如果你正在准备 TikTok 数据科学家(Data Scientist,简称 DS)的面试,这篇文章就是为你写的。过去一年里,TikTok 的 DS 岗位一直是北美华人求职者最关注的目标之一:业务增长快、数据规模大、薪水有竞争力,而且几乎所有团队都在招人。但与此同时,它的面试也以“难啃”著称——Glassdoor 上 126 位 DS 候选人的反馈显示,面试难度 3.2 分(满分 5 分),只有约 29% 的人给出了正面评价,平均从投递到拿到结果需要 20 天。更关键的是,TikTok 的每一轮面试都是淘汰制,一轮不过就直接出局,没有补考机会。
这篇文章把 TikTok DS 面试从简历筛选到 onsite 的每一轮完整拆开:每一轮考什么、真实题型长什么样、面试官在听什么、以及该怎么准备。内容依据 Glassdoor 上百份真实面经、InterviewQuery 2026 年 10 月更新的 TikTok DS 面试指南、IGotAnOffer 2026 年 9 月更新的复盘(基于 100 多份 Glassdoor、Blind 与 Reddit 报告),以及 TikTok 官网 2026 年 10 月发布的 DS 岗位薪酬信息整理而成。文中出现的每一道例题都有真实出处,薪水数字全部标注来源与日期,没有把握的数字一律注明“未核实”,不编造。
先说一个最容易被低估的事实:TikTok DS 面试的权重分配和 Google、Meta 很不一样。在 Google,SQL 和统计各占一部分,产品 sense 相对靠后;在 TikTok,SQL 是第一道生死线,实验设计(A/B testing)与产品指标诊断是第二道,而机器学习建模反而排在后面——除非你面的是偏建模的岗位。很多候选人把大量时间花在刷 LeetCode 算法题上,结果第一轮 SQL 就栽了,这是最常见的准备错位。
先看整体:TikTok DS 面试到底考什么
TikTok 的 DS 岗位分布在多个业务线,面试题型会跟着团队走。常见的团队包括产品数据科学(Product Data Science,覆盖用户增长、内容生态、社交、创作等方向)、TikTok Shop 电商数据科学、广告数据科学(TikTok Ads,含 Ads Measurement)、Trust and Safety(信任与安全)、TikTok USDS(美国数据安全相关业务)以及多媒体(Multimedia)团队。不同团队的面试侧重点不同:Trust and Safety 的产品案例会围绕内容安全与举报率,TikTok Shop 的案例常涉及虚假商品、购买转化,广告团队则会考 ROI 与渠道归因。但无论哪个团队,以下四项能力是每一轮都在考察的底色:SQL 与数据处理、统计与实验设计、产品 sense 与指标诊断、沟通与结构化表达。
整个流程通常分为五个阶段:简历筛选、 recruiter 电话沟通、 hiring manager 电话面试、技术筛选(部分团队有在线测评 OA)、虚拟 onsite(2 到 5 轮,每轮 45 到 60 分钟,通过 Lark 进行),最后是 HR 终面与谈薪。整体耗时一般为 4 到 6 周,最快 2 周走完,最慢可能拖到 3 个月,主要变数是跨时区排期——不少 hiring manager 在亚洲,约时间需要来回协调。需要注意的是,TikTok 的 onsite 目前大多是线上的虚拟面试,通过 Lark 视频进行,个别团队或个别轮次可能要求线下面试,收到面试邀请时要以邮件里的安排为准。
还有一个 TikTok 独有的特点:每一轮都是淘汰制。IGotAnOffer 的复盘明确指出,TikTok 每一轮面试都必须通过才能进入下一轮,不像有些公司是所有轮次面完再综合评定。这意味着你不能抱着“前面一轮随便应付、后面再补回来”的心态,每一轮都要当作最后一轮来准备。
在开始逐轮拆解之前,先建立一个全局认知:TikTok DS 面试的考察逻辑是“用数据解决真实业务问题”。面试官出的题几乎都取材于真实业务场景——For You 信息流的推荐效果、视频观看时长下滑、广告主签约渠道的 ROI、店铺虚假商品——而不是抽象的教科书习题。答题时,面试官最看重的是你能不能把一个模糊的业务问题翻译成清晰的数据问题:先定义指标,再拆解假设,然后设计验证方法,最后给出可执行的建议。只会写 SQL 但讲不清业务逻辑的人,和只会讲业务但写不出 SQL 的人,都会被刷掉。
第一关:简历筛选——没有亮点项目,连电话都接不到
TikTok 的 DS 岗位要求并不神秘。按官方招聘信息,基本门槛是数学、统计、计算机科学或相关专业的本科及以上学历,熟练使用 SQL、Python 或 R,有实验设计、建模或优化方面的实际经验。研究生学历在不少岗位上是加分项,但不是硬性要求;真正决定简历能不能过关的,是项目经历的质量。
从真实面经的反馈来看,TikTok 的简历筛选看重三件事。第一,项目是否和数据科学的核心工作相关:定义指标、做实验、建模型、推动业务决策,而不是泛泛的“数据分析”。如果你做过 A/B 测试、做过推荐或增长相关的分析、处理过大规模用户行为数据,这些经历要放在简历最显眼的位置。第二,数字是否具体:不要写“优化了推荐效果”,要写“通过重新设计召回策略,把某类内容的点击率提升了多少,样本量多大,实验跑了几周”。没有数字的项目描述在筛选者眼里等于没有证据。第三,技术栈是否对口:SQL 和 Python 是标配,pandas、numpy 是最常被提到的库;有 Spark、Hive 等大数据工具经验是加分项,尤其是在用户增长与内容生态这类数据量极大的团队。
需要提醒的是,TikTok DS 的简历关有很强的“团队匹配”色彩。同一份简历,投产品 DS 团队可能被捞,投广告团队可能石沉大海,因为两个团队看中的经历完全不同。正确的做法是针对目标团队改简历:面 TikTok Shop 就突出电商、转化、风控相关的项目;面广告团队就突出归因、ROI、投放效果分析;面 Trust and Safety 就突出异常检测、内容审核相关的经历。简历上的关键词要和目标岗位描述(Job Description)里的关键词对齐,但不要生搬硬套——面试时 hiring manager 一定会顺着简历上的项目深挖,写上去的东西必须经得起追问。
投递渠道方面,官网投递(careers.tiktok.com)是最常规的入口,内推的优先级更高(内推渠道在文末单独讲)。还有一个现实情况:TikTok 在美国多个城市都有 DS 团队,包括 San Jose、Seattle、Los Angeles、New York 等,投递时留意岗位标注的城市与团队,城市不同,base 薪酬区间也不同。部分 USDS 岗位在招聘信息中明确写着不提供签证担保,投递前要先看清这一点,避免白忙一场。
第二关:OA 与在线测评——SQL 是硬门槛
不是所有团队都有 OA(Online Assessment,在线测评),但越来越多团队在电话面试之前加了这一关。OA 通常在 HackerRank 或类似平台上进行,题型以 SQL 和基础统计为主,偶尔夹杂少量 LeetCode 中等难度的算法题。时间一般在 60 分钟左右,题目数量不多,但要求一次写对——没有面试官在旁边提示,也没有机会解释思路。
根据 InterviewQuery 与 IGotAnOffer 汇总的候选人反馈,OA 里最常见的 SQL 题型有三类。第一类是窗口函数题:用 LAG、LEAD 计算用户行为间隔,用 RANK 或 ROW_NUMBER 做排名与去重。第二类是多表连接与聚合:把用户表、行为表、内容表连起来,算留存率、7 日活跃、平均观看时长这类指标。第三类是时间序列处理:按日期分组、算滚动平均、找出连续活跃天数。这些题在 LeetCode 的 SQL 中等难度题里都能找到影子,但 TikTok 的版本更贴近真实业务——表名和字段名都换成了视频、观看、点赞、关注这类业务词汇,读题时要先花一分钟理解业务含义,再动手写。
准备 OA 的方法很直接:把 SQL 的窗口函数练到不用查文档就能写出来。重点练 ROW_NUMBER、RANK、DENSE_RANK、LAG、LEAD、SUM OVER、COUNT OVER,以及 CTE(Common Table Expression,公用表表达式)的写法;GROUP BY、HAVING、CASE WHEN 这类基础语法要做到零失误。很多人在 OA 上翻车不是因为不会,而是因为细节出错:忘记处理 NULL 值、日期函数写错、JOIN 条件漏了一个字段。建议在 HackerRank 或 LeetCode 上按“SQL 中等难度”刷 30 到 50 道题,限时完成,并且每一道都做到一次通过,而不是反复调试才通过——OA 的环境没有调试的从容。
如果 OA 里出现 Python 题,题型通常是 pandas 数据处理:读入一个 DataFrame,做分组聚合、缺失值处理、写一个简单的函数实现某个逻辑。难度不高,但要注意时间。还有一个细节:有些团队的 OA 会在 SQL 之后加几道选择题,考基础统计概念,比如 p-value 的含义、置信区间的解释,这部分在后面的统计章节会详细讲。
第三关:电话面试——SQL 加实验设计,一轮定生死
通过简历筛选后,第一通电话来自 recruiter,时长 30 到 45 分钟。这一轮不考技术,主要确认三件事:你的背景与岗位是否匹配、你对 TikTok 和目标团队的了解程度、以及你的薪资期望与入职时间。别小看这一轮:recruiter 会把你的回答原样转给 hiring manager,第一印象就在这里形成。准备好用两分钟讲清楚自己的背景:你是谁、做过什么最相关的数据工作、为什么想来 TikTok、为什么是这个团队。薪资期望不要在这一轮就把底牌亮出来,可以说“希望了解完整的 package 再讨论”,把谈判留到拿到 offer 之后。
接下来是 hiring manager 的电话面试,45 到 60 分钟,这是真正的第一道技术关。这一轮通常由三部分组成:自我介绍与简历深挖、1 到 2 道 SQL 现场题、1 道产品或实验设计案例。Glassdoor 上的多份面经都提到,hiring manager 轮的 SQL 是“中等难度、贴近真实业务”的水平,常见题型包括:用窗口函数算用户留存或连续观看天数、写查询算视频观看时长或点击率(CTR)、多表连接算某个渠道的转化情况。面试官会在屏幕共享里看着你写,边写边讲思路——写对了但讲不清为什么这样写,同样拿不到高分。
简历深挖是这一轮最容易被低估的部分。面试官会挑你简历上最相关的一个项目,从头问到尾:这个项目解决什么业务问题?你怎么定义指标?数据从哪来?遇到什么脏数据?你用了什么方法?结果怎么样?业务方采纳了吗?如果重做一次,你会改什么?很多候选人在这里翻车,是因为简历上的项目是“参与过”而不是“主导过”,一追问细节就答不上来。准备方法:挑出简历上 2 到 3 个最硬的项目,每个项目按 STAR 结构(Situation、Task、Action、Result)写一页纸的讲稿,重点是数据细节——样本量、指标定义、实验设计、结果数字——全部要能脱口而出。
实验设计案例在这一轮也可能出现,常见问法是:“如果我们要上线一个新功能,你怎么设计 A/B 测试?”标准回答结构是:先明确北极星指标和护栏指标,再讲分流方式与随机化单位,然后算样本量与实验时长,接着讲如何监控实验、如何处理新奇效应(novelty effect)与网络效应,最后讲决策标准——p-value 显著就上线吗?如果显著但护栏指标掉了怎么办?这类问题没有唯一标准答案,面试官看的是你的思考是否完整、是否考虑了真实业务里的坑。
一个真实面经里的细节值得注意:有候选人反馈,TikTok San Jose 某团队的第一轮技术面试就是“自我介绍加动机问题,然后一道中等难度 SQL,再加一个 A/B 测试案例,案例的后续问题还涉及基础经济学常识与计量经济学知识”。这说明 TikTok 的面试官很看重候选人的知识广度——统计、实验、业务 sense 是连在一起考的,割裂准备会吃亏。
第四关:Onsite 第一轮:SQL 与数据处理
通过电话面试后,就进入虚拟 onsite 环节,一般是 2 到 5 轮,每轮 45 到 60 分钟,全部通过 Lark 视频进行。第一轮通常是 SQL 与数据处理专场,也是整个 onsite 里最“硬”的一轮。
这一轮的题型比电话面试更难、更贴近真实数据。InterviewQuery 2026 年 10 月的指南汇总了 5 份候选人报告,结论是:SQL 出现在绝大多数面经里,常见形式包括多表连接加窗口函数、用 CTE 组织复杂查询、GROUP BY 加过滤加连接的中等难度查询,有的候选人还被要求用 Python 或 pandas 把同一道 SQL 逻辑再实现一遍。IGotAnOffer 的统计也印证了这一点:在 100 多份 Glassdoor 报告里,技术类问题占 23.5%,其中 SQL 是绝对主力。
具体到题型,以下几类是高频中的高频。第一,留存与活跃分析:给定用户行为表,算次日留存、7 日留存、某个月份的新增用户在第 30 天还活跃的比例。关键点在于理解留存的定义——分母是注册用户还是当日活跃用户,时间窗口怎么算。第二,窗口函数综合题:用 LAG 和 LEAD 算用户两次观看的间隔,用 RANK 给内容排序,用累计求和算用户生命周期内的总观看时长。第三,漏斗与转化:从曝光到点击到关注到下单,每一步的转化率是多少,哪一步流失最严重。第四,去重与 Top N:找出每个用户观看次数最多的视频类别、每个地区观看量前 10 的创作者。第五,时间窗口与滚动计算:过去 30 天的平均访问量、7 天滚动平均观看时长。
答题时要注意三个细节。第一,先澄清再动手:面试官给出的表结构往往不完整,要主动问清楚字段含义、时间粒度、去重规则——“这个观看时长字段是秒还是分钟?”“一个用户重复观看算一次还是多次?”问得越清楚,写错的概率越低。第二,边写边讲:不要闷头写 10 分钟再解释,要一边写一边说“我先用 CTE 把每天的观看数据聚合起来,然后用窗口函数算留存”。面试官在听你的思路,思路清晰比代码完美更重要。第三,考虑性能与边界:数据量是 TikTok 级别的,面试官可能会追问“如果这张表有 10 亿行,你的查询会有什么问题?”这时要能说出分区、索引、避免笛卡尔积这类基本优化思路,以及 NULL 值与重复数据的处理。
如果这一轮还考 Python,题型通常是:给定一个数据集,用 pandas 完成与 SQL 相同的聚合逻辑,或者写一个函数处理缺失值、做简单的数据清洗。重点不是算法有多难,而是代码是否干净、可读、有边界处理。平时练习时,建议每道 SQL 题都顺手写一个 pandas 版本,两种实现都熟, onsite 就不会慌。
第五关:Onsite 第二轮:统计与概率——最容易被低估的一轮
如果说 SQL 轮考的是“手上功夫”,统计与概率轮考的就是“基本功”。多份面经和备考指南都提到同一个教训:候选人往往在机器学习系统设计上准备过度,却在统计上准备不足。datainterview.com 的指南说得很直接:很多 TikTok 候选人“在机器学习系统设计上准备过度,在纸笔统计上准备不足”,而 TikTok 的统计轮会要求你手推估计量、证明统计性质,不是只会说出检验的名字就够了。
这一轮的常见问题可以分成四组。第一组是假设检验基础:p-value 的准确定义是什么?Type I error(第一类错误)和 Type II error(第二类错误)有什么区别?置信区间怎么解释?“95% 置信区间”到底意味着什么?这些概念必须能用自己的话讲清楚,而不是背定义。面试官最喜欢的追问是:“p-value 小于 0.05,但你还是决定不上线这个功能,请举一个例子。”标准答案要围绕业务风险展开:样本量极大时,微小的、不具业务意义的差异也会显著;或者护栏指标恶化、实验存在偏差、多个检验同时进行导致假阳性膨胀。
第二组是实验设计与样本量:怎么决定实验要跑多久、需要多少样本?功效(power)和最小可检测效应(MDE)之间是什么关系?如果实验结果的 p-value 大于 0.05,该不该上线?正确思路是:先看置信区间是否排除了有业务意义的负面影响,再看样本量是否足够、实验是否跑满了完整的业务周期(比如覆盖一周的完整流量模式),而不是只看一个 p-value 就下结论。
第三组是方差缩减与偏差处理:CUPED 这类方差缩减方法是什么原理?什么时候用?多重检验(multiple testing)会带来什么问题,怎么纠正?辛普森悖论(Simpson’s paradox)在 TikTok 的场景里长什么样——比如某个功能整体上提升了观看时长,但在每个国家或每个用户分层里都是下降的,这时候该信哪一个?还有选择偏差、幸存者偏差、新奇效应、网络效应(一个用户的行为影响另一个用户,导致随机化假设被破坏),这些都是面试官爱追问的点。
第四组是概率与估计:经典的概率题,比如“两个用户独立观看视频的概率问题”“期望值与方差的手算”,以及估计量的性质——无偏性、一致性、有效性。有些面试官会让你现场推导:比如在某个简单场景下,写出某个估计量的期望,证明它是不是无偏的。这部分不需要高深的数学,但要求你对本科概率统计的核心概念真正理解,而不是只会调用现成的检验函数。
准备这一轮的建议:把假设检验、置信区间、功效分析、A/B 测试设计这四个模块各整理成一页纸的笔记,每个概念配一个 TikTok 业务场景的例子。比如讲 CUPED,就用“用用户历史观看时长作为协变量,降低实验方差”的例子;讲辛普森悖论,就用“新功能在美国提升、在东南亚下降,整体却提升”的例子。有了业务场景,概念就不再是干巴巴的定义,面试官一听就知道你是真懂。
第六关:Onsite 第三轮:产品案例与指标诊断
产品案例轮是 TikTok DS 面试里最有“TikTok 味”的一轮,也是最能拉开差距的一轮。这一轮不考你写代码的速度,考的是你能不能像一个真正的 TikTok 数据科学家那样思考:面对一个模糊的业务问题,你怎么定义指标、怎么诊断原因、怎么给出建议。
最经典的题型是指标诊断:“我们发现视频观看时长下降了,你怎么诊断原因并提出解决方案?”高分回答一定是结构化的:先确认指标定义与数据口径有没有变(是不是埋点改了、统计口径改了),再看下降是全局性的还是某个分群、某个地区、某个内容类别的问题,然后拆解指标构成(观看时长等于观看次数乘以平均每次观看时长,是次数掉了还是单次时长掉了),接着排查外部因素(节假日、竞品动作、内容供给变化),最后给出验证方案和短期缓解措施。面试官在听的是你的拆解逻辑是否完整、有没有遗漏关键分支,而不是你能不能猜中“正确答案”——因为这类问题本来就没有标准答案。
第二类题型是新功能评估:“怎么评估一个新的推荐算法在 For You 信息流上的效果?要跟踪哪些指标才能确保不伤害日活用户数(DAU)?”回答结构是:先定北极星指标(比如人均观看时长或留存),再定护栏指标(DAU、举报率、负反馈率),然后讲实验设计(分流单位、随机化、样本量、实验时长),最后讲上线标准与回滚条件。有候选人反馈,面试官还会追问:“如果新功能提升了观看时长,但举报率也上升了,你上还是不上?”这时要讲权衡框架:看提升与伤害的量级、看受影响的用户群体、看有没有办法通过调整阈值或分群上线来缓解。
第三类题型是业务场景案例,不同团队的问题完全不同。TikTok Shop 的候选人遇到过“虚假商品上架”的场景题:怎么发现、怎么衡量、怎么评估治理措施的效果。Trust and Safety 的候选人遇到过“视频举报率突然上升 5%,怎么系统性地调查诊断”的问题。广告团队则会问:“给定广告主注册表和各渠道(Facebook、Pinterest、Google 搜索)的投放花费,写查询找出 ROI 最高的渠道”,ROI 的定义是该渠道带来的注册广告主数量除以该渠道的营销预算——这道题一半是 SQL,一半是业务理解。
还有一类高频问题是“指标定义”:怎么定义一个好的指标?什么是好的北极星指标?DAU、留存、观看时长这些指标各有什么局限?面试官想听到的是:好指标要和业务目标直接挂钩、要能被数据科学团队影响、要难以被“刷”出来、要有明确的计算口径。准备时,可以把 TikTok 的核心指标体系自己画一遍:用户侧(DAU、留存、观看时长、人均观看视频数)、内容侧(发布量、创作者留存、内容多样性)、商业化侧(广告收入、电商 GMV、转化率),理解每个指标的定义、口径和局限,面试时就能信手拈来。
这一轮的加分项是“主动追问”。面试官给出一个模糊问题后,优秀的候选人会先问 3 到 5 个澄清问题再开始分析:下降是从什么时候开始的?幅度多大?是所有用户还是特定人群?最近有没有产品改动?数据有没有延迟?这种追问本身就是能力的证明——真实工作里,数据科学家每天面对的都是模糊问题,能问出好问题的人,比只会解题的人更有价值。
第七关:Onsite 第四轮:机器学习与建模
机器学习轮的权重取决于岗位方向。偏产品分析的 DS 岗位,这轮可能只占一小部分,甚至合并到其他轮次里;偏建模、推荐、增长模型方向的岗位,这轮就是主战场。面试前要先看清岗位描述:如果描述里反复提到 modeling、recommendation、optimization,那就要重点准备这一轮。
根据 InterviewQuery 与 IGotAnOffer 的汇总,TikTok DS 面试里出现过的机器学习问题包括:偏差-方差权衡(bias-variance tradeoff)、树模型(tree-based models)的原理与适用场景、反向传播(backpropagation)相关的问题(比如“去掉某个偏置项会发生什么”)、推荐系统的基本思路、以及过拟合与欠拟合的诊断与处理。难度定位在“理解原理、能讲清取舍”,而不是让你现场推导复杂的数学公式或手写一个完整的模型。
常见的提问方式有三种。第一种是概念辨析:“什么时候用逻辑回归,什么时候用树模型?”“随机森林和梯度提升树(GBDT)有什么区别,各自的优缺点是什么?”回答时要结合业务场景:比如在 TikTok 的场景里,树模型对非线性关系和特征交互的捕捉能力强,但可解释性差;逻辑回归可解释性好,但在复杂交互面前容易欠拟合。第二种是建模案例:“如果你要建一个预测用户流失的模型,你会怎么做?”标准结构是:定义目标变量与预测窗口、构造特征(行为特征、内容特征、社交特征)、选择评估指标(AUC、精确率、召回率,取决于业务目标)、处理样本不平衡、讲清楚怎么验证与上线、以及上线后怎么监控模型效果衰减。第三种是与推荐相关的开放问题:“推荐系统里冷启动问题怎么解决?”“怎么评估推荐算法的好坏,离线指标和在线指标不一致时信哪一个?”这类问题没有标准答案,面试官看的是你对推荐系统全链路的理解深度。
准备这一轮时,不需要把所有模型都复习一遍,重点掌握五类:线性模型与逻辑回归、树模型(决策树、随机森林、GBDT、XGBoost、LightGBM)、聚类与降维、基础的神经网络概念、以及评估指标体系。每一类要能讲清三件事:原理是什么、适用场景是什么、局限性是什么。另外要准备一个自己做过的建模项目,讲清楚特征工程的思路、模型选择的原因、评估结果、以及上线后的实际效果——面试官对“你亲手做过的模型”的兴趣,远远大于对“你背过的模型”的兴趣。
第八关:行为面试——讲好三个故事
行为面试(Behavioral Interview)贯穿整个流程, onsite 里通常单独占一轮,45 到 60 分钟。TikTok 的行为面试不像某些公司那样用固定的领导力原则清单,而是围绕你的真实经历展开:挑一个项目深挖、问你怎么处理冲突、怎么推动跨团队合作、怎么面对失败。面试官想确认三件事:你能不能和团队合作、你有没有 ownership(主人翁意识)、你遇到困难时是解决问题还是抱怨环境。
准备方法很具体:准备三个故事,每个故事都要有数据支撑。第一个故事讲“影响力”:你做的一个分析或模型,如何改变了业务决策,带来了什么可量化的结果。第二个故事讲“困难”:你遇到过的数据质量问题、跨团队分歧、或者项目方向被推翻的经历,你是怎么处理的。第三个故事讲“学习”:你犯过的一个错误,或者一个失败的项目,你从中学到了什么,后来怎么做得不一样。每个故事按 STAR 结构准备,控制在两分钟内讲完,重点放在你的行动和结果上,而不是背景铺垫。
有几个细节需要注意。第一,故事里的数字要真实,面试官可能会顺着数字追问计算方法,编造的数字一追问就露馅。第二,不要只讲成功的故事:TikTok 的面试官对“失败与复盘”的故事评价很高,因为真实工作中失败是常态,能从失败里提炼经验的人更可靠。第三,行为面试里也可以主动展示对 TikTok 业务的理解:比如在讲跨团队合作的故事时,顺带提到你对 TikTok 内容生态或电商业务的观察,会让面试官觉得你是真的对这家公司感兴趣,而不是海投。
录取与谈薪:拿到 offer 之后才是真正的考试
通过全部面试后,一般会在 1 到 2 周内收到 recruiter 的电话,先口头告知结果,再发正式 offer。TikTok 的 offer 结构和多数大厂类似,由四部分组成:base salary(基本工资)、sign-on bonus(入职奖金,部分岗位有)、RSU(Restricted Stock Units,限制性股票单位,按 4 年归属)以及年度奖金(discretionary bonus,酌情发放)。谈薪时要记住:base 和 RSU 都有谈判空间,尤其是当你手里有其他公司的 offer 时,recruiter 的权限会大得多。
谈薪的具体策略有四条。第一,不要在面试早期透露具体的薪资数字,recruiter 问期望时可以说“希望先了解完整的 package,包括 base、股票和奖金结构”。第二,拿到 offer 后再谈,而且要一次性把所有诉求摆出来:base、RSU 总量、sign-on、入职时间、职级(level)——分多次谈会消耗 recruiter 的耐心。第三,用市场数据支撑你的要价:把本文薪水包章节里的多口径数据作为谈判依据,而不是凭感觉开口。第四,职级比 base 更重要:TikTok 的 DS 职级体系里,高一级的 base 区间和股票数量都有明显差距,如果 recruiter 给的职级低于你的预期,先争取职级,再谈数字。
还有一个容易被忽略的点:offer 里的 RSU 归属节奏与离职条款。TikTok 的股票归属通常按 4 年分批进行,具体节奏以 offer letter 为准,签之前要逐条看清。此外,入职后的试用期、绩效评估周期、晋升标准,也可以在谈薪阶段向 recruiter 问清楚,这些信息对你判断这份工作的长期价值同样重要。
薪水包:多口径并列,数字全部有来源
薪水是大家最关心的话题,也是最容易被误导的话题。不同来源的统计口径完全不同:官方招聘信息给出的是 base 区间,Glassdoor 给出的是员工自报的总薪酬,H-1B 数据给出的是劳工部备案的工资,levels.fyi 给出的是全行业中位数。把这些数字混在一起比较是没有意义的,下面按来源逐一列出,每个数字都标注来源与日期。
第一口径:TikTok 官方招聘信息的 base 区间(来源:TikTok 官网 2026 年 10 月发布的岗位信息,2026 年 11 月 19 日核查)。广告数据科学家(TikTok Ads,Ads Measurement 方向):base 为 179,200 美元至 277,200 美元。产品数据科学家(PGC 方向):base 为 136,800 美元至 216,000 美元。资深广告数据科学家:base 为 170,240 美元至 263,340 美元。数据科学家应届生岗位:base 为 114,000 美元至 177,778 美元。Trust and Safety 方向数据科学家:base 为 106,400 美元至 232,223 美元。另有一个高级岗位的 base 区间为 167,538 美元至 312,867 美元。以上均为 base salary,不含股票与奖金;招聘信息同时注明,base 之外还有酌情奖金与限制性股票单位(RSU),具体金额因人而异。需要注意的是,不同城市的区间不同,上面列出的主要是加州岗位的数字,其他城市会低一些。
第二口径:Glassdoor 员工自报数据(来源:IGotAnOffer 2026 年 9 月 8 日更新的复盘,引用 Glassdoor 数据)。TikTok 数据科学家的平均总薪酬约为 225,000 美元一年,比全美数据科学家的平均总薪酬 151,171 美元高出约 49%。需要说明的是,这是 Glassdoor 自报数据的均值,样本构成、职级分布都不透明,只能作为粗略参考,不能当作谈判的精确依据。Glassdoor 同时显示,TikTok DS 面试的整体难度为 3.2 分(满分 5 分),正面评价比例约 29%,低于 TikTok 全公司的 37.6%——侧面说明 DS 岗位的面试体验在全公司里属于偏难的一档。
第三口径:H-1B 备案工资(来源:美国劳工部 LCA 备案数据,经 Ellis 汇总,2026 年数据;以及 DOL OFLC FY2025 披露数据)。Ellis 的汇总显示,TikTok 公司 Data Scientist 职位的 H-1B 备案共 123 份,中位数工资为 163,322 美元,区间为 85,821 美元至 380,000 美元。另一份数据(DOL OFLC FY2025)显示,TikTok 在 FY2025 为数据科学家职位提交了 55 份通过认证的 LCA,中位 offered wage 为 222,000 美元。H-1B 备案工资的口径是雇主向劳工部承诺的最低工资,不等于实际总薪酬,而且不同职级、不同城市混在一起,中位数只能反映大致水平,不能直接等同于你的 offer。
第四口径:全行业对照(来源:levels.fyi,2026 年 11 月 19 日更新)。全美数据科学家(所有公司合计)的总薪酬中位数为 182,000 美元,平均数为 203,963 美元,样本量为 3,142 份薪资报告;25 分位数为 135,900 美元,75 分位数为 255,000 美元,90 分位数为 340,000 美元。需要特别说明:这是全行业数据,不是 TikTok 专属数据;本次核查未能在 levels.fyi 上获得样本量足够、可核验的 TikTok DS 专属中位数,因此本文不引用任何未经核实的 TikTok 专属 levels.fyi 数字。把全行业中位数 182,000 美元和 TikTok 官方 base 区间放在一起看,可以得出的结论是:TikTok DS 的 base 区间上限明显高于行业中位数,但具体到个人能拿到多少,取决于职级、团队、城市和谈判。
综合四个口径,一个合理的预期是:应届生 DS 的总薪酬大致落在 150,000 美元至 220,000 美元区间,3 到 5 年经验的中级 DS 大致落在 220,000 美元至 320,000 美元区间,资深 DS 可以更高。但这只是基于公开数据的粗略框定,不是承诺。谈薪时最有力的依据永远是你手里的 competing offer 和官方 base 区间,而不是网上流传的某一个孤立数字。
内推渠道与投递策略
内推是进入 TikTok DS 面试最有效的渠道,原因很简单:内推的简历会被 recruiter 优先处理,而且内推人可以帮你把简历直接递到目标团队的 hiring manager 手里。找内推的途径有几个。第一,LinkedIn:搜索 TikTok 在职的数据科学家,尤其是和你背景相似的人(同校、同前公司、同方向),礼貌地发消息介绍自己,附上简历,说明目标团队与岗位。消息要短:三句话讲清你是谁、你做过什么、你想面哪个团队,不要发长篇大论。第二,校友网络:很多公司的内推系统对校友有专门通道,如果你的学校有 TikTok 的校友群,优先走校友渠道。第三,华人求职社区:Blind、LeetCode 讨论区、一亩三分地等平台上经常有人发内推帖,找那些明确写着“可内推 DS 岗位”的帖子,按要求提供简历。第四,招聘会与宣讲会:TikTok 每年都会参加各大高校与行业的招聘活动,现场递简历、和 recruiter 面对面聊,效果往往比海投好得多。
