美图
数据资产架构师
数据资产架构师
发布于 大约 17 小时前中层管理(经理/总监)
北京市
高级经验
全职员工
仅现场办公
学历未注明
SQL
RAG
数据治理
推荐系统
AIGC
用户画像
数据资产
大模型微调
AI 估算 · 35k–60k
资深技术管理岗位，大厂北京，AI数据方向人才稀缺，薪资竞争力强
职位详情
关于这个职位
这是一个兼具技术深度与管理广度的职位，负责美图核心数据资产体系的规划与构建，带领用户画像团队将用户行为数据转化为高质量数据集，支撑AIGC、推荐算法等业务快速迭代
适合有5年以上数据架构经验、熟悉大模型和画像建模的资深技术人才
最低要求
经验背景：五年以上互联网数据架构或用户画像相关经验，有影像类、工具类 App 或 AI 场景背景
具备一定的团队管理经验，能激发团队创造力
画像建模深度：深刻理解用户行为建模，熟悉用户分层、流失预警、生命周期管理及审美/偏好特征量化等实战方法
AI 技术洞察：深刻理解大模型基础原理，了解如何将用户画像作为 Prompt 约束或 RAG 检索条件来优化 AI 生成效果
关注 AIGC 最新技术进展
硬核技能：精通 SQL，熟悉 Spark 进行大规模数据清洗、统计分析及建模预研
熟练掌握 Python
AI 工具力：熟练使用各类 AI 编程辅助工具（如 Cursor、Claude Code 等），能利用 AI 提升团队研发效能
主动性与沟通：具备极强的Owner意识和跨团队推动能力，能向非技术方清晰解释数据资产的业务价值
方法论：熟悉数据分析方法论、A/B 实验理论及数据血缘管理
工作职责
数据资产体系构建：负责「用户数据资产」与「训练数据资产」的沉淀，构建适配大模型微调（Fine-tuning）和智能体长短期记忆（Memory）的高质量数据集
画像团队管理与资产规划：带领用户画像团队，统筹全公司级标签体系（Tag System）的设计与维护，确保画像资产的准确性、实时性及跨业务线的复用价值
高价值场景落地验证：主导数据资产在推荐系统、订阅转化、Agent 交互等场景的应用，通过数据闭环验证模型效果，驱动业务增长
全链路数据治理与 AI 赋能：利用 AI 技术提升画像建模与数据监控的效率，实现从“原始日志”到“结构化画像”再到“业务 Action”的自动化流转
跨团队协同与项目推动：作为核心推手，协同算法、产品及运营团队，将业务挑战转化为数据方案
展现极强的主动性，确保跨部门项目高效达成
AI 洞察
优缺点分析
- 深度参与AIGC与大模型技术落地，积累前沿数据资产构建经验，技能含金量高
- 美图作为上市大型企业，平台稳定，数据场景丰富（影像、社交、推荐），成长空间大
- 职位兼具技术深度与管理职责，能提升团队领导力和跨部门协作能力
- 数据资产体系构建涉及全公司协同，对跨团队沟通和项目推动能力要求极高
- 大模型微调与RAG等技术迭代迅速，需要持续学习保持技术敏感度
- 作为管理岗需同时兼顾技术决策和团队管理，工作强度可能较高
- 适合5年以上数据架构或画像经验、对AI技术有热情、希望从技术转向管理且能承受较大责任的技术大牛
角色解读
- 深耕数据资产领域，成为AI数据架构专家，可向首席数据官（CDO）或AI技术总监方向发展
- 积累从数据到业务落地的全链路经验，横向扩展至算法或产品策略管理岗位
- 在AIGC与推荐场景的前沿实践中，成为公司数据驱动增长的核心推动者
- 规划和构建美图核心数据资产体系，带领用户画像团队沉淀高质量训练数据集，支撑AIGC和推荐算法迭代
- 主导数据资产在推荐系统、订阅转化等高价值场景的落地验证，通过数据闭环驱动业务增长
- 利用AI技术提升画像建模与数据监控效率，实现从原始日志到业务Action的自动化流转
- 跨团队协同算法、产品及运营，将业务挑战转化为数据解决方案，推动项目高效达成
- 精通用户画像建模，熟悉分层、流失预警、生命周期管理等实战方法，并能量化审美/偏好等特征
- 深刻理解大模型原理，掌握将画像用于Prompt约束或RAG检索以优化生成效果
- 硬核数据技能：精通SQL、Spark进行大规模数据处理，熟练掌握Python
- 熟练使用AI编程辅助工具（如Cursor、Claude Code）提升团队研发效能
申请策略
- 深入理解美图的产品矩阵（如美图秀秀、Wink等），在面试中结合具体场景阐述数据资产价值
- 强调Owner意识和推动复杂项目的成功案例，展现跨团队影响力
- 突出用户画像或数据资产体系的构建案例，量化团队管理成果（如标签体系复用率、数据质量提升）
- 强调大模型相关经验，如Fine-tuning、RAG应用或Prompt工程的具体项目
- 展示SQL/Spark/Python等硬核技能的实际应用，如大数据清洗、特征工程、A/B实验分析
- 列出AI工具使用经历（如Cursor、Claude Code），体现技术效能提升
- 若缺乏大模型实战，可学习LangChain、RAG开源框架，参加相关课程或竞赛
- 强化数据治理与AI数仓技能，如数据血缘工具（Atlas、DataHub）、数据监控自动化
面试指南
- STAR法则：先描述任务背景和目标（Situation & Task），再说明具体行动方案（Action），突出技术选型与团队协作，最后量化结果（Result）
- 结构化表达：先给出核心结论（如“从数据采集到标签产出全链路自动化”），再分步骤展开细节，最后总结业务价值
- 请讲述一次你构建用户画像体系的经历，如何保证标签的准确性和实时性？
- 如何将用户画像应用到推荐系统或大模型中？举一个具体例子
- 你如何管理数据团队？在推动跨部门数据项目时遇到哪些阻力？如何解决？
- 你了解哪些大模型微调技术？如何构建高质量的Fine-tuning数据集？
- 描述一个你使用AI编程工具提升团队效率的案例
- 复习用户画像建模方法论，准备1-2个完整的画像体系设计案例（含技术栈、标签设计、监控指标）
匹配度报告
62
综合匹配度
大厂AI数据团队管理岗，前沿技术驱动，成长空间大，但WLB一般
适合人群
适合追求技术前沿和职业成长、能接受一定工作强度、对AI数据方向充满热情的求职者。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利65
成长发展90
工作生活40
使命价值55
薪资福利匹配
65中等
薪资未披露，但基于职位等级和城市推算应在中上水平，福利未提及，补偿性动机中等偏上。
薪资信号未披露 (35K-60K/月)
成长发展匹配
90较高
职位深度涉及前沿AI与大模型技术，成长路径清晰，发展性动机极强。
技术前沿前沿/新兴技术
技术栈AIGC、大模型微调、RAG、用户画像、Spark、Python
业务类型profit_center
工作生活匹配
40较低
工作模式未明确，地点在北京核心区可能性大，WLB信号缺失，预计工作强度较高。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值匹配
55较低
AI影像行业前景好，但社会影响力一般，使命感信号不足，意义感动机中等。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs