资深算法工程师

优缺点分析

角色解读

• 成为金融风控领域的算法专家，主导复杂的策略优化和模型研发
• 向技术管理方向转型，带领团队构建策略中台和AI驱动的智能风控体系
• 深耕因果推断与强化学习交叉领域，成为稀缺的技术领军人才
• 构建反事实估计框架，设计因果推断模型来评估不同策略（额度、定价、期限）对用户行为的影响
• 建模用户短期收益与长期价值，优化贷中额度、定价、期限策略以提升整体LTV和收益
• 研究和落地AI-Agent/LLM在金融场景的应用，如智能策略生成和智能盯盘分析
• 扎实的算法和建模能力，熟悉因果推断（如Uplift模型、CATE）或强化学习
• 掌握LTV建模、用户增长和风险控制相关理论，能将业务问题转化为技术方案
• 具备大模型（LLM）和AI Agent的相关经验，了解其在金融场景的落地挑战

申请策略

• 在面试中准备一个完整的项目案例，从业务问题到技术方案再到效果评估，展示你的问题拆解能力
• 关注滴滴Fintech的业务动态，在面试中表达对金融场景的理解和兴趣
• 突出因果推断或强化学习的项目经验，如Uplift模型、CATE估计等实际应用案例
• 强调LTV建模或用户增长相关的成果，最好有量化收益数据
• 展示大模型或AI Agent的实践，例如智能策略、自动化分析等
• 系统学习因果推断和实验设计（RCT、观测数据纠正）
• 了解强化学习在定价和策略优化中的应用，如Bandit算法
• 补充金融风控基础知识，如信贷风险、额度管理、反欺诈等

面试指南

• 使用STAR方法：情境→任务→行动→结果，清晰展示问题背景、你的方案和量化效果
• 对于因果推断问题，强调识别策略（如DID、IV、Uplift tree）和评估指标（如AUUC）
• 对于开放性问题，先阐述思路框架，再举例说明，保持逻辑性和可行性
• 请介绍一个你使用因果推断解决的实际业务问题，如何设计模型和评估效果？
• 如何建模用户长期价值（LTV）？你会考虑哪些因素？
• 如果让你用强化学习优化信贷额度策略，你会如何设计状态、动作和奖励？
• 大模型在金融风控场景中有哪些潜在应用？你如何看待其风险？
• 如何评估一个策略的效果？如果存在混淆变量，你如何处理？