中国平安
算法工程师
算法工程师
发布于 大约 16 小时前普通员工/个人贡献者
深圳市
高级经验
全职员工
仅现场办公
硕士
机器学习
数据挖掘
数学建模
推荐系统
大模型
用户画像
风控模型
AI 估算 · 30k–50k
深圳硕士5年算法岗，大厂金融科技方向，薪资处于市场中上水平，结合15薪估算。
职位详情
关于这个职位
该职位主要负责金融保险、银行领域的数据挖掘与数学建模工作，包括精准营销、风控模型等的研发与落地
您将参与端到端的模型开发、测试与报告整理，并推动研究成果在业务中的应用
适合具备5年以上大数据建模经验、熟悉Spark/Python、对大模型有理解的专业人士
最低要求
硕士及以上学历，数学、统计、计算机科学、人工智能等相关信息专业优先
5年以上金融或者相关业务方向大数据建模开发和应用经验，在保险、银行等领域或在互联网等平台负责过用户画像、推荐系统、风控模型等的构建
熟悉spark，python等开发工具，并有端到端的模型调试、方案设计经验和一定的金融业务场景专业知识
对大模型落地应用及优化有一定的理解
工作职责
从事金融保险、银行领域数据挖掘和数学建模的开发与实施工作
负责数据挖掘领域的分析研究，包括数据挖掘算法的分析研究，数据工程的需求分析、建模、实验模拟
负责参与研发精准营销、两核风控、客群分析模型的开发、测试、数据报告整理工作
负责研究成果在公司内的推广应用，以及对外对内合作交流，不断提升公司的技术、分析和营销能力
针对营销理论、消费者的消费行为数据结合数据挖掘领域的特点进行综合全面的业务逻辑架构及系统架构设计
AI 洞察
优缺点分析
- 平台优势：中国平安是金融科技巨头，资源丰富，数据量大，能接触到真实的金融业务场景和海量数据
- 技术成长：涉及传统机器学习与前沿大模型，技术栈全面，有助于提升综合建模能力
- 行业前景：金融科技持续发展，风控和精准营销需求旺盛，职业稳定性高
- 薪资福利：大厂待遇，薪资水平在深圳具有竞争力，且通常有完善的福利体系
- 技术深度要求高：需要5年以上经验，且对大模型有理解，门槛较高，需持续学习
- 业务复杂度：金融领域业务逻辑复杂，规则严格，模型落地需兼顾准确性与合规性
- 工作强度：互联网大厂可能涉及项目赶工，需适应一定的工作压力和加班文化
- 适合有扎实数据挖掘背景、希望在金融科技领域深耕、追求技术深度与业务结合的资深算法工程师
角色解读
- 技术方向：从算法工程师向资深算法专家、技术总监发展，深耕金融AI领域，成为业务与技术结合的复合型专家
- 业务方向：深入理解金融保险业务，转型为数据产品经理或业务分析师，主导数据驱动的业务决策
- 管理方向：积累项目经验后，可晋升为团队负责人或技术经理，带领团队完成复杂建模任务
- 负责金融保险、银行领域的数据挖掘与数学建模，包括精准营销、风控、客群分析等模型的设计与开发
- 参与端到端的模型生命周期管理，从需求分析、数据工程、建模实验到测试部署及效果评估
- 推动研究成果在业务中的应用落地，并负责技术交流与合作，提升团队的技术与业务能力
- 结合业务逻辑与消费者行为数据，设计综合的架构方案，确保模型与业务的深度融合
- 扎实的数据挖掘和机器学习理论基础，熟悉常用算法（如分类、回归、聚类、推荐系统等）
- 熟练使用Spark和Python进行大规模数据处理与建模，具备端到端模型调试与方案设计能力
- 具有金融业务场景知识，了解保险、银行领域的精准营销、风控或用户画像等应用
- 对大模型（LLM）的落地应用与优化有一定理解，能够将其融入实际业务问题
申请策略
- 提前了解平安的金融科技布局和业务部门，如平安科技、平安产险、平安银行等，明确自己感兴趣的领域
- 准备1-2个完整的建模案例，从业务理解到上线效果，展示端到端思维和业务影响力
- 突出金融领域建模经验，特别是保险、银行场景下的精准营销、风控或用户画像项目成果
- 详细描述端到端建模流程中的关键贡献，如特征工程、模型选型、效果优化等
- 强调大模型落地或优化经验，例如LLM在业务中的应用或微调实践
- 展示Spark和Python的熟练度，以及独立设计解决方案的能力
- 补充或强化金融业务知识，例如了解保险精算、银行风控规则等，可通过在线课程或阅读相关报告
- 深入学习大模型技术，如Prompt Engineering、RAG、模型微调等，参与开源项目或实战练习
面试指南
- 使用STAR法则（情境-任务-行动-结果）清晰描述项目经验，突出个人贡献和量化成果
- 对于技术问题，先给出原理概述，再结合自身经验举例，最后总结最佳实践
- 对于场景题，从业务目标、数据特点、技术选型、评估指标、风险控制等维度系统回答
- 请详细描述你负责过的一个金融风控模型项目，包括业务背景、数据来源、建模方法、效果评估和落地情况
- 在Spark和Python环境下，如何处理大规模数据特征工程？举例说明
- 大模型在金融领域有哪些应用场景？你如何评估其效果和风险？
- 如何评估一个精准营销模型的效果？请从业务和技术角度说明
- 你如何处理模型过拟合问题？在金融场景下有哪些特殊考虑？
匹配度报告
66
综合匹配度
大厂金融算法岗，薪资优厚，技术前沿，但工作强度可能较大。
适合人群
适合重视薪资和技术成长、对WLB要求不高的资深算法工程师。
最强匹配
薪资福利匹配
最弱匹配
工作生活匹配
薪资福利85
成长发展80
工作生活40
使命价值60
薪资福利匹配
85较高
薪资水平较高，大厂待遇稳定，福利完善，补偿性动机满足较好。
薪资信号面议 (30K-50K/月)
成长发展匹配
80较高
技术栈较新（大模型）、金融业务场景丰富，有较多技术成长机会，但JD未明确晋升通道。
技术前沿前沿/新兴技术
技术栈数据挖掘、数学建模、Spark、Python、机器学习、大模型
业务类型profit_center
工作生活匹配
40较低
深圳大厂高强度工作，JD未提及弹性工作或WLB，生活化动机满足有限。
工作模式仅现场办公
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
金融科技行业稳定，但社会影响力一般，使命感不强。
行业发展稳定成熟行业
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs