渣打银行
Data Scientist-Trust Bank
Data Scientist-Trust Bank
发布于 5 个月前普通员工/个人贡献者
广州市
高级经验
全职员工
仅现场办公
硕士
数据分析与科学
机器学习
深度学习
GPT
NLP
PyTorch
SQL
TensorFlow
AI 估算 · 35k–60k
该职位要求高级数据科学家技能，涉及前沿的LLM和AI技术，在金融科技领域需求旺盛且技术壁垒高，因此薪资竞争力强。
职位详情
关于这个职位
这是一个在渣打银行数字银行部门的数据科学家职位
你将负责开发并实施可落地的分析模型和机器学习算法，以优化营销策略、提升客户体验并驱动业务增长
工作内容包括从数据处理、模型构建到结果可视化和汇报的全流程，需要与跨职能团队紧密合作
最低要求
年处理数据集和构建统计模型的经验，最好是在高增长初创公司或数字业务中
拥有统计学、数学、计算机科学或其他定量领域的硕士或博士学位
精通使用大型语言模型，特别是GPT（生成式预训练变换器）变体
理解生成模型、深度学习和自然语言处理技术
具备多种机器学习技术（监督学习、无监督学习、异常检测、深度学习、NLP、推荐系统等）的经验，并了解其实际优缺点
拥有成功交付端到端数据科学项目（业务理解、探索性数据分析、建模、部署、监控等）的过往经验
精通Python等编程语言以及TensorFlow或PyTorch等深度学习框架
具备使用数据科学相关语言/工具（Python, SQL, Spark等）处理数据并从大型数据集中获取洞察的经验
具备使用商业智能工具（如Domo, Tableau, Data Studio）的经验
具备云技术（AWS和GCP等）经验
对从大型数据集中发现解决方案并与利益相关者合作改善业务成果充满热情
出色的书面和口头沟通能力，以协调跨团队工作
出色的沟通和演示技能
具备敏捷工作方式经验，并熟悉Jira, Confluence, Slack等工具
工作职责
与相关利益相关者共同开发和实施可操作的分析和数据科学模型
运行和执行这些平台：
o 为营销模型创建预测模型和机器学习算法
o 构建和维护行为细分
o 交付使数据可操作的仪表板和报告
评估数据源和数据收集技术的有效性和准确性
处理、清理和验证用于分析的数据的完整性
在需要时使用第三方信息源扩展公司数据
处理、挖掘和分析公司数据库中的数据，以推动产品开发、营销技术和业务策略的优化和改进
使用预测建模来增加和优化客户体验、收入生成和其他业务成果
选择特征，使用机器学习技术构建和优化分类器
开发流程和工具来监控和分析模型性能及数据准确性
进行临时分析并以清晰的方式呈现结果
创建自动化异常检测系统并持续跟踪其性能
分析大量信息以发现趋势和模式
使用数据可视化技术呈现信息
针对业务挑战提出解决方案和策略
以清晰的方式提出建议和结果，并以数据为支撑，辅以可操作的结论
AI 洞察
优缺点分析
优点
- 技术栈前沿：工作内容深度涉及GPT等最前沿的AI技术，有利于构建高壁垒的核心技术竞争力
- 职业发展清晰：银行体系内技术序列晋升通道相对明确，且有机会向业务侧拓展，发展路径多元
- 跨部门协作复杂：作为技术中台角色，需要频繁与不同背景的团队沟通对齐，对软技能要求高
- 适合拥有扎实数据科学和机器学习背景，并对将AI技术应用于金融场景充满热情，同时具备良好沟通协作能力的求职者
缺点 / 挑战
- 平台优势明显：在跨国银行的数字金融前沿部门工作，能接触到海量、高质量的金融数据和真实的商业挑战
- 技术挑战高：需要紧跟AI技术快速迭代的步伐，并解决金融领域特有的数据安全、模型可解释性等问题
- 业务压力直接：模型效果直接关联营销转化、风险控制等核心业务指标，工作成果的衡量标准明确且严格
角色解读
- 技术路径上，可以从高级数据科学家向算法专家、AI架构师等深度技术角色发展
- 业务路径上，可凭借对金融业务的深刻理解，转向数据产品经理、商业分析负责人等复合型管理岗位
- 你将负责从数据清洗、特征工程到构建预测模型（如营销模型、客户行为细分）的全流程数据科学工作
- 你需要将模型结果转化为可执行的商业洞察，通过仪表板、报告等形式向团队清晰展示，并推动业务决策
- 工作涉及与业务、技术等跨职能团队紧密协作，理解需求，并将数据科学解决方案落地到实际业务场景中
- 核心是扎实的机器学习与深度学习功底，特别是对GPT等大型语言模型有深入理解和实践经验
- 需要熟练掌握Python、SQL、Spark等技术栈，并具备使用TensorFlow/PyTorch进行模型开发的能力
- 除了技术硬实力，出色的沟通和跨团队协作能力同样关键，能将复杂的技术成果转化为业务语言
申请策略
- 深入了解渣打银行数字银行的业务方向和发展战略，在申请和面试中展现你的业务思考
- 仔细阅读公司价值观（如“Do the right thing”, “Never settle”），思考如何与自身经历结合
- 重点突出与GPT、深度学习、NLP相关的项目经验，详细描述你在其中的技术贡献和业务影响
- 量化展示过往端到端数据科学项目的成果，例如模型上线后带来的点击率提升、成本节约等具体指标
- 强调你在跨团队协作中的角色，以及如何将技术方案成功落地并推动业务方采纳的经历
- 如果对金融业务理解不深，可提前学习基础的信贷、风控、数字营销等银行核心业务知识
- 针对JD中提到的Domo、Data Studio等特定BI工具，可以进行快速学习和上手实践
- 准备1-2个能体现你解决复杂问题、沟通协调能力的完整项目案例，并练习清晰讲述
面试指南
- 对于技术问题，采用“STAR”原则（情境、任务、行动、结果）结构化回答，重点突出你的技术决策逻辑和最终的业务价值
- 对于协作和业务理解类问题，展现你作为技术桥梁的角色，如何平衡技术理想与业务现实，推动共识和落地
- 请详细介绍一个你使用GPT或其他LLM模型解决实际业务问题的项目，包括挑战和解决方案
- 当业务方对你的模型结果提出质疑时，你会如何沟通和应对？
- 如何评估一个机器学习模型在金融营销场景中的效果？你会关注哪些指标？
- 请描述一次你处理大规模、脏乱数据的经历，你用了哪些方法保证数据质量？
- 在敏捷团队中，你如何管理一个数据科学项目的优先级并确保按时交付？
- 深入复习机器学习、深度学习核心原理，特别是NLP和生成式模型的相关知识
职位点评
Watch Jobs