2026 年 11 月 19 日,沃尔玛公布季度财报:营收 1888 亿美元、调整后每股收益 0.65 美元,双双超过市场预期,全年指引再度上调。财报之外,另一个数字更值得求职者留意:沃尔玛官网同一天仍挂着 29 个数据科学家岗位,从 Bentonville 总部到加州 Sunnyvale 的 Walmart Global Tech,从 Marketplace 反欺诈到 Sam’s Club 的店内 AI 团队都在招人。对正在准备数据科学家面试的华人求职者来说,沃尔玛是一个经常被低估、但性价比很高的选择:面试难度低于一线互联网大厂,薪水包在零售行业里给得相当大方,而且对零售业务的理解本身就是一道护城河——会写 SQL 的人很多,既懂 SQL 又懂零售生意的人要少得多。
这篇是站内数据科学家面经系列的第 19 篇。系列前面 18 篇覆盖了 Google、Meta、Amazon、Netflix、Apple、微软、Nvidia、OpenAI、Tesla、Uber、Airbnb、LinkedIn、Stripe、DoorDash、Salesforce、Databricks 和 Pinterest,写法上沿用同一套复盘框架:先讲流程全貌,再按每一轮拆开讲考什么、怎么准备,最后是录取谈薪、薪水包和内推渠道。不同的是内容:沃尔玛的面试有自己的脾气,SQL 考得比算法重,案例题几乎全是零售场景,而且 Karat 筛选和 HackerRank SQL 测评两种形式都出现过,提前搞清楚自己会遇到哪一种,能少走很多弯路。本文的流程、题型与薪水数字全部来自 Glassdoor、InterviewQuery、levels.fyi、Walmart 官网招聘信息与美国劳工部 LCA 公开数据等真实来源,核查日期为 2026 年 11 月 19 日,无法核实的细节会直接注明,不编数字、不编流程。
先看全貌:Walmart 数据科学家面试到底考什么
沃尔玛数据科学家(Data Scientist,DS)的面试,标准流程是 5 个环节:简历筛选、 recruiter 电话、在线测评或 Karat 技术筛、电话技术面、virtual onsite(4 到 5 轮)。全程 4 到 8 周,比 Meta、Google 普遍快一截。根据 Glassdoor 上 Senior Data Scientist 岗位的候选人反馈,该级别从投递到拿到结果平均 30 天,面试难度自评 3.7 分(满分 5 分),只有 50% 的候选人表示体验积极——这个数字低于全站 63.1% 的平均水平,主要扣分项集中在流程沟通上,后面会具体讲到。
沃尔玛的 DS 岗位挂在 Walmart Global Tech 旗下,也就是以前的 Walmart Labs。这个部门负责沃尔玛全部的技术与数据工作,数据科学家分布在需求预测、个性化推荐、定价优化、反欺诈、供应链效率、搜索排序等团队。公司对外介绍的业务规模是:全球 1 万多家门店,每周服务超过 2 亿顾客。对面试者来说,这意味着两件事。第一,SQL 和统计是基本功,权重高于算法题;第二,案例题一定会落到零售的具体场景里,回答时张口就是“先看 GMV 再看转化率”,比背十个算法定义更有用。
按环节拆开,各轮的考察重点大致如下。简历筛选看的是机器学习与统计功底、Python 熟练度、大规模数据经验,以及硕士或博士学历——沃尔玛的 DS 岗位说明里普遍写着硕士或博士优先,有生产环境模型经验的候选人明显占优。Recruiter 电话 30 分钟,聊背景、问为什么选沃尔玛、谈薪资预期和工作地点。技术筛有两种形式,后面细讲。电话技术面通常是两场各 30 分钟,一场机器学习、一场统计,或者一场技术加一场业务案例。Virtual onsite 是 4 到 5 轮、每轮 1 小时的组合:机器学习与统计深挖、Python 编程、SQL 专场、产品案例、项目深挖,以及 hiring manager 的行为面试;高级岗位还会加一轮机器学习系统设计。个别团队会给 24 小时 take-home 作业,要求第二天做 presentation 讲清楚解法。
