Notion数据科学家面试怎么准备
一句话总结
Notion的数据科学家面试不是考你会不会写SQL，而是考你能不能把混乱的产品问题用数据讲清楚。不是A（技术堆砌），而是B（业务思维）。不是A（给出正确答案），而是B（展示如何从0到1思考）。
10轮面试里，只有2轮是纯技术，其余8轮都是在验证你能否像Notion的产品思维一样，用数据驱动决策。Notion的数据科学团队不像传统公司那样只做报表，而是直接参与产品路线图的制定——这意味着面试官更关注你如何与PM、工程师合作，而不是你的Leetcode成绩。
适合谁看
这篇文章适合3类人：第一类是有2-5年数据分析经验，想跳槽到Notion的数据科学家。你现在可能在做BI报表或A/B测试，但Notion需要的是能独立定义指标、设计实验、影响产品决策的人。第二类是刚转行做数据科学1-2年，想知道硅谷顶级公司的面试标准。
你可能以为刷题就够，但Notion的面试会让你在白板上现场设计一个度量体系。第三类是已经拿到Notion面试邀请，但不知道如何准备的候选人。Notion的面试流程与Google、Meta不同，它更强调产品感和跨职能沟通。
Notion的数据科学家面试流程是怎样的
Notion的数据科学家面试共10轮，分为4个阶段。第一阶段是招聘者筛选（30分钟），主要看你的简历是否匹配。这里不是A（你的技术栈是否硬），而是B（你的项目是否解决过真实的业务问题）。第二阶段是技术面，分为两轮：SQL与Python（各60分钟）。SQL题目不会超过中等难度，但会考察你是否能写出可读性高、性能优的查询。
Python题目通常是分析一个真实的数据集，比如Notion的用户留存数据。第三阶段是产品感面试（3轮，各60分钟），这是Notion最看重的部分。面试官会给你一个Notion的真实产品问题，比如“如何提高Notion AI的使用率”，然后让你设计指标、分析根因、提出解决方案。第四阶段是跨职能面试（4轮，各45-60分钟），包括与PM、工程师、设计师的对话。这里不是A（你能不能回答问题），而是B（你能不能让非技术同事理解你的分析）。
在debrief会议上，Notion的hiring manager会特别关注候选人是否展示出“ownership”精神。比如，在产品感面试中，一个好的候选人不会只给出一个解决方案，而是会主动讨论方案的优缺点、实施难度、以及如何与其他团队协调。一个差的候选人则会只回答问题，而不主动思考更广泛的影响。
Notion数据科学家的薪资结构是怎样的
Notion的数据科学家薪资分为base、RSU和bonus三部分。对于L4级别（2-4年经验），base薪资在$150K-$170K之间，RSU（限制性股票单位）在$100K-$150K之间（4年归属期），bonus在$20K-$30K之间。总包大约在$270K-$350K之间。
L5级别（4-6年经验）的base薪资在$180K-$200K之间，RSU在$150K-$200K之间，bonus在$30K-$40K之间，总包大约在$360K-$440K之间。L6级别（6+年经验）的base薪资在$220K-$250K之间，RSU在$200K-$300K之间，bonus在$40K-$50K之间，总包大约在$460K-$600K之间。需要注意的是，Notion的RSU是以公司估值为基础的，实际价值会随着公司估值的变化而变化。
Notion的数据科学团队解决什么样的问题
Notion的数据科学团队不像传统公司那样只做报表或A/B测试，而是直接参与产品路线图的制定。例如，Notion AI的推出就是数据科学团队与产品团队紧密合作的结果。数据科学家需要定义Notion AI的使用率、留存率等关键指标，分析用户行为，识别使用Notion AI的障碍，并提出改进建议。
在hiring committee的讨论中，Notion的hiring manager特别强调，数据科学家需要具备“产品思维”。这意味着你需要理解Notion的产品愿景，能够将数据分析与产品决策结合起来。例如，在分析Notion的用户留存时，你不仅需要计算留存率，还需要理解用户为什么会流失，并提出具体的改进建议。
如何准备Notion的数据科学家面试
准备Notion的数据科学家面试，你需要从三个维度出发：技术、产品和沟通。
在技术方面，你需要掌握SQL和Python。SQL需要能够写出复杂的查询，包括窗口函数、CTE等。Python需要能够进行数据分析和建模，包括Pandas、NumPy、Scikit-learn等库的使用。但是，Notion的面试不会考察你的Leetcode能力，而是更注重你的数据分析能力。
在产品方面，你需要理解Notion的产品，能够从数据的角度思考产品问题。例如，你可以准备一些Notion的产品分析案例，比如如何提高Notion的用户活跃度，如何优化Notion AI的使用体验等。
在沟通方面，你需要能够将复杂的数据分析结果用简单的语言解释清楚。Notion的面试会考察你的跨职能沟通能力，包括与PM、工程师、设计师的合作。
准备清单
