说明：这是匿名、合成化的辅导案例。个人背景、公司和时间线已做模糊处理，用于展示常见问题和训练方法，不代表任何候选人的完整原始经历，也不构成结果保证。
候选人背景
候选人 SQL 和 dashboard 经验较强，但简历和面试回答都偏 analyst。目标岗位要求能设计 pipeline、处理数据质量、解释 batch/streaming trade-off，并写出可维护 Python 代码。
主要卡点
- SQL 会写，但没有系统解释 query performance 和 data model。
- Python 处理数据文件时缺少边界条件、测试和 error handling。
- Pipeline design 容易只讲 Airflow 和 warehouse，缺少 failure mode。
辅导动作
- 用订单、用户行为和订阅数据练 window function、dedup、retention、funnel analysis。
- 训练 Python ingestion、schema validation、retry、idempotency 和 incremental load。
- 用一个实时 dashboard 场景练完整 pipeline：source、queue、storage、transform、quality check、backfill、monitoring。
- 重写简历项目，把 dashboard impact 转成 data infrastructure impact。
阶段性结果
- 候选人能把 analyst 经验讲成数据链路、指标口径和质量保障。
- SQL mock 从“写出答案”提升到能解释为什么这样 join、如何处理 late data。
- Pipeline design 回答更像 data engineer，而不是报工具名。
可复用经验
- Data Analyst 转 DE 的关键不是否定原经验，而是把经验翻译成 engineering signal。
- DE 面试很看重数据质量、幂等、backfill 和 monitoring。
- SQL 题讲解能力和正确性一样重要。