI 辅助工具。
简历筛选:什么样的背景能过关
DoorDash 的 DS 岗位面向的背景很宽:统计、计算机、经济学、运筹学、商科本科加硕士很常见,博士并非必需。招聘信息对 Analytics DS 通常要求扎实的 SQL 与 Python、实验设计经验,以及与产品或业务方合作的经历。没有硬性的学校名单,但有三类经历在筛选中明显加分:
- 市场平台或双边市场经验:外卖、出行、电商、广告等供需匹配场景的分析经历,与 DoorDash 的业务直接对口。
- 实验与因果推断的实战:主导过 A/B 测试、做过 launch 分析或写过实验复盘,比“会跑回归”更有说服力。
- 可量化的业务影响:用数字写清你改变了什么指标、幅度多大、怎么验证的,例如“通过调整推送实验分组,把次日留存提升 1.2 个百分点”。
简历写作上建议遵循四点:第一,把 SQL、Python、实验设计放在技能栏最前面,工具按熟练度排序;第二,每个项目用“问题—方法—结果”三句话写完,指标写绝对值与相对变化;第三,针对 DoorDash 的岗位描述微调关键词,例如 marketplace、logistics、pricing、experimentation,让简历与岗位描述的匹配度更高;第四,控制在一页,删掉与数据无关的校园活动与过时的课程作业。
内推是性价比最高的投递方式。Glassdoor 反馈中通过 recruiter 联系与内推进入流程的候选人占比很高,海投的等待时间也更长。如果没有现成内推,可以在 LinkedIn 上联系 DoorDash Analytics 团队的在职员工,附上一句具体的问题(例如请教某个团队的方向),比群发“求内推”更容易得到回应。投递后若两周没有消息,可以礼貌地请 recruiter 更新状态,但不要反复催促。
Recruiter screen 与书面问卷:别在第一关丢分
Recruiter screen 通常 30 分钟,内容包括自我介绍、为什么选择 DoorDash、为什么选择这个团队、目前的薪资结构、期望薪资、入职时间与工作身份。这一轮不考技术,但有两个地方容易失分:一是“为什么来 DoorDash”答得空泛,二是薪资预期报得过早或过低。
回答动机时要具体到业务:可以谈你对三方市场平衡的兴趣,例如如何在不伤害 Dasher 收入的前提下提升配送效率;也可以谈你关注的具体团队方向,例如定价实验或商家增长。避免只说“喜欢数据”“喜欢大厂”这类放之四海而皆准的答案。
薪资预期方面,建议先了解级别对应的市场区间(见本文薪水章节),再给出一个区间而非固定数字,并说明 base、股票与签约奖可以综合谈。Recruiter 通常会在这一轮确认你的工作身份与是否需要 H-1B sponsorship,如实说明即可,DoorDash 是 H-1B 的常规赞助雇主。
部分候选人报告,在电话筛选之前会收到一份 10–12 道题的书面问卷,通过邮件作答,没有电话沟通。问卷内容包括产品上线指标设计、用户流失分析、自评 SQL 与 Python 水平、一次与利益相关方合作的经历,以及签证与薪资等后勤问题。作答时把每一道题当作微型案例来写:先给结论,再给推理链条,不要只写一句话。书面问卷不是所有候选人都有,收到就认真对待,它是进入技术筛选的门票。
技术筛选第一轮:SQL,30 分钟 4 道题
技术筛选的第一场是 30 分钟 SQL。多份 2025 年 8 月至 2026 年 8 月的 Glassdoor 反馈确认,SQL 部分通常为 4 道题,难度中等,集中在实际业务数据上;有候选人明确被告知“不要求做完四道题”,时间压力本身就是考察点之一。部分场次在 HackerRank 上进行,也有场次不实际运行代码,只做口头讲解。
题型分布上,基础题是 CTE 与 GROUP BY 的组合,第三道左右开始上难度,最难的一道几乎一定是窗口函数。2026 年的多份反馈点名了 LAG 与 RANK,要求计算某个指标相对上个月的变化,或按分区取排名。常见的考点清单如下:
- 窗口函数:LAG、LEAD、RANK、ROW_NUMBER、SUM() OVER (PARTITION BY … ORDER BY …),以及累计值与环比计算。
- CTE 与多层子查询:把复杂逻辑拆成可读的步骤,面试官会看你的代码结构是否清晰。
- JOIN 与去重:订单表、订阅表、配送表之间的连接,处理一对多带来的重复计数。
- 日期函数:按周、按月截断,计算留存窗口与 cohort。
- 条件聚合:CASE WHEN 结合聚合函数,计算转化率、分层占比等指标。
