一句话总结
Warner Bros Discovery的数据科学家岗位面试不是考你背诵SQL语法，而是考你能不能在流媒体内容的真实业务场景下，把一个模糊的商业问题拆解成可执行的SQL查询，并在限时白板 coding中写出能跑出正确结果的代码——大多数人挂在的不是技术能力，而是无法在压力下清晰地表达自己的解题思路。
WBD的数据科学家岗位与Netflix、Hulu等流媒体平台的技术栈高度重叠，但面试难度介于纯产品导向的数据分析师和纯算法的机器学习工程师之间，这意味着候选人既要懂SQL和Python，又要对内容推荐、用户留存、观看时长等业务指标有直觉。
2024-2025年的面试趋势显示，SQL轮从传统的查询优化转向了多表关联与窗口函数的综合应用题，而数据科学部分的case study则更侧重流媒体特有的A/B测试设计与归因分析。
这篇文章不教你“如何准备数据科学家面试”这种泛泛的东西，而是直接拆解WBD 2025-2026年真实出现的SQL编程题、技术面流程、HC决策逻辑，以及你能拿到什么样的package。
适合谁看
这篇文章是写给三类人的：
第一类是正在准备Warner Bros Discovery数据科学家岗位面试的候选人。你可能已经通过了简历筛选，或者被recruiter联系，现在需要知道具体考什么、怎么考、考到什么程度。
你知道WBD是做什么的（ HBO、Discovery、CNN、Warner Bros电影宇宙、Discovery+和Max流媒体平台），但你不确定他们数据科学家岗位的技术栈和面试重点。
第二类是想要从数据分析或商业智能方向转向数据科学岗位的人。你已经能做基本的SQL查询和Tableau仪表盘，但你不确定数据科学家岗位要求的统计推断、A/B测试设计和机器学习基础要达到什么深度。你需要知道WBD的数据科学家真正做什么工作，以及面试中如何证明你有这个能力。
第三类是想要了解流媒体行业数据科学面试特点的人。你可能同时在投Netflix、Disney+、Amazon Prime的数据科学家岗位，想对比不同公司的考察重点。WBD的独特之处在于它既有传统电视广告业务，又有流媒体订阅业务，还有电影票房数据，这种业务的复合性在面试中会有所体现。
如果你是刚毕业的统计学硕士，或者是有1-3年经验的分析师，这篇文章对你的价值最大。如果你是资深数据科学家（5年以上），这篇文章的部分内容对你来说可能偏基础，但SQL轮和HC决策逻辑部分仍然适用。
面试流程拆解：每一轮考什么、考多久、谁决定你过不过
Warner Bros Discovery数据科学家岗位的面试流程通常是5轮，分为 recruiter screen、technical screen、SQL coding round、data science case study和hiring manager behavioral。
每一轮的考察重点不同，淘汰率最高的是SQL coding round和data science case study，而不是很多人以为的technical screen。
第一轮：Recruiter Screen（30分钟）
这一轮由HR或recruiter主导，目的是确认你的基本背景和兴趣。Recruiter会问你的工作经历、为什么对WBD感兴趣、你的薪资期望和availability。这轮看起来很水，但实际淘汰率在15%左右——不是因为技术原因，而是因为你的表达让recruiter觉得你对流媒体业务不够了解，或者你的薪资期望明显超出他们的band。
一个常见的错误是在这轮就开始大谈特谈机器学习模型。Recruiter不是技术背景，你说得越深，她越觉得你“不好沟通”。正确的做法是简洁地回答问题，然后主动问一些关于团队和业务的问题，比如“数据科学家团队主要支持哪些产品？”或者“团队的技术栈是什么？”这会给她留下“你懂行”的印象。
这一轮的时间通常是30分钟，但实际对话往往在20-25分钟就结束了，剩下的时间是留给你问问题。如果你问了超过3个有质量的问题，recruiter会认为你做了功课，面试体验会很好。
第二轮：Technical Screen（45-60分钟）
这一轮由团队中的资深数据科学家或工程师主导，考你的统计基础、机器学习概念和Python/R编程能力。题目类型比较固定：概率题（比如两个骰子掷出总和为7的概率）、AB测试的统计检验方法、回归模型的评估指标、特征工程的思路。
但这一轮的重点不是“答对所有题”，而是“展示你的思考过程”。一个常见的失败模式是面试官问“你怎么判断A/B测试的结果是否显著”，候选人直接回答“p值小于0.05”，然后就没有了。
正确的回答应该是先解释假设检验的框架（零假设、备择假设、显著性水平），再说p值的含义，最后提到功效分析（power analysis）和样本量计算——即使你说不完整，也要展示你知道这个问题的复杂性。
