美国 DS/DA 求职冲刺：3周精刷100题上岸计划
3-Week Sprint: 100 Questions to Crack Expected US Data Roles
美国 DS/DA 求职冲刺（2026加强版）：3周精刷100题上岸计划
如果你在准备美国 Data Analyst / Data Scientist 岗位，这篇文章的目标不是让你“多刷题”，而是让你在 21 天内建立稳定的面试输出能力。
很多人刷了很多题但仍然挂在面试，通常不是努力不够，而是训练结构有问题：
- 只做题，不复盘
- 只背答案，不会迁移
- 只练技术，不练表达
你可以把这份计划当成一个可执行的 Bootcamp：每天有任务、每周有里程碑、最后有完整 mock 验收。
如果你还没看过今年 DS 招聘趋势，建议先读 Data Scientist Interview Trends 2026。
目录
- 这份 100 题计划适合谁
- 先做诊断：你现在卡在哪一关
- DS/DA 面试能力地图（5 大模块）
- 如何正确使用“100题”而不是被题库反噬
- Week 1：SQL Mastery（基础与速度）
- Week 2：Product Sense + A/B Testing（业务判断）
- Week 3：Statistics + ML + Behavioral（综合输出）
- 不同时间预算版本：每天 2h / 4h / 8h
- Mock Interview 流程（从练习到实战）
- 错题与复盘模板（可直接套用）
- Sprint 结束后的 14 天加固计划
- 站内延伸阅读（SEO 内链）
这份 100 题计划适合谁
你会从这篇里得到最大收益，如果你符合以下条件：
- 目标岗位是美国 DA/DS（尤其是 New Grad 与 0-2 年）
- 已经投递，但面试转化率不稳定
- 技术点零散，会一点但不成体系
如果你还在“数据岗 vs 码农岗”之间犹豫，可对照 湾区 New Grad SDE 求职指南 看差异。
先做诊断：你现在卡在哪一关
先别刷题，先定位瓶颈。用下面这张简化漏斗判断：
- 投递很多，面试少：简历与定位问题
- SQL screen 挂得多：查询速度/口径解释问题
- Case 挂得多：指标拆解与业务表达问题
- Final 挂得多：Behavioral 与综合沟通问题
如果你卡在“简历和定位”，先补 湾区 New Grad DA/DS 求职复盘。
DS/DA 面试能力地图（5 大模块）
这 100 题不只是 SQL + 统计。真正决定 offer 的是 5 个模块协同。
1) SQL Execution
- 查询正确率
- 窗口函数与复杂聚合
- 留存、漏斗、去重口径
2) Product & Metric Thinking
- 指标体系设计
- 指标异常诊断
- 决策优先级
3) Experimentation (A/B Testing)
- 假设与指标设计
- 样本量与实验周期
- 偏差识别（novelty/network/peeking）
4) Stats & ML Fundamentals
- 统计直觉（CI、p-value、power）
- 模型选择与评估
- 误差分析与业务解释
5) Communication & Storytelling
- 结论先行
- 结构化表达
- STAR 故事与影响量化
如果你想强化“讲故事”这一模块，建议配套 Data Interview Storytelling。
如何正确使用“100题”而不是被题库反噬
错误方法是“见题就做，做完就忘”。正确方法是三层训练：
层 1：Pattern 建模
每做完一题，必须标记题型：
- 聚合/窗口/连接/留存
- 指标诊断/实验设计/统计推断
- 模型评估/误差分析
层 2：模板沉淀
为每类题建立“最小可复用模板”：
- SQL 骨架
- Case 回答骨架
- 实验设计骨架
层 3：迁移演练
同题型换场景，要求你 3-5 分钟内能给出思路。
题库是原料，模板和迁移能力才是产出。
Week 1：SQL Mastery（基础与速度）
目标：在 7 天内把 SQL 从“能写”提升到“能在面试里稳定输出”。
Day 1-2：Aggregations + Joins
必练：
COUNT(DISTINCT)SUM(CASE WHEN ...)LEFT JOINvsINNER JOIN- 去重口径与 NULL 处理
验收标准：
- 中等题 20 分钟内 AC
- 能口头解释每个字段的业务含义
Day 3-4：Window Functions
必练：
ROW_NUMBER,RANK,DENSE_RANKLAG,LEAD- 分组累计与移动窗口
建议先补 SQL Mastery Guide，再做题。
Day 5-6：Retention & Funnel
必练：
- D1/D7/D30 留存
- 漏斗转化
- Cohort 分析
验收标准：
- 题目做完后能给一句“业务结论”
Day 7：SQL Mock Day
- 45 分钟：2 题 SQL
- 15 分钟：口头解释你的查询逻辑
- 15 分钟：复盘错误并重写
Week 2：Product Sense + A/B Testing（业务判断）
目标：从“会算指标”升级到“会做产品决策建议”。
Day 8-9：Metric Design
高频问题：
- 如何定义某新功能 success
- North Star 与 Guardrail 怎么搭
- 指标冲突如何处理
回答框架：
- 明确目标用户与目标行为
- 定义 North Star
- 拆一级驱动指标
- 加 Guardrail 指标
Day 10-11：Metric Drop Diagnosis
高频问题：
- DAU 突降怎么排查
- CTR 上升但转化下降怎么解释
建议用 IES 框架：
- Internal（埋点/数据质量）
- External（季节性/竞品/事件）
- Segments（端、地区、版本、人群）
Day 12-13：A/B Testing Deep Dive
必须讲清：
- 假设与实验单位
- 样本量与实验周期
- 显著性与业务显著性的区别
- 常见偏差与修正方案
Day 14：Product + Experiment Mock
- 30 分钟：产品 case
- 20 分钟：A/B testing follow-up
- 10 分钟：recommendation 总结
如果你准备产品导向 DS，可以配套 Pinterest DS 面试指南。
Week 3：Statistics + ML + Behavioral（综合输出）
目标：完成“技术正确 + 商业可解释 + 沟通稳定”的最终拼图。
Day 15-16：Stats Fundamentals
必会：
- p-value 正确认知
- confidence interval 解读
- type I/II error
- power 与样本量直觉
Day 17-18：ML Breadth
覆盖：
- 线性/逻辑回归
- 树模型（RF/XGBoost）
- 分类评估（precision/recall/AUC）
- 数据不平衡处理
关键不是背定义，而是“为什么选它”。
Day 19：ML Case + Product Impact
做法：
- 用一个 churn/fraud/ranking 案例
- 从业务目标讲到模型选择
- 最后回到业务价值和上线风险
Day 20：Behavioral Day
准备 6 个 STAR 故事：
- 领导推进
- 冲突处理
- 失败复盘
- 模糊问题拆解
- 高压交付
- 跨团队协作
Day 21：Full Loop Mock
- 1 SQL
- 1 Product/Metric Case
- 1 Stats/ML Deep Dive
- 1 Behavioral
结束后按“结构错/计算错/表达错/判断错”四类复盘。
不同时间预算版本：每天 2h / 4h / 8h
2h 版本（在职/在校并行）
- 60 min：一道主题题
- 30 min：错题重写
- 30 min：口头表达训练
4h 版本（标准冲刺）
- 120 min：主题题组
- 60 min：知识点整理
- 60 min：mock 或复盘
8h 版本（全职冲刺）
- 上午：SQL + Case
- 下午：Stats/ML + Behavioral
- 晚上：复盘 + 第二天计划
关键不是时长，而是“每天是否闭环”。
Mock Interview 流程（从练习到实战）
建议每周至少 2 次 mock，按真实面试执行：
- 题目前 1 分钟澄清范围
- 先说结构再进入细节
- 过程里做阶段小结
- 结尾给 recommendation
- 面试后 15 分钟写复盘
如果你想补咨询式结构化思维，可参考 BCG X Data Science Interview Guide。
错题与复盘模板（可直接套用）
每题复盘建议记录 6 项：
- 题型标签
- 错误类型（思路/实现/表达/业务）
- 正确解法
- 可复用模板
- 类似变体
- 下次触发条件
复盘示例
- 题目：Retention by cohort
- 错误：时间窗口定义混乱
- 修正：先统一口径（注册日 vs 活跃日）
- 模板：cohort CTE + activity CTE + 聚合
3 天后必须重做，确认是否真正掌握。
Sprint 结束后的 14 天加固计划
21 天结束后，不要立刻停。建议再做 14 天巩固：
- 每天 1 题 SQL + 1 个口头 case
- 每 2 天做一次 30 分钟 stats/ML 快问快答
- 每周 2 次 full mock
- 每周复盘一次求职漏斗数据
你可以把这个阶段和 湾区 DA/DS 求职复盘 的投递运营策略结合起来执行。
站内延伸阅读（SEO 内链）
按短板补齐：
- 趋势判断：Data Scientist Interview Trends 2026
- SQL 补强：SQL Mastery Guide
- 叙事表达：Data Interview Storytelling
- 产品导向 DS：Pinterest DS Interview Guide
- 咨询式数据 case：BCG X Data Science Interview Guide
- 求职执行复盘：湾区 New Grad DA/DS 求职复盘
- 跨方向对照：湾区 New Grad SDE 求职指南
结语
这 100 题计划的本质，不是题目数量，而是 输出质量的可预测性。
你真正要达成的是：
- SQL 能稳定写对
- Case 能结构化表达
- Stats/ML 能业务化解释
- Behavioral 能量化讲清价值
当这四件事同时稳定，你拿 offer 就不再靠运气。