DoorDash数据科学家面试怎么准备
一句话总结
DoorDash数据科学家面试不是考你知道多少模型，而是考你在模糊业务场景里能不能把"为什么"讲清楚。面试官手里拿的不是正确答案清单，而是一份"这个人会不会让我想再聊下去"的评分表。你以为是算法题决定生死，实际上决定你过不过的是那句"如果是我的话，我会先问这三个问题"——这句话暴露了你把数据当成工具还是当成答案。
适合谁看
如果你是看到"数据科学家"title就投简历的人，这篇文章不是写给你的。如果你以为DoorDash和Meta的DS面试是同一套题库，这篇文章是写给你止损的。
具体来说：正在面或计划面DoorDash DS的候选人，尤其是从咨询、金融、或其他科技公司转过来的。适合那些简历上写着"机器学习"但面试时被问"这个指标跌了你怎么查"会愣住的人。
适合以为刷完LeetCode SQL就能覆盖全部、结果在take-home assignment上栽了的人。也适合那些拿到offer后在权衡——DoorDash总包$180K-$350K（base $120K-$170K，RSU $40K-$150K/四年，bonus $10K-$30K）和FAANG相比到底值不值得——的候选人。
不适合：纯学术背景、期待面试聊论文的人；以及觉得"送外卖的能有什么数据问题"因而低估面试难度的人。
为什么DoorDash的DS面试和别家不一样
大多数科技公司的DS面试是"两道SQL，一道A/B test，一个行为问题"。DoorDash不是。
DoorDash的面试设计有一个底层逻辑：这家公司本质上在玩一个实时动态博弈。供需两边都是活人，都在用App做决策，而你的模型输出会直接变成某个街区要不要加配送费的算法。
这意味着面试官不是在找"会跑XGBoost的人"，而是在找"知道模型上线后骑手会怎么反着来"的人。不是算法复杂度决定价值，而是你对激励扭曲（incentive distortion）的敏感度。
一个真实的debrief场景：HC（hiring committee）上，两位面试官对同一个候选人的评价完全相反。A面试官说"他A/B test讲得很扎实，p-value、power analysis都对"。B面试官说"我问他如果实验组骑手看到补贴变化后多接单、导致control组也受到影响，怎么处理，他说'这是network effect，可以用cluster randomization'——但当我追问'DoorDash的cluster怎么定义'，他没想清楚"。
最后这个候选人挂了。不是A/B test知识不够，而是把通用答案当成了正确答案。
DoorDash的DS分几个轨道：Analytics DS、Algorithms DS、ML Platform DS。Analytics的面法最"不像标准DS"——case interview比重极高，和战略咨询的相似度超过和Google ML的相似度。
Algorithms DS则反过来，考你real-time optimization，问的不是"怎么建模型"而是"100毫秒内怎么出决策"。如果你投的是Analytics岗却在准备ML系统设计，你是在用旧地图找新大陆。
> 📖 延伸阅读：DoorDash PM面试 process指南2026
面试流程拆解：每一轮都在筛什么
DoorDash的DS面试通常是4-5轮，全onsite或virtual onsite。不是轮数多就难，是每一轮的考察点互相补位，凑成一个完整画像。
Recruiter Screen（30分钟）
不是走过场。DoorDash的recruiter会问具体项目经历，而且会根据回答调整后续安排。
一个真实对话：候选人提到做过demand forecasting，recruiter追问"你们forecast的是SKU level还是category level，horizon多长"，候选人答不上来——后续直接取消了onsite，改面更初级的岗位。这不是recruiter刁难，是DoorDash内部有清晰的level mapping，recruiter被training过如何probe。
Hiring Manager Screen（45分钟）
这一轮的关键是"业务翻译能力"。HM会描述一个模糊场景，比如"我们发现新用户首单后留存不好，你怎么看"。不是让你给答案，是看你问问题的顺序。
BAD版本：候选人直接说"我可以建一个churn prediction model"。GOOD版本：候选人先问"留存不好是指7天还是30天，和什么benchmark比，是all new users还是某个acquisition channel"——然后才说"有了这些context，我会从这几个维度拆"。HM在记笔记时写的是"structured thinking"还是"jumps to solution"，直接影响你进不进下一轮。
Technical Interview（45-60分钟，2轮）
Analytics track的technical不是考coding speed。会给你一张简化表，让你写SQL，但重点在后续："这个query的结果如果和dashboard数字对不上，你排查步骤是什么"。一位面试官的原话："我想看的是他会不会想到data freshness问题，还是只会检查syntax"。
另一轮可能是case：DoorDash想进入某个新市场，你怎么estimate market size，需要什么数据，怎么验证假设。这里在考的是"商业直觉的可辩护性"——不是数字猜得准不准，是你能不能在信息不全时做出合理假设、并知道哪里是软肋。
Algorithms track的technical更硬核。会考optimization problem：给定一组骑手位置和待派送订单，怎么分配。
不是让你写完整solver，是讨论trade-off：latency vs. fairness，batching efficiency vs. customer wait time。一位候选人的复盘：他花了20分钟讲Hungarian algorithm，面试官最后问"如果下一秒新订单进来，你刚才的方案怎么update"，他愣住了——因为他在静态优化里陷太深，没考虑online setting。
Behavioral（45分钟）
DoorDash的behavioral不是"说说你的缺点"。是"告诉我一次你和PM意见不一致，最后数据证明你错了的经历"。在考什么？不是 humility的表面功夫，是"你在数据模糊时怎么坚持或让步，数据清晰后怎么调整"。
另一个高频题："描述一次你的分析被stakeholder ignore的经历"。BAD回答：我后来做了更详细的analysis说服了他们。GOOD回答：我意识到我的framing和他们的incentive不对齐，我把"这个feature不好"reframe成"不做的机会成本"，他们接受了——但我也学到了present to audience不是present to myself。
Take-Home Assignment（部分岗位有，48小时）
这是DoorDash DS面试中最容易被低估的环节。不是考你能不能在两天内跑完一个模型，是考"在有限时间内，你怎么定义done"。一个真实的HC讨论：候选人A的notebook有12个模型，从logistic regression到neural net，但每个都浅尝辄止。
