字节跳动
用户增长算法工程师-国际化短视频本地生活
用户增长算法工程师-国际化短视频本地生活
发布于 大约 9 小时前普通员工/个人贡献者
北京市
中级经验
全职员工
仅现场办公
硕士
PyTorch
强化学习
TensorFlow
因果推断
用户增长
大语言模型
本地生活
Uplift Modeling
AI 估算 · 30k–60k
字节跳动国际化业务核心算法岗，技术要求高，市场稀缺，薪资竞争力强，参考大厂P6-P7水平。
职位详情
关于这个职位
该职位负责字节跳动国际化短视频本地生活业务的用户增长算法研发，围绕拉新、促活和GMV等核心目标，运用因果推断、强化学习及大语言模型等方法构建增长策略
你将深入理解到店、酒旅等业务场景，通过算法优化提升转化效率，是驱动业务增长的关键技术角色
最低要求
研究生及以上学历优先，计算机科学、统计学、数学、运筹学等相关专业
在因果推断、Uplift Modeling、强化学习或运筹优化等方向有实践经验者优先
熟悉机器学习与深度学习核心原理，能熟练使用TensorFlow/PyTorch等主流框架
扎实的编程能力与数据结构、算法基础，熟练掌握Python/C++/Java中至少一门语言
具备出色的问题拆解与解决能力，善于跨团队沟通协作，能够将算法能力转化为业务成果
工作职责
负责国际化短视频本地生活（到店、酒旅等）用户增长方向的算法研发，围绕拉新、促活、GMV等核心目标，构建系统化的增长策略与算法体系
运用因果推断（Causal Inference）、增效建模（Uplift Modeling）、强化学习（Reinforcement Learning）及大语言模型（LLM）等方法，融合多源数据科学评估与优化增长策略效果及ROI
深入理解本地生活业务特性与用户行为，从到店、酒旅等场景中挖掘算法机会，持续提升业务转化效率
AI 洞察
优缺点分析
优点
- 站在短视频与本地生活交叉风口，业务增长空间大，算法影响力直接
- 能接触前沿技术（因果推断、强化学习、LLM），技术积累价值高
- 字节跳动为巨头公司，薪酬福利有竞争力，平台背书强，职业发展路径清晰
- 国际化业务需要应对多地区多文化差异，算法策略复杂度高
- 用户增长目标严格，KPI导向明显，工作节奏快，可能需要较大强度投入
- 要求具备跨领域知识（算法+业务+工程），学习曲线较陡
- 适合技术功底扎实、对用户增长有热情、渴望在高增长业务中快速成长的算法工程师
缺点 / 挑战
暂无明显挑战项
角色解读
- 纵向成长为算法专家或技术leader，带领团队负责更大范围的增长策略
- 横向拓展到推荐、广告、搜索等相邻算法领域，积累全面的大流量平台经验
- 在字节跳动国际化业务的快速发展中，有机会参与新市场、新业务的从0到1建设
- 负责抖音/TikTok本地生活用户增长算法，设计并优化拉新、促活、GMV相关策略
- 运用因果推断、强化学习等前沿方法评估增长策略效果并提升ROI
- 深入理解到店、酒旅等业务场景，从用户行为数据中挖掘算法优化机会
- 扎实的机器学习与深度学习基础，熟练使用TensorFlow/PyTorch
- 精通因果推断、Uplift Modeling或强化学习至少一种方向
- 优秀的编程能力，熟练掌握Python/C++/Java，具备良好的数据结构和算法功底
- 强大的业务理解与问题拆解能力，能够将技术方案转化为业务增长
申请策略
- 面试前深入了解字节跳动本地生活业务现状及竞争格局，准备业务洞察和算法结合案例
- 关注公司文化和价值观，强调自驱力和结果导向，适应快节奏迭代
- 重点突出在因果推断、Uplift Modeling或强化学习方面的项目经验，并说明业务效果
- 展示使用TensorFlow/PyTorch等框架的实操案例，尤其是大规模数据或线上A/B测试相关
- 附带与用户增长、推荐系统或本地生活相关的工作成果，用数据说话
- 强化因果推断理论基础，学习典型的Uplift模型如S-Learner、T-Learner等
- 复习强化学习经典算法（DQN、PPO等），并了解如何应用于用户增长场景
- 熟悉字节跳动常用技术栈（如Flink、Kafka等大数据组件）有助于面试
面试指南
- 对于业务场景题，采用STAR法则：背景-目标-行动-结果，突出量化指标
- 对于技术方法题，从原理出发，结合实际业务约束，给出可落地的方案，并讨论优缺点
- 对于策略设计题，先拆解核心目标（拉新/促活/转化），再选择合适算法模型，最后评估ROI
- 请描述一个你使用因果推断解决实际业务问题的案例，如何设计实验并评估效果？
- 用户增长场景中，如何平衡短期ROI与长期用户价值？请结合算法策略谈思路
- 谈到Uplift Modeling，与传统的响应模型有何区别？请举例说明适用场景
- 如何在线评估增长策略？请设计一个A/B测试方案，并考虑流量分割和置信度要求
- 假设抖音本地生活要在新城市冷启动，你会如何设计算法策略尽快拉升GMV？
匹配度报告
68
综合匹配度
大厂核心增长算法岗，前沿技术栈，薪资优厚，但工作强度大，WLB较差。
适合人群
最适合高度重视技术成长和职业发展、能接受高强度工作节奏、追求高回报的候选人。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利85
成长发展90
工作生活35
使命价值60
薪资福利匹配
85较高
字节跳动属于大厂，薪资在业内具有较强竞争力，但未在JD中明确具体数额或福利，薪酬信号为'未披露'；考虑到岗位重要性，实际薪酬应处于市场偏高水准。
薪资信号未披露（AI估算：30K-60K/月）
成长发展匹配
90较高
该职位涉及因果推断、强化学习、LLM等前沿技术，且隶属于核心增长团队，技术成长空间大；JD中未明确提及导师制或晋升通道，但字节跳动内部晋升相对透明，属于高速发展赛道。
技术前沿前沿/新兴技术
技术栈因果推断、Uplift Modeling、强化学习、大语言模型、TensorFlow、PyTorch
业务类型profit_center
工作生活匹配
35较低
JD未提及远程或弹性工作，且字节跳动以高强度工作文化著称，工作地点在北京核心区，通勤可能较耗时；WLB信号缺乏，加班可能性大。
工作模式未明确
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值匹配
60中等
本地生活业务属于高速增长赛道，但对社会影响力而言，商业化导向较强，使命信号不明显；创新层面前沿技术应用积极。
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