下面是一道贴近真实场次的通用练习题型(行业通用框架,非某位候选人的原题):给出一张订单表 orders(order_id、consumer_id、order_time、delivery_time、order_value)与一张订阅表 subscriptions(consumer_id、plan、start_date),要求计算每位 DashPass 会员在订阅后 30 天内的订单数与平均订单金额。练习时注意先写 CTE 过滤出订阅后 30 天的窗口,再 JOIN 订单表并聚合;窗口函数的边界条件(包含订阅当天与否)要主动向面试官确认,这正是面试官想看到的严谨性。
另一类高频题型是留存与环比:例如计算某城市每周下单用户的次周留存率,或计算配送时长相对上月的变化。解题时先说清楚指标定义(留存的分母是谁、时间窗口怎么定),再写查询;定义不清就直接写代码,是最常见的失分点。
2026 年 9 月的新格式值得单独提醒。一位 2026 年 9 月的候选人报告,SQL 部分不再要求现场写查询,而是由面试官给出查询,请候选人讲解它的逻辑、指出问题并提出修改。2026 年 11 月的一份反馈也描述了类似的新格式:面试官先展示表结构、问候选人会关注什么,最后 4 分钟才展示代码。这些报告数量还不多,格式可能因团队而异,但准备时应当两手抓:既要练手写 SQL 的速度,也要练“读查询、找问题、讲优化”的能力,例如识别缺失的过滤条件、错误的 JOIN 导致重复计数、窗口函数分区错误等。
SQL 轮的备考建议:每天限时练 4 道中等难度题,30 分钟内完成并复盘;重点练窗口函数与 CTE 的组合;每道题先口头说清思路再写代码,养成边写边讲的习惯;准备 2–3 个你过去用 SQL 解决业务问题的故事,面试官可能在题目间隙追问你的实际经验。
技术筛选第二轮:产品案例,30 分钟定生死
技术筛选的第二场是 30 分钟产品案例。候选人报告的案例主题高度集中在 DoorDash 的真实业务场景:食物送到时变冷、自行车配送、某个城市订单量下滑、配送失败率上升。案例通常先给一个现象,再要求你诊断原因、提出假设并设计验证方案,部分案例会延伸到 A/B 测试设计。
以“某城市订单量下滑”为例,推荐的回答框架是:
- 第一步,确认指标与范围。下滑的是订单量、活跃用户还是客单价?哪个城市、哪个时间段、与去年同期和全站趋势相比如何?先排除节假日、天气与大盘波动。
- 第二步,拆解三方市场。需求侧看消费者活跃、下单转化与留存;供给侧看 Dasher 在线时长、接单率与配送时长;商家侧看在线商家数、菜单可用性与缺货率。
- 第三步,列假设并排序。按影响面与可验证性排序,例如 Dasher 供给不足导致配送时间变长、进而抑制下单,是比“用户口味变了”更优先验证的假设。
- 第四步,给验证方案。说明需要哪些数据、看哪些切分维度(新老用户、时段、区域)、以及如何用实验或准实验验证。
- 第五步,给建议与风险。明确你的推荐动作、预期效果与副作用,例如补贴 Dasher 能短期提供给,但要评估成本与长期依赖。
“食物变冷”类案例的答法类似:先定义“冷”的度量(从出餐到送达的时长、温度投诉率),再沿着商家出餐、骑手取餐、配送路线三段拆解,最后落到可实验的方案(例如调整派单半径、优化取餐动线、给商家出餐时间提示)。面试官看重的是你能否把模糊的业务抱怨翻译成可度量的指标与可验证的假设。
案例轮常见的追问包括:如果数据支持两个相互矛盾的假设怎么办?这个实验的最小样本量是多少?如果实验结果显著但效应很小,上线吗?回答时不要急于给数字,先讲判断逻辑:效应大小要结合业务价值看,样本量要结合方差与最小可检测效应算,相互矛盾的假设要用分层分析或补充实验区分。
案例轮的备考方法:准备 3 个万能框架(指标下滑诊断、产品上线评估、功能优先级排序),每个框架练 2–3 道不同场景的题;练习时用计时器,30 分钟内必须讲完诊断、假设、验证与建议;找朋友做 mock interview,重点练被追问时不慌、能承认不知道并给出验证路径。
Onsite / Virtual Onsite:4 轮全拆解
通过技术筛选后进入 virtual onsite,共 4 轮。多份反馈描述的结构是:三轮产品案例加一轮与跨职能合作伙伴(通常是产品经理)的行为面试;Interview Query 的指南还提到包含 hiring manager 终面,轮次数量与组合因团队而异。Onsite 的案例与技术筛选同类,但更深、更开放,面试官会持续追问直到触及你的思考边界。
四轮的大致分工如下:
- 案例轮一:指标诊断。给一个业务指标的异常,要求现场诊断。重点是拆解的完整性与假设的优先级,常见主题是配送失败、订单下滑、留存下跌。
- 案例轮二:产品上线与度量设计。例如“我们要上线一个新产品功能,你怎么定义成功、选什么指标、怎么做 launch 分析”。重点是 North Star 指标与 guardrail 指标的搭配,以及上线前后的对比方法。
