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。
FAQ
Starbucks Data Scientist OA 会考哪些内容？
OA 可能涉及 SQL 查询、Python 编程和数据处理。准备时可以重点练习多表连接、分组聚合、日期处理、数据清洗及 Pandas 操作，并熟悉如何根据题目要求处理边界情况。
Starbucks Data Scientist 面试中 SQL 重要吗？
SQL 是数据科学岗位的重要技能之一。建议重点掌握 JOIN、GROUP BY、CTE、UNION 和窗口函数，并练习如何从多张业务数据表中提取、汇总和分析所需信息。c
如果面试中遇到推荐系统问题，应该如何准备？
可以从用户偏好、商品特征和使用场景三个方面分析推荐需求。例如，针对季节性饮品推荐，可以讨论 Collaborative Filtering（协同过滤）和 Content-Based Filtering（基于内容的推荐）的区别，并考虑新品冷启动、季节变化及不同地区的用户偏好。回答时还应说明如何衡量推荐效果。