这一轮的通过率大约在40%-50%。如果你能回答70%以上的题目，并且思路清晰，大概率能过。
第三轮：SQL Coding Round（60分钟，这是最关键的淘汰轮）
这一轮是WBD数据科学家面试的核心，也是这篇文章的重点。面试官会给一个真实的业务场景，然后让你在白板或CoderPad上写出SQL查询。这一轮通常由两到三位面试官同时参与，一位主导，一位观察记录。
这一轮的淘汰率是所有轮次中最高的，大约在60%-70%。不是因为SQL本身难，而是因为很多候选人“会做SQL”但“不会在压力下写SQL”。具体的问题我会在后面的SQL真题部分详细拆解。
第四轮：Data Science Case Study（45-60分钟）
这一轮通常是让你分析一个WBD的真实业务问题，比如“如何衡量一部剧集在Max平台上的成功”或者“如果你是数据科学家，你会如何建议WBD决定是否续订某档节目”。你可能需要用到A/B测试设计、用户分群、留存分析等方法。
这一轮不是让你给出“正确答案”，而是让你展示你如何思考一个业务问题。面试官会不断challenge你的假设，看你能不能 defend自己的观点，同时也能接受合理的批评。
第五轮：Hiring Manager Behavioral（30-45分钟）
这一轮是见未来的直属老板，主要聊你的职业发展、团队合作风格、为什么离开上一家公司、以及你对WBD数据科学团队的具体贡献预期。这一轮通常不会挂人，但如果你的价值观和团队文化明显不匹配，HM会在HC讨论时投反对票。
SQL编程真题拆解：不是考语法，是考业务理解
WBD的SQL面试题和别的公司有一个显著区别：他们的题目高度围绕流媒体业务场景。这意味着即使你SQL语法很熟练，如果你不了解“用户观看行为数据”是怎么组织的，你可能连表结构都看不懂。
真题一：用户观看时长累计计算（窗口函数综合应用）
面试官会给一个简化的表结构：
`sql
-- 表1: user_subscriptions（用户订阅记录）
-- userid, subscriptionstartdate, subscriptionenddate, subscriptiontier
-- 表2: content_views（内容观看记录）
-- userid, contentid, contenttitle, contenttype, starttime, endtime, watchdurationseconds
`
然后问：“写一个查询，找出2024年第三季度（Q3）每个用户累计观看时长（cumulative watch time），按月份累计，并且在每个月末计算该用户的月度观看时长占比（该月观看时长除以累计观看时长）。”
这不是一道简单的查询。关键考察点是：
第一，你能不能正确使用窗口函数SUM() OVER (ORDER BY month)。很多候选人卡在“累计”这个概念上，写成了简单的GROUP BY month，而不是窗口函数的累计。
第二，你能不能正确处理subscriptionenddate为空的情况（用户还在订阅）。这需要LEFT JOIN或者在WHERE条件中处理。
第三，你能不能意识到watchdurationseconds可能为NULL或者0，需要过滤或者处理。
一个常见的错误是写成这样：
`sql
SELECT
user_id,
month,
SUM(watchdurationseconds) as monthlywatchtime,
SUM(SUM(watchdurationseconds)) OVER (PARTITION BY userid ORDER BY month) as cumulativewatch_time
FROM content_views
WHERE month BETWEEN '2024-07-01' AND '2024-09-30'
GROUP BY user_id, month
`
这个查询的问题是窗口函数不能直接嵌套在GROUP BY外面，需要用CTE或者子查询先算月度时长，再计算累计。这是一个很多人会犯的错误——语法看起来对，但跑不出来。
正确的思路应该是：
`sql
WITH monthly_watch AS (
SELECT
user_id,
DATETRUNC('month', starttime) as month,
SUM(watchdurationseconds) as monthly_time
FROM content_views
WHERE starttime >= '2024-07-01' AND starttime < '2024-10-01'
GROUP BY userid, DATETRUNC('month', start_time)
)
SELECT
user_id,
month,
monthly_time,
SUM(monthlytime) OVER (PARTITION BY userid ORDER BY month ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW) as cumulative_time,
ROUND(monthlytime 100.0 / SUM(monthlytime) OVER (PARTITION BY userid ORDER BY month ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW), 2) as monthlypct
FROM monthly_watch
ORDER BY user_id, month
`
真题二：用户留存与流失分析（多表关联与条件聚合）
WBD的业务场景中，用户留存是核心指标。面试官可能给这样的题目：
“写一个查询，计算2024年6月新增订阅用户中，在7月、8月、9月分别有观看行为的用户数量和占比。同时，识别出7月流失（没有观看）的用户中有多少在8月或9月重新回归（churned and returned）。”
这个题考察的能力包括：
第一，多表关联。users表、subscriptions表、views表需要正确JOIN，而且要处理一对多和多对多的关系。
第二，条件聚合。你需要用CASE WHEN来区分“7月有观看”和“7月没观看”，然后分别计数。
第三，对“流失”和“回归”定义的业务理解。你需要先定义什么是流失（这里定义为“某月没有任何观看记录”），然后才能计算回归。
一个常见的失败模式是候选人写出了正确的查询，但无法解释业务含义。面试官会追问：“为什么这样定义流失？如果用户只是看了1秒钟也算活跃吗？”如果你没有考虑过这个问题，你会卡住。
真题三：内容推荐效果评估（复杂子查询与EXISTS）
WBD的推荐系统是数据科学团队的重要工作。面试题可能这样出：
“找出在2024年8月期间，用户观看了推荐系统推荐的内容（recommendedcontentid匹配用户实际观看的content_id）且观看时长超过该内容中位观看时长的用户。这些用户算作'成功推荐'。计算每个内容类别的推荐成功率和平均观看时长。”
这个题的难点在于：
第一，你需要先计算每个内容的中位观看时长，这需要PERCENTILE_CONT或者两个自关联。
第二，你需要判断“推荐内容”和“实际观看”是否匹配，这需要检查推荐表和观看表的关系。
第三，你需要按内容类别聚合，这需要JOIN内容元数据表。
一个高级的做法是用CTE分步骤处理：
`sql
WITH content_median as (
SELECT
content_id,
PERCENTILECONT(0.5) WITHIN GROUP (ORDER BY watchdurationseconds) as medianduration
FROM content_views
GROUP BY content_id
),
recommended_views as (
SELECT
cv.user_id,
cv.content_id,
cv.watchdurationseconds,
cm.content_category,
cm.median_duration
FROM content_views cv
JOIN recommendations r ON cv.userid = r.userid AND cv.contentid = r.recommendedcontent_id
JOIN contentmetadata cm ON cv.contentid = cm.content_id
JOIN contentmedian cm2 ON cv.contentid = cm2.content_id
WHERE cv.starttime >= '2024-08-01' AND cv.starttime < '2024-09-01'
)
SELECT
content_category,
COUNT() as total_recommended,
SUM(CASE WHEN watchdurationseconds > medianduration THEN 1 ELSE 0 END) as successfulrecommendations,
ROUND(SUM(CASE WHEN watchdurationseconds > medianduration THEN 1 ELSE 0 END) 100.0 / COUNT(), 2) as successrate,
AVG(watchdurationseconds) as avgwatchtime
FROM recommended_views
GROUP BY content_category
`
Data Science Case Study：流媒体业务场景下的分析框架
SQL轮之后是case study轮，这一轮不考编程，而是考你对业务的理解和对数据分析框架的掌握。WBD的case study通常围绕三个主题：内容表现评估、用户增长与留存、推荐系统优化。
内容表现评估：一个典型的case study题目
“假设你是WBD数据科学团队的一员。Netflix最近发布了他们2024年第三季度的用户增长数据，显示订阅用户数增长了8%。你的VP让你分析：WBD的Max平台在第三季度的表现如何？哪些内容表现最好？哪些用户群体在流失？你会如何向VP呈现你的发现？”
这个题目没有“正确答案”，考察的是你的分析框架。你需要：
第一，先定义“表现好”是什么意思。是用户增长？观看时长？用户留存？收入？不同指标导向不同的分析方向。
第二，你会选择哪些数据来回答这个问题。WBD的数据科学团队可以访问用户订阅数据、内容观看数据、广告收入数据、社交媒体互动数据等。你需要说明你会用什么数据、为什么。
第三，你会如何可视化你的发现。VP通常没有时间看详细的表格，你需要告诉她一个核心结论和支撑这个结论的数据。
一个高质量的回答框架应该是这样的：
“VP最关心的可能是收入和用户留存。我会先看三个核心指标：月度经常性收入（MRR）、用户留存率（以30天为周期）、每用户平均收入（ARPU）。然后我会拆解这三个指标的变化原因——是内容驱动的（某部剧爆了）还是渠道驱动的（某个营销活动有效）。最后，我会用漏斗分析来看用户从注册到付费到活跃的转化，找出最大的流失点。”
面试官可能会追问：“如果你发现某个内容表现很好，但你不能确定是因为内容本身好还是因为推荐算法给了它更多曝光，你会怎么分析？”这是一个经典的因果推断问题，高质量的回答会提到A/B测试或者倾向得分匹配（propensity score matching）。
A/B测试设计：另一个高频case study主题
“假设WBD想要测试一个新的推荐算法，这个算法会更激进地推荐新内容（用户没看过的类型），而不是用户已经看过很多的内容类型。你会如何设计这个A/B测试？”
这个问题考察的点包括：
第一，实验分组。你需要随机分组，确保实验组和对照组在用户特征上是可比的。
第二，指标选择。你会用什么指标来衡量成功？是观看时长？是用户满意度？是探索新内容的比例？
第三，样本量计算。你需要多少用户才能检测出有意义的差异？（这需要功效分析）
第四，潜在的问题。实验组用户会不会因为推荐的都是陌生类型而感到困惑，导致流失？
一个常见的错误是候选人只回答“随机分组，然后看两组的表现差异”，但没有考虑到用户可能同时看到新旧两种推荐（污染问题），也没有考虑到新用户和老用户可能需要不同的推荐策略。
薪资与Package：你应该期望什么
Warner Bros Discovery数据科学家岗位的薪资在流媒体行业中处于中等偏上水平，但低于Netflix和部分科技公司的数据科学家薪资。根据2024-2025年的公开数据和候选人反馈，以下是典型的package范围：
入门级（0-2年经验）
- Base Salary: $115,000 - $140,000
- RSU（限制性股票）: $15,000 - $30,000（分4年归属）
- Annual Bonus: 10% - 15%（基于个人和公司绩效）
- Total Compensation: $135,000 - $175,000
中级（2-4年经验）
- Base Salary: $140,000 - $170,000
- RSU: $30,000 - $60,000
- Annual Bonus: 15% - 20%
- Total Compensation: $175,000 - $230,000
高级（4-7年经验）
- Base Salary: $170,000 - $210,000
- RSU: $60,000 - $120,000
- Annual Bonus: 20% - 25%
- Total Compensation: $230,000 - $330,000
需要注意的是，WBD的RSU授予通常与公司股价表现挂钩，而WBD的股价在2022-2024年经历了较大波动，所以实际价值可能与授予时的估值有差异。此外，WBD的奖金在某些年份可能因为公司业绩不佳而低于target。
与行业对比：Netflix的数据科学家package通常比WBD高20%-30%，Google和Meta的高15%-25%，Amazon相对持平或略低。WBD的优势在于其内容的丰富性（电影、剧集、纪录片、体育）和流媒体业务的增长潜力。
准备清单
以下是针对WBD数据科学家面试的系统性准备清单，按优先级排序：
