ok så Devs køkkenbord. klokken 23. tirsdag. pad thai der lækkede fedt ud over bordet, fra det sted på mission street, alt for mange servietter som altid. Dev siger "forklar Type I versus Type II fejl i en A/B test kontekst." ingenting. min mund åbner sig og der kommer ingenting ud. jeg tog en hel kandidat i statistik. to år med det her. og jeg står i hans køkken ude af stand til at sige én sætning om Type I fejl lol. formler, ja. normale ord, nej. Dev lænede sig tilbage og ventede. tre sekunder der varede et år. den scene i køkkenet er grunden til at jeg skriver det her, fordi to uger senere stillede en VP of product i et fintech firma mig den samme type spørgsmål i tredje runde af et onsite og min hjerne gjorde præcis det samme. fire timer inde. SQL window functions runde et. statistik-grilling runde to. churn prediction pitch runde tre. så vil den her mand have mig til at retfærdiggøre stikprøvestørrelser for en A/B test og jeg har ingenting. min kandidat reddede mig ikke. Dev advarede mig. han er data scientist hos Spotify, tre år der, jeg skylder ham ni øl på det her tidspunkt. han sagde til mig engang i en bar "DS interviews er fire interviews der lader som om de er ét" og jeg sad på min telefon og lyttede ikke. lol
Dev sagde noget den aften som jeg hadede. lænet op ad hans køleskab, øl i hånden, hvilket frækhed. "hvis du ikke kan forklare et koncept til en PM i to sætninger forstår du det ikke til interviewet." så fik den her galning mig til at forklare Bayesian opdatering til sin kæreste Lena. børnehavepædagog. nul statistik baggrund. hun sad der og spiste nøddemix og kiggede skævt på mig mens jeg snakkede løs og ikke kunne få konfidensintervaller til at lyde som normale ord. fire forsøg. FIRE. jeg var synligt rød. forsøg tre var jeg tæt på at give op og hun kiggede stadig skævt og spiste nøddemix. forsøg fire nikkede hun og noget låste op i min hjerne. jeg tænker på Lenas skæve blik hver gang nogen beder mig forklare p-values uden at bruge ordet sandsynlighed, eller hvornår bruger du t-test versus chi-squared, eller gå mig igennem A/B test stikprøvestørrelse matematik. spørgsmålene der dukker op i hvert DS loop jeg har hørt om fra nogen. de samme fem koncepter med forskellige firmalogoer. lærebogen til hundrede og fyrre dollars lærte mig mindre end nøddemix-damen
Metas DS telefonscreening dog, sent 2025, Dev gik igennem den. næsten fuldstændig SQL, svær SQL. window functions. CTEs. self-joins. dato-matematik. hans spørgsmål var find brugere fra en login-tabel hvis login-frekvens faldt mere end halvtreds procent måned over måned i tre på hinanden følgende måneder. LAG, window functions, dato-gruppering, tyve minutter, delt editor, kør. to andre mennesker jeg kender bekræftede at Meta DS er sådan. SQL er porten, skriv den i hovedet eller screeningen er slut. Google DS coding er lettere end SWE men de vil have rigtig Python, specifikt Pandas, giver dig rodet data, ryd op i det, beregn metrikker, så kigger intervieweren skævt på dig og siger "hvad fortæller det os." lol. folk skriver fungerende kode og kan så ikke sige på normalt sprog hvad deres eget output betyder. død stilhed. jeg har været den person. stirrende på en dataframe. glemmer hvordan tal virker
Dev så mig lave en mock Google runde over FaceTime og mutede sig selv så jeg ikke kunne høre ham grine. han skrev til mig bagefter "mand du skrev korrekt pandas og sagde så ingenting i fyrre sekunder." de fyrre sekunder er den samme stilhed der dræber dig i ML runder ærligt talt. de kommer ikke til at bede dig udlede backpropagation. Dev fik "hvornår ville du vælge gradient boosting over random forest" hos Amazon og jeg fik "ubalancerede klasser hvad gør du" i en mock med ham ved det samme køkkenbord, samme pad thai fedt på bordet fordi han aldrig rydder op, og jeg frøs igen. han listede SMOTE og class weights og threshold tuning og precision-recall over accuracy og business casen for hvorfor false positives koster anderledes end false negatives og sad der og kiggede på mig som Lena med nøddemixet. fem ting. jeg havde to af dem. to ud af fem lyder som om du læste et blogindlæg. du har brug for alle fem og du skal forbinde dem og det er hvad der består. Amazons ML deep-dive runde er hvor Dev næsten døde, du vælger ét projekt fra dit CV og de borer i tredive minutter. hvilken model. hvorfor. hvilke features. evaluering. hvad ville du ændre. den her interviewer brugte FEMTEN minutter på feature engineering for et anbefalingssystem Dev byggede hos Spotify. femten. på ét projekt. jeg forberedte ham ved at udspørge ham om det projekt i en time ved hans køkkenbord og ved minut tyve snublede han over valg han havde truffet otte måneder forinden. omskrev alle sine noter den aften. alle sammen. Google går teoretisk i stedet, bias-variance afvejning, model-kompleksitet, regularization. "ok men HVORFOR producerer L1 sparse vægte." du siger diamant-formet begrænsningsregion og opfølgningen er hvad betyder det geometrisk og hvorfor det betyder noget for feature selection i produktion. Lena ville have kigget super skævt på den lol. intuition over beviser altid
case studies er hvor Dev imponerede mig ærligt talt. "metrikker faldt tolv procent sidste uge, hvad skete der." du bygger en undersøgelse live mens intervieweren spiller en PM der giver dig vage svar på alt. Devs Meta case study var "Instagram Reels daglige aktive brugere faldt otte procent i Brasilien, gå mig igennem det." fem minutter med afklarende spørgsmål før han foreslog en eneste ting. alle brugere eller et segment. timing af app-opdatering. sæsonmønstre specifikt i Brasilien. de fem minutter afklaring imponerede hans interviewer mere end analyserammen der kom efter. jeg ville have hoppet direkte til hypoteser og sandsynligvis fået point trukket for det. præcis det samme problem som de fyrre sekunders pandas-stilhed lol. min hjerne vil svare før den vil spørge. adfærdsrunder bruger STAR metoden, "fortæl mig om en gang din analyse ændrede en forretningsbeslutning." specifik analyse, hvilken interessent, hvilken beslutning ændrede sig, målbart resultat. "lavede noget analyse og det hjalp" er et nej-tak svar. take-homes laver nogle firmaer stadig, datasæt, opgave, otteogfyrre til tooghalvfjerds timer, aflever en notebook. Dev gennemgik engang en vens take-home. XGBoost model perfekt tunet, nul forklaring på hvorfor nogen feature engineering beslutning blev taget. ikke én sætning om hvorfor hun valgte de features. hun kom ikke videre. Dev kiggede på det og sagde "det her er et kaggle dump ikke et memo." skriv det som om du overbeviser en VP om at bruge penge. hver person jeg talte med som fik et tilbud skrev det sådan. kan du slippe afsted med en ren kaggle-stil notebook? måske. men jeg ville ikke satse på det efter at have set den indsendelse blive afvist
firmaformaterne hvis du vil have dem fordi Dev testede mig i dem også lol. Meta DS er SQL telefonscreening så onsite med product sense plus case study plus teknisk deep-dive plus adfærd, product sense er den Meta-specifikke hvor du ræsonnerer om metrikker for deres apps og det er runden Dev sagde føltes mest som at blive grillet af en PM der hader dig. Google DS er telefonscreening med coding og statistik så onsite med coding og ML koncepter og case study og Googleyness runde som er deres version af "er du en person vi vil spise frokost med." Amazon DS starter med en OA for SQL og basal statistik så virtuelt loop med coding, ML deep-dive på tidligere arbejde, case study, adfærd med ledelsesprincipper og hvis du ikke har memoreret fjorten ledelsesprincipper held og lykke. DS loops blander coding og snak hvilket er hvorfor de forvirrer folk. SQL og Python runder føles som coding interviews hvor live hjælp fanger syntaks-huller eller minder dig om en window function din hjerne tabte (min tabte LAG under min Meta screening, af alle ting lol). statistik og case study runder er mere samtaleagtige, et skub på et rammetrin holder dig fra at spirale
jeg brugte InterviewMan under min anden cyklus. SQL runde, flagede at jeg skrev en correlated subquery når en window function ville have været renere. jeg KAN window functions. presset fik mig til at gribe til det jeg lærte først hvilket er den dummeste slags fejl. case study runden bragte overvej sæsonalitet, produktændringer, data pipeline problemer op da jeg fik et spørgsmål om metrikkfald, grundlæggende det samme som Brasilien Reels tingen Dev fik men for et betalingsfirma. præcis hvad Dev hamrede ind i mig ved det køkkenbord over pad thai. nerverne slettede det hele. mocks med det lærte mig ærligt talt mere end de rigtige runder fordi jeg så præcis hvor mine forklaringer blev til håndviften og der var intet pres så jeg kunne faktisk rette dem. tolv dollars om måneden, ingen loft på sessioner, hvilket efter at have brugt to år på en kandidat og blive ødelagt af nøddemix-damen var jeg ikke villig til at spare på det lol. begyndte faktisk at se frem til mock sessioner på et tidspunkt hvilket aldrig er sket for mig i mit liv. kiggede efter noget andet først men alt var kun coding eller kun statistik, intet der ramte det fulde DS loop. statistik og case study og adfærd og SQL i ét værktøj. alt andet var halvt værktøj
her er mit dummeste træk. jeg studerede SQL en uge. statistik ugen efter. ML derefter. separate kasser som om de var separate fag. gik ind til mit onsite og de kastede det hele efter mig på én eftermiddag, fire timer, alt på én gang, ligesom den fintech VP der ville have A/B test matematik efter tre runder af alt muligt andet. Dev fortalte mig det ville ske, i baren, ved hans køkkenbord, sandsynligvis i en besked jeg ignorerede mens jeg spiste pad thai. ni øl. jeg skylder ham ni øl og skylder nok Lena en undskyldning for at massakrere Bayesian opdatering i hendes køkken mens hun prøvede at spise nøddemix. hun kigger stadig skævt på mig når jeg kommer forbi lol
Ready to Ace Your Next Interview?
Join 57,000+ professionals using InterviewMan to get real-time AI assistance during their interviews.
