这次 Uber 2026 Summer Growth Intern 第一波 OA 放出来之后，整体反馈其实比大家想象中要“硬核”一点。很多人以为 Growth 偏商业直觉，但实际做下来会发现，它是数据分析 + 商业理解 + 三方市场逻辑的综合体。如果用一句话总结强度：不是题目刁钻，而是节奏快、思考维度多、容错率低。
下面按流程完整拆一遍。
Online Assessment（75–90 分钟）
整个 OA 分为 Quantitative Analytics 和 Strategic Case 两块，使用 Uber 内部系统。时间控制非常重要，做完之后不会即时显示分数，所以过程中的稳定输出就显得更关键。
Funnel Analysis
第一题是基于 NYC rider sign-ups 数据，让你找出最大 drop-off 出现在 Acquisition 还是 Activation。
这题看起来像基础漏斗分析，但真正的考点在于你是否能快速搭建 AARRR 框架，并且区分“注册流失”和“首单流失”的本质差异。很多人会直接算比例，却没有去解释为什么某一步的流失对长期 LTV 影响更大。
Growth 岗更看重你对漏斗每一步“经济意义”的理解，而不是单纯算对百分比。
Market Elasticity
题目设定在类似 San Francisco 这种高密度市场，如果 booking fee 提高 10%，会如何影响 driver supply 与 rider demand 的平衡。这题本质是 marketplace equilibrium 的推演。
你需要讨论 rider 价格弹性、driver 收入变化、平台抽成结构、surge 是否被触发，以及长期供需会不会重新均衡。简单说“涨价需求下降”远远不够，因为这是三方动态博弈，而不是单边需求模型。回答得好的人，都会主动提到短期冲击与长期调节的区别。
LTV & CAC
以 London 的新 rider acquisition campaign 为背景，给定月 churn 5%，要求计算 payback period 和 LTV/CAC ratio。
这一题是标准 unit economics 测试。关键点在于是否用 1/churn 近似生命周期，是否考虑 contribution margin，以及是否清楚 payback 是按毛利还是按 revenue 计算。很多人会卡在公式，但真正高分答案会解释假设条件，而不是机械代入。
Experimentation
设计一个 “Uber Green” loyalty reward 的 A/B test，并说明 North Star metric。
这题重点不在写流程，而在你是否理解实验目标。是提升 Green trip 占比？还是提高整体 retention？会不会出现 cannibalization？是否需要 guardrail metrics 监控整体订单量和 driver 体验？Growth 岗的实验设计必须兼顾增长和健康度，而不是只盯一个指标。
Stakeholder Management
如何说服 Product 团队优先做 Referral feature，而不是 UI redesign。这题考的是影响力，而不是辩论能力。你需要用数据证明 Referral 降低 CAC 的潜力，用实验结果减少争议，用 incremental lift 量化机会成本。Growth 本质上是资源争夺战，逻辑必须落到 ROI 上。
Virtual Technical Interview
形式是 45 分钟 Case Interview，通常通过 Zoom 进行。核心围绕 Rider、Driver、Eater 三方市场理解。很多问题都会从某个城市数据异常开始，让你排查原因。比如订单下滑，你会先看需求侧还是供给侧？是价格问题还是匹配效率问题？是竞争对手冲击还是季节性波动？这里最怕思路发散。结构一定要清晰，否则时间会被消耗得很快。
Final Round
最后会和 Growth Lead 面两轮，偏 Behavioral 和商业直觉。会深挖你过去的 growth experiment，经常追问：如果再做一次你会怎么优化？如果数据不支持你的假设怎么办？如果 driver 和 rider 的利益冲突，你优先哪一边？这一轮更考察成熟度和判断力，而不是计算能力。
写在最后
如果你现在对 OA 没信心，或者不知道该从哪里系统准备，其实不用硬扛。很多人不是不会，而是不知道考察逻辑和输出结构，练习方向一旦偏了，越刷越焦虑。我们这边长期整理各大厂真题题库，同时也提供 实时助攻 服务，在你做 OA 或 Case 训练时给予思路提醒和结构引导，帮你把节奏稳住，而不是临场乱掉。
