Amazon SDE Intern × DA Intern 雙軌 OA：題型差異 + VO 流程對比

Amazon 是全球招實習最多的科技公司之一，但很多人不清楚 SDE Intern 和 DA (Data Analyst) Intern 走的是兩條完全不同的 OA + VO 路徑。同一個 amazon.jobs 入口，同一份履歷，投到 SDE 的 pipeline 是 Work Simulation + Coding + Workstyle + Debug，投到 DA 的 pipeline 則換成了 SQL Lab + Statistics MCQ + Case Study。如果按照 SDE 的複習方法去備考 DA，或反過來，幾乎注定吃虧。

這篇文章把兩條線的 OA 與 VO 做逐項對比，並各給一道代表真題 + 解法。讀完你應該能回答兩個問題：

我現在的履歷更適合走哪一條？
這條線的 OA 我每段時間該練什麼、每個階段會被卡在哪？

入口的相同與不同

維度	SDE Intern	DA Intern
申請入口	amazon.jobs / 校招會	amazon.jobs / 校招會
團隊	AWS / Alexa / Retail / Ads	Finance / FBA / Marketing Analytics
OA 平台	HackerRank + 自研	HackerRank + 自研
OA 模組	Work Simulation + 2 Coding + Workstyle + Debug	SQL Lab + Stats MCQ + Case Study + Workstyle
VO 輪次	3-4 輪：演算法 + LP × 2 + System Design Lite	3-4 輪：SQL + Case Study + LP × 2
決定性能力	演算法 + LP 故事	SQL + 業務理解 + LP 故事

一句話總結：SDE 看程式碼功底 + LP；DA 看 SQL 速度 + 商業洞察 + LP。LP 是兩條線唯一的「公約數」。

SDE Intern OA：四模組拆解

模組 1：Work Simulation

模擬一個工作日內的多個郵件 / 會議 / 決策選項。題目以 multiple choice 出現，考察候選人在壓力下的優先級排序、客戶至上、資料驅動。常見陷阱：

同時出現「客戶體驗」和「成本」，必須先客戶體驗
同事請求幫忙 vs 自己 deadline，先溝通節奏而非直接拒絕

模組 2：Coding（代表題：Sum of Skills 團隊分配）

給 N 個員工的 skill 陣列，把他們分成大小為 K 的若干組，使得每組 skill 之和的方差最小。

思路：排序 + 貪心配對，把最強 + 最弱、第二強 + 第二弱… 配在一起。

def team_assignment(skills, K):
    skills.sort()
    n = len(skills)
    teams = []
    i, j = 0, n - 1
    while i < j:
        team = []
        while len(team) < K and i <= j:
            team.append(skills[j]); j -= 1
            if len(team) < K and i <= j:
                team.append(skills[i]); i += 1
        teams.append(team)
    return teams

時間複雜度：O(N log N)，排序佔主。 Follow-up：如果題目改成「每組 skill 之和等於 target」——退化成多重背包，注意資料量。

模組 3：Workstyle Survey

無對錯，但前後一致性會被算分。建議：

選 "Strongly Agree" / "Strongly Disagree" 別太多，控制在 30%
"I prefer working alone" 類陷阱，Amazon 偏好協作

模組 4：Debug

約 15 分鐘，給一段有 5-7 個 bug 的小程式，要求改對。最常見 bug 類型：

off-by-one
誤用 is 替代 ==
字典遍歷時修改

DA Intern OA：四模組拆解

模組 1：SQL Lab（代表題：訂單留存 cohort）

給 orders(user_id, order_date, amount)，求每個月新使用者在之後 3 個月內的留存率。

WITH first_order AS (
  SELECT user_id, MIN(order_date) AS first_dt
  FROM orders
  GROUP BY user_id
),
cohort AS (
  SELECT
    DATE_TRUNC('month', first_dt) AS cohort_month,
    user_id
  FROM first_order
)
SELECT
  c.cohort_month,
  COUNT(DISTINCT c.user_id) AS new_users,
  COUNT(DISTINCT CASE
    WHEN o.order_date BETWEEN c.cohort_month + INTERVAL '1 month'
                      AND c.cohort_month + INTERVAL '3 month'
    THEN o.user_id END) AS retained_users
FROM cohort c
LEFT JOIN orders o USING (user_id)
GROUP BY c.cohort_month
ORDER BY c.cohort_month;

關鍵點：

DATE_TRUNC 注意 Amazon 內部 Redshift 與開源 Postgres 的相容
留存率定義用 COUNT(DISTINCT ... CASE WHEN ...) 一氣呵成

模組 2：Statistics MCQ

10-15 道 MCQ，覆蓋：

假設檢定：雙樣本 t test、卡方
A/B Testing：power analysis、MDE
機率：條件機率、貝氏
迴歸：multicollinearity、heteroskedasticity

陷阱：選項中常會出現「統計顯著 = 業務顯著」——錯。

模組 3：Case Study

業務題，常見原型：

「FBA Returns 上升 8%，請用一週時間分析」
「Prime Day GMV 沒達到預期，請定位原因」

回答骨架（SDE-W：Segment / Drill / Experiment / Wrap）：

Segment：按品類、地域、客群拆分
Drill：找異常子集
Experiment：設計 A/B 驗證
Wrap：寫出 stakeholder 一句話結論

模組 4：Workstyle 同 SDE

VO 流程對比

輪次	SDE Intern	DA Intern
1	LP × 2 + Coding Easy	LP × 2 + SQL × 1
2	Coding Medium + LP × 1	SQL Hard + Case Study
3	System Design Lite + LP × 1	Case Study + LP × 2
4（部分團隊）	Bar Raiser：LP 全程	Bar Raiser：LP 全程

兩條線 Bar Raiser 完全相同——都是 LP 主導，問 5-6 個故事，每個故事都要能 drill 到具體行為。

備考策略對比

維度	SDE Intern	DA Intern
主刷題平台	LeetCode（Amazon tag）	LeetCode SQL + StrataScratch
主刷題量	200 題以上	SQL 100 + 機率統計 50
故事數量	6-8 個 LP 故事	6-8 個 LP 故事
模擬面	Karat / Pramp	DataLemur / 找學長姐 mock

三週節奏（SDE）

第 1 週：LeetCode Amazon tag Top 50 medium
第 2 週：Coding Hard 10 道 + 系統設計 P-A-S
第 3 週：LP 故事打磨 + Karat mock × 2

三週節奏（DA）

第 1 週：StrataScratch Amazon SQL Top 50
第 2 週：A/B Testing 教材 + Case Study 3 套
第 3 週：LP 故事 + DataLemur mock × 2

FAQ

Q1：我同時投了 SDE 和 DA Intern，OA 會怎麼發？ recruiter 會按你履歷裡的「主基調」決定。如果兩條線都標了 strong signal，recruiter 通常按 JD 優先：你點過哪條線的 JD，發那條線的 OA。

Q2：DA Intern 的 SQL 比 SDE 的 Coding 容易嗎？ 不容易。DA 的 SQL Hard 多用 window function + CTE 巢狀，寫 80 分鐘 4 題 的速度比 LeetCode 60 分鐘 2 題更緊。

Q3：Workstyle Survey 真的會刷人嗎？ 不會單獨刷，但和 OA 其他模組組合時可能成為否決項。建議保持一致性，避免極端選項。

Q4：VO Bar Raiser 是 onsite 還是 OA 階段？ Onsite 階段。OA 階段沒有 Bar Raiser。Bar Raiser 是 final loop 中跨部門的 senior，可以一票否決。

Q5：如果 OA 表現一般，還能進 VO 嗎？ SDE 偏重看 coding 表現，VO 直接由 OA 排序決定；DA 更看 SQL + Case Study 綜合。referral + 履歷亮點能彌補 OA 部分，但仍建議把 OA 當作首要門檻。

正在準備 Amazon Intern OA / VO？

如果你已經收到 OA 連結但 Work Simulation 排序拿不準、SQL 80 分鐘 4 題寫不完，或者 Bar Raiser 階段需要真人 VO代面 / VO輔助全程陪跑，可以聊聊看 OA代面 / VO輔助 / VO代面完整方案。

聯絡方式

需要面試真題與客製備戰計畫？立刻聯絡微信 Coding0201，獲取真題。

Email: [email protected] Telegram: @OAVOProxy