OfferForge 导师 Dr. W. — 博士毕业，前 FAANG Senior MLE。研究方向为大规模分布式机器学习系统，曾在顶级国际学术会议发表多篇论文。负责团队学术方向把控与 MLE 面试辅导。
OfferForge 导师 Dr. S. — 前大厂 Senior SDE，精通分布式系统与大规模数据处理。曾在顶级技术会议发表多篇技术报告，专注于系统可扩展性与可靠性。负责课程体系设计与 System Design 面试辅导。
OfferForge 导师 Dr. L. — 前大厂 Senior SDE，深耕分布式系统与微服务架构。在服务治理、事件驱动架构方面有丰富实战经验。负责求职策略制定与 SDE 面试辅导，已帮助多位候选人斩获 Senior 级别 Offer。
过去很多年，大厂对 data analyst 和 business analyst 的默认假设是：你能拉数、会 SQL、能做 dashboard、能写报告，就已经覆盖了岗位 70% 的价值。但在 AI（尤其是大模型 + BI 自动化工具）大规模落地之后，这个假设被彻底打破了。今天的现实是，写 SQL、做可视化、生成分析结论，已经越来越像基础算力。无论是 ChatGPT、Copilot、还是各类 Auto BI 工具，都在快速降低数据操作本身的门槛。面试官心里其实很清楚：如果一个问题只是把数算出来，那 AI 做得比人快、稳、便宜。
因此，大厂并没有减少对 DA / BA 的招聘，而是上调了对分析决策能力的要求。岗位没消失，但会拉数的人和能影响决策的人之间的差距，被 AI 无限放大了。
AI 冲击下，最明显的变化不是题目本身，而是追问方式。以前的面试更关注你会不会做分析，比如：
你能不能写出正确的 SQL？你能不能算出转化率、留存、LTV？你能不能用数据解释一个现象？现在的面试更像是在反复验证一件事：当分析动作可以被 AI 代劳时，你本人还剩下什么不可替代的能力？所以你会明显感觉到，大厂面试越来越喜欢追问：为什么选这个指标而不是另一个？如果这个结论是错的，最可能错在哪里？你现在看到的是相关性，那因果假设是什么？这个分析如果交给产品 / 运营，他们下一步该做什么？这些问题表面上是业务理解，但本质是在考察：你是否具备建模现实世界的能力，而不仅是处理数据的能力。
在大厂 DA 面试中，SQL 仍然是必考项，但它的地位已经明显发生变化。以前 SQL 是主菜，现在更像是门槛。你写得出来是前提，写得漂亮不再是加分项。真正拉开差距的是，你在拿到一个模糊业务问题时，能否先把问题拆对。常见变化是，面试官不再直接给你一个明确指标，而是给你一个非常不完整的业务场景。比如增长放缓、用户流失、实验失败，然后看你第一反应是不是立刻写 SQL，还是先问清楚背景、目标和可控变量。