Amazon Data Scientist 面试题目合集 | 50+ 道真实面经

💡 核心要点 (Key Takeaways)

• Amazon DS 面试核心考点：SQL 数据查询、A/B 测试设计、机器学习建模、Leadership Principles 行为面
• SQL 题通常涉及多表 JOIN、窗口函数、数据聚合和异常检测
• A/B 测试题考察实验设计、样本量计算、统计显著性和结果解读
• 如果时间紧迫，可考虑 VO 辅助服务 提升准备效率

Amazon DS 面试流程 — 和其他大厂的核心区别

Amazon Data Scientist 面试流程相对标准化，通常由 OA（Online Assessment）、Phone Screen 和 Loop 终面三阶段组成。Amazon DS 面试最核心的特点是 Leadership Principles（LP）行为面贯穿整个流程——每轮面试都会考察 1-2 个 LP，最终由 Bar Raiser 面试官拥有否决权。

和其他大厂相比，Amazon DS 面试有几个关键差异：第一，SQL 题通常比 Meta 和 Google 更难，更侧重于多表 JOIN、窗口函数和数据聚合。第二，A/B 测试题是 Amazon DS 面试的标志性考点，考察实验设计、样本量计算、统计显著性和结果解读。第三，LP 行为面占比很高，建议为每个 LP 准备 1-2 个具体的工作故事。

高频考点 — 按出现频次排序

基于 50+ 道真实面经信号的归因分析，Amazon DS 面试的高频考点主要集中在以下几个核心模块：

SQL 数据查询（35 次出现）：Amazon DS 面试的 SQL 题通常涉及多表 JOIN、窗口函数（ROW_NUMBER、RANK、LEAD/LAG）、数据聚合（GROUP BY、HAVING）和异常检测。经典题目包括「找出每个部门薪资最高的 3 个人」「计算用户留存率」「检测数据异常值」等。

A/B 测试设计（28 次出现）：Amazon DS 面试的标志性考点。考察实验设计、样本量计算、统计显著性和结果解读。经典题目包括「如何设计一个 A/B 测试评估新功能对转化率的影响？」「如何确定样本量？」「如何解读 A/B 测试结果？」

机器学习建模（22 次出现）：Amazon DS 面试的机器学习题通常侧重于实际应用场景，如用户流失预测、推荐系统、异常检测等。

SQL 高频题详解 — 多表 JOIN、窗口函数、数据聚合

Amazon DS 面试的 SQL 题通常难度较高，更侧重于多表 JOIN、窗口函数和数据聚合。以下是按出现频次排序的核心考点：

题型一：多表 JOIN + 窗口函数（经典：找出每个部门薪资最高的 3 个人）
标准解法是用 ROW_NUMBER() OVER(PARTITION BY department ORDER BY salary DESC) 对每个部门的员工按薪资排序，然后取前 3 名。Follow-up 通常是「如果有并列的薪资怎么办？」→ 讨论 RANK() 和 DENSE_RANK() 的区别。

题型二：数据聚合 + 留存率计算（经典：计算用户 7 日留存率）
标准解法是用自连接或窗口函数计算用户在第 1 天和第 7 天的活跃情况。Follow-up 通常是「如果用户活跃定义不同怎么办？」或「如何计算滚动留存率？」

题型三：异常检测（经典：检测数据异常值）
标准解法是用 Z-score 或 IQR（四分位距）方法检测异常值。Follow-up 通常是「如果数据分布不是正态分布怎么办？」→ 讨论非参数方法或基于业务规则的异常检测。

A/B 测试详解 — 实验设计、样本量、统计显著性

A/B 测试是 Amazon DS 面试的标志性考点，考察实验设计、样本量计算、统计显著性和结果解读。以下是 A/B 测试面试的核心内容：

实验设计：A/B 测试的核心是随机分配用户到对照组和实验组，比较两组的指标差异。Amazon DS 面试通常会问「如何设计一个 A/B 测试评估新功能对转化率的影响？」，需要回答实验目标、实验指标、实验周期、样本分配和数据分析方法。

样本量计算：Amazon DS 面试通常会问「如何确定 A/B 测试的样本量？」，需要回答统计功效（power）、显著性水平（alpha）、效应量（effect size）和样本量公式。经典公式是 n = 2 * (Z_alpha/2 + Z_beta)^2 * sigma^2 / delta^2。

统计显著性：Amazon DS 面试通常会问「如何解读 A/B 测试结果？」，需要回答 p 值、置信区间、效应量和实际意义。

机器学习建模 — 实际应用场景

Amazon DS 面试的机器学习题通常侧重于实际应用场景，如用户流失预测、推荐系统、异常检测等。以下是按出现频次排序的核心考点：

用户流失预测：Amazon DS 面试通常会问「如何构建一个用户流失预测模型？」，需要回答特征工程（用户行为特征、交易特征、时间特征）、模型选择（逻辑回归、随机森林、XGBoost）、评估指标（AUC、Precision、Recall、F1）和模型部署。

