Amap logo
高德地图
高德-增长算法专家-信息业务中心

高德-增长算法专家-信息业务中心

发布于 2 小时前

普通员工/个人贡献者

AI 估算 · 4.5–7.5万 · AI 参考估算
高级经验
学历未注明
全职员工仅现场办公算法工程师
算法工程师
Ltv预估
Uplift Modeling
匹配推荐
因果推断
强化学习
时序预测
智能调度
运筹优化

值不值得投

77综合评分

综合评分 77

北京商家增长算法专家岗,技术方法前沿、业务价值强,办公灵活性未披露。

从薪资福利、成长发展、工作生活和使命价值四个维度综合评估,方便横向比较。

薪资怎么样

6.0万

比算法工程师中位数高

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 360 个在招

市场机会

选择适中

北京 · 算法工程师 · 39 个在招

职位详情

关于这个职位

该岗位面向高德信息业务中心的商家增长场景,负责供给算法、LTV预估、商机分发推荐、商家留存与运维决策等算法体系建设

你将通过因果推断、运筹优化、强化学习和时序预测等方法,提升商机转化效率、人店匹配精准度与商家留存,推动业务增长

最低要求

优秀的沟通和跨团队协作能力,能够有效地与产品、运营及业务团队合作,深入理解行业特性和作业模式差异,推动算法策略在复杂业务场景中的落地

优秀的算法能力,熟练运用因果推断、运筹优化、强化学习、时序预测等方法,在供需分析、LTV预估、流失归因等商家增长场景中有实际落地经验
擅长商家/用户生命周期建模与增长算法,在商机挖掘、商机匹配推荐、潜在商家发现、增量价值评估等方面有深入理解和实践经验
熟悉匹配推荐算法和人店匹配机制,具备商机分发、智能调度及作业中控算法的设计与优化能力,有商家增长算法经验者优先
在广告量价关系预测、收入空间预估、运维动作价值评估、Uplift Modeling等领域具有一定的实践经验,能基于观测数据构建决策支持算法

工作职责

负责商家供给算法体系设计与优化,构建供需分析模型与LTV预估体系,通过高潜力供给区域挖掘、商机生命周期管理及收入空间预测算法驱动业务增长

设计商机全链路智能分发系统,开发商机匹配模型,构建商机推荐机制与作业中控算法,持续提升商机转化效率与人店匹配精准度
打造智能化商家运维体系,研发留存意向模型与运维动作价值评估系统,建立广告量价关系预测及流失归因算法,优化运维效率和商家留存
深入分析行业特性和作业模式差异,抽象可复用的算法框架,协同产品、运营团队构建端到端解决方案,推动算法在绩效考核等跨部门场景落地

优先资格

有商家增长算法经验者优先

AI 洞察

优缺点分析

优点

  • 岗位直接服务业务增长,算法结果能通过商机转化、商家留存、收入空间等指标体现,价值感较强
  • 与产品、运营、业务团队深度协同,有机会积累从算法模型到业务策略闭环的完整经验
  • 高德地图具备丰富的本地生活与出行场景,商家增长问题具有较好的数据基础和落地空间
  • 对专家级算法能力要求全面,既要懂模型,也要懂业务机制和决策系统建设
  • 适合有商家增长、推荐匹配、因果推断或商业化算法经验,且愿意深入业务场景推动算法落地的资深算法工程师

缺点 / 挑战

  • 涉及因果推断、强化学习、运筹优化、Uplift Modeling等方法,技术深度和复杂度较高
  • 商家增长场景链路长,涉及供给、分发、运维、广告和绩效等多环节,问题抽象和归因难度较高
  • 需要同时兼顾算法效果、业务可解释性和跨团队落地,沟通成本较高