一个需要提前知道的现实是:沃尔玛的面试组织不算特别精密。Glassdoor 上一位 2023 年 10 月面旧金山岗位的候选人记录了完整经过:8 月 15 日官网投递,9 月 20 日 recruiter 联系,先填一份问卷(工作地点、签证情况、对岗位要求的自我评估),再做 HackerRank SQL 测评,然后是 recruiter 介绍电话。Recruiter 当时告诉他接下来是两场各 30 分钟的面试,一场机器学习、一场统计,并且明确说没有编程轮;结果到了现场,第一位面试官把机器学习和统计合在一场里考了,第二位面试官一上来就说是编程加业务案例轮,而且对“没人通知过有编程轮”这件事不以为意。这场面试总共只给了 30 分钟,面试官还迟到了几分钟,SQL 题只能写在 Zoom 聊天框里——一次只能看到三行代码。候选人最后没做完那道题,体验很差。把这个例子写出来不是为了劝退,而是提醒一件事:每一轮开始前,务必和 recruiter 用邮件书面确认这一轮的形式、时长和考察内容,口头说的不要只记在脑子里。
第一关:简历筛选——零售数据背景怎么写才过关
沃尔玛的 recruiter 筛简历,看的不是你会多少个模型,而是你的经历离零售生意有多近。同一份简历,写“用 XGBoost 把 AUC 从 0.81 做到 0.87”是及格线,写“用 XGBoost 优化补货模型,让某类目缺货率下降 2.3 个百分点、对应年化销售额增加多少”是加分项。原因很简单:沃尔玛 DS 团队的日常工作就是把模型翻译成货架、价格和库存,业务语言是硬通货。
简历上最值得放的四类经历,按优先级排:第一,需求预测、库存优化、定价、推荐、反欺诈这类直接对得上沃尔玛业务的项目;第二,A/B 测试与实验设计经验,沃尔玛的 DS 每天都在和实验打交道,简历里出现 experiment design、causal inference、uplift modeling 这些词,通过率会明显提高;第三,大规模数据处理经验,写清楚数据量级(比如日均处理多少行、用 Spark 还是 SQL 解决)和你做的优化;第四,跨部门协作经历,特别是和供应链、运营、 merchandising 团队合作的项目,面试里行为面试轮会反复追问这类故事。
学历方面,沃尔玛 DS 岗位普遍要求硕士及以上,博士在高级岗位上很常见,但硕士加两到三年相关经验完全够得上普通 DS 岗位。应届生如果没有全职经历,实习项目要写得足够具体:数据集多大、目标变量是什么、评估指标怎么选、结果落到了什么业务指标上。空泛的课程项目描述,比如“用 Python 做了房价预测”,在这一关基本没有竞争力。
投递渠道上,官网 Walmart Careers 是主渠道,内推是加速器。Recruiter 的反馈速度因团队而异,上面那位旧金山候选人从投递到 recruiter 联系等了 36 天,而另一位候选人两周内就走完了全程。投递后如果三周没有消息,可以礼貌地跟进一次,同时不要只押一个团队:沃尔玛不同 DS 团队的招聘是相对独立的,Marketplace、Merchandising Analytics、Enterprise Business Services 各有自己的 headcount 和节奏,多投几个匹配的团队是常规操作。
第二关:OA 与在线测评——HackerRank SQL 与 Karat 技术筛
沃尔玛的在线测评有两种形式,收到哪一种取决于团队和年份,两种都要准备。第一种是 HackerRank SQL 测评,上面那位 2023 年的候选人遇到的就是这种:纯 SQL,难度偏高,重点是窗口函数和多层 CTE 的组合。做题环境是 HackerRank 自带编辑器,可以自己跑测试用例,时间通常给 60 到 90 分钟。注意点是:SQL 测评里最容易丢分的地方不是不会写,而是 corner case 没处理——NULL 值、重复行、时区、日期边界,这些在零售数据里天天出现,测评题里也一样。
第二种是 Karat 技术筛,近两年越来越常见。形式是 60 分钟一对一视频面试,前 30 分钟左右做 3 道 LeetCode 风格的编程题,要求至少完整做对 2 道、全部测试用例通过;后半段是中等到偏难的 SQL,重点是窗口函数(ROW_NUMBER、RANK、PERCENTILE_CONT)、CTE 与查询优化。Karat 的特点是面试官会全程看着你写代码,边写边讲思路,沉默太久会被记一笔。3 道题里一般有一道偏简单、一道中等、一道偏难,时间分配上建议先拿下前两道,再攻第三道,不要在一道题上死磕超过 15 分钟。
两类测评的共同点是 SQL 权重极大。InterviewQuery 专门写过一篇沃尔玛 SQL 面试题指南,核心观点是:沃尔玛的 SQL 题不是考教科书里的 join 写法,而是考你在数据量巨大、又脏又乱的前提下,能不能写出又对又快的查询。题型分三类:概念题(WHERE 和 HAVING 的区别、窗口函数和 GROUP BY 的区别、不同 join 的语义),应用题(给一个模拟的沃尔玛数据集:orders、SKUs、stores、returns 几张表,让你挖业务洞察),以及边界与优化场景(5 亿行的 returns 事实表按 return_date 分区,怎么在 30 秒内查出上季度退货率最高的 10 个 SKU;或者设计一个每 5 分钟更新一次各事业部 GMV 的近实时 pipeline,还要处理最长 24 小时才到的迟到订单)。
准备方法上,建议按这个清单过一遍:窗口函数全套(ROW_NUMBER、RANK、DENSE_RANK、LAG、LEAD、NTILE、PERCENTILE_CONT),CTE 递归与多层嵌套,日期函数与时区处理,NULL 与去重逻辑,GROUP BY 与 HAVING 的组合,EXPLAIN 与索引的基本概念,以及 Redshift 或 Snowflake 这类分布式数仓的分区、排序键、分布键常识。沃尔玛内部常用 Redshift,面试里问到查询优化时,能说出“按分区键过滤、避免全表扫描、减少 shuffle”这类话,比只会写对 SQL 更加分。LeetCode 上 SQL 中等难度题刷 50 道左右,再配合 InterviewQuery 的沃尔玛 SQL 题库做场景训练,基本可以覆盖这一关。
第三关:电话面试——机器学习与统计各 30 分钟
过了测评,下一轮通常是电话技术面。沃尔玛常见的安排是两场背靠背、各 30 分钟的面试,由两位不同的面试官分别负责机器学习和统计;也有的团队把两场合成一场 60 分钟。机器学习那场的问题偏基础但覆盖面广:模型怎么选、评估指标怎么定、bias-variance tradeoff 怎么解释、过拟合了怎么办、类别不平衡怎么处理、特征工程怎么做。回答时不要只背定义,面试官更喜欢听到“在什么场景下用、代价是什么”——比如为什么在这个需求预测问题上选 LightGBM 而不是深度学习,为什么用 MAPE 而不是 RMSE 评估补货模型。
统计那场是沃尔玛面试里最容易低估的一轮。Glassdoor 上多位候选人提到,沃尔玛的统计问题问得比想象中深,而且和业务绑得很紧。常见问题包括:怎么设计一个 A/B 测试来验证新的推荐算法、样本量怎么算、p-value 到底是什么意思、辛普森悖论(Simpson’s paradox)举个例子、多重比较问题怎么处理、实验组和对照组在随机分流后指标分布不一致怎么办。还有一类问题是因果推断的入门:观测数据里能不能直接说“用了优惠券的顾客复购率更高”就是优惠券的功劳,confounding 因素怎么控制,什么情况下需要用 difference-in-differences 或者 propensity score matching。
电话面试还有一个特点:面试官会花不少时间聊你的项目。准备三个项目故事,每个故事按 STAR 结构讲清楚背景、你的角色、方法、结果和业务影响,并且准备好被追问细节——“这个特征为什么有效”“数据泄露(data leakage)检查过吗”“模型上线后怎么监控效果衰减”。沃尔玛的面试官对“做过”和“真正理解”分得很清,项目讲得越具体,越能过关。另外,电话面试里经常出现“why Walmart”这个问题,回答要具体到业务:比如你对某个团队做的需求预测感兴趣,或者你研究过 Walmart Data Ventures 的数据产品,而不是泛泛地说“沃尔玛规模大、数据多”。
Onsite 第一轮:SQL 专场——窗口函数与大表优化
Onsite 的 SQL 轮通常是单独一轮,60 分钟,2 到 3 道题,全部手写。这一轮在沃尔玛的权重比在很多互联网公司都高,因为 DS 入职后每天都要写 SQL,而且数据量是零售级别的。题型上,候选人反馈最集中的是三类。
第一类是窗口函数题。比如:给一张订单表,查每个顾客最近一次下单的金额和日期;或者查每个门店每个月销售额环比增长最快的品类;或者用 PERCENTILE_CONT 找出各地区销售额的中位数。这一类题的关键是先想清楚分区键(PARTITION BY)和排序键(ORDER BY),再决定用 ROW_NUMBER 还是 RANK——两者在并列情况下的行为不同,面试官经常就此追问。
第二类是留存与漏斗类。比如:计算新客 30 天复购率,或者按注册 cohort 算各月留存;或者分析某次促销活动里,领了券的顾客和没领券的顾客在 7 天内的下单转化差多少。这类题考的不是语法,而是你能不能把业务问题翻译成正确的表连接与聚合逻辑,日期边界和去重条件是最容易出错的地方。
第三类是优化题,偏高级岗位。面试官会给一个跑得很慢的查询,让你分析慢在哪里、怎么改写,或者直接问:在 Redshift 这样按列存储的数仓里,5 亿行的大表做 join 要注意什么。能答出“先按分区键过滤再 join”“避免在 join 键上做函数运算”“用物化中间结果减少重复扫描”这个层次的答案,就够了;不需要背执行计划的每个算子。
准备这一轮的建议是:每天手写 3 到 5 道 SQL 中等题,坚持两周;写完后不要只看结果对不对,还要复述一遍“这段 SQL 的业务含义是什么”,因为 onsite 的面试官经常要求你边写边解释。另外注意一个细节:沃尔玛 onsite 的 SQL 轮有的用共享文档写、有的直接写在聊天框里,格式工具很简陋,提前练一练在没有自动补全和语法高亮的环境下写 SQL,免得到时候手忙脚乱。
Onsite 第二轮:统计与概率——A/B 测试与实验设计是重头
统计与概率轮是沃尔玛 onsite 里区分度最高的一轮,也是最容易准备偏方向的一轮。很多候选人把时间花在背概率分布和贝叶斯公式上,真正的高频题却是实验设计。沃尔玛的业务几乎全靠实验驱动:改一个推荐位、调一次定价、换一个补货策略,都要先跑 A/B 测试。所以这一轮的核心问题就四个:实验怎么设计、指标怎么选、结果怎么解读、出了问题怎么排查。
设计层面,常见问题是:要验证新品推荐算法是否提升转化率,实验组和对照组怎么分、随机化单元选用户还是门店、样本量需要多大、实验要跑多久。回答时要提到统计功效(statistical power)与最小可检测效应(minimum detectable effect),以及零售场景特有的坑:同一家门店的顾客会互相影响,随机化单元如果选用户可能会有 spillover,这时要考虑按门店或按地区做 cluster randomization。
指标层面,面试官喜欢问:只看转化率够不够,要不要同时看客单价、退货率、毛利率;主要指标(primary metric)和护栏指标(guardrail metric)怎么分;如果转化率涨了但退货率也涨了,这个实验算成功吗。好的回答一定是多指标视角:沃尔玛的 DS 被要求对业务结果负责,而不是对某个单一数字负责。
解读层面,必考的是 p-value 的正确理解、置信区间怎么读、多重比较导致假阳性怎么办。还有一个高频追问:实验跑了一周,p-value 是 0.04,能不能直接上线。标准答案是不能只看 p-value:要看效应量大小、样本量是否达到预先计算的要求、指标在时间上是否稳定、有没有新奇效应(novelty effect)或者周末效应在捣乱。CUPED 这类方差缩减方法如果能顺口提到,会是加分项,但不是必需。
概率题相对直接:条件概率、贝叶斯定理、期望值计算、经典的生日问题变体或者抽球问题。准备时把常见的概率题型过一遍即可,重点还是放在实验设计上。这一轮的准备材料,推荐 Google 的实验设计公开课思路加上 InterviewQuery 的统计题库,再对照沃尔玛的业务场景自己编两道练习题:比如“沃尔玛想测试免费配送门槛从 35 美元降到 25 美元对订单量的影响,你怎么设计实验”,自己写一遍完整答案,再找人 mock 一次。
Onsite 第三轮:产品案例——零售场景的端到端解题
产品案例轮是沃尔玛 onsite 最有特色的一轮,也是最能体现“懂零售”价值的一轮。面试官会给一个开放式业务问题,要求你在 45 到 60 分钟里讲清楚:怎么定义问题、需要什么数据、用什么方法、怎么评估、怎么落地。没有标准答案,考察的是结构化思维和业务 sense。候选人反馈里出现频率最高的几个案例场景,值得逐个准备。
第一个是库存与缺货优化:某类目经常缺货,同时另一批货积压在仓库,怎么建一个补货模型。这个问题要从数据入手:历史销量、季节性、促销日历、供应商交货周期、门店库存快照。方法上可以讲时间序列预测加安全库存模型,或者直接讲怎么用预测区间来定补货点。关键是要提到权衡:缺货损失的是销售额和顾客信任,积压占用的是资金和仓储成本,模型的优化目标应该是总成本最低,而不是预测误差最小。
第二个是需求预测:为几千个 SKU、横跨几百家门店做未来 4 周的销量预测。回答的骨架是:先分层(按品类、地区、门店类型),再选模型(基线用季节性朴素法或移动平均,进阶用 LightGBM 加特征工程,高频 SKU 可以试 Prophet 或深度学习模型),然后讲评估(按 SKU 聚合的 WMAPE、按门店的覆盖率),最后讲落地(预测结果怎么进补货系统、预测错了怎么兜底)。面试官经常追问:如果遇到黑五这种大促周,模型怎么处理;如果某个 SKU 历史数据只有 3 个月,怎么办。
第三个是定价与促销:某商品降价 10% 之后销量涨了 20%,能不能说降价是划算的。正确答案是先算毛利变化,再考虑价格弹性、竞品反应、顾客是不是只是把未来的购买提前了(pull-forward 效应),以及降价对品牌定位的长期影响。能把“短期销量”和“长期利润”分开讨论的候选人,在这一轮会很出彩。
第四个是反欺诈与风控:Marketplace 上第三方卖家激增,怎么识别虚假订单和刷单。这个场景对应的是 Marketplace Decision Management 团队的真实工作。回答要覆盖特征(下单频率、设备指纹、地址异常、退款历史)、模型(有监督分类加无监督异常检测)、以及最容易被忽略的一点:误杀成本——把正常顾客当成欺诈拦截掉,损失比漏掉一单欺诈更大,所以阈值设定和人工复核流程必须一起讲。
案例轮的通用解题框架可以记下来:澄清问题与目标、定义成功指标、盘点可用数据与缺失数据、提出 2 到 3 种解法并比较、讲评估与实验方案、讲落地与监控、最后讲风险与下一步。每一层讲 2 到 3 分钟,整体控制在 20 分钟以内讲完主线,留时间给面试官追问。切忌一上来就讲模型,先讲业务,模型是最后才出场的工具。
Onsite 第四轮:Python 编程与项目深挖
编程轮在沃尔玛 DS 面试里的权重低于 SQL 轮,但仍然是必考项。题目以 LeetCode 中等难度为主,常见的是数组、哈希表、字符串处理,以及用 Pandas 做数据清洗的题目。Glassdoor 上 Senior DS 候选人反馈的第一轮就包括“3 道 LeetCode 中等题加 SQL 窗口函数”,面试官迟到了 15 分钟、态度也不太好——这个例子再次说明,编程轮的题目难度本身不算夸张,真正的挑战是时间压力和临场沟通。
除了算法题,编程轮经常穿插数据操作题:给一个 DataFrame,让你做 groupby 聚合、处理缺失值、算滚动均值,或者写一个函数检测交易量异常。准备时重点练 Pandas 的常用操作(merge、groupby、pivot、rolling、resample)和 NumPy 的向量化写法,面试时写出向量化代码比写 for 循环更能体现熟练度。另外,SQL 和 Python 的混合考察越来越多:先用 SQL 取数、再用 Python 建模,面试官会看你怎么在两个工具之间分工。
项目深挖轮通常和编程轮分开,或者由 hiring manager 在行为面试里一并完成。面试官会选你简历上最核心的一两个项目,从头问到尾:业务背景是什么、数据从哪来、怎么清洗、特征怎么选、模型为什么选这个、评估指标为什么用这个、上线后效果怎么监控、如果重做一次会改什么。回答的关键是诚实和具体:不知道的就说不知道,编造的细节在追问两轮之后一定会露馅。准备三个项目的“深挖版”讲稿,每个项目准备 5 个可能被追问的细节问题,提前写好答案。
高级岗位(Senior 及以上)还会加一轮机器学习系统设计:比如设计一个覆盖全美门店的实时推荐系统,或者设计一个需求预测平台。回答的框架是:明确需求与约束、画数据流与系统架构、讲特征存储与模型服务、讲监控与回滚、最后讲扩展性。系统设计轮不要求写出生产级代码,但要表现出“模型上线之后的事你也想过”的意识,这是区分初级和高级候选人的分水岭。
Onsite 第五轮:行为面试与 hiring manager——为什么非沃尔玛不可
行为面试轮通常由 hiring manager 主导,问题围绕沃尔玛的四条价值观展开:服务顾客(service to the customer)、尊重个人(respect for the individual)、追求卓越(strive for excellence)、正直诚信(act with integrity)。准备时按这四条各准备一个故事,用 STAR 结构讲:背景、任务、行动、结果。最容易被问到的几类问题包括:讲一次你和业务方意见不一致的经历、讲一次项目失败后你怎么处理、讲一次你主动发现并解决数据质量问题的经历、讲一次你在时间压力下做取舍的经历。
“为什么选沃尔玛”几乎是必问题,回答要具体。好的答案会提到某个团队的具体工作,比如“我关注到 Marketplace 团队在做卖家风控模型,我之前做过类似的反欺诈项目,想把经验带到零售场景里”;差的答案是“沃尔玛是大公司、数据量大、工作稳定”。面试官每天听几十遍“数据量大”,只有具体到团队和业务的答案才能被记住。还可以结合沃尔玛近期的业务动态:2026 年 11 月 19 日的财报显示营收与利润双双超预期、假日季招聘正在放量,电商与 Marketplace 是增长最快的板块之一,这些都可以作为“我为什么现在加入”的佐证。