投递策略上,建议同时投 2 到 3 个团队,但不要海投 10 个以上。原因有二:第一,TikTok 内部的面试记录是互通的,短时间内面多个团队、多次挂掉,会留下不好的记录;第二,每个团队的准备重点不同,海投会导致准备分散,每个团队都准备不充分。正确的做法是:选一个最匹配的团队作为主攻方向,全力准备;再选 1 到 2 个相关团队作为备选,主攻团队出结果后再启动备选。
还有一个时间窗口的建议:TikTok 的 DS 招聘全年都有,但应届生岗位集中在每年秋季开放,2026 年入职的应届生岗位在 2025 年 8 月就已开放申请,2027 年入职的岗位也在 2026 年 8 月陆续上线。社招岗位则没有固定窗口,看到合适的岗位就尽快投——热门团队的岗位挂出来几周就可能关闭。投递后如果两周没有回音,可以通过内推人或 recruiter 跟进一次,但不要反复催促。
四周备考计划:每天两小时,足够覆盖全部考点
如果你现在开始准备,建议按四周来规划,每天投入两小时左右。第一周打基础:SQL 每天练 10 道中等难度题,重点是窗口函数与 CTE;同时把假设检验、置信区间、p-value、功效分析的概念整理成笔记。第二周攻实验设计:每天做一道 A/B 测试设计题,覆盖样本量计算、护栏指标选择、多重检验、偏差处理;同时开始准备简历深挖的讲稿,把 2 到 3 个项目按 STAR 结构写出来。第三周练产品案例:每天做一道指标诊断或新功能评估题,练习“先问澄清问题、再结构化拆解”的答题节奏;同时复习机器学习的核心模型,每个模型讲清原理、适用场景与局限。第四周做模拟面试:找朋友或用模拟面试平台做 3 到 5 次全真模拟,每次 45 分钟,SQL 现场写、案例现场讲,模拟完立刻复盘:哪道题卡住了、哪个概念讲不清、时间分配出了什么问题。模拟面试的价值在于暴露你在真实压力下的短板,这是自己刷题永远发现不了的。
备考资源方面,公开渠道已经足够。SQL 练习用 LeetCode 的数据库题和 HackerRank 的 SQL 板块;统计与实验设计用 InterviewQuery 的 TikTok DS 指南和 IGotAnOffer 的复盘;产品案例用 Glassdoor 上 TikTok DS 的真实面经帖;机器学习用经典的公开课程与教材。需要注意的是,一亩三分地、Blind、Reddit 上的面经帖质量参差不齐,有的帖子是几年前的,流程可能已经变了,阅读时要以 2025 年下半年以后的新帖为准,旧帖只参考题型、不参考流程细节。
常见失败原因与避坑清单
最后,把真实面经里反复出现的失败原因汇总成一份清单,面试前逐条自查。第一,SQL 准备不足:窗口函数不熟、CTE 写不顺、JOIN 条件漏字段,这是最常见的挂人原因,没有之一。第二,统计只会背定义:p-value、置信区间、功效分析讲不清,一追问就露馅。第三,产品案例没有结构:拿到“观看时长下降了”就直接猜原因,不先确认口径、不做拆解、不问澄清问题。第四,简历项目经不起深挖:写在简历上的项目一追问细节就答不上来,面试官会直接质疑简历的真实性。第五,行为面试没有准备:被问到“讲一个你失败的经历”时现场编故事,逻辑混乱、前后矛盾。第六,轻视 recruiter 轮:第一通电话就漫不经心,背景介绍讲得含糊不清,第一印象分就丢了。第七,准备方向错位:花大量时间刷算法题、准备机器学习系统设计,却忽略了 SQL 与实验设计这两块真正的权重。第八,时间管理失控: onsite 每一轮只有 45 到 60 分钟,SQL 题写 20 分钟还没写完,后面的案例就没时间讲了——平时练习一定要限时。
反过来想,TikTok DS 面试并没有什么“玄学”。它考的东西是公开的:SQL、统计、实验设计、产品 sense、机器学习基础、行为面试。每一轮的题型都有真实面经可查,每一轮的准备方法都有章可循。真正拉开差距的,是你有没有针对 TikTok 的业务场景去准备——用 For You 信息流的例子讲实验设计,用观看时长的例子讲指标诊断,用 TikTok Shop 的例子讲业务理解。当面试官感觉到你不是在背通用答案,而是在用数据科学家的思维解决 TikTok 的真实问题时,offer 就离你不远了。
祝你面试顺利。如果这篇文章对你有帮助,也欢迎看看本站同一系列的其他文章:Google 与 Meta 的数据科学家面经在结构上与 TikTok 高度相似,放在一起对照阅读,能更快摸清大厂 DS 面试的通用规律。










暂无评论内容