如果你正在准备 Amazon 数据科学家(Data Scientist,简称 DS)的面试,你大概率已经感受到了这个岗位的特殊之处:它既不像软件工程师(SDE)那样以算法和系统设计为主,也不像纯粹的统计学家岗位那样只考数学推导。Amazon 的 DS 面试是一场混合考试——SQL 要写得又快又准,统计要讲得清假设与陷阱,产品案例要像产品经理一样拆解业务问题,最后还要用 Leadership Principles 讲出自己的故事。每一轮考察的能力都不一样,准备方法也完全不同。
这篇文章把 Amazon 数据科学家面试从简历筛选到 onsite 的每一轮完整复盘一遍:岗位分几个级别、每个级别的薪水包大概是多少、招聘流程通常怎么走、SQL 轮、统计轮、产品案例轮、机器学习基础轮和行为面试轮分别考什么、怎么准备,以及 H-1B 与身份问题上有哪些必须提前知道的提醒。文中所有薪水数字都来自 Levels.fyi 与 Glassdoor 的公开数据并注明查询日期,H-1B 数据来自 USCIS H-1B Employer Data Hub 的官方口径;所有考题一律按行业通用框架与常见题型来写,不声称是 Amazon 的原题——因为真正的原题没有人能合法地拿到,靠背题通过面试既不现实也不可靠。
先说一个总判断:Amazon DS 面试的难度不在任何一轮的单点深度,而在广度与节奏。SQL 轮要求在有限时间内写出可运行的查询;统计轮要求你当场判断一个实验设计哪里有问题;产品案例轮要求你在信息不全的情况下先定义指标、再谈分析思路;行为面试要求你对着 16 条 Leadership Principles 讲出有细节、有结果的故事。任何一轮出现明显短板都可能直接出局,但反过来,提前按轮次拆解、逐项练到位,通过率会比“泛泛地刷题”高得多。
这篇复盘主要面向两类读者:一是正在读硕士或博士、打算以 DS 岗位进入 Amazon 的应届毕业生;二是有几年数据分析、商业分析或数据科学经验、希望转入大厂 DS 岗位的社招候选人。两类人的准备重点并不相同,文中会在每一轮后面分别点出差异。如果你时间紧张,可以先看“准备清单与时间规划”一节,按 6 周计划倒排;如果时间充裕,建议按顺序读完每一轮的详解,再对照清单逐项落实。
岗位与级别概览:Amazon 的数据科学家到底做什么
在 Amazon,Data Scientist 是一个横跨多个组织的通用职级序列,分布在零售(Retail)、AWS、广告(Amazon Ads)、物流(Operations)、设备(Devices)、Prime Video、Alexa 等几乎所有业务线。同一个 title 背后,日常工作可能差别很大:有的团队做需求预测与库存优化,有的团队做广告投放的效果衡量,有的团队做搜索排序与推荐,有的团队做履约网络的运营分析。投递之前,先搞清楚目标团队的业务,是准备产品案例轮的前提。
从工作内容看,Amazon DS 的核心职责可以归纳为四件事。第一,用数据回答业务问题:比如某个品类的转化率为什么下降、一次促销到底带来了多少增量、某个新功能是否值得全量上线。第二,设计并分析实验:A/B testing 是 Amazon 数据科学的日常工作语言,大量决策依赖实验结果。第三,搭建可复用的分析与模型:从 SQL 报表、dashboard,到预测模型与因果推断分析,输出要能被业务方直接使用。第四,与产品经理、工程师和运营团队协作,把分析结论变成可执行的动作。面试的每一轮,基本都对应其中一项或几项能力。
级别上,Amazon DS 序列从 L4(Data Scientist I)起步,往上是 L5(Data Scientist II)、L6(Data Scientist III / Senior Data Scientist)、L7(Principal Data Scientist),再往上是 L8(Director 级别的数据科学负责人)。Levels.fyi 的公开数据显示,L4 候选人通常有 3 到 4 年相关经验,L5 通常有 5 到 6 年经验;应届博士毕业生通常从 L4 入职,有扎实实习与论文背景的博士也有机会直接谈 L5,但这需要 hiring manager 的特别认可。L6 及以上基本只招有成功带项目、影响业务结果记录的资深候选人,面试中对业务判断与影响力的要求会明显上升。
需要区分的三个相邻岗位是:Business Intelligence Engineer(BIE)、Applied Scientist 和 SDE。BIE 更偏重数据管道、报表与可视化,SQL 和 Tableau、QuickSight 这类工具是主战场,统计与建模要求相对低;Applied Scientist 更偏重机器学习模型的研究与落地,面试中算法与模型深度占比更高;SDE 则完全以软件工程能力为核心。DS 介于三者之间:SQL 与统计是基本功,建模是加分项,业务理解是决定上限的关键。如果你投的是 DS 岗却按 SDE 的方式准备(狂刷 LeetCode hard),时间就花错了地方。
团队差异也值得单独提醒。零售团队的 DS 面试产品案例常围绕选品、定价、促销与库存;AWS 团队的案例常围绕客户留存、使用量增长与成本优化;广告团队的案例常围绕竞价、归因与投放效果衡量;物流团队的案例常围绕时效、成本与网络优化。简历筛选阶段,recruiter 与 hiring manager 会看你的经历与目标团队的匹配度:做过电商相关项目的候选人投零售团队,做过 SaaS 或云相关项目的候选人投 AWS 团队,匹配度会高很多。投递时不要海投同一个 title 的所有团队,挑两到三个业务背景最贴近的团队重点准备,效果更好。
关于学历背景,Amazon DS 对学位没有硬性门槛,但实际录用中硕士与博士占多数。统计、计算机、运筹学、经济学、计量金融等定量背景最常见;非定量背景的候选人需要用项目与实习证明自己的 SQL、Python 与统计能力。工作经验方面,L4 岗位看重实习与项目中的实际数据工作:你是否独立完成过一次完整的分析、是否做过实验设计、是否把结论推动落地。光有课程作业而没有真实业务场景的项目,在简历关就会吃亏。
最后说一句关于“Amazon 风格”的提醒。这家公司以数据驱动决策著称,面试中处处透着这种文化:回答问题时要先定义指标,再谈方法;谈项目时要能量化结果;遇到开放问题要先澄清口径,再展开分析。这种风格在 SQL 轮与产品案例轮里体现得最明显,提前适应它,比多刷十道题更有用。
薪水包:Levels.fyi 与 Glassdoor 两口径并列
薪水是每个候选人最关心的问题,也是最容易被误读的部分。Amazon 的 DS 薪水包由四部分组成:base salary(基本工资)、RSU(限制性股票单位,按 4 年归属)、sign-on bonus(入职奖金,通常分两年发放)与年度现金奖金。不同来源的统计口径不一样:Levels.fyi 统计的是员工自报的总包(total compensation,base 加上按 4 年平均摊销的股票与奖金),Glassdoor 则把 base pay 与 total pay 分开报告,样本与统计方法也不同。下面两个来源的数据并列呈现,不强行统一,查询日期均为 2026 年 11 月 18 日。
先看 Levels.fyi 的口径。该站点的 Amazon Data Scientist 页面(美国地区,最后更新 2026 年 11 月 15 日)显示,全美 DS 岗位的年总包中位数为 250,000 美元,平均值为 271,498 美元,区间从 L4 的 195,000 美元到 L8 的 625,000 美元。按级别拆分:L4(Data Scientist I)总包中位数 195,000 美元,其中 base 141,000 美元、股票约 37,500 美元、奖金约 17,100 美元;L5(Data Scientist II)总包中位数 298,000 美元,其中 base 180,000 美元、股票约 113,000 美元、奖金约 4,800 美元;L6(Data Scientist III)总包中位数 374,000 美元,其中 base 195,000 美元、股票约 173,000 美元、奖金约 6,100 美元;L7(Principal Data Scientist)总包中位数 626,000 美元,其中 base 238,000 美元、股票约 388,000 美元、奖金为 0。L8 级别的分项数据在本次查询中未找到,只知道该级别位于总包区间的顶端,页面标注 5 个级别从 L4 到 L8 均有报告。
有两点需要特别说明。第一,Amazon 的 RSU 归属节奏是出了名的后倾(backloaded):4 年归属比例为第一年 5%、第二年 15%、第三年 40%、第四年 40%。Levels.fyi 的总包数字是把股票总额平均摊到 4 年算出来的,实际到手的第一年现金加股票会明显低于这个年均数,第三、四年才会大幅上升。谈 offer 时一定要问清楚每年的实际归属表,不要只看年均总包。第二,L5 到 L6 的跳升主要来自股票部分:base 只从 180,000 美元涨到 195,000 美元,但股票部分从 113,000 美元涨到 173,000 美元。级别谈判的价值,很大程度上体现在股票上。
再看 Glassdoor 的口径。Glassdoor 西雅图地区的 Amazon Data Scientist 页面(最后更新 2026 年 10 月 8 日,基于 393 份薪水提交)显示,总 pay 中位数为 224,000 美元,预估总 pay 区间为 190,000 美元至 272,000 美元;其中 base pay 占约 66.6%、奖金占约 12.2%、股票占约 21.2%。同一页面引用的全美平均 base 估算约为 156,808 美元,25 分位至 75 分位的 base 区间约为 124,250 美元至 199,730 美元。Senior Data Scientist 在奥斯汀地区的数据(样本仅 3 份,最后更新 2026 年 10 月 8 日)显示总 pay 中位数 301,000 美元,区间 248,000 美元至 376,000 美元,其中 base 中位数 168,000 美元、奖金中位数 42,000 美元、股票中位数 91,000 美元——样本量太小,只能作粗略参考。
两个来源为什么对不上?首先是统计口径:Levels.fyi 的 250,000 美元是全美总包中位数,Glassdoor 西雅图的 224,000 美元是该地区的总 pay 中位数,样本构成与地区分布不同;其次是样本量与验证方式:Levels.fyi 的数据来自经 offer letter 或 W-2 验证的自报,Glassdoor 的数据是匿名自报且包含大量早期职级样本;最后是时间点:Levels.fyi 更新于 2026 年 11 月 15 日,Glassdoor 西雅图页面更新于 2026 年 10 月 8 日。两个数字都合理,差异反映的是口径与样本的不同,而不是谁对谁错。谈薪时更稳妥的做法是:以 Levels.fyi 的级别分项作为谈判锚点,以 Glassdoor 的地区数据作为交叉验证,同时参考目标岗位招聘启事上公布的 base salary 区间。
招聘启事上的 base 区间也值得单独看。2026 年 10 月下旬发布的几个 Amazon DS 岗位给出的 base 区间是:纽约地区 Amazon Ads 岗位 153,400 美元至 207,500 美元;AWS 体验分析岗位西雅图地区 136,000 美元至 184,000 美元;音乐业务数据科学岗位西雅图 108,300 美元至 160,000 美元、旧金山 124,600 美元至 185,000 美元、卡尔弗城 122,600 美元至 160,000 美元。这些是 base salary 的官方区间,不含股票与奖金;同一级别在不同城市的区间上限可以相差数万美元,地点对 base 的影响非常直接。旧金山与纽约的区间高于西雅图,但生活成本也更高,比较 offer 时要把地点成本一起算进去。
