Amap logo
高德地图
高德-用户增长算法专家-信息业务

高德-用户增长算法专家-信息业务

发布于 6 小时前

普通员工/个人贡献者

AI 估算 · 6.0–10.0万 · AI 参考估算
专家级经验
学历未注明
全职员工仅现场办公用户增长
用户增长
A/B实验
Llm
Ltv建模
Pytorch
Rag
Tensorflow
因果推断

值不值得投

76综合评分

综合评分 76

亿级用户增长算法专家岗,前沿AI技术密集、发展空间强,WLB信息未明确

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

8.0万

比用户增长中位数高

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 380 个在招

市场机会

选择适中

北京 · 用户增长 · 32 个在招

职位详情

关于这个职位

该职位面向高德信息业务的用户增长算法体系建设,围绕激活、留存、活跃频次、召回等全生命周期进行建模与策略优化

重点包括LTV建模、流失预警、Lookalike人群放大、Push触达决策,以及LLM/Agent驱动的AutoResearch增长闭环建设
适合具备增长算法、实验科学、搜广推和大模型应用经验的高级算法人才

最低要求

研究生及以上学历,计算机、统计学、数学、数据挖掘等相关专业

具备扎实的编程功底与算法实现能力,精通 Python/Java/C++ 至少一门,精通 TensorFlow/PyTorch 等框架,熟悉 Spark/HiveSQL 等大规模数据处理技术
深刻理解用户增长的业务机制与技术体系,在以下至少一个方向有深入实践:① 用户生命周期建模(LTV、流失预警、冷启动、用户分层)
② 实验(A/B 实验设计、因果推断、HTE 异质性分析)
③ 搜广推(CTR/CVR 预估、召回-粗排-精排-重排全链路、多场景多目标建模)
有较强的业务洞察与抽象能力,能把模糊的业务问题转化为可度量的算法问题,并设计合理的实验验证路径
具备优秀的沟通协作能力,能高效与产品、运营、数据团队协同推动策略落地

工作职责

增长机制与策略建模:深入理解用户增长的核心机制(激活—留存—活跃频次—召回全生命周期),主导亿级用户规模的增长算法体系建设,包括但不限于:用户价值分层与 LTV/长期价值建模、用户流失预警与召回人群放大(Lookalike)、Push/消息等触达渠道的择机决策与疲劳度控制、新用户冷启动与成长路径建模,持续提升用户规模、活跃频次与留存质量

AutoResearch / 智能化增长闭环:负责探索“AI for Growth”的前沿方向,构建 LLM/Agent 驱动的自动化研究(AutoResearch)与增长洞察闭环——包括基于 Deep Research 智能体的增长机会点自动挖掘(自助式多源数据分析、假设自动生成与实验验证)、实验结果自动归因与策略复盘报告生成、增长知识库与策略库的沉淀和检索(RAG),将“人拉数据→人做分析→人定策略”升级为“系统发现问题→系统验证→人做决策”
前沿技术探索与落地:跟进学术界与工业界最新进展并推动落地,如:LLM 在用户行为理解、人群洞察中的应用
强化学习(RL)在序列决策与触达策略优化中的应用
基于大模型的用户行为序列建模与冷启动/数据稀疏场景建模
生成式推荐与上下文感知的个性化体验

优先资格

熟悉 LLM/Agent 技术栈(Prompt 工程、RAG、Function Calling、多智能体编排),对用 LLM/Deep Research 构建自动化分析与研究闭环(AutoResearch)有实际探索或落地经验者优先

对“AI 驱动的增长工作流”有清晰的方法论认知
加分项:有亿级 DAU 产品的用户增长算法实践经验
在因果推断/实验科学等方向有顶会论文(KDD、WWW、CIKM、AISTATS 等)或工业界实践分享
参加过 ACM、天池、Kaggle 等竞赛并取得优异成绩

AI 洞察

优缺点分析

优点

  • 岗位处于用户增长与LLM/Agent结合的前沿方向,能够积累AI for Growth、AutoResearch、RAG策略库等稀缺实践经验
  • 业务场景覆盖亿级用户规模,算法策略的影响面大,适合希望做高价值增长算法的人
  • 技术栈丰富,涵盖生命周期建模、实验科学、搜广推、大模型、强化学习和生成式推荐,成长空间较大
  • 与产品、运营、数据团队协同紧密,能够提升从业务洞察到算法落地的完整闭环能力
  • AutoResearch属于前沿探索方向,落地过程中可能面临数据质量、系统稳定性、业务接受度等不确定性
  • 适合有用户增长、推荐算法、实验科学或大模型应用经验,并希望在亿级用户业务中做前沿算法落地的资深算法人才

缺点 / 挑战

  • 岗位要求跨度大,既要懂增长业务和实验科学,也要掌握大模型Agent与大规模算法工程,能力门槛较高
  • 增长策略直接关联用户规模、活跃和留存指标,结果导向强,需要持续面对实验验证、归因和策略迭代压力

