大数据分析工程师 Big Data Analysis Engineer(J21019)

优缺点分析

角色解读

• 技术专家路线：深耕大数据与AI在半导体领域的应用，成为良率分析或智能制造领域的资深技术专家
• 解决方案架构师：向更全面的数据架构或技术解决方案设计方向发展，负责更复杂的数据平台规划
• 数据科学家：在算法建模和业务洞察方面持续精进，承担更复杂的数据科学项目
• 搭建和维护大数据平台，整合半导体制造中的多源数据，为良率分析提供稳定的数据基础
• 设计数据看板和分析工具，将复杂数据转化为直观洞察，支持业务团队快速决策
• 应用机器学习算法（如决策树、随机森林）建立模型，从海量数据中挖掘导致产品良率变化的根本原因
• 研发并部署AI模型（如设备预测性维护），推动生产环节从人工巡检向自动化智能预警升级
• 掌握SQL、Python及Hadoop、Spark、Flink等大数据技术栈，具备ETL开发与运维能力
• 具备数据仓库或大数据平台开发项目经验，能处理TB级数据
• 拥有统计学或机器学习知识，能应用决策树、随机森林等算法解决实际问题
• 了解半导体制造或封测业务流程与测试原理（如CP、FT、WAT），并有主动学习AIGC等新技术的意愿

申请策略

• 在简历和面试中，主动将过往经验与半导体行业的数据特点（如高频率、多维度、强关联性）联系起来，展示你的适配度
• 研究长鑫存储的产品和技术方向，在面试中表达对存储芯片制造行业的理解和兴趣
• 重点突出大数据平台搭建、数据仓库开发的项目经验，尤其是处理TB级数据的实践
• 详细描述使用Python、SQL及大数据框架（如Spark）进行数据分析和ETL开发的具体案例
• 如有，可提及应用机器学习（如决策树、随机森林）解决实际业务问题的经验
• 强调对数据可视化工具的使用经验，以及推动数据服务化的实践
• 主动学习半导体制造基础知识，特别是晶圆制造/封测流程、CP/FT/WAT等测试原理
• 实践时序数据分析和异常检测算法（如Isolation Forest、Prophet），了解其在制造业的应用

面试指南

• 对于项目经历问题，使用STAR法则（情境、任务、行动、结果）清晰描述，重点突出技术选型、难点攻克和业务影响
• 对于算法和业务问题，先阐述你对该问题和数据的理解，再说明选择特定算法的理由、特征工程的思路以及评估方法
• 对于前沿技术问题，结合具体业务场景（如文档分析、异常描述生成）进行举例，体现你的技术视野和业务思考
• 请介绍一个你主导的大数据平台或数据仓库项目，你遇到了哪些技术挑战？是如何解决的？
• 如何利用决策树或随机森林算法对制造过程中的缺陷进行根因分析？请描述你的建模思路
• 你了解半导体测试中的CP、FT测试吗？这些测试数据对良率分析有什么价值？
• 如果让你负责构建一个设备预测性维护模型，你会考虑哪些数据源和算法？
• 你如何看待AIGC技术在制造业数据分析中的应用前景？