数据开发工程师

岗位职责：
数据探索与特征工程：独立完成业务数据的探索性分析（EDA），洞察数据分布与业务规律；主导特征工程，排除无意义特征、进行特征瘦身，尝试定义边缘分布的异常样本，构建高质量特征管道支撑算法迭代。
目标定义与指标优化：将模糊的业务痛点转化为可量化的数据科学目标；结合业务场景设计模型评估体系，持续优化模型指标（如准确率、召回率、归因清晰度），关注数据分布偏移（协变量/标签/概念偏移）对目标达成的影响。
数据链路与工程落地：负责AI/数据科学场景的数据集成、ETL/ELT开发与性能调优，保障从数据清洗到模型训练的全链路稳定高效。
模型选型与MLOps：负责数据智能模型的选型、训练、评估与部署，参与模型监控、归因分析、置信度评估及灰度回滚机制的搭建。
技术调研与协同：跟踪大数据+AI技术趋势（智能建模、小样本学习、因果发现/推断等），开展技术调研与原型验证；协同数据产品、算法、运维团队，解决用户技术问题，推动数据驱动业务增长。

任职要求：
学历与经验：本科及以上学历，数学、物理、计算机、大数据、人工智能等相关专业优先；具备1-3年及以上相关工作经验，有完整的从数据探索到模型落地的项目经验。
数据科学能力：精通Python/SQL，扎实掌握统计学与机器学习算法（如LightGBM、TabPFN等）；具备优秀的探索性数据分析（EDA）能力，能够独立完成业务目标拆解、模型评估与指标优化；对数据分布偏移（协变量偏移、标签偏移、概念偏移）有认知及处理经验者优先。
数据工程能力：掌握至少一种主流大数据组件及原理；对数据集成、数据治理、实时计算等方向有深入钻研；具备大数据实操、ETL设计、性能调优等相关经验。
编程基础：熟悉Java/Python/Rust/C++任一语言，编程基础良好；具备良好的工程化思维和代码规范，能将数据科学方案工程化落地。
加分项：有AI模型工程化落地、MLOps、数据治理经验者优先；有特征瘦身、异常样本定义、归因与置信度分析经验者优先；Github或技术博客有技术分享优先。
软素质：自驱力与好奇心强，主动学习新技术；逻辑与沟通表达清晰；具备良好的团队协作意识。"