候选人B只做了两个模型，但有一份清晰的"analysis plan → data quality checks → model comparison → business recommendation → limitations"文档。B进了，A没进。不是模型越多越好，是"决策者可否基于你的工作做出判断"——这是DoorDash DS的核心KPI。
不是A，而是B：三个关键认知重构
不是"我会多少模型"，而是"我知道什么时候模型是多余的"
DoorDash有很多问题不需要模型。一个内部案例：某个城市的delivery time variance很大，DS花了两周建了一个复杂的arrival time prediction model。
最后发现variance的main driver是某家餐厅的出餐时间极其不稳定——这个问题用model解决不了，需要ops团队去谈。好的DS在面试中会说"在我建模型之前，我会先看distribution of variance by restaurant"——不是模型不重要，是知道模型的边界。
不是"我的分析很rigorous"，而是"我的audience能act on it"
一位资深DS的吐槽：他花了一个月做了一个完美的demand elasticity分析，present给GM后，GM问"所以我要不要在这个城市降价"，他答"这取决于你的objective function"——GM直接turn off。面试中对应的考察点是：你能不能把你的technical work翻译成"if you do X, expected outcome is Y, risk is Z"。
不是dumbing down，是尊重决策者的时间约束。
不是"我懂A/B test"，而是"我懂A/B test在DoorDash为什么不work"
DoorDash的marketplace有强烈的network effect和spatial correlation，标准的randomization assumption经常被violate。面试中会问：如果实验组骑手因为补贴多接单，control组骑手也间接受益（因为(boosted zone的订单溢出到neighboring zone)，你怎么设计实验？
不知道答案是正常的，但好的候选人会主动提出这个问题，而不是等面试官challenge。
> 📖 延伸阅读：DoorDash PM职业 path指南2026
准备清单
- 系统性拆解面试结构。DoorDash的Analytics和Algorithms track考察点差异极大，先确认你面的是哪个。PM面试手册里有完整的tech company DS面试流程对比和DoorDash-specific实战复盘可以参考，帮你快速定位准备重心。
- 重做一次你简历上最大的项目，但这次用"so what"框架：每步分析后强制问自己"so what，business decision是什么"。准备3个具体数字：project的impact size，你的分析如何改变了decision，如果重来你会做什么不同。
- 刷SQL，但不是为了speed。重点练window function和CTE的可读性，以及"这个query如果结果不对怎么debug"的systematic approach。LeetCode Database标签下的medium足够，但每题写完后问自己：如果table从1M行变成1B行，这个query怎么改。
- 准备两个"data + business tension"的故事。一个是你用数据改变了business decision，一个是你没能改变、但学到了什么。用STAR format，但重点在"当时信息不完备，我怎么判断哪些是signal哪些是noise"。
- 读DoorDash的Engineering Blog，但不要泛泛读。选3篇和DS相关的，提炼"如果我是面试官，我怎么基于这篇设计一道题"。这训练的是"从output反推interview question"的能力，比被动阅读高效10倍。
- 找一个real-time optimization的case练手。可以是外卖、打车、或任何two-sided marketplace。重点不在解法，在"假设这个model明天上线，什么会break"——这是DoorDash Algorithms DS的核心考点。
- Mock interview时，要求mock interviewer在20分钟后打断你、换一个角度问。DoorDash的真实面试经常有这种"pressure test"，不是你没答好，是故意看你在new information下的reaction。平时不练这个，现场会慌。
常见错误
错误一：把DoorDash当成"小公司版的Uber"来准备
BAD：候选人准备了大量rideshare-specific内容，面试时说"这和Uber的surge pricing类似"。
面试官follow-up："DoorDash的supply和demand在时间上的matching window更短，surge pricing的latency要求有什么不同"——候选人答不上来，因为Uber的surge是batch update，DoorDash是real-time。
GOOD：候选人在准备时explicitly对比过gig economy不同垂直的dynamics。
回答："Both have spatiotemporal matching, but DoorDash's constraint is tighter because food gets cold. So the optimization is less about maximizing match probability and more about minimizing worst-case delivery time, which changes the objective function to..." 然后引到具体trade-off。
错误二：在take-home中追求模型复杂度
BAD：一位候选人的deliverable是一个2000行的Jupyter notebook，跑了5种模型，但没有任何executive summary。面试官的反馈原话："I don't want to run his code to understand what he thinks I should do"。
GOOD：另一位候选人的notebook只有300行，但有一个清晰的"decision memo" section：假设、数据限制、分析方法、结果、recommendation、下一步。模型只用了random forest，但feature importance和business action的link讲得很清楚。她进了。
错误三：在behavioral中只讲"我做了什么"，不讲"我怎么想的"
BAD：候选人花10分钟描述一个复杂的forecasting pipeline，很impressive。面试官问"当时为什么选择LSTM而不是更简单的ARIMA"，答"因为LSTM更新潮"——这是red flag，因为decision criteria不是technological novelty，而是business need。