角色解读

  • 可向商家增长算法负责人、增长策略专家或业务算法架构师方向发展,负责更完整的算法体系
  • 可横向拓展到广告算法、推荐算法、供给策略、商业化算法等方向,提升业务影响力
  • 长期可走向技术管理或业务负责人角色,统筹算法、产品、运营一体化增长方案
  • 设计商家供给算法体系,围绕供需分析、高潜力区域挖掘、LTV预估和收入空间预测,支撑商家增长决策
  • 建设商机全链路智能分发系统,包括商机匹配、推荐机制、作业中控和智能调度,提升转化效率与人店匹配精准度
  • 研发商家运维相关模型,如留存意向、流失归因、运维动作价值评估和广告量价预测,优化商家留存与运维效率
  • 抽象可复用算法框架,与产品、运营和业务团队协同,将算法策略落地到绩效考核等跨部门场景
  • 需要扎实的算法建模能力,尤其熟悉因果推断、运筹优化、强化学习、时序预测等方法
  • 需要掌握增长算法与生命周期建模,包括商机挖掘、匹配推荐、潜在商家发现、增量价值评估等
  • 需要具备业务理解和跨团队协作能力,能把复杂业务问题转化为可落地的算法方案
  • 需要熟悉商家增长、广告量价关系、Uplift Modeling、流失归因等决策支持算法场景

申请策略

  • 面试前重点梳理高德本地生活、商家供给和广告商业化场景,思考算法如何驱动增长
  • 准备用业务指标讲述项目价值,例如转化率、留存率、收入空间、运维效率或匹配精准度提升
  • 突出在供需分析、LTV预估、商机挖掘、匹配推荐、流失归因等场景中的实际项目经验和业务指标提升
  • 写明使用过的核心方法,如因果推断、运筹优化、强化学习、时序预测、Uplift Modeling,并说明解决的问题
  • 强调跨团队协作经历,尤其是与产品、运营、业务团队共同推动策略上线的案例
  • 展示对商家生命周期、人店匹配、广告量价关系和运维动作价值评估的理解
  • 补强因果推断与Uplift Modeling在观测数据中的建模方法,准备可解释的增量价值评估案例
  • 熟悉商机分发、智能调度、作业中控等决策系统设计,理解匹配效率与转化效率的权衡

面试指南

  • 问题拆解框架:先说明业务目标、约束条件和核心指标,再讲数据、模型、策略评估和上线闭环
  • 项目表达框架:使用背景-难点-方法-结果-复盘的结构,重点突出指标提升和可迁移经验
  • 协作落地框架:先对齐目标和评估口径,再小流量实验验证,最后形成监控、归因和迭代机制
  • 如何构建商家LTV预估体系?如何处理冷启动、样本偏差和长期价值不确定性?
  • 商机匹配推荐与人店匹配机制如何设计?如何评估匹配质量和转化效率?
  • 在观测数据下如何评估某个运维动作的增量价值?Uplift Modeling有哪些关键难点?
  • 如何做广告量价关系预测和收入空间预估?模型结果如何转化为业务策略?
  • 面对产品、运营、业务团队目标不一致时,如何推动算法策略落地?

职位点评

薪资福利82
成长发展88
工作生活55
使命价值76

薪资福利

82较高

JD未披露薪资与福利信息,但岗位为专家级算法职位,且职责直接关联业务增长,通常对薪酬动机具有较强吸引力。

薪资信号未披露(AI估算:4.5千–7.5万/月)

成长发展

88较高

岗位涉及因果推断、运筹优化、强化学习、时序预测和Uplift Modeling等多类方法,并要求构建端到端算法体系,技术成长空间较大。JD未提及明确晋升或培训机制。

技术前沿前沿/新兴技术
技术栈因果推断、运筹优化、强化学习、时序预测、LTV预估、匹配推荐、Uplift Modeling、流失归因
业务类型profit_center

工作生活

55较低

JD仅明确地点为北京,未提及远程、弹性办公、双休或加班信息,因此生活化动机满足程度无法充分判断。

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

76中等

岗位通过算法驱动商家增长、提升商机转化和商家留存,对本地商业生态效率提升有较明确价值,但JD未直接表达社会使命或公共价值导向。

行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs