友邦保险
Analyst, Data Science
Analyst, Data Science
发布于 5 个月前普通员工/个人贡献者
上海市
中级经验
全职员工
仅现场办公
学历未注明
数据分析与科学
数据建模
数据驱动决策
机器学习
统计分析
预测模型
SQL
AI 估算 · 25k–45k
该岗位需要扎实的数据科学和机器学习技能，在保险金融科技领域应用广泛，市场对复合型人才需求旺盛，薪资竞争力强。
职位详情
关于这个职位
这是一个数据分析师/数据科学家岗位，你将负责创建数据建模工具，从数据中挖掘商业机会
主要工作包括开发和部署可重复、可解释的预测模型，并构建AI和机器学习解决方案来优化友邦保险的业务表现
最低要求
能够创建数据建模工具，通过数据洞察识别机会
能够创建和部署可重复、可解释、动态且可扩展的模型，并将其无缝集成到分析数据产品中
能够倡导并普及数据驱动决策的价值
能够为构建预测模型准备来自不同数据集的数据，并传达结果
能够开发AI和机器学习解决方案以优化业务绩效
必须提供所有要求的信息，包括个人数据，以供考虑
负责确保提交的信息准确且最新
工作职责
创建数据建模工具，通过数据洞察识别机会
创建和部署可重复、可解释、动态且可扩展的模型，并将其无缝集成到分析数据产品中
倡导并普及数据驱动决策的价值
为构建预测模型准备来自不同数据集的数据，并传达结果
开发AI和机器学习解决方案以优化业务绩效
AI 洞察
优缺点分析
优点
- 平台优势：在跨国保险巨头工作，能接触到海量、真实的业务数据，项目影响面广
- 技能积累：专注于保险科技前沿的数据科学应用，技术栈与业务结合紧密，经验价值高
- 行业前景：金融保险行业数字化转型需求强烈，数据科学岗位的职业发展空间和稳定性较好
- 业务复杂性：保险业务逻辑和数据维度复杂，需要快速理解业务并建立有效的分析框架
- 跨部门协作：需要频繁与业务、技术、产品等多部门沟通，对综合协调能力是考验
- 适合对数据科学有扎实功底，并希望将技术能力应用于解决实际商业问题，特别是对金融保险领域感兴趣的求职者
缺点 / 挑战
- 技术落地压力：模型需要真正产生业务价值，对解决方案的实用性、可解释性和性能要求高
角色解读
- 技术路径：可从数据分析师成长为高级数据科学家、算法专家，或专注于保险风控、精算等垂直领域
- 业务路径：可向数据产品经理、业务分析师方向发展，深度参与保险产品的设计与创新
- 管理路径：积累经验后可带领数据科学团队，或负责整个数据分析部门的技术规划与建设
- 负责设计和构建数据模型与预测工具，从海量保险业务数据中提取有价值的商业洞察
- 开发和部署可解释、可扩展的机器学习及AI解决方案，并将其产品化，直接服务于业务优化
- 需要向业务团队倡导数据驱动决策的理念，并准备和整合多源数据以支持建模工作
- 精通数据建模、统计分析和机器学习算法，能够独立完成从数据清洗到模型部署的全流程
- 熟练掌握至少一门数据分析编程语言（如Python或R）及相关库，并具备良好的SQL能力
- 具备将复杂数据结果转化为清晰业务建议的沟通能力，以及推动数据文化落地的软技能
申请策略
- 申请前可研究友邦保险及AIA Digital+的公开技术文章或产品，了解其技术方向和业务重点，在面试中体现你的关注和思考
- 重点展示完整的数据科学或机器学习项目经历，清晰说明你在其中负责的建模、分析工作及最终业务成果
- 突出你对Python/R、SQL、常用机器学习框架（如scikit-learn, TensorFlow/PyTorch）等工具链的熟练程度
- 如果有金融、保险或相关行业的项目经验、实习经历或领域知识，务必详细说明，这是重要加分项
- 可以提前深入了解保险行业的基本业务知识、核心指标和常见的数据分析应用场景
- 加强模型可解释性、A/B测试、数据产品化等方面的知识和实践，这些在业务落地中至关重要
面试指南
- 对于项目类问题，采用STAR法则（情境、任务、行动、结果）结构化回答，重点突出你的技术动作和产生的业务影响
- 对于方案设计类问题，先厘清业务目标，再拆解为可分析的数据问题，最后规划技术实现路径，体现你的业务理解和技术规划能力
- 请详细介绍一个你过去完成的、最有挑战性的数据科学或机器学习项目
- 如果业务部门给你一个模糊的问题（比如‘如何提升保单续保率’），你会如何设计分析框架和建模方案？
- 你如何评估一个预测模型的好坏？除了准确率，还会关注哪些指标？
- 请举例说明你如何处理过数据质量不佳（如缺失值、噪声）的问题
- 你如何向非技术背景的业务同事解释一个复杂的机器学习模型及其结果？
- 深入复盘1-2个核心项目，确保能清晰阐述技术细节、遇到的挑战及解决方案
职位点评
Watch Jobs