滴滴出行
保险风险算法
保险风险算法
发布于 大约 5 小时前普通员工/个人贡献者
全职员工仅现场办公算法优化工程师
算法优化工程师
Gbdt
Lr
保险
数据分析
机器学习
深度学习
特征工程
风险管理
值不值得投
70综合评分
综合评分 70
技术前沿、业务价值高、成长空间大，但工作生活平衡可能一般。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
30K
比算法优化工程师中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 880 个在招 · 其中算法优化工程师 6 个
市场机会
选择面较广
北京 · 算法优化工程师 · 约 130 个在招
职位详情
关于这个职位
该职位负责滴滴金融保险业务的风险模型设计与优化，通过数据挖掘、机器学习算法及深度学习技术，提升风控效果，确保业务风险指标达标，推动技术创新在风控领域的应用
最低要求
统计，数学，物理，金融，计算机科学或者其他量化背景的理工科专业硕士或博士，或者有相匹配的业界工作经历
熟悉常用的数据分析工具，能独立完成千万规模以上的数据处理工作
熟悉常用的统计模型和机器学习算法，例如LR，GBDT 等，并能结合问题数据集进行算法优化
有良好的跨团队沟通能力，能够与非技术背景人士进行高效，有效地信息沟通，推动横向协作
工作职责
负责滴滴金融保险风险场景的模型设计、建设、开发、应用落地、持续迭代优化，为业务风险指标负责
拆解业务风险指标，转化为模型指标，并为之设定合理的提升目标
尝试各类特征工程方法，挖掘集团内外部数据，加工生成有效特征，优化模型效果
数据算法创新，了解并跟进业界领先的人工智能和深度学习进展，推动新的技术在风控领域落地
AI 洞察
优缺点分析
优点
- 技术栈前沿，涉及深度学习和AI在风控领域的实际应用，有利于技能提升
- 公司平台较大，资源丰富，能接触海量数据和复杂业务问题
- 适合对风控算法感兴趣、具备扎实数学和编程基础、喜欢解决实际业务问题的求职者
缺点 / 挑战
- 业务场景真实且关键，工作成果直接影响业务风险指标，价值感强
- 业务压力可能较大，需要快速迭代模型并适应指标变化
- 跨部门协作涉及多方沟通，可能面临信息对齐和推动落地的挑战
角色解读
- 可向高级算法工程师或风控专家方向发展，深化技术专长
- 积累业务经验后，有机会转向技术管理或产品方向，承担更多领导职责
- 设计、开发和优化保险业务的风险模型，确保模型有效支撑业务决策
- 将业务风险指标转化为可量化的模型目标，并推动模型迭代以提升效果
- 进行特征工程挖掘，利用内外部数据优化模型，同时探索人工智能和深度学习技术在风控中的创新应用
- 熟悉机器学习算法（如LR、GBDT）和统计模型，具备模型优化能力
- 掌握数据分析工具，能处理大规模数据集（千万级以上），并具备特征工程经验
- 拥有良好的跨团队沟通技巧，能与非技术人员协作推动项目落地
申请策略
- 研究滴滴金融业务和保险产品，理解风控需求背景
- 准备项目代码或详细报告，以便在面试中展示技术细节和业务成果
- 突出机器学习项目经验，尤其是风控、信用评估或保险相关场景
- 强调数据处理能力，展示处理大规模数据集和特征工程的具体案例
- 列出掌握的算法工具（如Python、TensorFlow、Scikit-learn），并说明其在项目中的应用
- 深入学习深度学习在风控领域的应用，如神经网络模型
- 提升特征工程技巧，了解最新的数据挖掘方法
面试指南
- 使用STAR法则（情境、任务、行动、结果）结构化回答项目经验
- 强调算法原理和业务逻辑的结合，说明技术选择如何解决实际问题
- 突出沟通和协作的具体例子，展示软技能
- 请描述一个你设计的风控模型，如何平衡准确率和业务需求？
- 如何处理不平衡数据（如欺诈样本稀少）？
- 解释LR和GBDT的区别及各自适用场景
- 如何评估模型效果？使用哪些指标？
- 在跨团队项目中，你如何与非技术人员沟通并推动协作？
职位点评
薪资福利75
成长发展80
工作生活50
使命价值70
薪资福利
75中等
薪资水平基于市场竞争力判断，但JD未明确披露具体数字，福利信息也未提及。
薪资信号未披露（AI估算：20K-40K/月）
成长发展
80较高
职位涉及前沿AI技术和实际业务场景，有利于技能深度成长和知识更新。
技术前沿前沿/新兴技术
技术栈机器学习、LR、GBDT、深度学习、特征工程
业务类型profit_center
工作生活
50较低
JD未提及办公模式或工作生活平衡相关信息，可能需现场办公，强度未知。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
70中等
从事保险风险算法工作，对金融安全有中等社会价值，技术应用具有创新性。
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