- 掌握SQL和Python：能够写出复杂的SQL查询，包括窗口函数、CTE等。能够使用Pandas、NumPy等库进行数据分析和建模。系统性拆解面试结构（PM面试手册里有完整的数据分析实战复盘可以参考）。
- 理解Notion的产品：使用Notion，理解其核心功能和用户群体。分析Notion的产品数据，比如用户活跃度、留存率等。
- 准备产品分析案例：准备一些Notion的产品分析案例，比如如何提高Notion的用户活跃度，如何优化Notion AI的使用体验等。
- 提升沟通能力：练习将复杂的数据分析结果用简单的语言解释清楚。准备与PM、工程师、设计师的合作案例。
- 研究Notion的文化：理解Notion的价值观和工作方式。准备一些展示你的文化匹配度的例子。
- 模拟面试：进行模拟面试，练习回答Notion的面试问题。可以找朋友或导师进行模拟面试，或者使用在线面试平台。
常见错误
错误一：只关注技术，忽略产品思维
很多候选人在准备Notion的数据科学家面试时，只关注SQL和Python的技术细节，而忽略了产品思维的培养。在产品感面试中，面试官可能会问：“如何提高Notion AI的使用率？”一个差的回答是：“我会分析Notion AI的使用数据，找出使用率低的原因。”这是一个典型的技术导向的回答。
而一个好的回答应该是：“我会先定义Notion AI的使用率指标，然后分析用户行为，识别使用Notion AI的障碍。例如，用户可能不知道如何使用Notion AI，或者Notion AI的功能不够强大。然后，我会提出具体的改进建议，比如增加Notion AI的教程，或者优化Notion AI的算法。”
错误二：没有结构化的思考过程
在产品感面试中，面试官不仅关注你的结论，更关注你的思考过程。一个差的候选人会直接给出结论，而不解释如何得出这个结论。例如，面试官问：“如何提高Notion的用户留存率？”一个差的回答是：“我会优化Notion的功能，提高用户粘性。
”而一个好的回答应该是：“我会先定义用户留存率的指标，比如7日留存率、30日留存率等。然后，我会分析用户行为，识别用户流失的原因。例如，用户可能在使用Notion一段时间后，发现Notion的功能不够强大，或者Notion的使用体验不够好。然后，我会提出具体的改进建议，比如增加Notion的功能，或者优化Notion的使用体验。”
错误三：无法有效沟通
在跨职能面试中，面试官会考察你的沟通能力。一个差的候选人会使用复杂的技术术语，而不考虑听众的背景。例如，在与PM对话时，一个差的回答是：“我会使用随机森林算法来预测用户流失。”而一个好的回答应该是：“我会分析用户的历史行为数据，识别可能流失的用户，然后与PM合作，制定针对性的留存策略。”后者不仅更易于理解，还展示了你的跨职能合作能力。
准备拿下PM Offer？
如果你正在准备产品经理面试，PM面试手册 提供了顶级科技公司PM使用的框架、模拟答案和内部策略。
FAQ
Q: Notion的数据科学家面试需要准备哪些技术题目？
A: Notion的数据科学家面试的技术题目主要集中在SQL和Python上。SQL题目通常涉及复杂的查询，比如多表连接、窗口函数、CTE等。例如，面试官可能会给你一个Notion的用户行为数据表，要求你计算每个用户的活跃度。Python题目通常是分析一个真实的数据集，比如Notion的用户留存数据。
你需要能够使用Pandas、NumPy等库进行数据分析和建模。需要注意的是，Notion的面试不会考察你的Leetcode能力，而是更注重你的数据分析能力。例如，在Python面试中，面试官可能会要求你分析一个数据集，并提出改进建议，而不是要求你解决一个复杂的算法问题。
Q: Notion的数据科学家面试中，产品感面试如何准备？
A: Notion的数据科学家面试中，产品感面试是最重要的部分。你需要准备一些Notion的产品分析案例，比如如何提高Notion的用户活跃度，如何优化Notion AI的使用体验等。在面试中，面试官可能会给你一个Notion的真实产品问题，比如“如何提高Notion AI的使用率”，然后让你设计指标、分析根因、提出解决方案。
你需要展示你的产品思维，能够从数据的角度思考产品问题。例如，在分析Notion AI的使用率时，你可以先定义Notion AI的使用率指标，然后分析用户行为，识别使用Notion AI的障碍，并提出具体的改进建议。需要注意的是，面试官不仅关注你的结论，更关注你的思考过程。
Q: Notion的数据科学家面试中，跨职能面试如何准备？
A: Notion的数据科学家面试中，跨职能面试考察你的沟通能力和合作精神。你需要准备一些与PM、工程师、设计师合作的案例。在面试中，面试官可能会问：“你如何与PM合作，推动一个数据驱动的产品决策？”你需要展示你的沟通能力，能够将复杂的数据分析结果用简单的语言解释清楚。
例如，在与PM对话时，你可以说：“我会分析用户的历史行为数据，识别可能流失的用户，然后与PM合作，制定针对性的留存策略。”需要注意的是，面试官不仅关注你的技术能力，更关注你的跨职能合作能力。因此，你需要准备一些展示你的合作精神和沟通能力的例子。
准备好系统化备战PM面试了吗？
也可在 Gumroad 获取完整手册。