Câu hỏi phỏng vấn Data Scientist (2026)
Phỏng vấn data scientist bao quát một phạm vi rộng: xác suất và thống kê, nền tảng machine learning, SQL và xử lý dữ liệu, một case study về sản phẩm/phân tích, và các câu hỏi hành vi. Tỷ lệ chính xác phụ thuộc vào việc vị trí đó nghiêng về phân tích, kỹ thuật ML, hay nghiên cứu, vì vậy làm rõ trọng tâm của vị trí ngay từ đầu đã là một tín hiệu tốt.
Với các câu hỏi dưới đây, người phỏng vấn quan tâm đến sự chặt chẽ và khả năng giao tiếp. Bạn có thể lập luận chính xác về một khái niệm thống kê, chọn đúng mô hình cho một vấn đề và giải thích vì sao, viết SQL chính xác, và chuyển một câu hỏi kinh doanh mơ hồ thành một phân tích có thể đo lường được không? Nêu rõ các giả định và giải thích trade-off quan trọng không kém con số cuối cùng.
Hãy luyện giải thích các khái niệm kỹ thuật một cách đơn giản, như thể đang nói với một bên liên quan không có chuyên môn kỹ thuật. Phần lớn công việc này — và phần lớn buổi phỏng vấn — là làm cho một phân tích chặt chẽ trở nên dễ hiểu với những người sẽ hành động dựa trên nó.
Câu hỏi phỏng vấn Data Scientist và Cách Trả lời
1. Giải thích sự đánh đổi giữa bias và variance.
Cách tiếp cận: Định nghĩa cả hai nguồn lỗi, sau đó liên kết với độ phức tạp của mô hình: mô hình đơn giản bị underfitting (bias cao), mô hình phức tạp bị overfitting (variance cao). Liên hệ với các công cụ cụ thể — regularization, nhiều dữ liệu hơn, cross-validation — và việc phân tách tổng sai số.
2. p-value là gì, và nó không cho bạn biết điều gì?
Cách tiếp cận: Định nghĩa nó là P(dữ liệu cực đoan như vậy | giả thuyết null đúng). Phần 'không' là mấu chốt: đó không phải là xác suất giả thuyết đúng, và ý nghĩa thống kê không giống với ý nghĩa thực tiễn. Nhắc đến những hiểu lầm phổ biến chính là tín hiệu.
3. Bạn sẽ xử lý một tập dữ liệu phân loại mất cân bằng như thế nào?
Cách tiếp cận: Bắt đầu bằng chỉ số đánh giá (accuracy gây hiểu lầm; dùng precision/recall, F1, AUC-PR). Sau đó là các kỹ thuật: resampling (SMOTE, undersampling), trọng số lớp, điều chỉnh ngưỡng. Nhấn mạnh việc đánh giá trên phân phối thực tế.
4. Khi nào bạn dùng random forest thay vì gradient boosting?
Cách tiếp cận: So sánh bagging (song song, giảm variance, chống overfitting tốt) với boosting (tuần tự, giảm bias, độ chính xác cao hơn nhưng nhạy hơn với việc tuning). Nhắc đến chi phí huấn luyện và trade-off về khả năng diễn giải.
5. Viết một câu lệnh SQL để tìm mức lương cao thứ hai theo từng bộ phận.
Cách tiếp cận: Dùng window function: DENSE_RANK() OVER (PARTITION BY dept ORDER BY salary DESC), lọc rank = 2. Thảo luận sự khác biệt trong cách xử lý giá trị trùng nhau giữa RANK, DENSE_RANK, và ROW_NUMBER.
6. Bạn phát hiện và xử lý các giá trị ngoại lai như thế nào?
Cách tiếp cận: Phân biệt lỗi dữ liệu với các giá trị cực đoan thực sự. Phương pháp: IQR, z-score, ngưỡng theo lĩnh vực, trực quan hóa. Quyết định cần nói ra: loại bỏ tín hiệu thật có thể gây lệch cho mô hình — hãy điều tra trước khi xóa.
7. Thiết kế một A/B test cho một thuật toán đề xuất mới.
Cách tiếp cận: Định nghĩa giả thuyết, chỉ số chính và các guardrail. Tính kích thước mẫu từ MDE và power. Đề cập đến đơn vị phân ngẫu nhiên, hiệu ứng mới lạ (novelty effect), và khi nào nên dừng lại. Đăng ký trước tiêu chí thành công.
8. Giải thích cách bạn sẽ đánh giá một mô hình hoạt động tốt khi offline nhưng kém khi đưa vào production.
Cách tiếp cận: Điều tra sự dịch chuyển phân phối (distribution shift), train/serve skew, rò rỉ dữ liệu (leakage) trong dữ liệu offline, và các vòng phản hồi. Đề xuất giám sát và một shadow deployment. Tư duy hệ thống chính là điều được kiểm tra.
9. Sự khác biệt giữa regularization L1 và L2 là gì?
Cách tiếp cận: L1 (Lasso) tạo ra tính thưa (sparsity) và thực hiện việc chọn đặc trưng; L2 (Ridge) thu nhỏ các hệ số một cách mượt mà. Giải thích về mặt hình học tại sao các góc của L1 làm triệt tiêu trọng số, và khi nào nên dùng cái nào.
10. Kể cho tôi về một lần phân tích của bạn đã thay đổi một quyết định kinh doanh.
Cách tiếp cận: Dùng STAR. Cho thấy câu hỏi, phương pháp của bạn, và quan trọng nhất là cách giao tiếp đã thúc đẩy hành động. Định lượng kết quả. Các data scientist không thể tác động đến quyết định sẽ không được tuyển dụng.
Nhận trợ giúp theo thời gian thực trong buổi phỏng vấn data scientist của bạn
Trong một buổi phỏng vấn data science trực tiếp, Natively chuyển lời nói thành văn bản và có thể hiển thị định nghĩa, công thức, hoặc mẫu SQL bạn cần theo thời gian thực, trên thiết bị của bạn — hữu ích khi căng thẳng khiến một khái niệm quen thuộc tạm thời biến mất khỏi đầu bạn.