GOOD：另一位候选人的回答结构是"当时我们考虑了三个options，trade-off是X和Y。我们选了B因为...但后来证明我们在Z上assumption错了，所以如果重来我会..." 面试官记笔记时写的是"self-aware, learns from mistakes"——这是DoorDash看重的meta-skill。
FAQ
Q: DoorDash DS的package和FAANG比怎么样？值得去吗？
Base $120K-$170K，RSU $40K-$150K（四年vest），bonus $10K-$30K，总包$180K-$350K。和Meta/Google的DS相比，base略低，但equity upside的variance更大——DoorDash的stock volatility高于FAANG，意味着你的package实际价值可能在$150K到$500K+之间摆动，取决于入职timing和市场环境。值不值得去，取决于你的risk preference和stage of career。
一个具体case：一位候选人在Google L4（总包~$280K）和DoorDash L5之间选了DoorDash，两年后因为stock appreciation总包超过了Google同级，但同期另一位候选人入职后stock腰斩，两年后departing时的package按grant price算还比不上当初。这不是运气问题，是你在接受offer时有没有把equity component当成option而非guarantee来evaluate。DoorDash的growth story更陡峭，但steepness cuts both ways。
Q: 我没有two-sided marketplace经验，怎么在面试中compensate？
不是让你假装有。一个好的策略是：主动mapping。找到你经验中和marketplace dynamics analogous的element。比如你在retail做过inventory optimization，可以draw parallel："retail的inventory和DoorDash的rider supply类似，都是perishable capacity with uncertain demand, difference is DoorDash's replenishment cycle is minutes not weeks"。
关键是展示transfer learning的能力，不是硬套。另一个具体技巧：在case discussion中，主动ask clarifying question about the business model——"is the commission structure fixed or dynamic"——这show了你理解business model details matter，即使你不知道DoorDash的具体数字。一位成功转型的候选人的原话："我面试时explicitly said 'I haven't worked in marketplace before, but I've thought about how I'd approach...' 然后present了我的framework。面试官后来告诉我，这种transparency加上structured thinking比假装expert更impressive"。
Q: Take-home assignment经常被说"太academic"，怎么避免？
这个问题本身说明了一个认知gap：什么是"academic"在industry语境下的精确定义。不是"用了复杂模型"，而是"优化了错误的objective"。一个具体的insider场景：HC讨论一个候选人的take-home，他用了sophisticated的causal inference method来解决一个pricing问题。问题是，他的分析回答的是"what is the causal effect of price on demand"，但business问的是"what price should we set to maximize profit given competitive response"。前者是academic question，后者是business question。
BAD的做法是：在report开头写"this is a preliminary analysis, more research needed"。GOOD的做法是：explicitly state your recommendation, its underlying assumptions, and what would change your mind——"I recommend testing $X based on Y assumption; if competitor responds within Z days, breakeven shifts to..."。不是不能承认uncertainty，是uncertainty必须wrapped in actionable decision framework。另一个具体技巧：在deliverable中include一个"if I were the PM reading this" section，literally write out what you'd want to know in 30 seconds。这train的是empathy for your audience，是DoorDash DS被反复evaluate的soft skill。
Q: 面试官问"你有什么问题问我"，问什么能加分？
BAD：问"day-to-day是什么样的"——too generic，暗示你没有research。BAD：问"你们用什么tech stack"——除非你是MLE track，否则 relevance低。GOOD：问一个基于你面试中observation的specific question。比如"你在panel中提到过demand forecasting的一个challenge是new restaurant cold start，我很好奇你们现在是怎么balance exploration和exploitation的"——这show了你listen actively，而且能把碎片信息connect到bigger problem。
另一个GOOD方向：问面试官自己的learning curve。"你提到你join时背景是X，现在做Y，这个transition中最counter-intuitive的learning是什么"。不是flattery，是genuine intellectual curiosity，而且面试官回答时你也在gather intel about the role的真实nature。一位候选人分享：他问了这个之后，面试官聊了15分钟关于"DS at DoorDash不是'do analysis'而是'own a number'"的culture，这个信息帮他后来在offer negotiation中ask了right question about ownership scope。
准备好系统化备战PM面试了吗？
也可在 Gumroad 获取完整手册。