叮咚买菜
算法专家-销量预测(J15270)
算法专家-销量预测(J15270)
发布于 2 个月前普通员工/个人贡献者
全职员工仅现场办公机器学习工程
机器学习工程
Lightgbm
Pytorch
Sql
时序预测
机器学习
深度学习
值不值得投
74综合评分
综合评分 74
核心算法岗，前沿技术栈，业务驱动，薪资竞争力强但WLB不明确。
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
5.5万
比机器学习工程中位数高
发布情况
长期在招 · 47 天前发布
公司情况
这家公司招聘很活跃
82 个在招
市场机会
选择面较广
上海 · 机器学习工程 · 约 370 个在招
职位详情
关于这个职位
该岗位负责为叮咚买菜的生鲜商品构建精准的销量预测模型，通过结合商品信息、节假日、天气等多维特征，降低缺货和损耗
你将研究和落地前沿的深度时序模型，并在大数据量下进行规模化部署，直接赋能零售供应链决策
最低要求
计算机、数学等相关专业，硕士及以上学历，互联网或零售行业相关工作经验
掌握常见的深度/机器学习模型及原理，具备大数据训练经验，善于结合数据特性优化网络结构，有时序模型经验优先
熟悉Linux基础命令，熟练掌握Python语言，能够熟练使用PyTorch、LightGBM、Pandas等工具独立进行建模实验
熟练掌握SQL语言，熟悉MySQL、Hive，有Spark大数据处理经验优先
热爱技术并能主动学习
参与过kaggle M5 forecasting等kaggle比赛以及相关社区活跃者优先
工作职责
生鲜商品销量预测，提前N天给出精准预测结果，降低缺货和损耗
结合商品本身信息，以及节假日，活动，天气等特征构建鲁棒的时序预测模型
研究探索业界领先的深度时序预测模型，在零售供应链场景落地
大数据量下规模化部署预测模型
优先资格
有时序模型经验优先
有Spark大数据处理经验优先
参与过kaggle M5 forecasting等kaggle比赛以及相关社区活跃者优先
AI 洞察
优缺点分析
优点
- 核心业务岗位，模型直接影响公司运营成本和用户体验，成就感强
- 公司已上市，业务稳定，技术投入持续，团队氛围和技术积淀较好
- 生鲜需求波动大，预测精度要求极高，模型调优和落地难度大
- 适合在时序预测或机器学习领域有扎实基础，对零售供应链业务感兴趣，并希望将技术落地到实际场景产生业务价值的技术型人才
缺点 / 挑战
- 海量真实时序数据（生鲜SKU、天气、活动等），技术挑战大，利于积累领域经验
- 需要与业务、产品、工程等多方协作，沟通成本较高
- 大数据量下模型部署和性能优化对工程能力要求较高
角色解读
- 在技术深度上，可成长为时序预测或供应链算法方向的专家，主导核心模型架构设计
- 在业务广度上，可拓展至仓储、物流、定价等供应链全链路算法岗位，或转向算法管理岗位
- 叮咚买菜作为生鲜电商龙头，算法团队有较多数据场景，未来可向AI中台或数据科学负责人发展
- 负责生鲜商品销量预测模型的研发与优化，提前N天给出精准预测，直接影响库存和损耗
- 结合商品属性、节假日、天气等多维特征，构建鲁棒的时序预测模型，提升预测准确率
- 跟踪业界前沿的深度时序模型（如Transformer、Informer等），在零售供应链场景中落地应用
- 在TB级数据量下进行模型规模化部署和推理优化，保障线上稳定性
- 扎实的机器学习/深度学习理论基础，熟悉常见模型（如RNN、LSTM、Transformer、LightGBM等）及其适用场景
- 熟练使用Python及PyTorch、Pandas等工具进行建模实验，具备Linux环境下的开发能力
- 精通SQL及大数据处理（Hive/Spark），能够高效处理海量时序数据
- 有时序预测项目经验或Kaggle相关比赛经验者优先，需要较强的业务理解和问题抽象能力
申请策略
- 在简历中量化模型带来的业务收益（如降低损耗xx%、提升预测准确率xx%）
- 面试前准备一个完整的时序预测项目讲解，从问题定义到模型部署全流程
- 突出时序预测项目经验，特别是处理多维度特征（时间、节日、天气）和提升预测精度的案例
- 强调大数据处理能力，如使用Spark/Hive处理TB级数据、模型分布式训练经验
- 如有Kaggle M5 forecasting或类似比赛经历，请详细说明特征工程和模型方案
- 展示扎实的编程功底，尤其是Python、PyTorch、LightGBM的熟练度
- 复习时序预测经典模型（ARIMA、Prophet、LSTM、Transformer、Informer），并对比适用场景
- 熟悉Spark SQL和Hive优化技巧，练习处理时间序列数据的分区、窗口函数等
面试指南
- 项目介绍采用STAR法则：情景、任务、行动、结果，重点突出数据特征和模型创新点
- 对于突发因素，可提出增加外部特征（如节假日哑变量、天气预报）、使用分位数损失或集成模型等方法
- 大规模部署方面，可讨论模型压缩、分布式推理、特征工程流水线等环节
- 请详细讲讲你做过的一个时序预测项目，包括特征工程、模型选择和最终效果
- 如何处理节假日或促销活动对销量的突发影响？请给出你的建模思路
- 在大规模数据场景下，如何高效训练和部署时序模型？
- 比较一下LightGBM和深度学习模型（如LSTM、Transformer）在时序预测中的优缺点
- 你对生鲜电商的供应链了解多少？如何平衡缺货和损耗？
职位点评
薪资福利80
成长发展85
工作生活50
使命价值70
薪资福利
80较高
该岗位为高级算法专家，叮咚买菜已上市且为头部生鲜电商，薪资水平在行业内具竞争力，但JD未明确薪资和福利，故评分中等偏上。
薪资信号未披露（AI估算：4–7万/月）
成长发展
85较高
岗位涉及前沿深度时序模型落地，技术挑战大，数据场景丰富，且叮咚买菜算法团队有一定积累，有利于技术成长。但JD未提及明确的晋升通道或培训制度。
技术前沿前沿/新兴技术
技术栈时序预测、深度学习、PyTorch、Transformer、LightGBM
业务类型profit_center
工作生活
50较低
仅现场办公，未提及弹性工作或远程，且生鲜电商业务节奏可能较快，但JD未明确加班情况，故评分中等偏低。
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
70中等
生鲜电商直接关系民生，降低损耗和缺货有社会价值，但公司以盈利为核心，使命信号不明显，行业增速稳定。
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