Pinterest 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

Pinterest 是北美华人求职者眼中典型的“小而美”大厂:公司规模只有 5000 多人,产品全球月活用户在 2026 年 6 月那个季度达到 6.4 亿,数据科学家直接嵌在产品团队里,离决策很近。想进 Pinterest 做数据科学家(Data Scientist,简称 DS),面试要过的关口不少:SQL 要写得快,统计要答得深,产品案例要讲得有条理,最后还要过价值观和影响力这一关。本文汇总 Glassdoor、InterviewQuery、Aced(原 Exponent)、Codemia、Screna 等公开渠道的候选人反馈与面经整理,结合 Pinterest 官方招聘启事与美国劳工部公开数据,把 Pinterest DS 面试从简历筛选到 onsite 的每一轮、每一类高频题型、以及薪水包的多个口径,完整复盘一遍。需要先说明:本文所有面试细节均来自公开面经与第三方整理,不同年份、不同团队、不同级别的流程存在差异,个别候选人的经历不代表你的流程一定如此;凡是无法交叉验证的说法,文中都会注明。文中不出现任何具体候选人的真实姓名,未经公开证实的个人经历一律写成通用化观察。

先给一个整体判断。Pinterest DS 面试的风格用 InterviewQuery 的一句话概括最准确:广而不专精于某一点。它不像某些公司那样把某一轮做到极深,而是要求候选人在 SQL、Python、统计、实验设计、产品 sense、机器学习基础这六个维度上都没有明显短板。Glassdoor 上 Pinterest 数据科学家面试的难度评分为 3.2 分(满分 5 分),正面体验比例为 37%,这个组合说明:题目本身不算最难,但流程长、轮次多、节奏紧,很多人是在“每一轮都还行、但没有一轮特别亮眼”的情况下被淘汰的。准备 Pinterest DS,正确的策略不是把某一项练到满分,而是把六个维度都拉到“能稳定通过”的水平,再挑一到两个维度做出亮点。

Pinterest 数据科学家是做什么的:先搞清岗位再谈面试

Pinterest 的数据科学家岗位与纯研究型分析岗有明显区别。根据 Pinterest 官方招聘启事与多家面经平台的描述,Pinterest 的 DS 直接嵌入跨职能产品团队,与产品经理、机器学习工程师、软件工程师一起工作,日常工作包括:用 SQL 处理数 TB 级别的日志表,搭建与维护 A/B 测试框架,评估产品改动对用户参与度的影响,构建预测模型,以及诊断全球不同用户群体的指标异常。换句话说,这是一个产品导向(product-DS biased)的岗位,实验设计与产品 sense 的权重大于纯建模能力。

岗位方向上,Pinterest 的 DS 招聘分为多个细分方向,公开招聘启事里常见的有:Personalization(个性化推荐)、Experimentation(实验平台)、Ads Performance 与 Ad Measurement(广告效果与衡量)、Growth(增长)、Shopping(购物)、Ecosystem(生态)、Core(核心产品)、Sales Analytics(销售分析)、Data Platform(数据平台)。不同方向的面试侧重不同:Experimentation 方向的统计与实验设计轮会问得更深,Ads 与 Shopping 方向的产品案例更偏商业化指标,Personalization 与 Algorithms 方向的机器学习轮比重更大。投递之前先确认方向,准备时再按方向微调,这是很多候选人复盘时提到的第一条经验。

级别方面,Pinterest DS 的职级体系大致对应 L3(初级,0 到 2 年经验)、L4(中级)、L5(高级)、L6(Staff)、L7(Principal)。公开招聘启事对经验的要求可以佐证这一点:普通 Data Scientist 岗位一般要求 4 年以上定量分析或统计建模经验,Senior Data Scientist 要求 3 年以上数据科学家或应用科学家工作经验,Staff 级别则要求 8 年以上学术与 industry 经验。不同级别的面试深度不同,但轮次结构大体相同,区别主要在技术轮的追问深度与行为面试对影响力的要求。

还有一个背景值得了解:Pinterest 在 2026 年 1 月进行过一轮裁员,幅度不到员工总数的 15%,公司总人数约 5300 人。这个信息来自公开报道,写进本文不是为了制造焦虑,而是提醒求职者两件事:第一,Pinterest 的招聘名额相对有限,竞争集中在少数开放岗位上;第二,面试中关于“为什么选择 Pinterest”“你怎么看待公司现状”的问题,回答时要展现出你对公司业务的真实了解,而不是泛泛而谈的赞美。

简历筛选:什么样的简历能过 recruiter 这一关

简历筛选是 Pinterest DS 流程的第一道关,也是最容易被低估的一关。Pinterest 官方的候选人流程说明里,简历审核通过后才会进入后续环节;对于机器学习与数据科学方向的新毕业生,简历通过后先做 CodeSignal 在线测评,再进入 30 分钟的 recruiter 电话筛选。有经验的候选人则通常直接进入 recruiter 筛选。也就是说,简历不过关,后面所有准备都无从谈起。

从招聘启事的要求反推,Pinterest DS 简历的筛选关键词非常明确:SQL、Python、统计、实验设计(A/B testing)、产品分析、机器学习。招聘启事里反复出现的表述包括“strong experimentation expertise”“applying scientific methods to solve real-world problems on web-scale data”“quantitative analysis or statistical modeling in a fast-paced, data-driven environment”。简历上如果只有建模项目、没有实验与产品分析的经历,通过率会打折扣。反过来,有 A/B 测试设计与落地经验、有用数据推动产品决策的案例、有大规模数据处理经验的简历,更容易被挑出来。

简历写作上,公开面经与求职指南的共识是:用数字讲影响,而不是罗列工具。举例来说,写“用 SQL 与 Python 分析用户行为数据”不如写“设计并分析 A/B 测试,某功能改动使核心指标提升若干个百分点,推动产品决策上线”——当然,数字必须是真实的,绝不能编造。每一项经历建议遵循“背景、行动、结果”的结构,突出你在其中承担的分析角色与可量化的业务影响。Pinterest 的 DS 岗位嵌在产品团队里,recruiter 与 hiring manager 最看重的是你能不能把数据变成决策,而不是你会多少种模型。

教育背景方面,Pinterest DS 对学历没有硬性要求,但硕士与博士候选人在申请中占比较高,部分岗位明确写着 PhD 偏好。对于没有相关工作经验的新毕业生,实习经历、课程项目与公开竞赛成绩可以作为补充,但要写出业务含义,而不只是技术堆砌。

投递渠道上,Pinterest 官网招聘页是最直接的入口,内推是另一条被多位候选人提到的有效渠道(内推的细节见本文最后一节)。需要注意的是,Pinterest 的部分岗位注明“US based applicants only”,且部分岗位不提供 relocation assistance,投递前要确认自己是否符合地点与身份要求,避免在流程后期才发现不匹配。

OA 与笔试:CodeSignal、选择题与 take-home 的真实情况

关于 Pinterest DS 有没有 OA(Online Assessment,在线测评),不同来源的说法并不完全一致,这恰恰反映了不同年份、不同级别的流程差异,需要分开讲。Pinterest 官方的机器学习与数据科学新毕业生招聘说明里明确写着:简历审核通过后,候选人需要完成 CodeSignal 技能测评,通过后才进入 recruiter 电话筛选。也就是说,new grad 方向有 OA,而且是前置的硬门槛。

对于有经验的社招候选人,公开面经里提到 OA 的比例较低,更多人描述的流程是 recruiter 筛选后直接进入技术电话面试。但也有第三方整理提到,Pinterest DS 的筛选阶段可能包括 HackerRank 或 CodeSignal 平台上的选择题,内容覆盖概率、统计与机器学习概念,外加限时编码题(Pandas、NumPy 数据处理或算法逻辑)。由于不同候选人的报告存在出入,最稳妥的理解是:社招流程以技术电话面试为主,OA 不是必经环节;但如果你是 new grad 或转行的候选人,要把 CodeSignal 测评当作必须准备的一环。

Glassdoor 上有一份候选人反馈提到,Pinterest DS 面试中出现过 take-home 作业:候选人用一个周末完成了一份需要用到线性代数知识的分析任务。这份反馈的真实性无法单独验证,但它与另一类公开面经相互印证:Pinterest 的某些 DS 团队会在流程中安排 take-home 的数据分析任务,考察候选人独立完成端到端分析的能力。需要提醒的是,take-home 作业的耗时可能超出预期,接到任务后要先问清截止时间与交付形式,合理安排时间,不要在最后一刻赶工。

OA 与笔试的准备建议:第一,刷 CodeSignal 平台上的数据科学相关题目,熟悉其界面与计时方式;第二,复习概率与统计的选择题高频考点,包括条件概率、贝叶斯定理、分布、假设检验、p-value、置信区间、中心极限定理;第三,准备好 Pandas 与 NumPy 的常见操作,尤其是 DataFrame 的 groupby、merge、pivot、时间序列处理,因为 OA 与电话面试里的 Python 环节经常围绕这些操作出题。

技术电话面试:SQL、Python 与统计的三合一考验

技术电话面试(technical phone screen)是 Pinterest DS 流程中最具代表性的一轮,也是淘汰率较高的一轮。根据 InterviewQuery 综合 9 份候选人报告的整理,这一轮通常约 1 小时,在 CoderPad 等共享编辑器上进行,内容混合 SQL、Python 与统计或实验设计。一位候选人统计,自己在这一轮里遇到了 2 道 SQL 题、2 道 Python 题、2 道统计题,并表示“节奏把控是最难的部分”。另一位候选人则提到,SQL 部分考了窗口函数,统计部分问到了 p-value。这些细节来自候选人自述,虽不能保证每个人的题目相同,但“三合一、节奏紧”是多份报告的共同描述。

Glassdoor 上一份 2026 年 2 月的候选人反馈描述了类似的结构:技术轮第二轮包含 SQL 题目、2 道 Python 题目与 1 道实验案例分析,总时长约 1 小时,面试官身边还有一位 shadow(观摩者)。这份反馈还提到,recruiter 的响应速度尚可,整体流程体验中规中矩。Aced(原 Exponent)的整理则把技术筛选描述为两部分:先是 2 到 3 道标准 SQL 编码题,然后是一个高层次的商业问题案例分析。这两种描述在结构上是一致的:SQL 打头,Python 或统计居中,案例收尾。

这一轮的考察逻辑很清楚:Pinterest 要确认候选人具备“立刻上手干活”的基本功。SQL 考察的是你能不能在真实数据表上快速写出正确查询;Python 考察的是数据处理与编程的熟练度;统计与实验设计考察的是你能不能把分析做对,而不是只会跑代码。三部分共用 1 小时,意味着每道题的平均时间只有 10 到 15 分钟,思考时必须边想边讲,把思路说清楚,而不是闷头写代码。