一、SQL能力（最高优先级，面试轮次最多）
你需要熟练掌握窗口函数（LEAD, LAG, SUM OVER, COUNT OVER, ROW NUMBER）、多表关联（LEFT JOIN, RIGHT JOIN, FULL OUTER JOIN的区别和使用场景）、子查询与CTE（Common Table Expressions）、条件聚合（CASE WHEN）、日期处理函数（DATETRUNC, DATEDIFF, EXTRACT）。
WBD的SQL题通常需要综合运用这些技术，而不是单一语法点。
练习资源上，不要只刷LeetCode的SQL题，那些题目偏算法导向。要找业务场景驱动的SQL练习，比如分析电商订单、分析用户行为日志。WBD的面试题风格更接近后者。系统性拆解面试结构（PM面试手册里有完整的SQL窗口函数实战复盘可以参考），特别是窗口函数在用户行为分析中的应用。
二、统计与A/B测试（第二优先级）
你需要掌握假设检验的框架（零假设、备择假设、p值、显著性水平、功效）、常见的统计检验方法（t检验、卡方检验、比例检验）、AB测试的设计与评估（样本量计算、置信区间、效应量）、以及常见的谬误（幸存者偏差、选择偏差、辛普森悖论）。
一个高频问题是：“如果你的A/B测试结果显示实验组比对照组好，但p值是0.06，你会怎么做？”标准答案是：不能宣布实验组胜出，需要检查功效分析是否足够（可能是样本量不够），或者延长实验时间，或者重新设计指标。
三、Python/R编程（第三优先级）
这一轮通常不会让你写完整的机器学习模型，但需要你能用Python进行数据处理和分析。你需要熟练pandas的基本操作（groupby, merge, pivot_table）、数据可视化（matplotlib, seaborn, plotly）、以及基本的统计函数（scipy.stats）。
准备方式：花2-3天时间把pandas常用操作过一遍，然后找几个公开的数据集（比如Kaggle上的电影评分数据集）做完整的分析pipeline。
四、业务理解（第四优先级，但影响面试体验）
你需要了解流媒体行业的基本业务指标：订阅用户数、月度经常性收入（MRR）、用户留存率（Day 1/7/30 retention）、观看时长（Total watch time）、内容成本与ROI（每部剧的制作成本 vs 带来的订阅收入）。
了解WBD的产品组合：HBO、Max（原HBO Max）、Discovery+、TNT、TBS、CNN等。每个平台的定位不同：HBO是高端剧集和电影，Max是综合流媒体，Discovery+是纪实内容。不同平台的用户画像和成功指标不同。
五、行为面试准备
这一轮通常不会挂人，但准备一下可以让你给HM留下更好的印象。常见的问题包括：为什么离开现在的公司？你职业发展的下一步是什么？你遇到过最大的技术挑战是什么？你如何与产品经理或工程师合作？
准备方式：用STAR方法（Situation, Task, Action, Result）准备3-5个具体的故事，每个故事控制在2-3分钟。
六、模拟面试
找朋友或者使用面试平台做至少2-3次完整的模拟面试，特别是SQL轮。真实的面试压力和你自己练习是完全不同的体验。你需要习惯在有人盯着你的情况下思考和编码。
七、了解团队和业务
在面试前花30分钟浏览WBD的财报、新闻报道、团队博客。了解他们最近在做什么内容、用户增长情况如何、面临的挑战是什么。这不仅能帮助你在recruiter screen和HM轮表现更好，也能让你在case study中引用真实的业务背景。
常见错误
错误一：SQL查询能跑出结果，但无法解释业务含义
BAD版本：候选人写出了正确的SQL查询，但当面试官问“为什么这样查询？”时，只能说“我觉得这样能得到正确答案”，无法解释每个JOIN、每个窗口函数、每个过滤条件的业务含义。
GOOD版本：候选人在写SQL的过程中不断口头解释自己的思路。“我先过滤2024年Q3的观看记录，因为题目问的是Q3。然后我需要按用户和月份分组，因为题目要求按月累计。这里用窗口函数是因为累计是一个时序概念，需要按月份排序。”即使写错了，面试官也能看到你的思考过程。
一个真实的面试场景是：面试官问“你为什么要用LEFT JOIN而不是INNER JOIN？”候选人回答“因为可能有用户订阅了但没有观看记录，我们不想丢失这些用户。”面试官点头，这说明候选人理解了数据的业务含义。
错误二：case study只给结论，不给框架
BAD版本：面试官问“如何评估Max平台第三季度的表现”，候选人直接说“我觉得应该看用户增长和收入，这两个指标都涨了就是表现好”。没有任何分析框架，没有考虑指标之间的关系，没有考虑数据来源。
GOOD版本：候选人先说“评估表现需要先明确评估的维度，我会从用户指标、内容指标、财务指标三个维度来看。用户指标包括新增订阅、留存率、活跃度；内容指标包括头部内容的观看占比、新内容的曝光效率；财务指标包括ARPU、广告收入。然后我会说明每个维度我会用什么数据、什么可视化方式、预期的结论是什么。”
这两种回答的差别是巨大的。第一种回答让面试官觉得你没有分析框架，只能凭直觉给结论。第二种回答展示了你的结构化思维能力，即使细节不完美，整体框架是健全的。
错误三：在technical screen中过度强调模型，忽视统计基础
BAD版本：面试官问“你怎么判断A/B测试的结果是否显著”，候选人回答“我会用t检验或者卡方检验，具体看数据类型。然后我会看p值，如果小于0.05就拒绝零假设。”然后就没有了。面试官追问“如果p值大于0.05怎么办”，候选人卡住。
GOOD版本：候选人先说基本框架，然后补充：“但只看p值是不够的。我还需要看功效分析，确认样本量足够检测出有意义的差异。另外，我还需要看效应量（effect size），因为即使统计显著，如果效应量很小，对业务可能没有实际价值。最后，我还要考虑多重比较问题，如果有多个指标，需要做多重检验校正。”
这不是要求你把统计教科书背下来，而是展示你知道这个问题的复杂性，不是简单的“p值小于0.05就显著”。
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
FAQ 1: WBD的数据科学家岗位和Netflix、Disney+的数据科学家岗位相比，面试难度和考察重点有什么不同？
从面试流程上看，WBD和Netflix都有SQL轮和case study轮，但Netflix的技术轮会更深入机器学习，特别是推荐系统的实际建模经验。Disney+的面试更偏向产品分析，因为Disney的业务高度依赖内容IP和品牌。
WBD的独特之处在于它的业务复合性——既有订阅业务（HBO Max），又有传统电视广告业务，还有电影票房业务。这意味着WBD的数据科学家需要理解多种商业模式的数据，而不是只专注一种。
从难度上看，Netflix是最难的，特别是系统设计轮会考大规模的分布式数据处理。WBD的难度中等偏上，比Netflix容易但比传统媒体公司难。如果你通过了WBD的面试，去投Netflix可能还需要额外准备系统设计和更深入的机器学习知识。
从薪资上看，Netflix比WBD高20%-30%，Google和Meta也更高。WBD的优势是work-life balance可能更好（流媒体行业的工作强度通常低于纯科技公司），而且内容业务更有趣。
FAQ 2: 如果我SQL基础一般，但机器学习很强，有没有机会通过面试？
机会有，但不大。WBD的数据科学家岗位虽然也叫“数据科学家”，但实际上有一半的工作是写SQL做分析，另一半才是建模和机器学习。即使你的机器学习能力很强，如果SQL轮挂了，你没有机会展示机器学习的部分。
但这不意味着你需要成为SQL专家才能通过。WBD的SQL题难度在中等偏上，不需要你能写出最优的查询，只需要你能写出正确的查询，并且能解释你的思路。如果你能在限定时间内写出能跑出正确结果的SQL，即使不是最优雅的解法，也能通过。
一个建议是：重点练习窗口函数和多表关联，这两个是WBD SQL题的核心考点。机器学习可以准备，但不要花太多时间——technical screen的机器学习问题通常是概念性的，不需要你能现场写一个完整的模型。
FAQ 3: 面试中如果遇到不会的问题，应该怎么处理？
首先，不要慌。面试官不是期望你答对所有问题，而是看你如何处理未知的情况。
一个好的策略是：先承认这个问题你不太确定，然后展示你的思考过程。比如，面试官问“你会用什么样的特征工程方法来预测用户流失？”如果你不确定最好的方法，你可以说：“我首先会考虑用户最近的行为特征，比如登录频率、观看时长变化、付费行为变化等。
然后我会考虑时间相关的特征，比如是否在最近一周有过观看。对于特征选择，我会用相关性分析和基于模型的重要性评分。但我不太确定在流媒体场景下是否有特定的特征工程技巧，您能分享一下团队的实际经验吗？”
最后一句话很关键——把问题抛回给面试官，同时表达你对他们实际工作的兴趣。这比硬撑着一个不确定的答案要好得多。
另一个关键是不要放弃。即使一个问题你不会，后面的问题你仍然有机会。面试官通常会综合评估，而不是因为一个问题答错就挂掉你。我见过有候选人SQL题有一小部分没写出来，但整体思路清晰、表达清楚，最后还是过了。
这篇文章写于2025年末，面试流程和真题基于2024-2025年的真实面试反馈。WBD的面试风格可能会随业务重点调整，但SQL能力和业务理解这两个核心考察点短期内不会变。如果你正在准备这场面试，现在知道该把时间花在哪里了。
准备好系统化备战PM面试了吗？
也可在 Gumroad 获取完整手册。