行为面试里还有一个沃尔玛特有的考察点:跨部门协作。DS 在沃尔玛不是关起门来建模的岗位,日常要和供应链、运营、 merchandising、工程团队打交道。RoundReply 上汇总的沃尔玛 DS 行为面试题里就有一道:“你怎么和供应链或运营团队合作,把他们的领域知识变成真正有用的数据科学方案。”准备一个你主动找业务方聊、把他们的经验变成特征或者约束条件的故事,比准备十个“我领导力很强”的空话都有用。
最后提醒一个流程细节:onsite 结束后,hiring manager 轮的表现往往有否决权。技术轮全过但行为面试被认为“和团队不合”,一样拿不到 offer。回答时保持坦诚,遇到不会的问题直接说“我不知道,但我会这样去查”,比硬编一个答案要好得多。
地点与团队:Bentonville、Sunnyvale 与远程怎么选
沃尔玛 DS 岗位的地点分布是求职者最容易搞错的部分。公司总部在阿肯色州 Bentonville,大量 DS 岗位集中在这里,包括 Merchandising Analytics、Enterprise Business Services 的数据科学团队,以及 Sam’s Club 的 In-Club AI 团队。Bentonville 的生活成本远低于加州,同一级别的薪水在当地的购买力要强得多,这是很多候选人愿意去 Bentonville 的主要原因。
加州的岗位集中在 Sunnyvale 的 Walmart Global Tech 办公室(地址是 680 West California Avenue),以及 San Bruno——这里是原来 Walmart Labs 的所在地,现在仍是电商与 Marketplace 技术团队的重要据点。Sunnyvale 的岗位以 Marketplace、搜索推荐、广告技术为主,薪资区间也更高:Senior DS 在 Sunnyvale 的官方招聘区间是 117,000 到 234,000 美元,而 Bentonville 同级别的部分岗位区间是 90,000 到 180,000 美元。地点不同,base 差距可以直接拉到 30% 以上,谈薪时一定要把地点因素算进去。
此外,达拉斯与 Plano 地区也有一个规模不小的 DS 团队,这从 levels.fyi 的数据上能看出来:沃尔玛是达拉斯地区数据科学家总包最高的雇主。远程岗位存在,但比例不高,多数 DS 岗位要求每周到办公室几天,具体政策因团队而异,面试时直接问 recruiter 是最可靠的办法。
选团队的建议是:应届生优先选业务场景清晰、mentor 体系成熟的大团队,比如 Merchandising Analytics 或 Marketplace;有几年经验想往深了做的,可以看 Enterprise Business Services 这类做跨业务线建模的团队,或者 Sam’s Club 的 Applied AI Labs 这类偏前沿的团队。投递前先在官网职位描述里看团队介绍,面试时能说出“我了解你们团队在做什么”,本身就是加分项。
录取与谈薪:流程时间线与谈判要点
Onsite 结束之后,沃尔玛的反馈速度相对较快。候选人反馈显示,onsite 后 1 到 2 周内通常能拿到结果,快的 5 个工作日就有消息。全程从投递到 offer 一般是 4 到 8 周,个别流程拖到 2 个月以上的,往往是卡在 headcount 审批或者团队内部协调上,而不是候选人本身的问题。如果 onsite 后超过两周没有消息,可以给 recruiter 发一封简短的跟进邮件,顺便重申自己对这个岗位的兴趣。
谈薪是沃尔玛面试里最容易被低估的环节,因为很多人以为零售行业的薪水没有谈判空间。实际情况是:沃尔玛 DS 的薪水由 base、年度或季度绩效奖金、股票三部分组成,不同级别的谈判空间差别很大。初级岗位的 base 区间相对固定,但签约奖金(sign-on bonus)和股票可以谈;Senior 及以上级别,base、股票和奖金的谈判空间都比较大,尤其是当你手里有其他公司的 offer 时。
谈判的几个实操要点:第一,永远不要先报数字,让 recruiter 先给区间;第二,谈总包(total compensation)而不是只谈 base,沃尔玛的股票部分在总包里的占比不低,Principal 级别股票能占到总包的 27.5%(Glassdoor 数据);第三,把地点差异算清楚,Sunnyvale 和 Bentonville 的 base 区间可以直接差出几万美元,拿 Bentonville 的 offer 去谈 Sunnyvale 的岗位没有意义;第四,谈薪时可以提 H-1B 办理、入职时间、远程办公天数这些非薪资条件,沃尔玛在这些方面有一定的灵活性。
签证方面需要单独提醒一句:沃尔玛历史上是 H-1B 担保大户,美国劳工部 LCA 公开数据显示,2025 财年沃尔玛为数据科学家岗位提交了 336 份获批的 LCA, median offered wage 是 167,000 美元;USCIS 数据显示 2023 到 2026 财年沃尔玛共有 4,521 名新 H-1B 员工获批。但这不等于每个 DS 岗位都担保签证——2026 年的招聘信息里,Sam’s Club In-Club AI 团队的 Senior DS 岗位就明确写着不提供签证担保。投递前务必在职位描述里确认 sponsorship 条款,或者直接问 recruiter,不要等到谈 offer 时才发现问题。
薪水包:多口径对照——levels.fyi、Glassdoor 与官方招聘区间
沃尔玛 DS 的薪水包,市面上的口径差异不小,下面按来源逐个列出来,方便对照。所有数字的核查日期都是 2026 年 11 月 19 日,样本量能查到的都标注了,查不到的也如实说明。
levels.fyi 的口径是总包(base 加股票加奖金)。2026 年 11 月 16 日更新的数据显示,沃尔玛是达拉斯地区数据科学家总包最高的雇主,中位总包 209,000 美元;同一口径下,达拉斯地区数据科学家的整体中位总包是 138,400 美元,Plano 地区是 160,000 美元。需要说明的是,levels.fyi 的页面没有披露沃尔玛 DS 这一条目的具体样本量,所以 209,000 美元这个数字适合作为“沃尔玛在当地给得高于市场”的参考,不适合当成精确到个人的报价。
Glassdoor 的口径分级别。Principal Data Scientist(美国)的数据相对完整:中位总包 368,000 美元,基于 32 份提交的薪资样本,更新于 2026 年 10 月 8 日;构成是 base 占 59.4%、奖金占 13.1%、股票占 27.5%;平均 base 是 228,881 美元,典型 base 区间在 190,307 到 278,906 美元之间,90 分位可达 331,808 美元。普通 Data Scientist 级别,Glassdoor 美国站没有单独列出样本量充足的沃尔玛条目,本文不引用拼凑的数字,改用下面两个更可靠的口径来补。
沃尔玛官网招聘信息的口径是 base 区间,这是最硬的数字,因为是公司自己公布的。2026 年在招的几个 DS 岗位:Senior Data Scientist(Marketplace 决策管理团队,Sunnyvale)117,000 到 234,000 美元;Senior Data Scientist(Enterprise Business Services,Bentonville)90,000 到 180,000 美元;Senior Data Scientist(Sam’s Club In-Club AI,Bentonville)90,000 到 180,000 美元;Staff Data Scientist(Merchandising Analytics,Bentonville)110,000 到 220,000 美元;Staff Data Scientist(Marketplace,Sunnyvale)143,000 到 286,000 美元。以上全部另加年度或季度绩效奖金,部分岗位另加股票。
另外两个交叉口径可以用来验证。jobswithpay 统计的沃尔玛官网在招 DS 岗位(2026 年 11 月 16 日数据,32 个在招岗位)显示,base 中位数是 204,000 美元;美国劳工部 LCA 公开数据(2025 财年,336 份数据科学家岗位 LCA)显示 median offered wage 是 167,000 美元——LCA 数字是雇主向劳工部申报的工资承诺,通常低于实际总包,适合当作下限参考。
