這次 Uber 2026 Summer Growth Intern 第一波 OA 放出來之後，整體反饋其實比大家想象中要“硬核”一點。很多人以為 Growth 偏商業直覺，但實際做下來會發現，它是資料分析 + 商業理解 + 三方市場邏輯的綜合體。如果用一句話總結強度：不是題目刁鑽，而是節奏快、思考維度多、容錯率低。
下面按流程完整拆一遍。
Online Assessment（75–90 分鐘）
整個 OA 分為 Quantitative Analytics 和 Strategic Case 兩塊，使用 Uber 內部系統。時間控制非常重要，做完之後不會即時顯示分數，所以過程中的穩定輸出就顯得更關鍵。
Funnel Analysis
第一題是基於 NYC rider sign-ups 資料，讓你找出最大 drop-off 出現在 Acquisition 還是 Activation。
這題看起來像基礎漏斗分析，但真正的考點在於你是否能快速搭建 AARRR 框架，並且區分“註冊流失”和“首單流失”的本質差異。很多人會直接算比例，卻沒有去解釋為什麼某一步的流失對長期 LTV 影響更大。
Growth 崗更看重你對漏斗每一步“經濟意義”的理解，而不是單純算對百分比。
Market Elasticity
題目設定在類似 San Francisco 這種高密度市場，如果 booking fee 提高 10%，會如何影響 driver supply 與 rider demand 的平衡。這題本質是 marketplace equilibrium 的推演。
你需要討論 rider 價格彈性、driver 收入變化、平臺抽成結構、surge 是否被觸發，以及長期供需會不會重新均衡。簡單說“漲價需求下降”遠遠不夠，因為這是三方動態博弈，而不是單邊需求模型。回答得好的人，都會主動提到短期衝擊與長期調節的區別。
LTV & CAC
以 London 的新 rider acquisition campaign 為背景，給定月 churn 5%，要求計算 payback period 和 LTV/CAC ratio。
這一題是標準 unit economics 測試。關鍵點在於是否用 1/churn 近似生命週期，是否考慮 contribution margin，以及是否清楚 payback 是按毛利還是按 revenue 計算。很多人會卡在公式，但真正高分答案會解釋假設條件，而不是機械代入。
Experimentation
設計一個 “Uber Green” loyalty reward 的 A/B test，並說明 North Star metric。
這題重點不在寫流程，而在你是否理解實驗目標。是提升 Green trip 佔比？還是提高整體 retention？會不會出現 cannibalization？是否需要 guardrail metrics 監控整體訂單量和 driver 體驗？Growth 崗的實驗設計必須兼顧增長和健康度，而不是隻盯一個指標。
Stakeholder Management
如何說服 Product 團隊優先做 Referral feature，而不是 UI redesign。這題考的是影響力，而不是辯論能力。你需要用資料證明 Referral 降低 CAC 的潛力，用實驗結果減少爭議，用 incremental lift 量化機會成本。Growth 本質上是資源爭奪戰，邏輯必須落到 ROI 上。
Virtual Technical Interview
形式是 45 分鐘 Case Interview，通常透過 Zoom 進行。核心圍繞 Rider、Driver、Eater 三方市場理解。很多問題都會從某個城市資料異常開始，讓你排查原因。比如訂單下滑，你會先看需求側還是供給側？是價格問題還是匹配效率問題？是競爭對手衝擊還是季節性波動？這裡最怕思路發散。結構一定要清晰，否則時間會被消耗得很快。
Final Round
最後會和 Growth Lead 面兩輪，偏 Behavioral 和商業直覺。會深挖你過去的 growth experiment，經常追問：如果再做一次你會怎麼最佳化？如果資料不支援你的假設怎麼辦？如果 driver 和 rider 的利益衝突，你優先哪一邊？這一輪更考察成熟度和判斷力，而不是計算能力。
寫在最後
如果你現在對 OA 沒信心，或者不知道該從哪裡系統準備，其實不用硬扛。很多人不是不會，而是不知道考察邏輯和輸出結構，練習方向一旦偏了，越刷越焦慮。我們這邊長期整理各大廠真題題庫，同時也提供 實時助攻 服務，在你做 OA 或 Case 訓練時給予思路提醒和結構引導，幫你把節奏穩住，而不是臨場亂掉。
