Starbucks Data Scientist 面试流程不算复杂，但有自己的特点——题目和业务贴合度很高，几乎每个技术问题都会绕到咖啡、会员、推荐系统这个场景里来。从投简历到拿结果大概 33 天，整体分三个阶段：在线评测 + 电话筛选 → 技术轮 → HM Final。
在线评测 + 电话筛选
OA 常见是 SQL + Python 组合，两道题左右，中等难度，时限大约 60–90 分钟。
SQL 典型题：统计每款饮品每月的平均顾客评分（beverage_id, month, avg_rating）。涉及多表 JOIN、日期截取/分组、GROUP BY 聚合。有的场次还会考「无销售客户 + 未售出商品」的 UNION，或按 category 取最高 discount 的 product。重点是日期分组和聚合写对，列顺序按题目要求来。
Python 偏数据探索到简单建模：Pandas 多步处理（清洗、合并、特征）、模型评估。也有人遇到交易序列约束（balance 过程中始终 ≥ 0，求最多能完成几笔）、字符串提取/过滤元音、class 内方法等。复杂 Pandas 链路往往比「调一个现成模型」更磨人。
过线后是约 30 分钟的 Recruiter Call：确认背景、Python/SQL 经验、为什么对 Starbucks 感兴趣。动机说具体一点（零售场景、门店数据、季节性产品等）比空泛「喜欢咖啡」更有用。
技术轮（约 60 分钟，Senior DS）
三块内容常混在一起：SQL、机器学习、少量 Python。
SQL 现场写 ：
- 每款饮品按月平均评分
- 按地区统计门店日均订单量
要求写出可执行的查询，用 CTE 把逻辑拆清楚，JOIN、日期分组、聚合都要到位，不是伪代码。
机器学习追问 模式是：你选什么模型 → 为什么 → 数学直觉/原理 → 还有哪些替代。背名词不够，得能讲机制。
高频方向包括：
- 聚类 K 怎么选：Elbow Method，看 WSS 随 K 的折点
- 季节性饮品推荐：冷启动、协同过滤 vs 内容过滤、评估指标；能提到 Starbucks 自研 Deep Brew 的定位（个性化、运营决策）会加分，不要求内部实现细节
- 顾客流失：模型选择、特征、类别不平衡怎么处理；面试官会追「为什么不用 X」「场景一变结论还成立吗」
- 慢 SQL 怎么优化：索引、join 策略、分区；零售数据量大，这是实打实的考点
Python 有时现场处理顾客消费数据：groupby、merge、时间序列、缺失值。卡住可以问，但思路要持续说出来。
HM Final Round
Hiring Manager 更看两件事：业务理解，以及 把技术结论讲给非技术的人。
BQ：
- 讲一个你从头定义问题到落地的完整 DS 项目，强调业务影响
- 如何向非技术 stakeholder 解释复杂结论，并确认对方真的懂了
- 数据不支持最初假设时，你怎么调整
- 多个 stakeholder 需求冲突时，如何排优先级
业务题：如何给 Starbucks 季节性饮品做推荐系统。
分层答：
- 冷启动（新品没有交互）
- 协同过滤 vs 内容/上下文（季节、地区、天气）
- 上线后用什么指标评估（点击、加购、复购、门店库存协同）
技术轮和 HM 轮都可能出现，提前想好结构比临场编更稳。
备考建议
| 模块 | 建议 |
|---|---|
| SQL | JOIN、CTE、日期分组、UNION、基础窗口函数写到能直接跑 |
| Python | Pandas 链路要熟，比只会 fit 模型更重要 |
| ML | 每个常用模型能讲清适用场景和替代方案 |
| 业务 | 季节性、门店、流失、推荐至少准备一个完整故事 |
| BQ | 带数字和取舍，避免纯正确废话 |
一点体感
Starbucks 面试的核心是”技术 + 业务理解”双线并行。SQL 和 Python 的技术考察算是基本线，真正拉开差距的是你能不能把推荐系统、聚类、实验设计这些方法论和 Starbucks 真实的会员体系、Deep Brew 的业务背景结合起来讲。
面试前建议花时间了解一下 Deep Brew 这个 AI 引擎——它驱动了个性化推荐、drive-thru 菜单板、自动库存追踪，是 Starbucks 数字化战略的核心。面试官对你了解这块会很有好感。
有在准备 Starbucks 或其他零售/消费品公司 DS 岗的同学，可以来找我们聊。我们是 InterviewShow，DS 这条线的 SQL 题池、ML 建模追问和业务案例设计都有覆盖，一对一跟着走。有需要的来聊。