把这些口径拼在一起,结论是:沃尔玛 DS 的普通级别总包大致落在 150,000 到 220,000 美元之间,Senior 级别在 200,000 到 280,000 美元之间,Staff 级别可以到 300,000 美元以上,Principal 级别中位总包在 368,000 美元左右。地点是最大的变量:同样的级别,Sunnyvale 的 base 比 Bentonville 高 20% 到 30%,但加州的生活成本和税负也要高出一截,比较 offer 时建议按税后实际购买力算一遍,而不是只看总包数字。
内推渠道:哪些路子真的有用
沃尔玛 DS 的内推,效果最明显的仍然是熟人内推。LinkedIn 上搜 Walmart Global Tech 的数据科学家,按团队和地点筛选,加好友时附上一句简短的自我介绍和想投的岗位链接,回复率比群发要高得多。内推人通常能拿到推荐奖金,所以对方也有动力帮你,关键是把你的简历和目标岗位匹配度讲清楚,让对方愿意把你的名字交上去。内推的价值主要在简历筛选这一关:recruiter 对内推简历的响应速度明显快于海投,而且有些团队的岗位只挂很短时间,内推能帮你赶上窗口期。
第二条路子是校招与校园渠道。沃尔玛每年在目标院校有 DS 方向的校招,包括暑期实习转正。实习转正的面试流程比社招短,通常只有 2 到 3 轮,而且实习期间的表现占很大权重。对于在读硕士和博士,暑期实习是进沃尔玛 DS 最稳妥的路径,竞争也比直接社招小。
第三条路子是招聘会与行业活动。沃尔玛 Global Tech 团队会参加 Grace Hopper Celebration 这类技术女性大会,以及各类数据科学 Meetup,现场投递和交流有时候比网申更快拿到面试。2026 年 2 月,Walmart 的 Senior DS 岗位还挂在 AnitaB.org 的招聘板上,说明公司在多元化招聘渠道上有持续投入。
最后是求职平台与猎头。LinkedIn、Indeed 上的沃尔玛 DS 岗位更新很快,设置职位提醒比每天手动刷更有效。猎头在 Senior 及以上级别的岗位上比较活跃,但要注意甄别:靠谱的猎头会告诉你团队、级别和薪资区间,只让你“先发简历再说”的可以直接略过。无论走哪条渠道,投递前都建议先去 Glassdoor 和 Blind 上看一下目标团队最近的面试反馈,流程细节每个季度都可能变,面经的时效性很重要。
三周备考计划与避坑清单
如果你有三周时间准备沃尔玛 DS 面试,可以按这个节奏走。第一周主攻 SQL:每天手写 3 到 5 道中等难度 SQL 题,重点练窗口函数和 CTE;同时把 LeetCode 上高频的数组与哈希表题刷一遍,每天 2 到 3 道。第二周主攻统计与案例:把 A/B 测试、实验设计、p-value、多重比较这些概念整理成自己的讲稿,每个概念配一个零售场景的例子;同时按本文案例轮的框架,自己写两道完整案例答案并讲给朋友听。第三周做模拟面试:找朋友或者用 mock 平台完整走两遍 onsite 流程,重点练时间分配和边写边讲;同时准备好三个项目故事和行为面试的 STAR 答案,背到能自然讲出来为止。
避坑清单有五条,都是候选人真实踩过的坑。第一,不要只准备算法题而忽视 SQL——沃尔玛 DS 面试里 SQL 的权重高于算法,挂在 SQL 轮上的人比挂在算法轮上多。第二,面试前务必和 recruiter 书面确认每一轮的形式和时长,沃尔玛的流程沟通出过问题,提前确认能避免现场措手不及。第三,案例题不要一上来就讲模型,先讲业务、讲指标、讲数据,模型是最后一步。第四,行为面试不要背通用答案,沃尔玛的面试官对空话很敏感,故事必须具体到人和事。第五,薪水谈判不要只看 base,把股票、奖金、地点差异和签证担保一起算进去再做决定。
沃尔玛 DS 面试的整体难度,在大厂 DS 面试里属于中等偏下,但“中等偏下”不等于“不用准备”。它的考察点很集中:SQL 要熟、统计要深、案例要懂零售。这三件事准备到位,通过率会比盲目刷题高得多。祝面试顺利,拿到 offer 之后,记得回来对照薪水包那一节,认真谈一次总包。
本文薪水与流程信息核查于 2026 年 11 月 19 日,来源为 Glassdoor、InterviewQuery、levels.fyi、jobswithpay、Walmart 官网招聘信息与美国劳工部 LCA 公开数据;薪资为第三方平台统计或招聘方公布的区间,不构成对任何个人的薪资承诺,具体以 offer 为准。流程细节因团队、级别与年份而异,请以 recruiter 的最新通知为准。










暂无评论内容