推荐系统：Amazon DS 面试通常会问「如何构建一个商品推荐系统？」，需要回答协同过滤（User-based、Item-based）、内容推荐、混合推荐和评估指标（NDCG、Precision@K、Recall@K）。

异常检测：Amazon DS 面试通常会问「如何检测交易异常？」，需要回答基于统计的方法（Z-score、IQR）、基于机器学习的方法（Isolation Forest、One-Class SVM）和基于业务规则的方法。

Leadership Principles 行为面 — LP 答题框架

Amazon DS 面试中 Leadership Principles 行为面的占比很高，建议为每个 LP 准备 1-2 个具体的工作故事。以下是 Amazon DS 面试中最常考察的 5 个 LP 和对应的答题框架：

Customer Obsession（客户至上）：Amazon DS 面试通常会问「你有没有为了客户需求而挑战内部流程的经历？」，需要回答客户需求的发现过程、你如何推动团队改变、可量化的结果和反思。

Ownership（主人翁精神）：Amazon DS 面试通常会问「你有没有主动承担了超出职责范围的工作？」，需要回答你发现的机会、你如何推动项目、可量化的结果和反思。

Dive Deep（深入挖掘）：Amazon DS 面试通常会问「你有没有通过深入分析发现问题根因的经历？」，需要回答你发现的问题、你的分析方法、你找到的根因和可量化的结果。

常见失分点 — 从复盘归因看 Amazon DS 面试

基于大量模拟面试和真实面试的复盘数据，Amazon DS 面试中最常见的失分点可以归因到以下几个方面：

失分点一：SQL 题不会优化（占失分原因的 30%）
Amazon DS 面试的 SQL 题通常难度较高，很多候选人在给出基础解法后就停下来了，不会进一步优化。正确做法：先给基础解法（多表 JOIN、GROUP BY），然后逐步优化到窗口函数（ROW_NUMBER、RANK、LEAD/LAG）。

失分点二：A/B 测试理解不深（占失分原因的 25%）
Amazon DS 面试的 A/B 测试题通常涉及实验设计、样本量计算、统计显著性和结果解读。很多候选人只回答了实验设计，但不会计算样本量或解读结果。正确做法：掌握 A/B 测试的完整流程，包括实验设计、样本量计算、统计检验和结果解读。

失分点三：LP 故事准备不充分（占失分原因的 25%）
Amazon DS 面试中 LP 行为面的占比很高，很多候选人因为 LP 故事准备不足而被低分。正确做法：为每个 LP 准备 1-2 个具体的工作故事，确保故事有具体的背景、你的具体行动、可量化的结果和反思。

失分点四：机器学习建模理解不深（占失分原因的 20%）
Amazon DS 面试的机器学习题通常侧重于实际应用场景，很多候选人只回答了模型选择，但不会讨论特征工程、评估指标和模型部署。

如何把合集变成训练计划 — 分层聚焦 + 限时实战

最后，把这份面经合集从「收藏」变成「训练」，需要一套可执行的计划。以下是经过验证的训练方法：

第一阶段：SQL 练习（1 周）
重点练习多表 JOIN、窗口函数、数据聚合和异常检测。每道题练习 2 遍：第一遍限时 20 分钟独立完成，第二遍限时 15 分钟优化解法。

第二阶段：A/B 测试练习（1 周）
掌握 A/B 测试的完整流程，包括实验设计、样本量计算、统计检验和结果解读。重点练习样本量计算和结果解读。

第三阶段：LP 故事准备（1 周）
为每个 LP 准备 1-2 个具体的工作故事，确保故事有具体的背景、你的具体行动、可量化的结果和反思。

如果时间紧迫，可以考虑 VO 辅助服务，前 FAANG 面试官提供全真模拟和针对性训练，帮助你在短时间内高效突破薄弱环节。

相关文章：
Amazon SWE 面试 · Apple DS 面试 · Uber DS 面试

• 每天练习 2-3 道 SQL 题，覆盖多表 JOIN、窗口函数、数据聚合
• 每周进行 1 次完整的 A/B 测试模拟练习（实验设计 + 样本量计算 + 结果解读）
• 为每个 LP 准备 1-2 个具体的工作故事，写 300-500 字的 STAR 框架草稿
• 利用 VO 辅助服务 进行全真模拟，获得前 FAANG 面试官的即时反馈
• 更多 DS 面试准备资源见 DS 面试辅助