通过这一轮的关键是“快而稳”。建议的准备方法是:用 LeetCode 与 InterviewQuery 上的 Pinterest 相关 SQL 题做限时训练,目标是中等难度 SQL 题在 15 分钟内写出可运行的版本;Python 部分重点练 Pandas 的 DataFrame 操作,包括数据清洗、分组聚合、时间窗口计算;统计部分准备好用一两句话讲清楚 p-value、置信区间、Type I 与 Type II 错误等核心概念,并能现场设计一个简单的 A/B 测试。面试时如果卡住,要主动说出自己的思路与假设,面试官往往会给提示,沉默与死磕是最差的选择。

SQL 轮:窗口函数是主战场

如果说 Pinterest DS 面试有一个“必考项”,那就是 SQL,而 SQL 里最核心的又是窗口函数(window functions)。InterviewQuery、Codemia、Nora AI 等多家整理都把窗口函数列为 Pinterest DS SQL 轮的头号考点,候选人报告里也反复出现窗口函数的身影。这并不意外:Pinterest 的业务数据是典型的用户行为日志,计算留存、排名、滚动指标、会话划分等任务,几乎都离不开窗口函数。

从公开面经里可以整理出 Pinterest DS 常见的 SQL 题型。第一类是分国家、分品类的 Top N 问题,例如给定 events 表(event_id、user_id、pin_id、event_type、event_ts、country_code)与 pin_info 表(pin_id、category),求每个国家点击率(clicks 除以 impressions)最高的 2 个品类。这类题考察的是聚合、JOIN 与 ROW_NUMBER 或 RANK 的组合使用,关键在于先算出每个国家每个品类的点击率,再用窗口函数做组内排名。第二类是时间窗口问题,例如计算每个用户群体的 7 日滚动平均参与度,或者计算 7 天窗口内的每日 DAU、点击数、平均正向停留时间与滚动 7 日去重用户数。公开面经里提到的一道购物场景题就属于这一类,还要求对同一用户同一 Pin 在 5 分钟内的重复点击做去重处理,这考察的是对时间窗口与去重逻辑的综合运用。第三类是新用户分析,例如给定 events、users 与 pin_classification 三张表,计算新美国用户的 Pin 格式点击率,其中“新用户”定义为事件发生前 30 天内注册的用户。这类题的关键在于正确处理时间条件与 JOIN 的顺序,避免把时间过滤写错位置导致结果偏差。第四类是广告相关指标,例如用 pin_impressions、promoted_pins 与 user_dimension 三张表,计算各国每日广告负载(ad load,即推广 Pin 的展示量占全部展示量的比例)。Pinterest 的收入来自广告,广告指标的 SQL 题在面试中出现的频率不低。

除了上述题型,还有几类经典问题值得准备:计算 DAU 并说明如何验证结果的正确性;找出过去 30 天内被保存次数最多的 Top 10 Pin,按品类分组;计算 7 日留存率与 cohort 留存曲线;识别作弊或异常流量,例如同一用户短时间内的大量重复行为。准备这些题目时,不要只追求写出答案,还要准备好回答面试官的追问:这个查询在大数据量下会不会很慢?如果表里有重复数据或缺失值,你怎么处理?你的结果怎么验证?Pinterest 的数据规模是数 TB 级别的日志表,面试官很看重候选人对数据质量与查询性能的意识。

SQL 轮的常见失分点有三个。第一,窗口函数的 PARTITION BY 与 ORDER BY 写错,导致排名或累计值算错组。第二,JOIN 时没有先想清楚基数关系,导致结果行数膨胀,聚合值翻倍。第三,忽略 NULL 与重复数据的处理,写出在干净数据上正确、在脏数据上错误的查询。避免这些问题的办法是:写查询之前先口头说明表的结构与假设,写完之后主动讲一遍验证思路,例如用 COUNT DISTINCT 检查去重是否生效,用抽样数据手工验算一两个分组的结果。面试官听到这样的回答,会认为你是一个“在真实数据上干过活”的人。

练习建议:以 LeetCode 数据库中等难度题目为主,重点练习窗口函数、CTE(Common Table Expressions)、自连接与日期函数;同时用 InterviewQuery 与 StrataScratch 上的 Pinterest 相关题目做针对性训练。练习时给自己计时,目标是中等难度题目在 15 分钟内完成,并且能向别人讲清楚每一行代码的含义。

统计与实验设计轮:A/B test 从头问到尾

实验设计是 Pinterest DS 面试中权重最高的一轮,也是最能拉开差距的一轮。Pinterest 的产品决策高度依赖 A/B 测试,DS 的核心职责之一就是设计实验、解读结果、给出上线建议。InterviewQuery 的整理指出,实验设计是 Pinterest DS 面试里重复出现最多的主题,候选人报告里提到的具体场景包括:为新推荐算法设计 A/B 测试、为广告牌曝光实验(billboard exposure experiment)设计方案、以及因果推断相关概念。多家整理都把“设计一个 A/B 测试”列为必准备题目。

这一轮的典型问题可以分为几个层次。第一层是基础概念:解释 p-value、置信区间、统计显著性、统计功效(power)、Type I 错误与 Type II 错误的区别,以及样本量如何确定。候选人报告里明确提到 p-value 问题,Nora AI 的整理也把“如何确定统计显著性并在实践中解读结果”列为高频问题。回答这类问题时,要避免背诵教科书定义,而是结合产品场景讲:例如 p-value 是在原假设成立的前提下,观察到当前或更极端结果的概率,它不是“实验有效的概率”,也不是“结果真实的概率”,这个常见误解是面试官喜欢追问的点。

第二层是实验设计:给定一个产品改动,例如新的 Pin 推荐算法或首页信息流改版,要求候选人完整设计 A/B 测试,包括假设、随机化单位、主要指标与 guardrail 指标、样本量估算、实验周期、以及可能的风险。Codemia 整理的一道样题就是“为新的 Pin 推荐算法设计 A/B 测试”,要求定义假设、成功指标、样本量需求与潜在陷阱。回答时要展现结构化思维:先讲清楚要验证什么,再讲随机化与分流方式,再讲指标选择(北极星指标与 guardrail 指标的搭配),再讲样本量与最小可检测效应(MDE),最后讲实验期间的监控与决策标准。

第三层是结果解读与疑难杂症:实验结果显著但业务指标没动,怎么办?实验组与对照组的样本量不平衡,可能是什么原因?辛普森悖论(Simpson’s paradox)在实验中怎么识别?实验期间遇到节假日或外部事件,怎么处理?多重比较问题(multiple comparisons)怎么控制?这些问题没有标准答案,考察的是候选人对实验方法论的理解深度。准备时可以结合自己做过的真实实验来讲,讲清楚当时的判断逻辑与最终决策。

第四层是因果推断:当实验无法随机化时怎么办?例如某个功能是按地理区域上线的,而不是随机分流的,这时候能不能说“功能有效”?这类问题在 Pinterest DS 面试里出现过,考察的是候选人对观察性研究与因果推断方法的了解,包括 difference-in-differences、回归不连续、倾向得分匹配等方法的适用场景与局限。回答时不要求把每种方法讲到数学细节,但要能说清“什么情况下能用、什么情况下不能用、以及偏差可能从哪里来”。

这一轮的准备清单:复习假设检验、置信区间、功效分析、样本量计算的公式与直觉;准备 2 到 3 个自己主导或深度参与的 A/B 测试案例,能够讲清背景、设计、结果与决策;练习“实验结果解读”类问题的结构化回答;了解常见的实验陷阱,包括样本量不足、过早停止实验、指标选择偏差、网络效应与溢出效应。面试中遇到不会的问题,诚实承认比强行编造答案要好,面试官更看重你的思考过程。

产品案例轮:指标下跌了,你怎么查

产品案例轮(product case)是 Pinterest DS 面试中最有“Pinterest 味”的一轮,也是最考验产品 sense 的一轮。这一轮通常给一个真实的产品场景,要求候选人在 45 到 60 分钟内完成从问题定义到分析框架再到建议的完整链条。InterviewQuery 的整理提到,有候选人在这一轮遇到的题目是“诊断某个指标的下跌”,Nora AI 的整理也把“如何衡量一个新 Pinterest 功能的成功并定义合适的指标”与“用户参与度下降时如何调查根本原因”列为高频问题。

Screna 平台上 2026 年 7 月的一份候选人记录提供了一个非常具体的案例:Pinterest 首页上线了一个新的横向推荐 carousel, post-launch 数据显示首页 CTR 下降,但全站 DAU 与总使用时长保持平稳。面试官要求候选人定义这个新功能的成功指标与 guardrail 指标,并给出一步步的诊断计划,解释为什么首页 CTR 下降而 DAU 与使用时长不变,以及实际会跑哪些日志查询。这个案例很有代表性:它不是一道有标准答案的题目,而是一次“真实事故复盘”式的考察,面试官想看的是候选人拆解模糊问题的能力。

回答这类问题的通用框架可以分为五步。第一步,澄清问题:确认指标的定义、口径、时间范围与受影响的用户群体,例如 CTR 下降是指首页 CTR 还是全站 CTR,是绝对值下降还是相对变化,是突然下跌还是缓慢下滑。第二步,拆解指标:把总指标拆成有意义的维度,例如按国家、设备、用户新老、流量来源、内容品类拆分,看下跌集中在哪个切片上。第三步,提出假设:列出可能的原因,例如产品改动本身、数据口径变化、外部事件、季节性因素、新用户占比变化等,并按可能性排序。第四步,设计验证:针对每个假设,说明要查什么数据、跑什么查询、看什么对比,例如对照组与实验组的对比、上线前后的对比、同期其他页面的对比。第五步,给出建议:基于验证结果,提出下一步行动,例如回滚、继续观察、调整功能、或者进一步实验,并说明决策的依据与风险。

除了指标诊断,产品案例轮还可能涉及以下题型:如何衡量一个新创作者变现功能的成功;如何为 Pinterest 的搜索体验设计指标体系;某周留存率下降 10%,作为数据科学家你怎么分析;WAU 上升 5% 但邮件打开率下降 2%,可能是什么原因;如何评估一个新功能对长期用户参与度的影响。这些题目的共同点是:没有唯一正确答案,面试官看的是结构、逻辑与沟通。回答时要大声思考,把假设与推理过程讲出来,而不是直接跳到结论。

准备产品案例轮的方法:第一,熟悉 Pinterest 的产品与核心指标,包括 DAU、WAU、MAU、CTR、save 率、Pin 创建量、搜索量、广告收入相关指标,以及用户留存与参与度的定义;第二,练习 5 到 8 个经典产品案例,覆盖指标下跌诊断、新功能评估、指标体系设计三类题型;第三,养成“先定义、再拆解、再假设、再验证”的回答习惯,每次练习都录音回放,检查自己的逻辑是否跳跃;第四,关注 Pinterest 的公开财报与产品动态,了解公司当前的业务重点,例如购物、广告、创作者生态等方向,这样在案例中提出的建议会更贴合实际。

机器学习与专业方向轮:统计、ML 与 forecasting 三选一

Pinterest DS 面试中有一个比较特别的设置:候选人可以在 onsite 阶段选择一个专业方向(specialty),在统计(statistics)、机器学习(machine learning)或预测(forecasting)中三选一,作为其中一轮的考察重点。这个设置来自 Aced 与 OphyAI 等多家整理的交叉描述:onsite 有一轮 45 分钟的专业方向轮,候选人提前选择方向,面试官是该方向的团队成员,题目从一个高层次的案例分析开始,随后深入追问。需要注意的是,并非所有候选人都会遇到这一轮,不同团队与级别的流程可能不同,但提前了解这个设置有助于你根据自己的优势做选择。

选择统计方向的候选人,会遇到更深入的统计推断与实验设计问题,例如假设检验的深层逻辑、贝叶斯方法的应用、因果推断方法的比较。一份 2025 年 10 月的 L5 候选人反馈提到,面试官要求“把每一个检验都掌握透彻”,因为追问会一直深入到候选人的知识边界。选择这个方向的前提是统计基础扎实,并且有丰富的实验设计经验。

选择机器学习方向的候选人,会遇到模型选择、特征工程、评估指标与过拟合相关的问题。公开整理中提到的样题包括:如何构建一个预测哪些 Pin 会爆火的模型;L1 与 L2 正则化的区别与选择;对于 100 万条数据的数据集,应该用 DNN 还是 KNN,为什么;如何评估推荐模型的离线与在线效果。回答这类问题时,面试官更看重的是你对模型适用场景与评估方法的理解,而不是对某个算法的死记硬背。Pinterest 的 DS 岗位以产品分析为主,机器学习轮的考察深度通常不及专门的 ML 工程师岗位,但候选人需要展现出“能把模型用到业务上”的能力。

选择预测(forecasting)方向的候选人,会遇到时间序列预测问题,例如预测下个季度的周活用户数(WAU)。这类题目考察的是对时间序列方法的了解,包括趋势、季节性、外部变量的处理,以及预测结果的不确定性评估。需要注意的是,forecasting 方向的岗位相对较少,选择这个方向的候选人通常是冲着特定团队去的,准备时要结合目标团队的业务特点。

无论选择哪个方向,准备的通用原则是:选自己最强的方向,而不是“看起来最容易”的方向;准备 2 到 3 个与该方向相关的深度项目,能够讲清技术选型、实现细节与业务影响;对于可能被追问到的基础概念,准备到“能讲给非技术人员听懂”的程度。面试官在这一轮会不断追问,直到触及你的知识边界,这本身是正常的,不必因为答不上最后一问而慌张——面试官想看到的是你的思考深度与诚实程度。

行为面试与 hiring manager:价值观与影响力故事

行为面试(behavioral interview)与 hiring manager 轮在 Pinterest DS 流程中通常占 1 到 2 轮,每轮 45 到 60 分钟。Codemia 的整理指出,行为轮特别关注 Pinterest 的价值观,尤其是“把 Pinner 放在第一位”(put Pinners first)与“创造归属感”(create belonging)。Nora AI 的整理也提到,Pinterest 有一套公开的五项价值观,面试中会要求候选人用具体事例展现与这些价值观的契合。需要说明的是,Pinterest 并没有公开一份逐项打分的评分表,价值观的考察更多体现在面试官的提问方式与追问方向上。

行为面试的高频问题包括:讲一次你的分析改变了产品决策的经历;讲一次你与跨职能团队合作遇到分歧时怎么处理;讲一次你的分析结论是错的,你是怎么发现并纠正的;讲一次你在时间紧、数据不完整的情况下怎么做决策;讲一次你推动一个不受欢迎的结论落地的经历。这些问题的共同点是:面试官想看到的不是“你做过什么”,而是“你是怎么思考、怎么沟通、怎么推动结果的”。回答时建议使用 STAR 结构(Situation、Task、Action、Result),每个故事控制在 2 到 3 分钟,重点讲你的行动与产生的影响,结尾点出你从中学到了什么。

准备行为面试最有效的方法,是提前准备 5 到 6 个高质量的故事,覆盖以下主题:用数据影响决策、跨团队协作、处理冲突、应对失败、快速学习、主动推动项目。每个故事要准备好不同版本的追问:面试官可能会问“当时还有别的方案吗”“如果重来一次你会怎么做”“你的结论遭到质疑时你怎么回应”。故事必须是真实的,数字必须是真实的,绝不能编造经历或夸大影响——Pinterest 的面试官通常会在不同轮次交叉验证同一个故事的细节,前后不一致会立刻被发现。

hiring manager 轮与行为轮有重叠,但侧重点不同。hiring manager 更关心三件事:你与这个团队的匹配度、你对岗位的理解深度、以及你加入后能带来的价值。常见问题包括:为什么选择 Pinterest,为什么选择这个团队;你对这个岗位的日常工作有什么理解;你过去的经历与这个岗位有哪些契合点;你希望在入职后的前 3 个月、6 个月达成什么。回答时要结合目标团队的业务方向,例如申请 Experimentation 团队就多讲实验平台的经验,申请 Ads 团队就多讲商业化指标的经验,让 hiring manager 感受到你是“为这个团队而来”,而不是“为任何 DS 岗位而来”。

还有一个细节值得注意:Glassdoor 上有候选人提到,Pinterest 面试全程都有专人负责对接,让候选人清楚每个环节的预期。这种体验在科技公司里不算普遍,说明 Pinterest 对候选人体验有一定投入。求职者可以利用这一点:在每一轮结束前,主动向 recruiter 确认下一轮的形式、时长与考察重点,拿到准确信息后再针对性准备,而不是凭猜测复习。

Onsite 全流程:五轮怎么排、节奏怎么把握

把前面各轮拼起来,Pinterest DS 的完整流程大致如下:简历筛选、(new grad 方向的 CodeSignal 在线测评)、30 分钟 recruiter 电话筛选、约 1 小时的技术电话面试(SQL、Python、统计三合一)、然后是虚拟 onsite。onsite 的轮次数量在不同来源的报告里有所不同:InterviewQuery 的整理说候选人报告的轮次为 4 到 8 轮;Codemia 的整理说是 recruiter 筛选、技术电话筛选与 4 轮虚拟 onsite;Aced 的整理则描述为 5 轮 onsite,包括编码轮、60 分钟分析案例轮、45 分钟专业方向轮、hiring manager 轮与跨职能轮;Nora AI 的整理说是 4 到 5 个阶段。综合来看,一个合理的预期是:onsite 为 4 到 5 轮,每轮 45 到 60 分钟,总时长约 4 到 5 小时,分布在一天或分两天完成。

onsite 各轮的典型组合是:编码轮(SQL 加 Python 或 R)、统计与实验设计轮、产品分析案例轮、专业方向轮(统计、机器学习或 forecasting 三选一)、行为轮与 hiring manager 轮。部分候选人的 onsite 里还包括一轮跨职能(cross-functional)面试,由产品经理或合作团队的成员主持,考察沟通与协作能力。Pinterest 官方对机器学习与数据科学新毕业生的说明是:3 到 4 场各 1 小时的技术面试,外加 30 分钟的 hiring manager 通话,这个结构可以作为 new grad 候选人的参考。

整个流程的时长,多家整理给出的范围是 3 到 6 周,InterviewQuery 的整理提到有候选人报告的流程长度为 5 周,Codemia 的整理说是 3 到 6 周,Nora AI 的整理说是 2 到 4 周。流程长短受团队排期、面试官时间与候选人时间的影响,个别环节之间可能间隔一周以上。求职者要做好心理准备:Pinterest 的流程不算最快,中间出现等待是正常的,不必因为几天没有消息就反复催促 recruiter,但如果超过一周没有反馈,可以礼貌地发邮件询问进度。

onsite 当天的节奏管理很重要。每一轮之间通常只有短暂的休息时间,连续 4 到 5 小时的高强度面试对体力与注意力都是考验。建议:前一天晚上保证睡眠,当天提前 15 分钟上线测试设备与网络,准备好水与纸笔,每轮之间站起来活动一下;每一轮开始时主动确认面试官的姓名与角色,结束时留 2 到 3 分钟提问,问题要针对该轮的考察内容或团队业务,而不是泛泛地问“团队文化怎么样”。提问环节也是展示你对公司了解程度的机会,准备 2 到 3 个有深度的问题,例如“这个团队当前最关注的指标是什么”“DS 在这个团队的产品决策中扮演什么角色”。

关于面试形式,需要说明的是,Pinterest 的 onsite 目前以虚拟(virtual onsite)为主,通过视频会议进行,技术轮使用 CoderPad 等共享编辑器。部分第三方整理提到,技术筛选可能由 Karat 等第三方平台的面试官主持,但并非所有候选人都会遇到。无论面试官是 Pinterest 员工还是第三方平台的面试官,考察标准是一致的:代码正确性、思路清晰度与沟通能力。

薪水包:多口径并列,不确定处如实标注

薪水是求职者最关心的信息,也是最容易被误读的信息。Pinterest DS 的薪水数据在不同来源、不同口径下的差异很大,本文把能核验的口径并列呈现,不做强行统一,读者需要根据自己的级别、地点与团队情况来判断。所有数字均为美元,按年计算,数据截至 2026 年 11 月 19 日。

第一个口径是 Pinterest 官方招聘启事里公布的 base salary 范围。这是雇主自己公布的数字,可信度最高,但需要注意:它只是 base salary 的范围,不包括股票(RSU)与奖金,而且不同岗位、不同地点的范围差异很大。2026 年 11 月在招的岗位中,普通 Data Scientist(Personalization 方向)公布的 base 范围为 145,700 美元到 218,600 美元;Data Scientist II(Sales Analytics 方向)为 119,273 美元到 209,296 美元;Data Scientist 2(Experimentation 方向)为 114,297 美元到 235,319 美元;Senior Data Scientist(Core 方向)为 139,764 美元到 287,749 美元;Senior Data Scientist(Algorithms 方向)为 232,470 美元到 284,900 美元;Staff Data Scientist(Growth 方向)为 163,064 美元到 335,720 美元;Staff Data Scientist(Ad Measurement 方向)为 164,695 美元到 339,078 美元;硕士毕业生 Data Scientist 岗位为 124,950 美元到 168,000 美元。招聘启事里同时说明,岗位还享有 equity(股票),最终薪资取决于地点、相关经验与技能等因素。需要提醒的是,招聘启事的薪资范围是按加州等地的薪酬透明法要求公布的,不同州的范围可能不同,远程岗位的范围也可能按候选人所在地调整。

第二个口径是 Glassdoor 的自报数据汇总。根据 dataford.io 2026 年 9 月 25 日更新的整理,Glassdoor 上 22 份 Pinterest 数据科学家自报薪资的汇总结果为:总薪酬中位数 220,000 美元,25 分位 101,000 美元,90 分位 339,000 美元。这个口径的问题在于样本量只有 22 份,而且汇总表里 base salary 占比标注为 100%,RSU 与现金奖金均为 0,这与 Pinterest 实际发放 RSU 的情况不符,说明该汇总的样本结构可能不完整,或者部分自报数据没有拆分薪酬结构。因此这个中位数只能作为粗略参考,不能当作谈判的依据。

第三个口径是美国劳工部的 H-1B 工资数据(LCA)。根据公开数据,Pinterest 在 2025 年 10 月到 2026 年 6 月期间获得认证的 68 份数据科学家全职 H-1B LCA 中,工资中位数为 169,541 美元,中间一半的区间为 159,026 美元到 196,914 美元;2025 财年的 44 份认证中,中位数为 148,500 美元,中间一半为 137,500 美元到 156,000 美元。需要特别说明:LCA 工资是雇主向劳工部承诺的最低工资,不是员工的实际总薪酬,而且 LCA 的工资水平与 prevailing wage 挂钩,通常低于市场总薪酬,因此这个口径的数字会系统性偏低,只能用来看趋势与级别分布,不能直接当作 offer 参考。

第四个口径是第三方求职平台的估算。datainterview.com 根据行业研究与公开招聘启事给出的级别估算为:L3 总薪酬约 205,000 美元,base 约 157,000 美元;L4 总薪酬约 240,000 美元,base 约 173,000 美元;L5 总薪酬约 377,000 美元,base 约 219,000 美元,区间上限可达 494,000 美元;L6 平均总薪酬约 462,000 美元;L7 总薪酬约 750,000 美元,上限可达 900,000 美元。这组数字的样本基础没有公开披露,属于估算性质,仅供参考。另一个基于招聘启事统计的口径来自 WaitWhatDoYouDo 网站 2026 年 11 月 18 日的更新:Pinterest 数据科学家岗位的 base 中位数为 214,000 美元,典型区间为 140,000 美元到 288,000 美元,样本为 9 份招聘启事;旧金山地区为 238,000 美元,区间 156,000 美元到 320,000 美元,样本 7 份。这个口径统计的是招聘启事公布的范围中点,不是实际发放的薪资,样本量也偏小。

关于 levels.fyi,本轮检索未能取得可核验的 Pinterest 数据科学家样本数与中位数,因此本文不引用 levels.fyi 的具体数字。读者如果在 levels.fyi 上查到相关数据,请注意核对样本量与统计日期,样本量过小的中位数参考价值有限。

还有两个谈判时需要注意的点。第一,Pinterest 的 RSU vesting 安排有时是前置的(front-loaded),例如第一年归属 50%,第二年 33%,第三年 17%,而不是常见的四年平均归属。这个信息来自第三方求职平台的整理,不同 offer 的具体安排可能不同,拿到 offer 后要仔细核对 vesting schedule,计算实际到手的年化价值,而不是只看总 grant 金额。第二,base salary 与 RSU grant 都是可以谈判的部分,谈判时要以多个口径的数据作为支撑,同时结合自己的级别、地点与 competing offer 来谈,而不是只盯着某一个数字。

综合以上口径,一个相对稳妥的判断是:Pinterest DS 的总薪酬大致处于美国二线大厂的中上水平,低于 Meta、Google 等顶级大厂的同级别中位数,但高于多数中型科技公司;级别越高,RSU 在总薪酬中的占比越高,谈判空间也越大。具体的 offer 数字因人而异,本文的数字仅供参考,不能替代你自己的谈判准备。

准备清单:四周冲刺计划

如果你有四周时间准备 Pinterest DS 面试,可以按下面的节奏安排。第一周打基础:复习 SQL,重点是窗口函数、CTE、JOIN 与日期函数,每天限时练习 3 到 5 道中等难度题目;同时复习统计基础,包括假设检验、p-value、置信区间、功效分析与样本量计算,准备好每个概念的一分钟讲解版本。第二周主攻实验设计与产品案例:每天完整设计 1 个 A/B 测试,覆盖推荐算法、首页改版、广告功能等不同场景;每天练习 1 个产品案例,重点是“指标下跌诊断”与“新功能评估”两类题型,练习时录音并回放,检查逻辑是否完整。

第三周做 Python 与机器学习:复习 Pandas 的 DataFrame 操作,包括数据清洗、分组聚合、时间窗口计算与嵌套结构处理;复习机器学习基础,包括回归、分类、聚类、正则化、模型评估指标(precision、recall、AUC、RMSE)与过拟合的处理方法;同时准备 2 到 3 个自己的项目故事,能够讲清技术选型与业务影响。第四周做模拟面试与查漏补缺:找朋友或用模拟面试平台做 2 到 3 次全真模拟,覆盖 SQL、统计、产品案例与行为面试;根据模拟结果补齐短板;同时准备好行为面试的 5 到 6 个故事,并针对目标团队的业务做最后的了解。

如果只有两周时间,优先级应该是:SQL 窗口函数、A/B 测试设计、产品案例框架、行为面试故事,这四项是 Pinterest DS 面试中权重最高的内容。机器学习基础可以放在第二优先级,因为 Pinterest DS 的机器学习轮深度通常不及专门的 ML 岗位,但完全不准备会有风险。如果只有一周时间,那就集中精力做三件事:每天限时练 SQL,每天设计 1 个 A/B 测试,每天练习 1 个产品案例,其他内容只做快速复习。

准备过程中有几个常见误区需要避免。第一,只刷题不讲思路:Pinterest 的面试官非常看重沟通,闷头写代码即使答案正确也可能拿不到高分,练习时要养成边写边讲的习惯。第二,只准备技术不准备行为:行为轮与 hiring manager 轮在 onsite 中占了 1 到 2 轮,完全不准备等于主动放弃这些分数。第三,背诵答案而不是理解原理:面试官的追问往往会超出标准答案的范围,只有真正理解原理才能应对。

工具与资源方面,公开面经里被反复提到的准备资源包括:LeetCode 数据库题目、InterviewQuery、Glassdoor、Aced(原 Exponent)、Pinterest 官方招聘页与官方博客。使用这些资源时要注意:第三方整理的内容可能存在过时或不准确之处,关键信息要以 Pinterest 官方招聘启事与多份候选人报告的交叉验证为准。

内推:怎么找、怎么写、注意什么

内推是进入 Pinterest DS 流程的一条有效渠道,多位候选人的复盘都提到内推可以帮助简历更快被看到。但内推不是万能钥匙,它的作用是让你的简历绕过初步筛选进入 recruiter 的视野,后续每一轮的考察标准与正常投递完全一致。理解这一点,就不会对内推抱有不切实际的期待。

找内推人的渠道有几个。第一,LinkedIn:搜索在 Pinterest 担任数据科学家或相关岗位的人,通过共同联系人或校友网络建立联系,发送简短的自我介绍与求助信息。第二,校友网络:通过学校校友会或校友群寻找在 Pinterest 工作的校友,校友内推的成功率通常高于陌生人内推。第三,技术社区与 meetup:参加数据科学相关的线上线下活动,结识在 Pinterest 工作的从业者。第四,Blind 与 Reddit 等论坛:上面有 Pinterest 员工发布的内推帖,但要注意甄别信息的真实性,不要向陌生人提供敏感个人信息。

联系内推人时,一封好的求助信息应该包括:简短的自我介绍(姓名、背景、当前状态)、目标岗位(附上招聘链接)、为什么对这个岗位感兴趣、以及你的简历附件。信息要简短礼貌,不要一上来就索要内推,先建立基本的信任。内推人通常需要把你的简历提交到内部系统,并对你的背景做简单背书,因此你的简历质量直接决定了内推人是否愿意帮你。发出请求后要保持耐心,内推人也需要时间处理,不要反复催促。

内推之后要注意的事项:第一,确认内推是否成功提交,拿到确认信息后再耐心等待 recruiter 联系;第二,内推不等于保证面试,如果两周内没有消息,可以礼貌地请内推人帮忙确认状态,或者同时通过官网投递其他岗位;第三,不要同时找多人内推同一个岗位,重复内推可能导致系统混乱。

最后需要提醒的是,Pinterest 的部分岗位注明不提供 relocation assistance,且部分岗位仅限美国境内申请人,内推之前要先确认自己符合这些基本要求,避免浪费双方的时间。同时,内推过程中不要向任何人提供护照号、社会安全号、银行账户等敏感信息,正规的内推流程只需要简历与基本联系方式。

结尾:广而不专,稳中求亮

Pinterest 数据科学家的面试,考的不是某一项技能的极限深度,而是一个数据科学家在真实产品环境里的综合能力:SQL 要写得快,统计要讲得透,实验要设计得严谨,产品案例要拆得明白,行为故事要讲得真实。准备这场面试,最忌讳的是把所有时间押在某一个单项上——只练 SQL 的人会在实验设计轮吃亏,只背统计公式的人会在产品案例轮露怯,只准备技术的人会在行为轮丢分。正确的策略是六个维度齐头并进,每个维度都达到“能稳定通过”的水平,再用一到两个亮点让面试官记住你。

对于正在准备的求职者,最后给出三条建议。第一,早点开始:Pinterest 的流程长达 3 到 6 周,加上 4 周的准备时间,从投递到拿 offer 可能需要两个月以上,不要等到“准备好了”才投递,边准备边投递是更现实的节奏。第二,用真实项目讲故事:无论是简历、技术轮还是行为轮,真实的项目经历永远比背诵的标准答案更有说服力,准备时多花时间打磨自己的项目故事。第三,保持诚实:不会的问题就承认不知道,数据不确定就说明不确定,Pinterest 的面试官见过太多候选人,诚实与清晰的思考过程比强行给出的错误答案更受认可。

希望这篇复盘能帮你少走弯路。如果你正在准备 Pinterest DS 面试,欢迎对照文中的准备清单逐项检查自己的进度;如果你已经面过 Pinterest,也欢迎把你的经验分享出来,帮助更多后来者。祝你面试顺利,早日拿到心仪的 offer。

免责声明:本文内容仅供一般信息参考,不构成法律意见、职业建议或求职保证。文中薪资数据来自公开渠道,截至 2026 年 11 月 19 日,不同来源、不同口径的数字存在差异,实际 offer 以雇主提供的信息为准。面试流程与题目来自公开面经与第三方整理,不同年份、团队与级别的流程可能不同,请以 Pinterest 官方招聘信息与 recruiter 提供的安排为准。

相关阅读

© 版权声明
THE END
喜欢就支持一下吧
点赞53 分享
评论 共1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

    暂无评论内容