Uber 的 Data Scientist 面试有一个非常鲜明的特征：business impact driven。它不是那种「写一段 SQL、跑一个 A/B test」就能交差的岗位，而是要求候选人在每一道 case 里同时展示 数据建模能力 + 跨部门沟通能力 + Marketplace 双边市场直觉。这篇文章把一次完整的 Uber DS 面经按「VO 三轮 + Onsite 五轮」拆解到题面、踩坑点、应对框架，方便正在准备的同学对照练习。
流程概览：VO 三轮 → Onsite 五轮
W0 Recruiter 电话 / Career Site 投递
W1 VO Round 1 — Hiring Manager（45 min）
W2 VO Round 2 — Stakeholder Management（45 min）
W3 VO Round 3 — Analytics & Experimentation（60 min）
W4 Onsite 五轮（一整天，每轮 45-60 min）
Coding (Python/SQL) → Bar Raiser → Marketplace Experimentation
→ XFN with PM → Hiring Manager
W5 Team Match → Offer 决议
VO 的三轮基本上是一个「过滤漏斗」：HM 看大方向 fit，Stakeholder 看跨部门沟通，Analytics 看实验设计基本功。Onsite 才是真正的深度考核，这里也是 candidates 最容易翻车的地方。
VO 阶段三轮拆解
Round 1 — Hiring Manager：项目 Impact 必须是数字
HM 这一轮看似最简单（resume + 项目），但陷阱就在 follow-up：
"How much real business impact did your model end up delivering?"
如果你的简历上只写「improved accuracy by 4%」，HM 会立刻追问到具体的 GMV / retention / cost saving 数字。我建议提前准备一个「impact paragraph」模板：
Project: <one-liner>
Stakeholder: <which team / who consumed the output>
Metric: <baseline → after, absolute Δ>
Business value: <$ saved / GMV lifted / hours reclaimed>
My role: <I owned X, partnered with Y on Z>
HM 还会丢一道 product case 暖手，强度不大但要求框架感。Uber 习惯听到的结构是 Hypothesis → Metric → Experiment，把这三段放在第一句话里抛出来，interviewer 会立刻给绿灯。
Round 2 — Stakeholder Management：Uber Eats 优惠券对比
这一轮的 BQ 几乎都是同一类：
"What would you do if a cross-functional partner disagreed with your analytic recommendation?"
不要一上来就讲「我会用数据说服他」。Uber 想听到的是：
- 理解对方动机（PM 关心 launch 时间 / Ops 关心成本）
- 共建一个评估框架（先约定 metric，再讨论具体数字）
- 数据收口（用最小可比较的实验切片回答争议）
紧接着会进入 product case，典型题：
"How do you compare and prioritize the effectiveness of Uber Eats promotions?"
很多候选人会陷进「先看转化率还是 GMV」的细节里。正确做法是先抛一个二维框架：
| 维度 | User Growth | Profitability |
|---|---|---|
| Conversion rate | ✅ | — |
| GMV per session | — | ✅ |
| Retention W4 | ✅ | — |
| Margin per order | — | ✅ |
| Spillover to Rides | ✅ | ✅ |
把矩阵摆出来，再讨论 prioritization：early-stage promo 看 user growth，mature promo 看 profitability。Interviewer 关心的是优先级判断，不是哪个具体数字。
Round 3 — Analytics & Experimentation：Leave-at-Door
Uber Eats 真实业务背景：
"Leave at door 被 60% 用户使用，但订单丢失率比 hand-it-to-me 高 5 倍，refund 成本急剧上升。请分析原因并设计实验。"
很多候选人会本能地说「跑一个 regression model」，但 Uber 想听的不是技术，而是用户旅程拆解：
丢失原因可能来自：
┌─ 用户侧：地址描述模糊 / 公寓楼层无标识 / 时间窗错位
├─ 司机侧：未拍照确认 / 放在错误楼层 / 时间紧赶下一单
└─ 系统侧：定位精度差 / 通知未触达 / refund 流程过宽松
实验设计也不是单纯 A/B：Uber 期待地理聚类实验（cluster randomization），因为同一栋公寓的用户互相干扰、单纯按 user 切流会有 SUTVA violation。建议给出双层实验：
Layer 1: 地理聚类（high-risk zip 5-digit vs low-risk）
Layer 2: 内层 A/B（强制拍照 vs 默认流程）
Power analysis: 每 zip 至少 200 单，运行 14 天
这套框架抛出来基本就锁分了。
Onsite 五轮拆解
1️⃣ Coding（Python/SQL）— 不让用 Pandas
Uber DS 的 Coding 经常会突然限制库：
"Don't use Pandas. Merge two dataframes by hand."
这不是真要你写 C 风格的代码，而是验证你能否在没有 black-box 工具时把数据流讲清楚。骨架：
def manual_merge(left: list[dict], right: list[dict],
on: str, how: str = "inner") -> list[dict]:
"""
手写两个 dataframes 的 merge：用 dict 做 hash join。
支持 inner / left。
"""
index = {}
for row in right:
key = row[on]
index.setdefault(key, []).append(row)
out = []
for row in left:
matches = index.get(row[on], [])
if matches:
for m in matches:
merged = {**row, **{k: v for k, v in m.items() if k != on}}
out.append(merged)
elif how == "left":
out.append({**row})
return out
写完之后必加：复杂度 O(n + m)、tie-break 规则、null on-column 怎么处理。Interviewer 会按这三点逐项打分。
紧接着会有一道 SQL，节奏建议是 先写最朴素的 join，再叠加 aggregation，不要一上来就堆 window function。
2️⃣ Bar Raiser — Uber One 战略级 Case
Director 会丢一个非常宽的题：
"How would you launch Uber One and analyze its success?"
最容易翻车的是直接埋头算 GMV / retention，被认为「没有 executive presence」。正确打开方式是分三层：
| 层 | 看什么 | 关键 metric |
|---|---|---|
| User | 是否解决了 cross-product 切换摩擦 | Rides + Eats 双产品月活、ARPU lift |
| Merchant | 是否带来更高质量订单 | Member order GMV、basket size、cancellation rate |
| Platform | 是否提升 Marketplace 健康度 | Member LTV、subscription churn、incremental contribution |
每一层先讲战略意图，再下钻 metric。三层讲完，自然显得「站得高」，Bar Raiser 会买账。
3️⃣ Marketplace Experimentation — Merchant Onboarding
题面：
"Uber Marketplace 要决定 onboard 哪些商家，怎么建模？"
坑：很多人套电商「补贴拉新」逻辑。Uber 是双边市场，必须从供需两侧讲：
- 供给侧：商家品类覆盖、cuisine diversity、配送半径
- 需求侧：周边订单密度、未满足偏好、价格敏感度
- 匹配效率：撮合时长、空驶率、merchant utilization
模型层面，可以给出一个 expected incremental GMV 的回归框架：
E[ΔGMV | onboard m]
= α · demand_density(m)
+ β · supply_gap(m)
+ γ · matching_efficiency(m)
- δ · cannibalization(m)
最后强调：onboard 决策不能只看绝对 GMV，要看 incremental 部分（扣掉对现有商家的蚕食）。
4️⃣ XFN with PM — 切到 Layman 语言
这一轮气氛最轻松，但有一个小 trick：别再用 DS 行话。PM 想听的是 storytelling：
"Onboarding 一个新商家就像在街角开一家新餐馆—— 你得先估周边客流、口味偏好、其他餐馆的密度， 再决定开张时间和菜单。"
把 marketplace 模型翻译成餐馆比喻，PM 立刻能跟上节奏，反过来抛出更细的产品问题，会话就顺了。
5️⃣ Hiring Manager 收尾 — Impact 优先
最后一轮 HM 会问 career motivation 和 most impactful project。别讲学术成就，把 impact 翻译成业务语言：
❌ "I improved AUC from 0.81 to 0.85." ✅ "My fraud model saved the company $2.3M in chargebacks the first quarter after launch."
VO 辅助与 VO 代面：Uber DS 怎么对接
Uber DS 的 case study 节奏快、跨度大，自己单练很容易陷在某一类题里。我们的 VO 辅助 会按下列节奏排：
- 岗位线判定：先确认是 Marketplace DS / Product DS / Experimentation Platform，三条线题型不同
- 题型预测：覆盖 Eats promotion / Rides surge / driver retention / leave-at-door 等历史高频
- 限时 mock：按 45-min × 3 / 60-min × 5 节奏跑全套
- 现场 cue：onsite 当天实时拉框架（Hypothesis → Metric → Experiment / 双边 marketplace 三层 / impact paragraph）
- 复盘：每轮结束 30 min 内回放，找回答里 metric 不闭环的地方
如果你日程已经被推到 onsite 周内，我们也支持 VO 代面 的对接路径：先做岗位线 + 邀请邮件信息核对，再决定上 VO 辅助 还是 VO 代面。
FAQ
Q1: Uber DS 的 VO 三轮和 Onsite 五轮总周期多长？ A: 一般 4-5 周。VO 三轮通常在 2-3 周内完成（每周 1-2 轮），Onsite 排期会在 VO 全过之后 1-2 周内一整天打包完成。
Q2: Coding 这一轮真的不能用 Pandas 吗？ A: 不是绝对禁止，是 interviewer 想看你能否在不依赖库的情况下讲清楚数据流。建议先问一句「Can I use Pandas as a follow-up after a manual implementation?」，得到允许再用。
Q3: Marketplace case 和电商 case 最大的区别是什么？ A: 电商通常是单边——你只关心买家。Uber 是双边——司机/商家供给和乘客/食客需求要同时建模，单看一侧的指标会被 interviewer 直接挑战。
Q4: Bar Raiser 这一轮如何避免被认为「不够 senior」？ A: 别一上来就下钻 metric，先用 user / merchant / platform 三层结构铺战略，再选其中一层下钻到 metric。这是最稳的「executive presence」表达方式。
Q5: 找 VO 辅助介入最晚到什么阶段还来得及？ A: VO Round 1 之前是最理想的，可以从岗位线判定开始。如果已经到了 onsite 前一周，我们仍然可以做「五轮快速 mock + 现场 cue」组合包，重点在 Marketplace + Bar Raiser 两轮。
写在最后
Uber DS 不是一个能「刷题刷出来」的岗位。它考的是业务直觉 + 沟通框架 + 双边市场理解这种偏经验型能力，单刷 LeetCode SQL 50 是远远不够的。如果你正在准备 Uber 的 VO 或 Onsite，可以微信 Coding0201 联系，发岗位 JD + 当前流程节点截图，先做岗位线判定，再排 VO 辅助 / VO 代面 节奏。
需要面试真题？ 立刻联系微信 Coding0201，获取真题。
联系方式
- 微信：Coding0201
- Email: [email protected]
- Telegram: @OAVOProxy