滴滴出行
资深数据研发工程师
资深数据研发工程师
发布于 3 小时前普通员工/个人贡献者
全职员工仅现场办公数据工程
数据工程
Ai Coding
Clickhouse
Starrocks
数仓建模
数据仓库
数据治理
值不值得投
薪资怎么样
3.5万
与数据工程中位数基本持平
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 2320 个在招 · 其中数据工程 34 个
市场机会
选择面较广
北京 · 数据工程 · 约 170 个在招
职位详情
关于这个职位
该岗位负责滴滴共享单车核心业务的数据仓库建设与开发，开展领域数仓建模并持续优化数据效率
需要主导大规模数据模型的重构与迁移，迭代数仓技术架构并完善数据治理体系，同时抽象业务流程、沉淀通用分析框架与数据应用产品，探索 AI 在数据技术、数据治理与 AI Coding 上的落地效果
最低要求
计算机类/大数据分析/统计学/相关专业本科及以上学历
-7年数据开发经验，熟悉数据管理全流程，有大规模复杂业务处理经验，在数据架构与治理方向有深入的技术实践
有AI交付落地能力或AI技术贡献，能独立推动AI项目从方案设计到上线交付，或有可验证的AI技术成果
较强的技术功底：有Hadoop生态大数据体系架构的应用实践经验，熟悉Hive/Spark/Flink/HBase/CK/SR等工具
富有激情，较强自驱力和责任感，善于团队协同
工作职责
负责滴滴共享单车核心业务的数据仓库搭建及开发，进行领域数仓建模并持续优化，持续提升数据效率
负责抽象核心业务流程，沉淀好用的数据架构、通用的分析框架和数据应用产品
主导大规模数据模型重构与迁移，迭代数仓技术架构，不断完善数据治理体系，持续提升数仓建设的质量
探索AI技术应用——AI数据技术、AI数据治理、AI Coding，产出可衡量的效果
AI 洞察
优缺点分析
优点
- 业务场景真实且规模大：共享单车核心业务数据体量大、链路复杂，有助于快速积累大规模数仓实战经验
- 技术栈主流完整：Hive/Spark/Flink/HBase/CK/SR 全覆盖，技术能力可迁移性强
- 有明确的 AI 探索方向：JD 明确要求 AI 数据技术、AI 治理与 AI Coding 落地，便于积累前沿项目经历
- 业务与治理双线并行：既要支撑业务需求，又要推进治理与质量提升，需要较强的多任务平衡能力
- 适合有 3-7 年数据开发经验、做过大规模数仓建模与治理，并希望在 AI+数据方向继续深耕的工程师
缺点 / 挑战
- 治理与架构并重：不仅有开发，还有模型重构、迁移与治理体系搭建，履历含金量较高
- 架构重构与迁移难度大：大规模数据模型迁移涉及稳定性与业务连续性，需要很强的风险控制与协调能力
- AI 落地要求较高：不仅要懂数据，还要能独立推动 AI 项目上线并产出可衡量效果，跨领域能力门槛不低
角色解读
- 纵向深耕：从数仓开发走向数据架构师/数据治理专家，主导更大范围的数仓体系与技术选型
- 横向拓展：结合 AI 数据技术与 AI Coding 方向，转向 AI 数据平台、智能数据应用等新兴方向
- 团队方向：随着业务理解与项目主导经验积累，可向数据团队负责人或技术管理岗发展
- 负责共享单车核心业务的数据仓库搭建与日常开发，按业务领域进行数仓分层建模，并持续优化数据链路效率
- 主导大规模数据模型的重构与迁移，迭代数仓技术架构，同时推进数据治理体系建设，保障数据质量
- 抽象核心业务流程，沉淀可复用的数据架构、通用分析框架和数据应用产品，服务业务分析与决策
- 探索 AI 在数据技术、数据治理与 AI Coding 上的应用，推动方案落地并产出可衡量的效果
- 扎实的数仓建模能力：熟悉维度建模、分层设计，有大规模复杂业务的数据架构与治理实践经验
- 大数据技术栈：熟悉 Hadoop 生态，能够熟练使用 Hive/Spark/Flink/HBase/ClickHouse/StarRocks 等组件
- AI 工程落地能力：能独立推动 AI 项目从方案设计到上线交付，或有可验证的 AI 技术成果
- 业务抽象与协同能力：能将业务流程抽象为数据模型与产品，自驱性强，善于跨团队协作
申请策略
- 提前了解滴滴共享单车业务的数据形态（骑行订单、车辆调度、供需预测等），面试时更容易讲出业务理解
- 准备一段“从问题到上线”的完整项目叙事，尤其是跨团队推动和效果衡量部分
- 突出数仓建模与架构经历：写清业务域划分、分层设计、模型优化带来的效率或成本收益
- 量化大规模数据与迁移项目：说明数据体量、表规模、迁移表数量、稳定性保障措施与最终结果
- 展示 AI 落地成果：如有 AI 数据治理、智能取数、AI Coding 辅助研发等项目，写明方案、角色与可衡量指标
- 明确技术栈匹配度：逐项对应 Hive/Spark/Flink/HBase/CK/SR 的实际使用场景与深度
- 补齐数据治理体系知识：元数据、血缘、质量监控、成本治理等模块的完整方法论
- 强化 AI 工程能力：了解 LLM 应用、RAG、Text2SQL、AI 辅助编码工具的实际落地方式
面试指南
- STAR 结构：先讲业务背景与痛点，再讲你的方案设计与取舍，最后给出量化结果与复盘
- 技术深挖式回答：先给结论，再展开原理（如分层依据、引擎执行机制），最后说明边界与风险
- AI 项目叙事：问题定义 → 数据与模型方案 → 上线路径与灰度策略 → 效果指标与后续迭代
- 请介绍你做过的一个大规模数仓建模项目，分层如何设计、为什么这样划分？
- 你做过最大规模的数据模型重构或迁移是怎样的？如何保证数据一致性与业务不中断？
- 在数据治理方面你具体做过哪些工作，如何衡量治理效果？
- 你推动过哪些 AI 项目落地？方案设计、技术选型和最终效果指标是什么？
- Spark/Flink/HBase/ClickHouse/StarRocks 你分别在什么场景使用，如何做技术选型？
滴滴出行 的其他在招职位
相似职位推荐
Watch Jobs