- 案例轮三:实验设计与统计。深入 A/B testing:随机化单位、样本量、显著性与实际显著性、实验污染与网络效应。Senior 岗可能加入因果推断与建模讨论。
- 行为轮(跨职能伙伴):与产品经理或业务方合作场景,考察沟通、影响力与价值观。常见问题是讲一次你推动有争议的决策、一次与利益相关方冲突、一次项目失败的经历。
Onsite 与技术筛选最大的区别在于“一致性检查”:多位候选人反馈 onsite 的案例与筛选轮没有本质新意,面试官在检查你的思考方式是否稳定、能否在不同场景下复用同一套框架。因此不要为 onsite 准备全新的答法,而是把筛选轮用过的框架练得更熟、讲得更稳。
Onsite 的时间管理很关键。每轮之间约有 15 分钟休息,连续 4 轮高强度输出非常消耗精力。建议提前准备好水与提纲笔记(白板或纸笔),每轮开始时先花 1–2 分钟复述题目、确认理解,再展开回答;每轮结束时留 2 分钟向面试官提问,问题要针对团队与业务,例如“这个团队目前最大的度量难题是什么”,而不是可以在官网查到的通用信息。
Onsite 之后通常没有额外的笔试。Hiring committee 根据四轮反馈综合决定,任何一轮出现明显的 red flag(例如实验设计概念错误、无法拆解指标)都可能导致不通过。收到结果的时间从几天到两周不等,若超过两周没有消息,可以请 recruiter 帮忙确认进度。
统计与实验设计:A/B testing 核心考点
实验设计是 DoorDash DS 面试权重最高的知识模块,几乎每一轮案例都会触及。面试官默认你掌握以下概念,并会在案例中要求你现场应用:
- 随机化单位与分析单位:按用户随机还是按订单随机?按订单随机时同一用户的多单会产生相关性,方差估计要相应调整。三方市场里还要考虑 Dasher 与商家侧的溢出效应。
- North Star 与 guardrail 指标:主指标看业务目标(如订单量、成功配送率),guardrail 指标看副作用(如 Dasher 收入、商家投诉率、配送时长)。只报主指标不提 guardrail,是常见的扣分点。
- 样本量与功效:最小可检测效应(MDE)越小,所需样本越大;方差大的指标(如客单价)需要更长时间。面试官常问“这个实验要跑多久”,回答时要讲清样本量、流量占比与方差三者的关系。
- 统计显著性与实际显著性:p 值小于 0.05 不等于值得上线;效应只有 0.1% 但覆盖全量用户时可能仍然值得做,关键看业务价值与成本。
- 多重比较与 peeking:同时看十个指标、每天查一次结果都会抬高假阳性率;要讲清如何控制,例如预先注册主指标、做 Bonferroni 校正或用 sequential testing。
- 网络效应与干扰:在三方市场里,对照组与实验组共享同一批 Dasher 与商家,干预会通过供给侧传导。处理思路包括按地理区域随机(geo-experiment)、按时间切换(switchback),或在分析中承认干扰并做敏感性分析。
一个典型的现场追问题是:“你给 Dasher 的补贴实验显示订单量上升 3%,但 Dasher 的小时收入下降了,你建议上线吗?”好的回答不会只说“上”或“不上”,而是先量化两边的效应、说明 Dasher 收入是 guardrail 指标、评估长期供给流失的风险,并提出折中方案(例如只在供给紧张时段补贴、或把补贴与接单质量挂钩),再建议用更长时间的实验观察供给侧的滞后反应。
另一个高频考点是实验结果与业务直觉冲突时的处理:先检查随机化是否有效(SRM 检验)、分流是否正确、指标口径是否一致;再看分层结果(新老用户、不同城市是否方向一致);最后考虑外部因素(天气、竞品活动、节假日)与新奇效应。把排查步骤按顺序讲出来,比直接给出结论更能体现专业度。
除了 A/B testing,基础统计也不能丢:置信区间的含义、辛普森悖论(分层后方向反转)、选择偏差(只看下单用户会高估满意度)、回归均值(极端值之后自然回落)。这些概念常以“解释给非技术同事听”的形式出现,回答时用业务例子而不用公式堆砌。
机器学习与建模:Senior 岗的加试题
Analytics DS 的初级与中级岗位建模占比不高,但 E5 及以上(Senior)面试里会出现建模讨论。常见的形式不是现场写模型,而是围绕一个业务问题讨论建模思路,例如“如何预测某个区域未来一小时的订单量”“如何给新商家做冷启动推荐”。回答框架是:先定义预测目标与评估指标,再讨论特征(时间、天气、历史订单、商家属性),然后谈模型选择(从简单基线到复杂模型)与上线后的监控。
面试官常追问的建模问题包括:训练集与测试集怎么切分(时间切分而非随机切分,避免泄露);特征泄露的例子(用了订单完成之后才知道的字段);类别不平衡的处理;模型效果衰减时怎么发现与应对。回答时先讲原则再举例,不要直接报模型名字。
需要区分的是,Machine Learning Scientist 岗位的面试会深入得多,包括模型系统设计与算法细节;如果你投的是 Analytics DS,不必按 ML 岗的标准准备,但要能讲清自己做过的建模项目:数据规模、特征工程、评估方法与业务落地效果。没有建模项目也不必编造,诚实说明分析型工作的重心,并展示你对建模流程的理解即可。
行为面试:DoorDash 价值观怎么考
DoorDash 的行为面试围绕公司公开的价值观框架展开:四大支柱(We are leaders、We are doers、We are learners、We are one team),每条支柱下有三项具体原则,共 12 项。面试官不会逐条念出价值观,而是通过情景问题考察你是否具备对应的行为,例如 ownership、bias for action、first-principles thinking 与团队协作。
准备行为问题建议用 STAR 结构(情境、任务、行动、结果),每个故事控制在 2 分钟内讲完,重点放在你的行动与可量化的结果上。建议准备 5–6 个故事,覆盖以下场景:
- 推动有争议的决策:你的分析结论与业务方直觉相反,你怎么沟通并最终推动落地。
- 跨职能冲突:与产品经理或工程在优先级上有分歧,你怎么处理。
- 项目失败或分析出错:你犯过什么错、怎么发现、怎么补救、学到了什么。
- 快速交付:在时间极紧的情况下,你怎么取舍分析深度与交付速度。
- 指导他人:你怎么帮助同事或初级分析师成长。
行为轮的常见失误有三种:一是故事太长、讲了 5 分钟还没讲到行动;二是只讲“我们”不讲“我”,面试官无法判断你的个人贡献;三是被问到失败经历时避重就轻。真诚地讲一次真实的失误与补救,反而比完美故事更有说服力。
另外,面试中有候选人报告面试官风格偏“机器人式”——只贴题目、很少互动与反馈。这种情况下不要被气氛影响,按自己的节奏讲清思路即可;面试官的冷淡不代表你的回答不好,DoorDash 的流程反馈机制本身就偏少。
薪水全拆解:级别、base、股票与谈判
DoorDash DS 的职级体系在 levels.fyi 上标注为 E3 至 E6,对应官方招聘信息的 I4 至 I6 区间。以下数据均为公开来源,查询日期为 2026 年 11 月 18 日至 19 日,不同口径之间存在差异是正常的,谈判时应以 recruiter 给出的级别与区间为准。
levels.fyi 上的 DS 总包中位数(2026 年 11 月 18 日更新):E3 为 225,000 美元,E4 为 247,000 美元,E5 为 298,000 美元,E6 为 487,000 美元。按 base、股票与奖金拆开看(样本量较小,仅供参考):E3 的 base 约 169,000 美元、股票约 53,000 美元、奖金约 3,000 美元(8 个样本);E4 的 base 约 180,000 美元、股票约 69,000 美元(16 个样本);E5 的 base 约 196,000 美元、股票约 95,000 美元(20 个样本);E6 的 base 约 263,000 美元、股票约 225,000 美元(12 个样本)。高级别的总包里股票占比显著上升,E6 的股票部分接近 base 的水平。
官方招聘信息给出的全国 base 薪水区间(2026 年 11 月 13 日发布的岗位,含伊利诺伊与科罗拉多等州的披露要求):I4 为 124,100–182,500 美元,I5 为 152,000–223,500 美元,I6 为 184,300–271,000 美元。Base 按工作地点调整,旧金山、西雅图、纽约等高成本城市取区间上沿。Indeed 上的 DoorDash 数据科学家平均年薪约为 174,422 美元(2026 年 11 月 5 日更新,基于 15 个招聘信息),这一口径偏向 base 薪水,不含股票。
谈判建议:第一,先定级别再谈数字,级别一定,总包区间的天花板就定了;如果面试表现好,可以争取定高一级。第二,股票的归属周期(vesting schedule)与签约奖(sign-on bonus)是谈判空间最大的部分,尤其在 base 接近区间上限时。第三,拿到书面 offer 之前不要接受口头数字,所有承诺以 offer letter 为准。第四,如果手里有其他公司的 offer,可以如实告知 recruiter 并给出回复截止时间,DoorDash 的 offer 审批通常需要几天,要留出缓冲。
