Eli Lilly Data Engineer 面试指南（2026）：GLP-1 增长背后的数据扩张
Eli Lilly Data Engineer Interview Guide (2026)
阅读重点
Eli Lilly 近年因为 GLP-1 类药物（Mounjaro、Zepbound）的增长成为焦点，业务扩张也带动了数据团队和制造体系的扩容。对 Data Engineer 求职者来说，这意味着机会在增加，同时也要理解 Lilly 作为一家有百年历史、以制造见长的传统药企。
Eli Lilly Data Engineer 面试指南（2026）：GLP-1 增长背后的数据扩张
Eli Lilly 近年因为 GLP-1 类药物（Mounjaro、Zepbound）的增长成为焦点，业务扩张也带动了数据团队和制造体系的扩容。对 Data Engineer 求职者来说，这意味着机会在增加，同时也要理解 Lilly 作为一家有百年历史、以制造见长的传统药企，它的 DE 面试"稳"字当头——流程长、追问细、重规范。本文根据一亩三分地、Glassdoor、Blind 等公开面经与候选人反馈整理。
先建立药企 DE 的认知框架
药企 DE 与科技公司差别大：临床数据遵循 CDISC 的 SDTM/ADaM；受 FDA 监管，需满足 GxP、数据完整性（ALCOA）与 audit trail；患者数据受 HIPAA；真实世界证据整合重要。常见栈：SQL（深度）、Spark/Databricks、Airflow、云平台、Snowflake。制造密集型药企还会涉及生产/供应链数据。
Eli Lilly 在筛什么人
Lilly 的数据横跨研发、制造和商业，GLP-1 的放量让制造与供应链数据尤为关键。它看重的 DE：
- 稳健、规范的数据工程：制造数据对准确性和可追溯性要求极高。
- 对制造/供应链数据的理解：批次、产量、质量数据的建模。
- 耐得住细节追问：Lilly 面试以"稳、深"著称，会刨根问底项目细节。
面试流程与代表性题目
综合公开面经：流程较长（部分候选人反馈从投递到 offer 约两个月），含 recruiter 沟通、technical screen、Virtual Onsite（SQL、建模、管线、行为）。具体以 recruiter 说明为准。
SQL 重点（Lilly 篇侧重慢查询优化）：给定一个跑得很慢的多表 join 聚合查询，要求优化。思路：先看执行计划找瓶颈（全表扫描、笛卡尔积），再谈索引、分区裁剪、提前聚合减少 join 数据量、避免 SELECT *。能系统地讲"如何定位并逐步优化"，比直接给答案更能体现工程成熟度。
管线设计：为制造批次数据设计一个质量校验管线，覆盖范围校验、缺失检测、异常批次标记，并保留完整 audit trail。
30 天准备计划
- 第 1-2 周：SQL 练到能读执行计划、做优化；复习维度建模与增量逻辑。
- 第 3 周：了解 GxP、数据完整性、制造数据概念。
- 第 4 周：把 2-3 个项目的细节准备到能扛住多层追问，练表达。
常见失误
- 项目讲不深：Lilly 会追问到底层，浮于表面会露怯。
- 只谈功能不谈优化：慢查询与性能是常见考点。
- 忽视可追溯性：制造合规对 audit trail 要求高。
2025–2026 环境背景
GLP-1 增长带动 Lilly 数据与制造扩张，DE 需求活跃。AI 工具辅助编码，但优化与合规判断靠人。药企 sponsor 相对友好，以公司当年政策与 USCIS 为准。
FAQ
- 薪资怎么查：用 levels.fyi/Glassdoor 查 Lilly DE 区间。
- 流程真的很长吗：公开反馈普遍较长，需耐心并同步准备多家。
- 需要制造背景吗：不要求，但了解制造/供应链数据加分。