角色解读

  • 纵向可成长为增长算法方向的技术专家或资深算法专家,负责更大规模、更复杂的增长策略体系与智能化研究闭环
  • 横向可拓展到推荐算法、数据科学、实验科学、AI Agent应用、用户增长产品策略等方向,形成业务与技术复合能力
  • 长期可向算法架构负责人、增长技术负责人或业务策略负责人发展,主导增长算法体系、实验平台与AI驱动工作流的整体建设
  • 负责用户全生命周期增长算法建模,包括用户分层、LTV、流失预警、召回人群放大、冷启动和成长路径建模,直接服务用户规模、活跃和留存目标
  • 设计Push、消息等触达渠道的择机决策和疲劳度控制策略,通过实验和因果推断验证策略效果,持续优化增长效率
  • 构建LLM/Agent驱动的AutoResearch体系,让系统能够自动做多源数据分析、假设生成、实验验证、归因复盘和策略知识沉淀
  • 跟进大模型、强化学习、生成式推荐、用户行为序列建模等前沿方向,并推动其在增长场景中的业务落地
  • 需要具备扎实的算法与工程能力,精通至少一门主流编程语言,并熟悉TensorFlow、PyTorch、Spark、HiveSQL等框架和大规模数据处理工具
  • 需要深入理解用户增长机制,掌握LTV建模、流失预警、用户分层、冷启动、A/B实验、因果推断和HTE分析等方法
  • 需要具备LLM/Agent技术栈经验,包括Prompt工程、RAG、Function Calling、多智能体编排,以及用大模型构建自动化分析闭环的意识
  • 需要较强的业务抽象和跨团队协作能力,能把模糊增长问题转化为可实验、可度量的算法问题,并与产品、运营、数据团队共同推动落地

申请策略

  • 面试前建议重点了解高德地图信息业务的增长场景,思考地图类产品在激活、留存、活跃频次和召回上的特殊问题
  • 申请时尽量用“业务问题—算法建模—实验设计—上线效果—复盘沉淀”的结构表达项目,体现端到端闭环能力
  • 突出与用户增长直接相关的项目,如LTV建模、流失预警、召回人群放大、Push触达优化、新用户冷启动等,并写明业务指标提升
  • 强化实验与因果推断能力,展示A/B实验设计、HTE异质性分析、归因复盘等经验,说明如何保证策略结论可靠
  • 重点呈现LLM/Agent落地经历,尤其是Prompt工程、RAG、Function Calling、多智能体编排、自动化分析或报告生成等实践
  • 补充大规模数据处理和工程能力,包括Python/Java/C++、TensorFlow/PyTorch、Spark、HiveSQL,以及亿级数据或高并发场景经验
  • 可提前准备LLM驱动增长分析的案例,例如用Agent完成数据洞察、假设生成、实验设计、结果归因和策略复盘的全流程
  • 加强对因果推断、实验科学、HTE分析和增长指标体系的梳理,形成可讲清楚的方法论

面试指南

  • 项目类问题采用“背景目标—数据特征—模型/策略设计—实验方案—上线结果—复盘沉淀”的结构回答,并尽量量化业务影响
  • 方案设计类问题先明确业务目标和约束条件,再拆解为指标定义、数据链路、建模方法、实验验证、风险控制和迭代机制
  • 前沿技术类问题建议从“现有痛点—LLM/Agent能力边界—系统架构—人工决策环节—效果评估指标”展开,避免只讲概念
  • 请介绍一个你主导的用户增长算法项目,如何定义目标指标、建模、实验并验证业务效果?
  • 如何构建LTV模型或流失预警模型?如何处理样本偏差、时间窗口和数据稀疏问题?
  • 在Push触达策略中,如何做择机决策和疲劳度控制?如何平衡短期点击与长期留存?
  • 请设计一个LLM/Agent驱动的AutoResearch系统,如何实现多源数据分析、假设生成、实验验证和策略复盘?
  • 如何评价A/B实验结果中的异质性效果?因果推断在实际增长策略中有哪些常见坑?

职位点评

薪资福利82
成长发展92
工作生活48
使命价值70

薪资福利

82较高

该职位为专家级算法岗,要求高、技术栈稀缺,通常对应较好的薪资竞争力;但JD未披露具体薪资和福利信息,稳定性与福利细节无法进一步判断。

薪资信号未披露(AI估算:6.0千–10.0万/月)

成长发展

92较高

岗位明确涉及LLM/Agent、AutoResearch、强化学习、生成式推荐等前沿方向,并要求主导增长算法体系建设,技能成长和技术纵深空间很强。JD还提到跟进学术界与工业界最新进展并推动落地,发展性动机匹配度高。

技术前沿前沿/新兴技术
技术栈LLM、Agent、AutoResearch、Deep Research、RAG、Function Calling、多智能体编排、强化学习、生成式推荐、用户行为序列建模、LTV、因果推断、A/B实验、HTE、CTR/CVR预估、TensorFlow、PyTorch、Spark、HiveSQL
成长机会跟进学术界与工业界最新进展并推动落地、前沿技术探索与落地、构建 LLM/Agent 驱动的自动化研究(AutoResearch)与增长洞察闭环、增长知识库与策略库的沉淀和检索(RAG)
业务类型profit_center

工作生活

48较低

JD仅明确工作地点为北京,未提及远程、混合办公、弹性工时、双休或加班情况,因此生活化动机只能基于地点和岗位复杂度做有限判断。整体办公灵活性与WLB信息不足。

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

岗位聚焦用户增长、活跃频次和留存质量提升,对产品增长和业务价值有直接贡献;同时探索AI驱动增长工作流,具有一定创新意义。但JD未明确表达社会价值或使命导向,意义感主要来自业务增长和技术创新。

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