谈判方面,有三条经验值得记住。第一,Amazon 的 base salary 有内部上限,谈判空间主要在 sign-on bonus 与 RSU 总额上;如果 base 已经顶到区间上限,不要在 base 上纠缠,转而争取更多的 sign-on 与股票。第二,sign-on bonus 通常分两年发放,第一年与第二年各一部分,离职时未发放的部分不再支付,跳槽时间点要算好这笔账。第三, competing offer 是最有力的谈判筹码,但必须是真实的书面 offer;口头说“别家给了更高”而没有凭证,recruiter 通常不会据此调整。谈判全程保持专业与礼貌,Amazon 的 recruiter 每天处理大量候选人,清晰、具体的诉求比情绪化的施压有效得多。
最后提醒一点:薪水数据每季度都在变,本文引用的数字以查询日期 2026 年 11 月 18 日为准。拿到 offer 之后,请以 Levels.fyi 与 Glassdoor 的最新页面、以及 offer letter 本身的数字为准重新核对,不要直接拿本文的数字去谈判。
招聘流程时间线:从投递到 offer 通常要走多久
Amazon DS 的招聘流程大致分为六个阶段:简历投递与筛选、recruiter 电话筛选、在线测评(OA)或 SQL 笔试、电话或视频技术面试、onsite(或虚拟 onsite)的面试循环(interview loop),以及 hiring committee 评审与 offer。整个流程顺利的话通常需要 6 到 10 周,社招候选人有时更快,应届生在秋招高峰期可能拖到 3 个月以上。下面按时间线逐个讲。
第一阶段是简历投递与筛选,一般在投递后 1 到 2 周内有反馈。投递渠道有三种:官网申请、内推与 recruiter 直接联系。内推的优势在于简历能直接进入 hiring manager 的视野,但内推本身不保证面试,简历质量仍是决定因素。简历筛选主要看三点:相关经验是否与岗位描述匹配、是否有可量化的业务成果、SQL 与 Python 等工具是否出现在真实项目中而不是只列在技能栏。Amazon 的 recruiter 每天要看大量简历,一页纸、重点突出、数字具体的简历通过率明显更高。
第二阶段是 recruiter 电话筛选,通常 30 分钟。Recruiter 会确认你的背景、求职动机、期望级别与地点、薪资预期,以及是否需要 H-1B 担保。这一轮不是技术面试,但有三个坑要注意:第一,对“为什么想来 Amazon”要有具体答案,泛泛地说“喜欢大厂”等于没答;第二,对级别预期要诚实,高估级别可能导致后续技术轮按更高标准评判;第三,薪资预期不要报得过低或过高,过低会锁死谈判空间,过高可能直接失去机会,稳妥的说法是“参考市场水平,希望结合级别与地点综合讨论”。
第三阶段是在线测评(OA),通常在 recruiter 筛选后 1 周内发出。DS 岗位的 OA 形式因团队而异:有的团队发 SQL 与统计选择题,有的团队要求在限定时间内完成 SQL 编程题,有的团队还会加入简单的 Python 数据处理题。OA 一般限时 60 到 90 分钟,在 HackerRank 或类似平台上完成。这一轮的淘汰率不低,很多人栽在时间分配上:SQL 题要先写出能跑通的版本再优化,不要在一道难题上耗掉一半时间。
第四阶段是电话或视频技术面试,通常 1 到 2 轮,每轮 45 到 60 分钟。这一轮一般由团队内的数据科学家主持,内容以 SQL 与统计为主,偶尔加入一道简单的产品案例或行为问题。电话轮是进入 onsite 之前的关键门槛:面试官会在这一轮判断你的技术基本功是否扎实,以及沟通表达是否清晰。很多人技术不差却倒在电话轮,原因是边想边说、没有结构,面试官听不清思路。
第五阶段是 onsite 面试循环(loop),这是整个流程的核心,通常安排在 1 天之内完成 4 到 5 轮,每轮 45 到 60 分钟,中间有午餐交流环节。现在很多 loop 以虚拟形式进行,结构与线下相同。Loop 的典型构成是:2 轮 SQL 与统计技术轮、1 轮产品案例轮、1 轮机器学习基础轮、1 到 2 轮行为面试轮(围绕 Leadership Principles),其中一轮由 bar raiser 主持。Bar raiser 是来自其他团队的资深面试官,职责是把关 hiring bar,他们的意见权重很高。
第六阶段是 hiring committee 评审与 offer。Loop 结束后,面试官各自提交评价,hiring committee 综合讨论后决定是否发放 offer、以及定在哪个级别。评审通常需要 1 到 2 周,之后 recruiter 会电话通知结果并开始谈薪。需要注意的是,Amazon 的级别判定在 committee 阶段才最终确定:你可能通过了面试,但定级低于预期;也可能因为某轮表现突出而被定到更高级别。Offer 谈判通常有 1 到 2 周窗口,重大决定不要在电话里当场拍板。
整个流程中有两个时间点值得主动管理。第一,每一轮结束后 24 小时内发一封简短的感谢邮件给 recruiter 或面试官,重申你对岗位的兴趣,这在 Amazon 是被鼓励的职业做法。第二,如果流程超过 3 周没有任何反馈,可以礼貌地向 recruiter 询问进度;超过 5 周没有消息,大概率是流程被搁置或岗位冻结,可以同时推进其他机会,不要把所有希望押在一个流程上。
每一轮详解之一:Recruiter 筛选与在线测评
Recruiter 筛选轮只有 30 分钟,却决定了你能不能进入技术流程。准备这一轮要做三件事:第一,把简历上的每个项目准备成 2 分钟版本——背景、你的角色、用的方法、量化的结果;第二,准备好“为什么是 Amazon、为什么是这个团队、为什么是现在”这三个问题的具体答案,最好能提到目标团队的真实业务;第三,提前想清楚地点偏好与是否需要 H-1B 担保,回答要干脆,不要含糊其辞。Recruiter 关心的是匹配度与流程可行性,不是技术深度,回答要简洁、自信、信息完整。
在线测评(OA)是 DS 流程中变数最大的一环,因为不同团队用的题型差别很大。常见的三种形式是:SQL 编程题(在平台上写查询并运行)、统计与概率选择题、Python 数据处理题。SQL 编程题通常给出一张或几张表,要求写出查询并返回正确结果,考察点包括 JOIN、聚合、窗口函数、子查询与日期处理;统计选择题常考 p-value 的解释、置信区间的含义、抽样偏差与辛普森悖论;Python 题常考 pandas 的数据清洗与分组聚合,难度一般不超过中等水平。
准备 OA 的方法很直接:第一,把 SQL 的高频模式练到不用思考就能写出来——窗口函数求排名与累计值、CTE 拆解复杂逻辑、CASE WHEN 做条件聚合、日期函数算留存与间隔;第二,复习统计基础概念的准确表述,尤其是 p-value、统计显著性与实际显著性的区别、第一类与第二类错误;第三,考前熟悉平台操作,比如 HackerRank 的 SQL 环境不支持某些方言函数,提前了解能避免临场手忙脚乱。OA 的时间压力是真实存在的,平时练习就要掐表,目标是每道 SQL 题在 15 分钟内写出可运行的版本。
应届生与社招在这一阶段的准备重点略有不同。应届生要重点准备简历上的项目细节,因为 recruiter 很可能会追问某个项目的具体做法;社招候选人则要准备好解释“为什么换工作”与“上一份工作的业务成果”,这两点在 recruiter 轮几乎必问。无论哪类候选人,都不要在 recruiter 轮夸大级别或薪资预期,Amazon 的背景调查与级别评审会交叉验证这些信息。
每一轮详解之二:SQL 轮——最硬的基本功
SQL 是 Amazon DS 面试中权重最高的一轮,几乎所有 loop 都包含至少一轮纯 SQL 考察,有的 loop 甚至有两轮。原因很简单:DS 每天的工作就是从数据仓库里取数,SQL 写得慢、写得错,直接影响工作效率。SQL 轮通常以 45 到 60 分钟的视频面试进行,面试官给出业务场景与表结构,要求现场写查询;也有团队采用共享文档或在线编辑器的方式。考察的不是语法记忆,而是把业务问题翻译成查询的能力。
高频考点可以分成六组。第一组是聚合与分组:GROUP BY、HAVING、COUNT DISTINCT、条件聚合(SUM(CASE WHEN …)),常用来算转化率、分层占比与分段统计。第二组是 JOIN:INNER JOIN、LEFT JOIN、SELF JOIN,以及多表关联时去重与空值处理,面试官常在 JOIN 后追问“如果右表有重复键,结果会怎样”。第三组是窗口函数:ROW_NUMBER、RANK、DENSE_RANK、LAG、LEAD、SUM OVER,常用来算排名、环比、留存与累计值。第四组是子查询与 CTE:用 WITH 语句把复杂逻辑拆成可读的步骤,这是面试官判断代码习惯的重要信号。第五组是日期与时间处理:DATE_TRUNC、DATEDIFF、留存率计算、cohort 分析,电商与订阅业务的面试里几乎必考。第六组是数据质量与边界情况:NULL 的处理、除零保护、重复数据的去重,这些细节最容易在临场被忽略,也最容易被面试官追问。
下面用一个行业通用框架说明典型的 SQL 考题长什么样(注意:这不是 Amazon 原题,而是同类岗位常见的题型结构)。假设有订单表 orders(user_id、order_date、amount)与用户表 users(user_id、signup_date、country),面试官可能问:计算每个月的新用户数与复购率;找出连续 3 个月都有下单的用户;计算每个用户的首次下单与第二次下单之间的平均间隔天数;按国家统计过去 90 天的 GMV 与订单量。这类题目的共同点是:业务问题清晰,表结构简单,但需要组合使用窗口函数、日期函数与聚合,临场写对需要扎实的肌肉记忆。
SQL 轮的答题方法有四条。第一,先澄清再下笔:确认时间口径(按订单日还是支付日)、去重口径(按用户还是按订单)、空值与边界如何处理,澄清本身就是加分项。第二,先写骨架再补细节:先用 CTE 把逻辑拆成“取数、清洗、聚合”三步,再逐段填充,避免一口气写出 40 行查询后自己都看不懂。第三,边写边讲:说出每一步在算什么、为什么这样 JOIN、窗口函数的 PARTITION BY 与 ORDER BY 是什么含义,面试官评估的是思路,不只是结果。第四,主动做 sanity check:写完后说一句“如果数据量是 X,这个查询大概返回多少行”“如果某张表为空,结果会怎样”,这种自我检查的习惯在 Amazon 非常受认可。
常见失分点有五个:一是窗口函数与 GROUP BY 混用导致语法错误;二是忘记处理 NULL,比如用 COUNT(*) 代替 COUNT(DISTINCT user_id);三是 JOIN 时产生笛卡尔积或重复计数,聚合结果虚高;四是日期边界算错,比如“过去 30 天”包不包含今天;五是写出查询后不验证逻辑,面试官一追问就答不上来。准备阶段建议用 LeetCode 的 SQL 中等难度题与 StrataScratch、DataLemur 上的 Amazon 标签题做专项练习,但要记住:这些平台的题目只是练习素材,不是原题库,练的是模式不是答案。
社招候选人容易犯的一个错误是过度依赖 BI 工具:平时用 Tableau、QuickSight 拖拽出报表,SQL 早就生疏了。面试前至少留两周时间,每天手写 5 到 10 道 SQL 题,把窗口函数与 CTE 练回手感。应届生则容易犯相反的错误:语法背得很熟,但一遇到业务场景就不知道从何下手。解决办法是每道练习题都先用一句话写出业务含义,再写查询,强迫自己建立“业务问题到 SQL”的翻译习惯。
每一轮详解之三:统计轮——概念要准,陷阱要识
统计轮考察的是你对数据科学基本概念的理解深度,形式通常是概念问答加小型案例分析。面试官不会要求你现场推导复杂的数学公式,但会反复追问概念的准确含义与适用条件。能说出定义只是及格,能讲清假设、局限与反例才是优秀。
必考的概念清单包括:p-value 的准确定义(在原假设为真的前提下,观察到当前或更极端结果的概率)与常见误解(p-value 不是原假设为真的概率,也不是效应大小);置信区间与可信区间的区分;统计显著性与实际显著性的区别(大样本下微小的差异也可能显著,但未必有业务意义);第一类错误与第二类错误、统计功效(power)与样本量的关系;相关性与因果性的区别;抽样偏差、选择偏差与幸存者偏差;辛普森悖论(分组数据与汇总数据结论相反);回归中的多重共线性、过拟合与欠拟合;贝叶斯思维与先验的影响。
实验设计是统计轮的重中之重,因为 A/B testing 是 Amazon DS 的日常工作。面试官常给一个实验场景,要求你判断设计是否合理:比如某团队想测试新推荐算法,把 5% 的用户分到实验组、95% 分到对照组,跑了一周后发现实验组转化率提升 2%,问你这个结论可信吗?好的回答会逐项检查:随机分组是否真正随机、样本量是否足够(功效分析)、实验周期是否覆盖完整的周周期(避免 weekday 效应)、指标定义是否一致(转化率的分母是什么)、有没有 novelty effect 或 priming effect、新奇效应是否会随时间衰减、是否需要做多重比较校正。能系统地列出这些检查项,比直接说“可信”或“不可信”重要得多。
另一个高频场景是“指标下降了,怎么分析”。比如某天核心指标突然下跌 10%,面试官希望你展示结构化的排查思路:先确认数据本身有没有问题(管道延迟、口径变更、节假日效应),再按维度拆解(国家、设备、渠道、新老用户),再看是分子问题还是分母问题,最后提出验证假设的实验或分析方案。回答时要体现优先级:先排除数据问题,再谈业务解释,不要一上来就猜原因。
统计轮的准备方法:第一,把上面清单里的每个概念写成 3 到 5 句话的准确表述,能脱口而出、不含糊;第二,练习用白板或口头讲清楚一个 A/B test 的完整设计——从假设、指标、分组、样本量、周期,到结果解读与后续动作;第三,准备 2 到 3 个自己做过的实验或分析案例,讲清楚当时的假设、方法与结论,面试官很喜欢追问真实经历。应届生可以用课程项目或实习中的实验替代工作案例,但细节必须真实、经得起追问。
需要避免的误区有三个:一是把 p-value 小于 0.05 当成“结论正确”的保证,忽略效应大小与业务意义;二是在实验设计问题上只谈统计方法、不谈业务背景,比如不问指标定义就开始算样本量;三是遇到不会的概念就编造答案,诚实地说“这个我不太确定,但我的思路是……”比编造更受尊重。Amazon 的面试官对“不懂装懂”的容忍度很低。
每一轮详解之四:产品案例轮——最能拉开差距的一轮
产品案例(product case)轮是 Amazon DS 面试中最能拉开差距的一轮,也是最让候选人感到不确定的部分。它的形式通常是:面试官描述一个业务场景,要求你分析问题、提出方案。比如“Prime 会员的续费率连续两个季度下滑,你怎么分析”“某个品类的退货率突然上升,你会怎么排查”“上线一个新的推荐位,你会怎么衡量它的效果”。这类问题没有标准答案,面试官看的是你的结构化思维、业务理解与沟通能力。
回答产品案例有一个通用框架,可以分成五步。第一步是澄清问题:确认指标定义、时间范围、影响人群、业务背景,不要急于展开分析。比如续费率下滑,先问清楚是哪个地区的会员、哪个渠道续费、新会员还是老会员、时间口径是按月还是按季度。第二步是定义指标:明确核心指标(North Star metric)与辅助指标,区分领先指标与滞后指标。比如衡量推荐位的效果,核心指标可能是点击转化带来的增量 GMV,辅助指标包括点击率、加购率与退货率。第三步是拆解问题:用 MECE 的方式把指标拆到可行动的维度——人群、渠道、设备、品类、时间,逐层定位问题出在哪里。第四步是提出假设与验证方法:列出 3 到 5 个可能的原因,按影响大小与验证成本排序,说明每个假设用什么数据或实验验证。第五步是给出建议与后续动作:基于分析结论,提出具体的产品或运营动作,以及如何衡量动作的效果。
举一个具体的例子来说明这个框架怎么用。假设问题是“某电商 App 的下单转化率上周下降了 5%,你怎么分析”。好的回答大致是:先确认数据口径有没有变化、是不是大促结束后的正常回落;再按新老用户、iOS 与安卓、不同品类、不同流量渠道拆解,看下降集中在哪里;如果下降集中在某个渠道,进一步看该渠道的流量质量与落地页表现;如果下降集中在某个品类,看价格、库存与竞品动态;最后列出验证计划,比如针对可疑环节做 A/B test,或者拉取用户行为漏斗数据做 funnel 分析。整个回答要体现“先定位、再解释、后验证”的顺序,而不是罗列一堆可能的原因。
产品案例轮的准备,核心是积累业务 sense。方法有三个:第一,熟悉 Amazon 的业务模式——飞轮效应(flywheel)、Prime 会员体系、广告与零售的联动、物流网络的成本结构,面试中经常默认你了解这些背景;第二,练习用框架拆解公开的业务案例,比如用公开财报与新闻数据分析一家公司的指标变化;第三,针对目标团队的业务做专项准备,零售团队看选品与定价,AWS 团队看客户留存与用量增长,广告团队看竞价与归因。准备时不要背答案,背框架与分析习惯。
这一轮最常见的失分原因是:跳过澄清直接分析,导致全程建立在错误的假设上;只谈方法不谈业务,比如上来就说“做回归分析”却不解释要回答什么业务问题;拆解维度混乱,想到哪说到哪,没有层次;以及时间管理失控,在第一个子问题上花掉 20 分钟,后面只能草草收场。练习时要掐表:45 分钟的案例轮,澄清与定义指标控制在 10 分钟以内,拆解与假设 20 分钟,建议与收尾 10 分钟,留 5 分钟给面试官提问。
社招候选人在这一轮有天然优势:真实的工作经历就是最好的案例素材。准备时把自己做过的 2 到 3 个业务分析整理成案例,讲清楚背景、指标、方法与结果,面试中可以主动引用。应届生则要靠课程项目与实习经历补足业务 sense,重点讲清楚自己在项目里是怎么定义问题、怎么拆解指标的,哪怕项目规模不大,思路清晰同样能拿高分。
每一轮详解之五:机器学习基础轮与行为面试轮
机器学习基础轮在 DS loop 里的权重因团队而异:偏分析的团队可能只问几个概念,偏建模的团队会深入得多。无论哪种情况,考察的都是基础是否扎实,而不是前沿论文的掌握程度。必考内容包括:线性回归与逻辑回归的假设、系数解释与适用场景;决策树、随机森林与梯度提升树(Gradient Boosting)的基本原理与调参思路;过拟合的识别与处理(交叉验证、正则化、早停);分类问题的评估指标(precision、recall、F1、AUC-ROC)与各自的适用场景;聚类的基本方法(K-means)与评估思路;特征工程的常见做法(缺失值、类别变量编码、特征缩放);以及模型上线后的监控(数据漂移、效果衰减)。
这一轮常见的提问方式是“选模型”与“排故障”。比如“预测用户下个月是否流失,你会用什么模型,为什么”“模型上线后效果变差了,你怎么排查”。回答“选模型”问题时,要先谈业务目标与数据特点,再谈模型选择,最后谈评估方式:不要一上来就报模型名字。回答“排故障”问题时,要系统地列出检查项:数据有没有变化、特征分布有没有漂移、标签定义有没有改变、流量构成有没有变化、评估口径有没有变化。面试官希望看到的是工程化的思维,而不是教科书式的背诵。
需要提醒的是,DS 岗位的机器学习轮通常不考 LeetCode 式的算法题,也不要求手写反向传播。把时间花在理解常用模型的假设、优缺点与适用场景上,比追逐最新模型架构更有性价比。如果你申请的是偏建模的团队(比如搜索排序、推荐系统),可以适当加深对排序学习(learning to rank)与因果推断(causal inference)方法的准备,但同样以理解思路为主。
行为面试轮围绕 Amazon 的 16 条 Leadership Principles 展开,常见的有 Customer Obsession(客户至上)、Ownership(主人翁精神)、Invent and Simplify(创新与简化)、Are Right, A Lot(判断力)、Learn and Be Curious(学习与好奇心)、Hire and Develop the Best(招募并培养最优秀的人)、Insist on the Highest Standards(坚持最高标准)、Think Big(远见卓识)、Bias for Action(崇尚行动)、Frugality(节俭)、Earn Trust(赢得信任)、Dive Deep(刨根问底)、Have Backbone; Disagree and Commit(敢于谏言,服从大局)、Deliver Results(交付成果)。面试官通常用“讲一次你……”的方式提问,比如“讲一次你发现数据有问题并推动解决的经历”“讲一次你与同事意见不一致的经历”。
行为面试的回答要用 STAR 结构:Situation(背景)、Task(任务)、Action(行动)、Result(结果)。每个故事要包含具体的细节与可量化的结果,比如“通过修正口径错误,把报表误差从 8% 降到 0.5%,避免了错误的预算决策”。准备时,针对每条高频原则准备 1 到 2 个故事,总共准备 8 到 10 个扎实的故事,覆盖不同的原则;同一个故事可以在不同问题下复用,但要调整讲述角度。故事必须真实:面试官会连续追问细节,编造的经历在三层追问下很容易露馅。
Bar raiser 轮值得单独说一句。Bar raiser 来自其他团队,不了解你的目标团队业务,提问更偏重通用能力与原则:他们会深挖你的故事细节,判断你的水平是否达到 Amazon 的整体标准。应对方法是:故事讲得具体、诚实,遇到不确定的问题坦承不知道,不要试图用话术绕过去。Bar raiser 的评价在 committee 讨论中权重很高,但也不用过度紧张——他们要找的是达到标准的候选人,而不是完美的候选人。
高频题型框架:四类问题,一套解法
把前面各轮的考点收拢起来,Amazon DS 面试的高频题型可以归纳为四类,每类都有一套通用的解法框架。掌握框架不是为了套模板,而是为了在紧张的面试中不丢步骤。
第一类是 SQL 查询题。解法框架是:澄清口径、拆解步骤、写出 CTE 骨架、填充细节、自我检查。拿到题目先花 1 到 2 分钟确认表结构与口径,然后用注释或口头说明把查询拆成 2 到 3 个 CTE,再逐段写。写完后主动讲一遍逻辑,并指出可能的边界情况。这类题的评分标准很实在:查询能跑、结果正确、代码可读,三点缺一不可。
第二类是统计与实验设计题。解法框架是:定义概念、讲清假设、列出检查项、区分显著性与业务意义。回答概念题时先给准确定义,再举一个例子;回答实验设计题时先明确假设与指标,再谈分组、样本量与周期,最后谈结果解读与风险。这一类题最忌讳的是“只给结论不给推理”,面试官要看到的是你的思考过程。
第三类是产品案例题。解法框架就是前面讲过的五步:澄清、定义指标、拆解、假设与验证、建议与后续。练习时可以用任何公开的业务新闻做素材,比如某家公司的季度财报、某个产品的改版,自己给自己出题,限时 30 分钟写出分析提纲。坚持练两周,案例轮的紧张感会大幅下降。
第四类是行为面试题。解法框架是 STAR 加追问准备:每个故事准备好背景、任务、行动、结果四要素,并预想面试官可能追问的三个细节问题——“当时还有什么备选方案”“结果是怎么衡量的”“如果重来你会怎么做”。能从容回答追问的故事,才是真正准备好的故事。
四类题型之间还有一个共同点:面试官都在考察沟通能力。技术再强,如果讲不清楚,也很难通过 loop。练习时养成两个习惯:一是先说结论再讲过程(金字塔结构),二是边写边讲、边讲边确认。平时可以找朋友做 mock interview,或者对着镜子自言自语,把“想明白”变成“讲明白”。
准备清单与时间规划:6 周倒排计划
如果你有 6 周时间准备,下面这份倒排计划可以直接拿去用。如果时间只有 2 到 3 周,优先保证 SQL 与统计两轮,再补产品案例与行为面试的故事。
第 1 周打基础。每天手写 5 道 SQL 中等难度题,重点练窗口函数与 CTE;复习统计核心概念清单,每个概念写出准确表述;整理简历,把每个项目写成 STAR 格式的 2 分钟版本;确定目标团队 2 到 3 个,研究其业务模式与近期动态。这一周的目标是:SQL 恢复手感,统计概念过一遍,简历与故事初稿完成。
第 2 周练 SQL 与统计。SQL 每天 8 到 10 道题,加入日期处理与留存分析专项;统计方面重点练 A/B test 设计,至少完整写出 3 个实验设计方案;开始准备行为面试故事,针对 Customer Obsession、Ownership、Dive Deep、Deliver Results 各写 1 个故事。这一周结束时,你应该能在 15 分钟内写出大多数中等难度 SQL 题的可用版本。
第 3 周主攻产品案例。每天做 1 个产品案例练习,用五步框架写出分析提纲并掐表;复习机器学习基础概念,重点是回归、树模型与评估指标;行为面试故事扩充到 8 个,覆盖主要 Leadership Principles。这一周可以开始约 mock interview,找有大厂面试经验的朋友做一轮模拟,重点发现表达与时间管理的问题。
第 4 周做模拟与查漏补缺。安排 2 到 3 次完整 mock interview,模拟真实 loop 的节奏(连续 2 小时、多轮切换);针对模拟中暴露的短板做专项补强;把 SQL 错题与统计易错概念整理成复习笔记;确认目标团队的面试形式(线上还是线下、用什么平台),提前测试设备与网络。
第 5 周进入冲刺。每天保持 3 到 5 道 SQL 手感题,不再追求新题量;把行为面试的 8 到 10 个故事讲到滚瓜烂熟,能脱口而出;产品案例每天快速过 1 个,保持框架熟练度;准备好向面试官提问的问题清单(团队构成、技术栈、项目方向、成长路径),好问题本身就是加分项。
第 6 周调整状态。减少新内容的学习,重点复习笔记与错题;保证睡眠,面试前一天不要熬夜刷题;提前确认面试时间、平台链接与备用联系方式;准备好安静的面试环境、备用网络与白板工具。面试当天提前 15 分钟上线,测试摄像头与麦克风,深呼吸,把每一轮当作一次专业对话而不是考试。
准备清单(出发前逐项打勾):简历一页纸、重点突出、数字具体;SQL 窗口函数、CTE、日期处理练到手熟;统计核心概念能准确表述;至少 3 个完整的 A/B test 设计方案;产品案例五步框架能脱口而出;8 到 10 个 STAR 行为故事;2 到 3 个自己做过的真实分析案例;目标团队业务背景研究笔记;向面试官提问的问题清单;面试设备与网络测试完成。
H-1B 与身份提醒:先看数据,再做决定
对需要 H-1B 担保的留学生与求职者来说,Amazon 的担保意愿是有公开数据支撑的。根据 USCIS H-1B Employer Data Hub 的数据(覆盖 2026 财年前三季度,即 2025 年 10 月 1 日至 2026 年 6 月 30 日,数据截至 2026 年 6 月 30 日),Amazon 合并旗下 4 个美国实体(Amazon.com Services、Amazon Development Center、Amazon Web Services、Amazon Data Services)一共获批 12,994 件 H-1B,是全美所有雇主中断层第一,超过第二名 TCS(4,450 件)与第三名 Infosys(4,113 件)之和。只算首次拿 H-1B 的新雇员,Amazon 前三季度获批 4,802 件,是第二名 Infosys(2,095 件)的两倍多,而且已经超过了 Amazon 自己 2025 全年的 4,637 件。整体批准率方面,同一时期 USCIS 一共批准 270,419 件、拒绝 8,227 件,批准率约 97%;Amazon 单一实体 Amazon.com Services 的批准率为 99.1%,共获批 9,337 件。以上数字引自本站文章《FY2026 前三季度 H-1B 雇主数据:亚马逊 12994 件断层第一,批准率 97%》,该文对 USCIS 数据口径有完整说明,本文写作时已复核无误。
读这组数据要注意三个口径陷阱。第一,批准件数不是人数:同一人可能涉及延续、转雇主与修正申请,多件批准可能对应同一个人;看新人机会要盯“新雇员”口径,而不是总批准量。第二,批准率不是中签率:97% 的批准率说的是递交后获批的比例,而抽签中签是另一回事,不要把两者混为一谈。第三,数据有时间差:前三季度批准的很多案子是 2025 年春季递交的,当时新的费用与抽签规则还没有生效,数据反映的是旧规则下递交的那批案子的结果。
关于 100,000 美元 H-1B 费用的最新状态,截至 2026 年 11 月 11 日的律所更新:这笔费用目前被法院叫停、没有收取,但并没有被永久取消。相关背景是:2026 年 9 月 18 日签署的 Proclamation 11069 把这项针对部分新 H-1B 申请的 100,000 美元付款要求延长至 2027 年 9 月 21 日;但执行这项要求的 agency guidance 先后被两家联邦法院叫停——马萨诸塞州联邦地区法院在 California v. Mullin 案中于 2026 年 6 月 8 日叫停相关政策,加州北区联邦地区法院在 Global Nurse Force v. Trump 案中于 2026 年 9 月 30 日叫停并 remand;两案都在上诉中(第一巡回上诉法院 No. 26-1699、第九巡回上诉法院 No. 26-6667),政府的开庭陈述已于 2026 年 11 月 6 日前递交。USCIS 已表示会遵守法院命令,但如果命令被推翻,DHS 仍计划收取这笔费用。另有一项单独的拟议规则(2026 年 8 月 25 日公布)提议对每份 cap-subject H-1B 申请收取 103,265 美元,该提议截至 2026 年 11 月 11 日尚未成为最终规则、不是当前应付的费用。求职者在做决策时要区分三件事:公告本身(纸面上有效至 2027 年 9 月 21 日)、执行政策(被叫停、未收取)、拟议规则(未生效)。
身份规划上的实操建议有四条。第一,OPT 与 STEM OPT 的时间线要提前算好:Amazon 的招聘流程通常需要 6 到 10 周,加上 H-1B 抽签与申请的时间,尽量在 OPT 早期就启动求职,不要拖到最后几个月。第二,面试中可以主动、坦诚地说明自己需要 H-1B 担保,Amazon 对担保的态度是公开且积极的,隐瞒身份需求反而可能在 offer 阶段造成被动。第三,拿到 offer 后,尽快与公司的移民律师确认申请策略,包括抽签注册、cap-gap 衔接与 PERM 绿卡启动时间;不同团队的 PERM 启动节奏可能不同,值得在谈判阶段问清楚。第四,政策变化很快,本文的 H-1B 信息以 2026 年 11 月 18 日为准,签约与递交之前请以 USCIS 官网与移民律师的最新意见为准,不要只凭一篇文章做决定。
最后提醒一句:H-1B 数据再好看,也只是求职决策的参考因素之一。团队、级别、成长空间与工作内容,才是决定一份工作值不值得去的核心。把身份问题想清楚、问清楚,然后把主要精力放回面试准备本身。
常见问题
Q1:Amazon 数据科学家面试和 SDE 面试最大的区别是什么?最大的区别在考察重点:DS 面试以 SQL、统计、产品案例与行为面试为主,算法题很少;SDE 面试以数据结构、算法与系统设计为主。DS 岗位偶尔会有一道简单的 Python 数据处理题,但不会出现 LeetCode hard 级别的算法题。按 SDE 的方式准备 DS 面试,是最常见的时间错配。
Q2:没有大厂实习经历,应届生有机会拿到 Amazon DS 面试吗?有机会,但简历需要有亮点:扎实的课程项目、Kaggle 竞赛成绩、研究助理经历、开源贡献,或者与目标团队业务相关的实习,都可以成为简历关的加分项。关键是项目要真实、完整、有量化结果,而不是简单罗列课程名称。
Q3:SQL 轮需要准备到什么程度?目标是:中等难度题目 15 分钟内写出可运行的版本,窗口函数、CTE、日期处理与留存分析手到擒来,遇到边界情况能主动说明处理方式。面试官对 SQL 的容忍度很低,因为这是每天都要用的工具,写得慢、写得错会直接影响评价。
Q4:产品案例轮没有标准答案,怎么知道自己答得好不好?可以从四个维度自评:是否澄清了问题再展开、指标定义是否清晰、拆解是否有层次、建议是否可执行。练习时录下自己的回答回放,或者请有经验的朋友点评,重点看结构而不是结论。结论合理但结构混乱,分数不会高;结论有争议但结构清晰、推理完整,分数反而可能不错。
Q5:行为面试需要准备多少个故事?建议准备 8 到 10 个扎实的故事,覆盖 Customer Obsession、Ownership、Dive Deep、Deliver Results、Bias for Action、Learn and Be Curious、Earn Trust、Have Backbone 等高频原则。每个故事用 STAR 结构写好,并准备好三层追问的答案。故事贵精不贵多,一个经得起深挖的故事胜过五个泛泛而谈的故事。
Q6:Amazon DS 的级别是怎么定的?级别在 hiring committee 评审阶段最终确定,依据是面试各轮的表现与你的经验背景。应届博士通常从 L4 入职,有经验的候选人可能定到 L5;L6 及以上需要有明确的业务影响力记录。如果你对定级有异议,可以在谈判阶段与 recruiter 沟通,但要提供具体的业绩依据,而不是单纯表达不满。
Q7:面试挂了之后多久可以再申请?Amazon 通常有 6 个月的冷却期,具体以 recruiter 的通知为准。挂掉之后不要马上重投同一个团队,先复盘短板、有针对性地补强,再申请其他团队或等待冷却期结束。多次连续失败会留下记录,准备充分再出发比频繁试错更划算。
Q8:需要 H-1B 担保会影响面试结果吗?Amazon 是全美 H-1B 担保量最大的雇主之一,2026 财年前三季度新雇员获批 4,802 件,担保意愿有公开数据支撑。面试评价与是否需要担保是分开的,面试官不参与担保决策。坦诚说明身份需求、提前规划时间线,是最稳妥的做法。100,000 美元费用目前被法院叫停、未收取,但仍在上诉中,签约前请以 USCIS 官网与移民律师的最新意见为准。
结尾:把每一轮都当作一次专业对话
复盘到这里,Amazon 数据科学家面试的全貌已经比较清晰了:简历关看匹配度与量化成果,OA 与电话轮筛掉基本功不扎实的人,onsite 的每一轮各有分工——SQL 看手速与准确度,统计看概念与实验设计,产品案例看业务思维,机器学习轮看基础是否牢靠,行为面试看过往经历是否符合 Leadership Principles。没有哪一轮可以靠运气通过,但也没有哪一轮难到无法准备。
如果你只能记住三句话,那就是:第一,SQL 与统计是基本功,每天练、掐表练,练到不用思考;第二,产品案例与行为面试拼的是结构与真实经历,框架背下来、故事讲细致;第三,H-1B 与薪水问题提前搞清楚,谈判时有数据、有底气。面试本质上是一次双向选择:公司在评估你,你也在评估这家公司与这个团队是否值得加入。准备充分的人,在面试里会自然地表现出从容与专业,而这正是面试官最想看到的东西。
祝你面试顺利,拿到理想的 offer。如果这篇复盘对你有帮助,也欢迎对照文末的相关阅读,看看同一系列的 Google 与 Meta 数据科学家面经,对比三家公司的异同,找到最适合自己的准备节奏。
本文仅供一般信息参考,不构成法律意见。薪水数据来自 Levels.fyi 与 Glassdoor 的公开页面,查询日期为 2026 年 11 月 18 日,实际 offer 以雇主提供的书面文件为准;H-1B 与移民政策信息截至 2026 年 11 月 18 日,具体申请事宜请咨询持牌移民律师。










暂无评论内容