需要提醒的是,levels.fyi 的高级别样本量很小(E6 仅 12 个样本),中位数可能受个别高薪样本拉动;官方 base 区间是更稳妥的谈判锚点。不要把任何单一来源的数字当作“标准答案”,谈判时同时引用官方区间与市场中位数更有说服力。
H-1B 与身份:华人候选人须知
DoorDash 是 H-1B 的常规赞助雇主,数据科学家岗位的 H-1B 披露数据比较充分。根据美国劳工部 FY2025 的 LCA 披露数据,DoorDash 为数据科学家岗位提交了 34 份获得认证的劳工条件申请(LCA),中位 offered wage 为 183,500 美元;FY2026 前三季度(2025 年 10 月至 2026 年 6 月的认证决定)为 Data Scientists 职业(代码 15-2051)提交了 48 份认证 LCA,中位 offered wage 为 174,304 美元,区间为 138,200–196,914 美元。另据第三方统计,2024 年 10 月至 2026 年 6 月期间,DoorDash 共获得认证的 H-1B LCA 约 950 份,全部岗位的中位 offered wage 约为 172,800 美元。
需要注意三点:第一,LCA 是雇主在提交 H-1B 申请前向劳工部做的工资承诺,不是签证批准数,一份 LCA 也可能对应多个岗位;第二,LCA 上的工资是雇主承诺至少支付的工资下限,不是实际总包;第三,DS 单个岗位的 H-1B 获批件数无法从公开数据中单独确认,以上数字是 LCA 口径,不能直接理解为获批人数。
身份方面,OPT 与 STEM OPT 的候选人可以正常申请,recruiter 会在筛选轮确认身份与时间线;需要 H-1B 抽签的候选人应尽早与 recruiter 确认公司是否支持抽签与申请时间表。DoorDash 的 DS 岗位分布在多个城市,绿卡 PERM 的办理地点与流程可能因办公室而异,拿到 offer 后再向 recruiter 与移民律师确认细节,不要在面试阶段过度追问。
30 天备考计划:按周推进
如果你有 30 天准备时间,建议按下面的节奏推进;时间不足时优先做第一周与第二周的内容。
- 第 1 周:SQL 与统计基础。每天限时练 4 道 SQL 中等题,重点是窗口函数与 CTE;同步复习 A/B testing 的核心概念(随机化单位、样本量、显著性、多重比较),每天默写一遍概念清单。
- 第 2 周:产品案例框架。准备指标下滑诊断、产品上线评估、功能优先级三个框架;每天练 1–2 道案例题,用 DoorDash 的真实场景改编(订单下滑、配送失败、食物变冷、Dasher 供给不足),计时 30 分钟讲完。
- 第 3 周:Mock interview 与行为故事。找朋友或同行做 3–4 次 mock,覆盖 SQL、案例与行为;打磨 5–6 个 STAR 故事,每个控制在 2 分钟;研究 DoorDash 的业务与财报要点,准备“为什么来 DoorDash”的答案。
- 第 4 周:查漏补缺与模拟 onsite。做一次 4 轮连场的模拟 onsite,练体力与时间管理;复盘 mock 中暴露的短板(例如窗口函数不熟、案例拆解漏了供给侧);准备面试当天的后勤(网络、设备、安静环境)。
备考资源方面,公开渠道包括 Glassdoor 的面经页、Interview Query 的 DoorDash DS 指南、Aced 的 SQL 真题梳理,以及 levels.fyi 的薪水数据。本系列此前文章也值得对照阅读:Stripe 篇讲了支付场景下的实验设计,Uber 篇讲了双边市场的供需平衡,LinkedIn 篇讲了增长实验的度量设计,三篇的框架都可以迁移到 DoorDash 的三方市场场景。
常见失误与避坑清单
- SQL 只写代码不讲思路:面试官要看到你的思考过程,写代码前先说清指标定义与解题步骤,写完后主动讲边界情况。
- 案例只拆需求侧:DoorDash 是三方市场,只分析消费者、不看 Dasher 与商家,拆解就是不完整的。每次回答都过一遍三方清单。
- 实验设计不提 guardrail:只报主指标、不谈副作用,是面试官最常扣分的点。任何实验方案都要配 1–2 个 guardrail 指标。
- 追问时硬撑:不知道就承认,并给出验证路径;编造数字或概念错误比承认不知道更致命。
- 行为故事没有“我”:每个故事都要讲清你的具体行动与可量化的结果,不要只讲团队做了什么。
- 薪资谈判只盯 base:股票与签约奖往往是更大的谈判空间,级别定高一级比 base 多谈 1 万美元更重要。
- 忽视新格式:2026 年 9 月后部分场次的 SQL 轮改为讲解现成查询,只练手写 SQL 可能准备不足;两种形式都要练。
- 面试前不确认轮次:流程因团队而异,收到邀请后务必向 recruiter 确认每一轮的形式、时长与是否允许使用 AI 工具。
完整案例演练:Dasher 供给不足导致配送变慢
下面用一道贴近真实场次的综合案例,把前面的框架完整走一遍。题目是开放式的,面试官只给一句话:“最近两周,某城市的平均配送时长从 32 分钟涨到 41 分钟,你怎么分析?”(题目为行业通用框架改编,非原题。)
第一步:确认指标。先问清 41 分钟的口径:是从下单到送达,还是从商家出餐到送达?是平均值还是中位数?分母是否包含取消订单?同时确认时间范围与对照基准:与两周前比、与去年同期比、与邻近城市比,三个基准都要看。还要问涨幅是突然跳变还是缓慢爬升,跳变指向某个具体事件,爬升指向结构性变化。
第二步:拆解配送时长。把总时长拆成四段:用户下单到商家接单、商家备餐、骑手取餐到送达、以及派单等待时间。每一小段单独看趋势,就能定位问题出在哪一段。如果是派单等待时间变长,问题在供给侧;如果是商家备餐变长,问题在商家侧;如果是骑手取餐后路程变长,可能是订单密度下降导致派单半径扩大。
第三步:三方市场排查。需求侧:订单量是否上升、订单高峰时段是否变化、新用户占比是否提高(新用户地址更分散)。供给侧:在线 Dasher 人数、每小时接单数、Dasher 的平均在线时长、拒绝率是否变化。商家侧:在线商家数、平均备餐时长、缺货率。同时看外部因素:天气、道路施工、大型活动、学校开学季。
第四步:假设与验证。列出 3–4 个最可能的假设并排序。假设一:Dasher 供给不足,派单等待变长。验证方法是看同时段在线 Dasher 数与订单量的比值,以及无人接单的订单占比。假设二:新商家备餐慢。验证方法是按商家分层看备餐时长,重点看新入驻商家。假设三:订单密度下降导致派单半径扩大。验证方法是看每单平均配送距离的变化。每个假设都要说清需要什么数据、看什么切分、什么结果算证实、什么结果算证伪。
第五步:建议与实验。如果证据指向供给不足,短期方案是高峰时段补贴与调度优化,长期方案是招募与留存 Dasher;建议用 geo-experiment 验证补贴效果,主指标看配送时长与订单完成率,guardrail 指标看 Dasher 小时收入与补贴成本。回答的最后要主动提风险:补贴可能吸引低质量供给、可能养成依赖,实验要设定退出标准。
这道题的评分点不在结论对不对,而在拆解是否完整、假设是否有优先级、验证是否可执行。练习时可以用同一个框架套不同的指标(留存下跌、客单价下滑、取消率上升),练到不假思索就能拆出三方清单。
SQL 第二例:留存与环比的通用写法
除了订单聚合,留存类问题是 SQL 轮的另一大高频题型。下面是一道通用练习题(行业通用框架,非原题):给出一张订单表 orders(consumer_id、order_time),计算某城市用户在首次下单后第 7 天与第 30 天的留存率。解题思路分三步:先用 MIN(order_time) 找出每位用户的首次下单日期作为 cohort 起点,再用 DATEDIFF 判断该用户在第 7 天与第 30 天前后是否有订单,最后按 cohort 月份聚合计算留存率。
写这类查询时最容易犯的错误有三个:一是分母用错,把“当月下单用户”当成“当月新增用户”;二是窗口边界含糊,第 7 天到底指首次下单后第 7 天当天还是前后 3 天的窗口,事先不讲清;三是忽略时区与日期截断,跨月 cohort 的边界算错。面试中先把这三个点口头说清再写代码,能直接体现你的严谨性。
环比类问题同理:计算配送时长相对上月变化时,先用 DATE_TRUNC 按月聚合,再用 LAG 取上月数值,最后算变化率。关键点是分区字段的选择——按城市分区还是全站汇总,答案完全不同;动手之前先向面试官确认分析粒度,这是面试官期待你主动问的问题。
备考时建议把留存、环比、漏斗转化三类查询各练 5 道以上,练到看到题目 1 分钟内就能说出 CTE 结构。面试现场时间极紧,边想边写很容易超时;先讲结构再写代码,写不完也有部分分数。
不同团队与级别的面试差异
DoorDash 的 DS 岗位按团队与级别的不同,面试侧重点有明显差异,准备时要对号入座。
- 增长团队:重获客、留存与漏斗分析,案例多围绕新用户激活、推送实验与补贴效率;统计问题偏重实验设计与因果推断。
- 定价与 marketplace 团队:重供需平衡与价格弹性,案例常涉及动态定价、补贴策略与 Dasher 供给;会问到网络效应与 geo-experiment。
- 物流团队:重 ETA 预估、派单效率与路线优化,案例偏运营指标诊断;建模讨论相对更多。
- 商家与广告团队:重商家增长、广告效果度量与归因,案例常涉及多触点归因与增量度量(incrementality)。
- 初级(E3–E4):SQL 与基础案例为主,行为问题偏执行力与学习能力;建模基本不考。
- 高级(E5–E6):案例更开放、追问更深,常要求设计一整套度量体系或实验路线图;会考察跨团队影响力与技术判断力,行为问题偏战略决策与冲突处理。
投递前仔细读岗位描述里的团队介绍,面试前向 recruiter 确认团队方向,再针对性调整准备重点。同一套框架在不同团队的案例里都能用,但举例时换成该团队的业务场景,会让面试官觉得你做过功课。
面试当天的实操细节
技术细节之外,还有一些实操要点容易被忽视。Virtual onsite 全程线上进行,提前测试网络、摄像头与麦克风,准备备用网络(手机热点);面试环境要安静、光线充足,桌面只留水、白板或纸笔。SQL 轮如果在 HackerRank 上进行,提前熟悉该平台的界面与快捷键,不要在面试现场花时间找按钮。
每轮面试开始时,先花 1 分钟复述题目并确认理解,这是防止答偏的最有效方法;回答中途如果发现思路错了,直接承认并修正,比硬撑到底得分更高;每轮结束时准备 1–2 个针对性的问题,例如“这个团队今年最大的数据挑战是什么”“新入职的 DS 前三个月通常先做什么项目”,既展示兴趣,也能帮你判断团队是否适合自己。
面试后 24 小时内给 recruiter 发一封简短的感谢邮件,提及面试中讨论的具体话题即可,不必长篇大论。如果进入 team match 阶段,可以主动向 recruiter 了解各团队的方向与空缺,表达偏好时给出理由(例如你的背景与该团队的匹配点),而不是只说“都行”。
从 onsite 到 offer:team match 与谈判时间线
通过 onsite 并不等于立刻拿到 offer,中间还有 team match 环节。Hiring committee 通过后,recruiter 会根据你的背景、面试表现与各团队的空缺,把你匹配到具体团队;有的候选人会与 1–2 个团队的 hiring manager 再聊 30 分钟,做双向选择。这个阶段要主动了解团队的业务方向、数据基建成熟度与 DS 在团队里的话语权——有的团队 DS 直接向产品负责人汇报、参与决策,有的团队 DS 更多是支持角色,两者的工作体验差别很大。
Team match 的等待时间从几天到三周不等,取决于空缺情况。如果迟迟没有匹配结果,可以请 recruiter 说明卡在哪一步:是 committee 还没出结果,还是在等团队空缺。不要在等待期间停止其他公司的面试,多个 offer 在手是谈判最有力的筹码。
Offer 审批通常需要 3–5 个工作日,内容包括级别、base、股票数量与归属周期、签约奖、入职日期。收到书面 offer 后,回复期限通常为一周左右;如果需要更长时间考虑,如实告知 recruiter 并给出明确的回复日期。谈判时按优先级排序:级别第一,股票与签约奖第二,base 第三,入职时间与远程安排最后。每一项要求都要给出理由,例如用市场数据说明你的级别定位,或用其他 offer 说明你的市场价位。
背景调查在接受 offer 后启动,主要核查学历与工作经历,时间约 1–2 周。简历上的时间、职位与公司名称务必真实,任何不一致都可能拖慢甚至危及 offer。入职前 recruiter 会发来设备与账号开通的指引,提前确认好入职第一周的安排即可。
拒信复盘:被拒的常见原因
DoorDash DS 流程的淘汰率不低,了解常见的被拒原因有助于针对性补强。根据候选人反馈与面试指南的梳理,最常见的几类问题如下:
- SQL 速度不够:30 分钟只做完 1–2 道题,或窗口函数现场卡住。解决办法是限时训练,把中等题练到 6–7 分钟一道。
- 案例拆解不完整:只分析消费者、不看 Dasher 与商家;或者只列现象、不给验证方案。解决办法是把三方清单与“假设—验证”结构练成固定动作。
- 实验设计概念错误:例如随机化单位选错、把相关当因果、忽视网络效应。这是 hard fail 的高发区,概念不清时宁可慢一点、把逻辑讲清楚。
- 沟通问题:回答冗长、没有结构、面试官听了 3 分钟还不知道结论。解决办法是每道题先给结论句,再展开推理,最后复述建议。
- 行为轮 red flag:讲不出自己的具体贡献,或对失败经历避而不谈。准备 5–6 个真实故事,每个都讲清“我做了什么、结果如何”。
收到拒信后可以请 recruiter 提供反馈,DoorDash 的反馈通常比较简略,但至少能知道卡在哪一轮。针对性补强 1–2 个月后可以再次申请,不同团队的招聘是分开的,换团队重新投递也是可行的路径。面试表现有运气成分,一次被拒不代表能力不足,复盘后继续准备即可。
常见问题 FAQ
Q1:DoorDash 数据科学家面试一共几轮?
标准流程是 recruiter screen、60 分钟技术筛选(30 分钟 SQL 加 30 分钟产品案例)、4 轮 virtual onsite(3 轮案例加 1 轮跨职能行为面试,部分含 hiring manager 终面)。全流程通常 3–6 周,Glassdoor 上 94 份反馈的平均耗时为 24 天。
Q2:SQL 轮到底考多难?需要刷多少题?
难度中等,4 道题 30 分钟,重点是窗口函数(LAG、RANK)、CTE、JOIN 与日期函数;不要求做完四道题,时间压力本身就是考察点。建议每天限时练 4 道中等题,重点练窗口函数与 CTE 的组合,而不是追求题量。
Q3:2026 年 SQL 轮的新格式是怎么回事?
2026 年 9 月之后的个别反馈显示,SQL 部分不再要求现场写查询,而是由面试官给出查询、请候选人讲解逻辑并指出问题。报告数量还不多、格式因团队而异,建议手写 SQL 与“读查询、找问题”两种能力都练,并向 recruiter 确认自己场次的格式。
Q4:产品案例一般出什么题?
集中在真实业务场景:食物送到时变冷、自行车配送、某城市订单量下滑、配送失败率上升。回答框架是确认指标与范围、拆解三方市场、列假设并排序、给验证方案、最后给建议与风险。
Q5:没有外卖或出行行业经验,能进吗?
可以。面试考察的是结构化思考与实验设计能力,不是行业知识本身。电商、广告、增长分析等场景的经验都可以迁移,关键是展示你理解双边或三方市场的供需逻辑,并能在案例中主动考虑供给侧。
Q6:DoorDash 数据科学家薪水什么水平?
levels.fyi(2026 年 11 月 18 日更新)的总包中位数为 E3 225,000 美元、E4 247,000 美元、E5 298,000 美元、E6 487,000 美元;官方招聘信息的 base 区间为 I4 124,100–182,500 美元、I5 152,000–223,500 美元、I6 184,300–271,000 美元。不同口径差异较大,谈判时以 recruiter 给出的级别与区间为准。
Q7:DoorDash 支持 H-1B 吗?
支持。美国劳工部 FY2025 数据显示,DoorDash 为数据科学家岗位提交了 34 份获得认证的 LCA,中位 offered wage 为 183,500 美元;FY2026 前三季度为 Data Scientists 职业提交了 48 份认证 LCA,中位 offered wage 为 174,304 美元。LCA 是工资承诺口径,不等于签证获批数。
Q8:面试里可以用 AI 辅助工具吗?
有候选人报告其场次允许使用 AI,面试重点在于个人的分析推理与解决问题能力。但这并非统一政策,不同团队与场次可能有不同规定,务必在面试前向 recruiter 确认,不要自行假设。
结语
DoorDash 的 DS 面试是一场“短平快”的硬仗:60 分钟的技术筛选决定你能否进入 onsite,onsite 的三轮案例决定你能否拿到 offer。准备的核心就三件事:把 SQL 练到 30 分钟内稳定输出,把三方市场拆解框架练成条件反射,把 A/B testing 的概念练到能随时用业务语言讲出来。薪水与级别固然重要,但只有先通过技术关,谈判桌才有意义。祝正在准备的你面试顺利。
本文数据来源:Glassdoor DoorDash Data Scientist 面经页(94 份反馈,难度 3.2 分,平均 24 天);Interview Query《DoorDash Data Scientist Interview Guide 2026》(2026 年 11 月 19 日更新);Aced《12 DoorDash SQL Interview Questions From 2025 and 2026 Candidates》(2026 年 11 月更新,基于 30 多份 Glassdoor、Blind、LeetCode Discuss 一手报告);levels.fyi DoorDash 薪水页(2026 年 11 月 18 日更新);DoorDash 官方招聘信息(2026 年 11 月 13 日发布岗位);Indeed DoorDash 数据科学家薪水页(2026 年 11 月 5 日更新);美国劳工部 OFLC LCA 披露数据 FY2025 与 FY2026 前三季度。文中案例题型为行业通用框架整理,非某位候选人的原题;无法核实的细节已写成通用准备建议。










- 最新
- 最热
只看作者